Unter der Haube: Die Microservices-Architektur von ZenFlow

Bei der Entwicklung von ZenFlow standen wir vor einer zentralen Frage: Wie bauen wir eine Workflow-Engine, die sowohl für kleine Teams als auch für Enterprise-Kunden mit Millionen von Workflow-Ausführungen pro Tag funktioniert?

Die Herausforderung

Workflow-Automatisierung ist von Natur aus komplex. Ein einzelner Workflow kann:

• Dutzende externe APIs aufrufen
• Minuten bis Stunden dauern
• Parallele Ausführungspfade haben
• Bei Fehlern intelligent reagieren müssen

Event-Driven Architecture

Das Herzstück von ZenFlow ist ein Event-Driven-System. Jede Aktion in einem Workflow – sei es ein API-Aufruf, eine Bedingungsprüfung oder eine Verzögerung – wird als Event behandelt.

Warum Events?

1. Entkopplung: Services kommunizieren über Events, nicht direkt
2. Skalierbarkeit: Event-Consumer können horizontal skaliert werden
3. Auditierbarkeit: Jedes Event wird persistiert und ist nachvollziehbar

Die Kern-Services

ZenFlow besteht aus mehreren spezialisierten Microservices:

Fehlertoleranz by Design

In verteilten Systemen sind Fehler keine Ausnahme, sondern die Regel. Unsere Strategie:

Retry-Mechanismen

Jeder API-Aufruf wird mit exponential Backoff wiederholt. Aber nicht blind – wir unterscheiden zwischen:

• Transiente Fehler (Netzwerk-Timeouts): Automatischer Retry
• Permanente Fehler (401 Unauthorized): Sofortiger Abbruch
• Rate-Limits: Intelligentes Warten

Circuit Breaker

Wenn ein externer Service ausfällt, stoppen wir nicht alle Workflows. Stattdessen:

1. Erkennen wir das Muster (z.B. 5 Fehler in 10 Sekunden)
2. Öffnen den Circuit Breaker
3. Leiten betroffene Workflows in einen Wartezustand
4. Prüfen periodisch, ob der Service wieder verfügbar ist

Lessons Learned

Nach zwei Jahren Entwicklung und über 500 Enterprise-Kunden haben wir einiges gelernt:

Was wir anders machen würden

1. Früher auf Kubernetes setzen: Der initiale Docker-Swarm-Ansatz kostete uns später Migrationsaufwand
2. Schema-Registry von Anfang an: Event-Schemas ohne zentrale Registry führen zu Chaos
3. Feature-Flags: Ermöglichen sichere Deployments und A/B-Tests

Ausblick

Wir arbeiten aktuell an:

• Edge-Computing: Workflow-Ausführung näher am Kunden für niedrigere Latenzen
• Predictive Scaling: ML-basierte Vorhersage von Last-Spitzen
• Visual Debugging: Echtzeit-Visualisierung von Workflow-Ausführungen

---

Haben Sie Fragen zur Architektur oder möchten Sie mehr über einen bestimmten Aspekt erfahren? Schreiben Sie uns an engineering@zensation.ai – wir freuen uns über den Austausch mit anderen Entwicklern!