构建可靠的 Slack 应用程序

构建 Slack 应用程序很有趣！但您的应用可靠吗？
在自己构建一个应用程序时，我注意到流行的开源 Slack 应用程序中存在两个常见问题：

1. 许多应用同步处理事件，这可能会导致超时。 Slack 预计在 3 秒内做出响应，但如果您的应用程序触发 AI/RAG 管道，则 AI 模型可能需要更长的时间才能生成回复（例如，新的 o1 模型可能需要约 10 秒的时间来“思考”）。 Slack 的最佳实践建议对事件进行排队并异步处理它们。

2. 许多应用程序不处理重复事件。如果您的应用程序无法响应，Slack 会重试该事件 3 次。如果没有正确的处理，重试可能会导致应用程序出现重复或不一致的响应。这会导致糟糕的用户体验。

以下是我如何使用 DBOS Python（一个开源轻量级持久执行库）解决这些问题。我从现成的基于 AI/RAG 的 Slack 应用程序演示（来自 LlamaIndex 的 llamabot）开始，对函数进行了轻微修改和注释，以便每条传入消息都会启动 DBOS 工作流程。

消息发送代码很简单：

@slackapp.message()
def handle_message(request: BoltRequest) -> None:
    DBOS.logger.info(f"Received message: {request.body}")
    event_id = request.body["event_id"]
    # Use the unique event_id as an idempotency key to guarantee each message is processed exactly-once
    with SetWorkflowID(event_id):
        # Start the event processing workflow in the background then respond to Slack.
        # We can't wait for the workflow to finish because Slack expects the
        # endpoint to reply within 3 seconds.
        DBOS.start_workflow(message_workflow, request.body["event"])

1. 工作流程在后台启动，使我的应用程序能够快速响应 Slack。 DBOS 工作流程一旦启动就始终运行完成（即使是异步运行）。因此，消息始终能够可靠地处理。

2. 我使用消息的事件 ID 作为工作流的幂等键，因此 DBOS 使用它来确保每条消息只处理一次。

您可以在此 GitHub 存储库中找到有关我构建的 AI 支持的 Slack 应用程序的更多详细信息：https://github.com/dbos-inc/dbos-demo-apps/tree/main/python/llamabot

自述文件包含有关如何在 Slack 工作区中直接使用此应用程序的详细说明。

您通常如何构建可靠的应用程序？您对此应用程序有任何反馈吗？请告诉我！

以上是构建可靠的 Slack 应用程序的详细内容。更多信息请关注PHP中文网其他相关文章！