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。
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