Kamal 部署 Solid Queue 独立工作节点的实践指南
背景介绍
在现代 Rails 应用开发中,后台任务处理是一个常见需求。Solid Queue 作为 Rails 7.1 引入的默认后台任务解决方案,相比传统的 Active Job 适配器提供了更高效的性能。本文将详细介绍如何通过 Kamal 部署工具来独立部署 Solid Queue 工作节点,而不需要同时运行 Web 应用。
核心挑战
许多开发者在使用 Kamal 部署 Solid Queue 时遇到一个典型问题:Kamal 默认会对部署的容器进行健康检查,这通常需要一个 Web 服务来响应 HTTP 请求。但对于纯后台工作节点来说,运行一个 Web 服务既浪费资源又增加了复杂性。
解决方案
1. 创建专用部署配置
首先,我们需要为工作节点创建独立的部署配置文件 deploy-worker.yml。关键配置如下:
service: app-worker
image: your-registry/app_worker
servers:
web:
hosts:
- your.server.ip
proxy: false # 关键配置,禁用代理和健康检查
builder:
dockerfile: Dockerfile.worker
2. 定制 Dockerfile
为工作节点创建专用的 Dockerfile (Dockerfile.worker):
FROM ruby:3.3.4-slim AS base
WORKDIR /rails
RUN apt-get update -qq && \
apt-get install --no-install-recommends -y build-essential libpq-dev
ENV RAILS_ENV="production" \
BUNDLE_DEPLOYMENT="1"
COPY Gemfile Gemfile.lock ./
RUN bundle install
COPY . .
USER 1000:1000
CMD ["bin/jobs"] # 直接运行工作进程
3. 优化启动命令
在 bin/jobs 脚本中,我们可以直接启动 Solid Queue 的各个组件:
#!/usr/bin/env ruby
require "solid_queue"
SolidQueue::Manager.start(
dispatchers: { default: { polling_interval: 1 } },
workers: { default: { processes: 2, queues: "*" } }
)
技术原理
Kamal 的健康检查机制默认会验证容器是否能够响应 HTTP 请求。通过将 proxy: false 设置在 web 配置下(而非根级别),我们告诉 Kamal 这个角色不需要进行健康检查。这允许纯后台工作节点顺利部署而不需要运行 Web 服务。
常见问题解决
如果遇到 "target failed to become healthy" 错误,请检查:
- 确保
proxy: false正确设置在web配置段下 - 确认没有其他配置意外启用了健康检查
- 检查工作进程是否能在合理时间内启动完成
性能优化建议
- 资源隔离:将工作节点与 Web 节点部署在不同主机上,避免资源竞争
- 垂直扩展:根据任务负载调整工作进程数量
- 日志管理:配置合理的日志轮转策略,避免磁盘空间耗尽
总结
通过合理配置 Kamal,我们可以实现 Solid Queue 工作节点的独立部署,既简化了架构又提高了资源利用率。这种部署方式特别适合任务密集型应用,能够在不影响 Web 服务的情况下灵活扩展后台处理能力。
对于需要同时部署 Web 和 Worker 的场景,建议采用分离的部署配置和镜像,以获得最佳的运维灵活性和资源利用率。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5HunyuanVideo-1.5作为一款轻量级视频生成模型,仅需83亿参数即可提供顶级画质,大幅降低使用门槛。该模型在消费级显卡上运行流畅,让每位开发者和创作者都能轻松使用。本代码库提供生成创意视频所需的实现方案与工具集。00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00