生产环境下运行Rails的最佳实践
1. 项目介绍
production_rails 是一个开源项目,由 Andrew Kane 创建并维护,旨在提供在生产环境中运行 Ruby on Rails 应用程序的最佳实践。这些实践基于个人经验以及在 Instacart 工作时的所学所得。项目包含了从安全、错误处理、日志记录到性能监控等多个方面的建议和配置示例。
2. 项目快速启动
要快速启动并应用 production_rails 的最佳实践,请按照以下步骤操作:
首先,确保你已经安装了以下依赖:
- Ruby
- Rails
- Node.js
- Yarn (或其他 Node.js 包管理器)
然后,克隆项目到本地:
git clone https://github.com/ankane/production_rails.git
cd production_rails
安装项目依赖:
bundle install
yarn install
配置数据库连接(在 config/database.yml 文件中),然后创建和迁移数据库:
bundle exec rake db:create db:migrate
启动 Rails 服务器:
rails server
现在,你的 Rails 应用应该已经启动并运行在 http://localhost:3000。
3. 应用案例和最佳实践
以下是 production_rails 项目的几个应用案例和最佳实践:
安全
确保所有的代码都遵循安全最佳实践,并使用工具来保护敏感数据。
错误处理
使用错误报告服务,如 Rollbar,来跟踪和报告应用程序中的错误。
日志记录
使用 Lograge 减少日志量,并配置它以添加 request_id、user_id 和 params。
# config/environments/production.rb
config.lograge.enabled = true
config.lograge.custom_options = lambda do |event|
options = event.payload.slice(:request_id, :user_id)
options[:params] = event.payload[:params].except("controller", "action")
options
end
# app/controllers/application_controller.rb
def append_info_to_payload(payload)
super
payload[:request_id] = request.uuid
payload[:user_id] = current_user.id if current_user
end
审计
使用 Audited 库来跟踪对模型的更改。
迁移
使用 Strong Migrations 在开发时捕获不安全的迁移。
Web 请求
使用高性能的 web 服务器,如 Puma,并配置 Rack::Deflater 进行压缩。
背景任务
使用 Sidekiq 作为 Active Job 的队列适配器。
# config/application.rb
config.active_job.queue_adapter = :sidekiq
邮件
对于事务性电子邮件,使用 SendGrid 等电子邮件发送服务。
缓存和性能
使用 Memcached 和 Dalli 进行缓存,使用 Memoist 进行记忆化。
监控
使用性能监控服务,如 New Relic 或 AppSignal。
数据库
为数据库添加超时设置,以避免过长的查询。
# config/database.yml
production:
connect_timeout: 2
checkout_timeout: 5
variables:
statement_timeout: 5000 # ms
分析
使用 Ahoy 或其他第三方服务,如 Amplitude 或 Mixpanel,来跟踪重要事件。
新功能
使用 Rollout 等功能翻转库,轻松启用和禁用新功能。
4. 典型生态项目
production_rails 项目可以与以下生态项目结合使用,以进一步增强 Rails 应用程序的生产环境:
pgHero: 对于使用 PostgreSQL 的应用程序,可以帮助识别性能问题。Rollbar: 错误跟踪服务,可以帮助捕捉和报告应用错误。Lograge: 日志管理工具,用于减少日志文件大小并提高可读性。Sidekiq: 高性能的背景任务处理库。SendGrid: 用于发送事务性电子邮件的服务。
通过遵循这些最佳实践和结合使用典型的生态项目,你可以显著提高 Rails 应用程序在生产环境中的性能和稳定性。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00