以下參考課程 LLM Twin: Building Your Production-Ready AI Replica 撰寫

在前幾篇文章中，我們探討了如何透過 Change Data Capture (CDC) 實踐 RAG 中爬蟲資料庫與向量資料庫的同步，並介紹如何利用 MongoDB 和 RabbitMQ 實現一個完整的 CDC 系統，目前系統流程如下：

• 前置處理：爬蟲工具從多個平台（如 Medium、Substack、LinkedIn 和 GitHub）獲取內容。
• MongoDB：用於儲存爬取的內容，配置為複製集以提高可用性。
• CDC 腳本：運行在 AWS Fargate 上，使用 MongoDB 的變更流功能 (watch()) 捕捉資料變更。
• RabbitMQ：作為消息代理，接收來自 CDC 進程的變更消息並分發。
• 後續處理：包括資料前處理和向量儲存，實現 RAG 的資料同步。

今天，我們將進一步深入，介紹如何通過 Docker-compose 在本地開發環境中進行測試，最終部署到雲端，以及可以透過哪些雲端工具擴展我們的服務。

使用 Docker-Compose 設置本地開發環境

在本地環境中，我們將使用 Docker-Compose 來同時運行 MongoDB 複製集和 RabbitMQ 消息代理，以便開發和測試，而無需在本機安裝和配置複雜的服務。

MongoDB 複製集配置

在 docker-compose.yml 中，我們設置了三個 MongoDB 實例來組成複製集，並配置了每個實例的容器名稱、端口和實例的健康檢查：

services:
  mongo1:
    image: mongo:5
    container_name: mongo1
    command: ["--replSet", "my-replica-set", "--bind_ip_all", "--port", "30001"]
    volumes:
      - ./data/mongo-1:/data/db
    ports:
      - 30001:30001
    healthcheck:
      test: test $$(echo "rs.initiate({_id:'my-replica-set',members:[{_id:0,host:\"mongo1:30001\"},{_id:1,host:\"mongo2:30002\"},{_id:2,host:\"mongo3:30003\"}]}).ok || rs.status().ok" | mongo --port 30001 --quiet) -eq 1
      interval: 10s
      start_period: 30s

  mongo2:
    # Similar configuration as mongo1, but with port 30002

  mongo3:
    # Similar configuration as mongo1, but with port 30003
    
  mq:
    # introduce in the next part

這樣的設置確保了 MongoDB 複製集能夠在容器啟動時自動初始化，並進行健康檢查來保證系統的穩定性。使用複製集的好處包括：

• 高可用性：如果主節點出現故障，從節點可以自動接管，確保服務不中斷。
• 數據冗餘：多個節點保存相同的數據，降低資料遺失的風險。
• 讀寫分離：可以將讀操作分散到從節點，提高系統整體性能。

RabbitMQ 消息代理設置

我們繼續編寫 docker-compose.yml，設置 RabbitMQ 消息代理。這裡使用 rabbitmq:3-management-alpine 映像，並開啟管理插件來方便我們查看隊列狀態和消息流動。

services:
  # 上述 mongoDB 的配置，此處省略
  mq:
    image: rabbitmq:3-management-alpine
    container_name: scrabble_mq
    ports:
      - "5673:5672"
      - "15673:15672"
    volumes:
      - ~/rabbitmq/data/:/var/lib/rabbitmq/
      - ~/rabbitmq/log/:/var/log/rabbitmq
    restart: always

這樣的設置將 RabbitMQ 的管理界面暴露在 15673 端口上，方便通過瀏覽器進行管理。在這裡回顧 RabbitMQ 的的主要功用：

• 解耦：將消息的生產者和消費者分離，增加系統的靈活性。
• 異步處理：允許消息的生產和消費以不同的速率進行，提高系統吞吐量。
• 峰值處理：在高峰期可以緩存消息，避免系統過載。

本地環境測試：啟動 CDC 系統

為了簡化測試和開發過程，我們創建了一個 Makefile，定義了常用的操作指令：

local-start: # Build and start mongodb and mq.
	docker-compose -f docker-compose.yml up --build -d

local-start-cdc: # Start CDC system
	python cdc.py

local-test-cdc: # Test CDC system by inserting data to mongodb
	python test_cdc.py

這個 Makefile 定義了三個主要任務，每個任務都有其用途：

• local-start: 構建並啟動 MongoDB 和 RabbitMQ 服務。
• local-start-cdc: 啟動 CDC 系統。
• local-test-cdc: 通過向 MongoDB 插入資料來測試 CDC 系統。

1. 啟動 MongoDB 和 RabbitMQ 服務

首先，使用以下命令來啟動 MongoDB 和 RabbitMQ 容器：

make local-start

這個命令會根據 docker-compose.yml 文件啟動所有服務，接著可以使用前幾天介紹的 docker ps 檢查服務狀態，確保所有容器都正常運作。

2. 啟動 CDC 監控系統

接下來，使用以下命令啟動 CDC 系統：

make local-start-cdc

這個命令會執行 cdc.py 腳本，該腳本會監控 MongoDB 的數據變更，並將變更格式化後發送至 RabbitMQ。

3. 插入測試數據

最後，我們使用測試腳本在 mongoDB 中插入資料，以觸發 CDC 系統：

make local-test-cdc

當 CDC 系統捕捉到變更時，日誌中會顯示如下輸出：

2024-04-05 04:43:51,510 - INFO - Change detected and serialized: {"name": "LLM TWIN", "type": "test", "entry_id": "660f5757b3153bbb219fd901"}
2024-04-05 04:43:51,534 - INFO - Data published to RabbitMQ.

部署到雲端：CDC 系統雲端運行

在將本地 CDC 系統遷移到雲端環境時，我們需要充分利用雲服務提供的優勢，以實現系統的高可擴展性和可用性。以下是基於 AWS 服務的系統架構和關鍵組件選擇：

主要系統架構與核心服務

輔助功能與支援服務

ref.

• Change Data Capture: Enabling Event-Driven Architectures