Supercharging AI Workflows: ການປິ່ນປົວເອກະສານ Distributed ມີ Node.js, Python, ແລະ RabbitMQ

ໃນເວລາທີ່ບໍລິການ AI Monolith ຂອງທ່ານຈະເລີ່ມຕົ້ນການປິ່ນປົວໃນເອກະສານ ສະແດງໃຫ້ເຫັນການບໍລິການການປິ່ນປົວເອກະສານທີ່ປິ່ນປົວການດາວໂຫລດເອກະສານ PDF, ດາວໂຫລດເອກະສານ, ດາວໂຫລດການປິ່ນປົວການປິ່ນປົວຄວາມອຸປະກອນ, ແລະການຜະລິດບັນຊີລາຍລະອຽດ. ໂດຍການນໍາໃຊ້ປົກກະຕິ, ມັນເຮັດວຽກຢ່າງງ່າຍດາຍເຖິງ ... ວັນທີ່ຜູ້ໃຊ້ດາວໂຫລດເອກະສານ 500 ໃນຂະນະທີ່ຫນຶ່ງ! ໃນປັດຈຸບັນ, Node.js server ສະຫນັບສະຫນູນສໍາລັບ 20 ນາທີ, blocking ຄໍາຮ້ອງສະຫມັກອື່ນໆແລະໃຫ້ຜູ້ໃຊ້ບໍ່ມີການປິ່ນປົວຫຼືການປິ່ນປົວຜົນປະໂຫຍດ. ປະເພດຂອງຄວາມສຸກເຫຼົ່ານີ້ຝຶກອົບຮົມລັກສະນະປົກກະຕິ: AI workloads should not run inside your web server. ການແກ້ໄຂ? Distributed ການເຮັດວຽກໃນຫຼາຍກ່ວາຜູ້ເຮັດວຽກ AI, ເຮັດໃຫ້ທຸກຄົນເຮັດສິ່ງທີ່ພວກເຮົາມີຄວາມດີທີ່ສຸດ, ແລະນໍາໃຊ້ລະດັບການທົດສອບເພື່ອເຮັດໃຫ້ທຸກສິ່ງທຸກຢ່າງຖືກຄຸ້ມຄອງ. ນີ້ແມ່ນວິທີທີ່ຂ້າພະເຈົ້າກໍ່ສ້າງລະບົບທີ່ປິ່ນປົວເອກະສານໃນ paralel ໂດຍໃຊ້ Node.js ເປັນ orchestrator ແລະທັງ Node.js ແລະ Python ເປັນຜູ້ເຮັດວຽກ AI, ທັງຫມົດອະນຸຍາດໂດຍຜ່ານ RabbitMQ ແລະ Celery. ເປັນຫຍັງການກໍ່ສ້າງນີ້ມີຄວາມຮູ້ສຶກ ຫຼັງຈາກການສົນທະນາໃນລະຫັດ, ກະລຸນາຂອບໃຈວ່າຄຸນນະສົມບັດທີ່ແຕກຕ່າງກັນນີ້ເຮັດວຽກ: ທີ່ດີທີ່ສຸດສໍາລັບການປິ່ນປົວຄໍາຮ້ອງສະຫມັກ HTTP ແລະການຕອບສະຫນອງການເຮັດວຽກ. server API ຂອງທ່ານຈະໄດ້ຮັບການຕອບສະຫນອງຢ່າງງ່າຍດາຍເຖິງແມ່ນວ່າທ່ານກໍາລັງປິ່ນປົວອຸປະກອນຫຼາຍໆ. Node.js as the orchestrator : ວິທະຍາໄລຫຼາຍທີ່ສຸດຂອງ AI / ML (spaCy, transformers, scikit-learn) ແມ່ນ Python-native. ການເຮັດວຽກຂອງການປິ່ນປົວ AI ຂະຫນາດໃຫຍ່ໃນຜູ້ເຮັດວຽກ Python ເຮັດໃຫ້ API Node.js ຂອງທ່ານງ່າຍ. Python AI workers : ສໍາລັບການເຮັດວຽກທີ່ JavaScript excels (PDF parsing, OCR preprocessing, ການເຮັດວຽກ NLP ທີ່ແຕກຕ່າງກັນ), ທ່ານສາມາດມີຜູ້ເຮັດວຽກ Node ທີ່ດີທີ່ສຸດຂອງໂລກທັງສອງ. Node.js AI workers ການປັບປຸງຂອງການປັບປຸງຂອງການປັບປຸງຂອງການປັບປຸງຂອງການປັບປຸງຂອງການປັບປຸງ RabbitMQ ການທົດສອບ Battle-Tested Distributed Task Coin ສໍາລັບ Python. ການປິ່ນປົວ retries, ປະລິມານ, ແລະ worker scaling out of the box. Celery ມັນເປັນລະບົບທີ່: Your API responds in milliseconds, not minutes Workers can scale independently (add 10 Python workers if you need more NLP power) Failed tasks automatically retry You can monitor everything in real-time ວິທະຍາໄລໃນ 1 ວິນາທີ ນີ້ແມ່ນສິ່ງທີ່ພວກເຮົາມີການສ້າງ: ຜູ້ໃຊ້ດາວໂຫລດເອກະສານໂດຍຜ່ານ REST API. server Node.js ດາວໂຫລດມັນ, ດາວໂຫລດການເຮັດວຽກກັບ RabbitMQ, ແລະດາວໂຫລດ ID ການເຮັດວຽກ. ຜູ້ເຮັດວຽກຂອງ Python ແລະ Node.js ດາວໂຫລດການເຮັດວຽກໂດຍຜ່ານຄວາມສາມາດຂອງເຂົາເຈົ້າ. ຜູ້ເຮັດວຽກຂອງພວກເຮົາມີການປິ່ນປົວສ່ວນຂອງເຂົາເຈົ້າ (ການກັ່ນຕອງບົດຄວາມ, ການທົດສອບ, ການທົດສອບຄວາມຮູ້ສຶກ) ແລະດາວໂຫລດການເຮັດວຽກ. orchestrator ກວດສອບການເຮັດວຽກຂອງເຂົາເຈົ້າແລະສົ່ງຂໍ້ມູນໃຫ້ລູກຄ້າ. ການກໍ່ສ້າງຂອງ Foundations ຂ້າພະເຈົ້າໃຊ້ Docker Compose ເພື່ອດໍາເນີນການ stack ທັງຫມົດໃນສະຖານທີ່. ນີ້ເຮັດໃຫ້ການເພີ່ມຜູ້ເຮັດວຽກຫຼືການທົດສອບໃນສະພາບແວດລ້ອມທີ່ແຕກຕ່າງກັນຂອງການຜະລິດ. ນີ້ແມ່ນການຕິດຕັ້ງ Docker Compose ທີ່ເຮັດໃຫ້ທຸກສິ່ງທຸກຢ່າງເປັນໄປໄດ້: version: '3.8' services: rabbitmq: image: rabbitmq:3-management ports: - "5672:5672" - "15672:15672" environment: RABBITMQ_DEFAULT_USER: admin RABBITMQ_DEFAULT_PASS: admin123 redis: image: redis:7-alpine ports: - "6379:6379" api: build: context: ./api ports: - "3000:3000" depends_on: - rabbitmq - redis environment: RABBITMQ_URL: amqp://admin:admin123@rabbitmq:5672 REDIS_URL: redis://redis:6379 volumes: - ./uploads:/app/uploads python-worker: build: context: ./workers/python depends_on: - rabbitmq - redis environment: CELERY_BROKER_URL: amqp://admin:admin123@rabbitmq:5672 CELERY_RESULT_BACKEND: redis://redis:6379 deploy: replicas: 2 node-worker: build: context: ./workers/node depends_on: - rabbitmq - redis environment: RABBITMQ_URL: amqp://admin:admin123@rabbitmq:5672 REDIS_URL: redis://redis:6379 deploy: replicas: 2 ດາວນ໌ໂຫລດ Full Stack With ແລະທ່ານມີ pipeline AI Distributed ທີ່ເຮັດວຽກໃນເຄື່ອງຂອງທ່ານ. docker-compose up -d Node.js API: ເຮັດໃຫ້ມັນໄວ ການບໍລິໂພກ API ມີການເຮັດວຽກຫນຶ່ງ: ໄດ້ຮັບຄໍາຮ້ອງສະຫມັກ, ສະຫນັບສະຫນູນການເຮັດວຽກ, ແລະດໍາເນີນການຫຼັງຈາກນັ້ນ. ມັນບໍ່ຈໍາເປັນຕ້ອງກວດສອບການປິ່ນປົວຂະຫນາດໃຫຍ່. // api/src/server.js import express from 'express'; import amqp from 'amqplib'; import { createClient } from 'redis'; import multer from 'multer'; import { v4 as uuidv4 } from 'uuid'; const app = express(); const upload = multer({ dest: 'uploads/' }); let channel, redisClient; async function initializeConnections() { const connection = await amqp.connect(process.env.RABBITMQ_URL); channel = await connection.createChannel(); await channel.assertQueue('document_analysis', { durable: true }); redisClient = createClient({ url: process.env.REDIS_URL }); await redisClient.connect(); } app.post('/analyze', upload.single('document'), async (req, res) => { const jobId = uuidv4(); const { analysisType = 'full' } = req.body; const task = { jobId, filePath: req.file.path, fileName: req.file.originalname, analysisType, createdAt: new Date().toISOString() }; // Publish to RabbitMQ channel.sendToQueue('document_analysis', Buffer.from(JSON.stringify(task)), { persistent: true } ); // Store initial status in Redis await redisClient.set(`job:${jobId}`, JSON.stringify({ status: 'queued', progress: 0, createdAt: task.createdAt }), { EX: 86400 }); // 24h expiry res.json({ jobId, status: 'queued' }); }); app.get('/status/:jobId', async (req, res) => { const data = await redisClient.get(`job:${req.params.jobId}`); if (!data) { return res.status(404).json({ error: 'Job not found' }); } res.json(JSON.parse(data)); }); await initializeConnections(); app.listen(3000, () => console.log('API running on port 3000')); ຂໍຂອບໃຈວ່າ ການປິ່ນປົວທີ່ແທ້ຈິງແມ່ນ asynchronous ໃນຜູ້ເຮັດວຽກ. /analyze ພະນັກງານ Python: ການຕັດຄວາມຮ້ອນທີ່ມີ Celery ຜູ້ຊ່ຽວຊານຂອງ Python ໃຊ້ Celery ໃນຂະນະທີ່ມັນເຂົ້າລະຫັດກັບ RabbitMQ ແລະປິ່ນປົວຄວາມກວ້າງຂວາງຂອງລະດັບຄວາມກວ້າງຂວາງ. # workers/python/tasks.py from celery import Celery import redis import json from transformers import pipeline import spacy # Initialize Celery app = Celery('tasks', broker=os.getenv('CELERY_BROKER_URL'), backend=os.getenv('CELERY_RESULT_BACKEND')) # Load models once at startup nlp = spacy.load('en_core_web_sm') sentiment_analyzer = pipeline('sentiment-analysis') redis_client = redis.from_url(os.getenv('CELERY_RESULT_BACKEND')) @app.task(bind=True) def analyze_sentiment(self, job_id, text): """Analyze sentiment of document text""" try: update_progress(job_id, 30, 'Analyzing sentiment') # Process in chunks if text is large chunk_size = 512 chunks = [text[i:i+chunk_size] for i in range(0, len(text), chunk_size)] sentiments = [] for chunk in chunks: result = sentiment_analyzer(chunk)[0] sentiments.append(result) # Aggregate results avg_score = sum(s['score'] for s in sentiments) / len(sentiments) dominant_label = max(set(s['label'] for s in sentiments), key=lambda x: sum(1 for s in sentiments if s['label'] == x)) return { 'sentiment': dominant_label, 'confidence': avg_score, 'details': sentiments[:5] # First 5 chunks for detail } except Exception as e: self.retry(exc=e, countdown=60, max_retries=3) @app.task(bind=True) def extract_entities(self, job_id, text): """Extract named entities using spaCy""" try: update_progress(job_id, 50, 'Extracting entities') doc = nlp(text) entities = {} for ent in doc.ents: entity_type = ent.label_ if entity_type not in entities: entities[entity_type] = [] entities[entity_type].append({ 'text': ent.text, 'start': ent.start_char, 'end': ent.end_char }) return entities except Exception as e: self.retry(exc=e, countdown=60, max_retries=3) def update_progress(job_id, progress, message): """Update job progress in Redis""" job_key = f'job:{job_id}' data = redis_client.get(job_key) if data: job_data = json.loads(data) job_data['progress'] = progress job_data['message'] = message redis_client.set(job_key, json.dumps(job_data), ex=86400) ຄວາມງາມຂອງ Celery ແມ່ນວ່າທ່ານສາມາດຂະຫຍາຍການເຮັດວຽກເຫຼົ່ານີ້ໂດຍບໍ່ເສຍຄ່າ. ຕ້ອງການພະລັງງານການທົດສອບຄວາມສົນໃຈເພີ່ມເຕີມ? ກະລຸນາເພີ່ມບັນຈຸເຮັດວຽກເພີ່ມເຕີມ: . docker-compose up -d --scale python-worker=5 ພະນັກງານ Node.js: ການຄຸ້ມຄອງສິ່ງທີ່ JavaScript ເຮັດໃຫ້ທີ່ດີທີ່ສຸດ ສໍາລັບການເຮັດວຽກເຊັ່ນ PDF parsing ຫຼື preprocessing, Node.js workers ເປັນທີ່ດີທີ່ສຸດ. ພວກເຂົາເຈົ້າໄດ້ນໍາໃຊ້ຈາກຊຸດ RabbitMQ ທີ່ແຕກຕ່າງກັນແລະເຮັດວຽກຮ່ວມກັນກັບຜູ້ເຮັດວຽກ Python. // workers/node/worker.js import amqp from 'amqplib'; import { createClient } from 'redis'; import pdf from 'pdf-parse'; import fs from 'fs/promises'; const redisClient = createClient({ url: process.env.REDIS_URL }); await redisClient.connect(); async function processDocument(task) { const { jobId, filePath, analysisType } = task; try { await updateProgress(jobId, 10, 'Extracting text from PDF'); // Read and parse PDF const dataBuffer = await fs.readFile(filePath); const pdfData = await pdf(dataBuffer); const result = { text: pdfData.text, pages: pdfData.numpages, metadata: pdfData.info, wordCount: pdfData.text.split(/\s+/).length }; await updateProgress(jobId, 20, 'Text extracted, queuing analysis tasks'); // Publish extracted text to Python workers for AI analysis if (analysisType === 'full' || analysisType === 'sentiment') { await publishTask('sentiment_analysis', { jobId, text: result.text }); } if (analysisType === 'full' || analysisType === 'entities') { await publishTask('entity_extraction', { jobId, text: result.text }); } // Store extraction results await storeResult(jobId, 'extraction', result); } catch (error) { console.error(`Error processing document ${jobId}:`, error); await updateProgress(jobId, -1, `Error: ${error.message}`); } } async function updateProgress(jobId, progress, message) { const jobKey = `job:${jobId}`; const data = await redisClient.get(jobKey); if (data) { const jobData = JSON.parse(data); jobData.progress = progress; jobData.message = message; jobData.status = progress < 0 ? 'failed' : progress === 100 ? 'completed' : 'processing'; await redisClient.set(jobKey, JSON.stringify(jobData), { EX: 86400 }); } } // Connect to RabbitMQ and start consuming const connection = await amqp.connect(process.env.RABBITMQ_URL); const channel = await connection.createChannel(); await channel.assertQueue('document_analysis', { durable: true }); channel.prefetch(1); channel.consume('document_analysis', async (msg) => { if (msg) { const task = JSON.parse(msg.content.toString()); await processDocument(task); channel.ack(msg); } }); console.log('Node.js worker waiting for documents...'); ຄໍາຮ້ອງສະຫມັກທີ່ກ່ຽວຂ້ອງ: aggregator pattern ຂ້າພະເຈົ້າໃຊ້ຮູບແບບ agregator ໃນເວລາທີ່ຜູ້ຊ່ຽວຊານອັບໂຫລດຜະລິດຕະພັນຂອງເຂົາເຈົ້າໃນ Redis ມີສະຖານະການຄົ້ນຄ້ວາທີ່ເຫມາະສົມ, ແລະ API ອັບໂຫລດໃຫ້ເຂົາເຈົ້າໂດຍສະເພາະ. // api/src/aggregator.js export async function getJobResults(jobId) { const jobData = await redisClient.get(`job:${jobId}`); if (!jobData) return null; const job = JSON.parse(jobData); // Gather all result keys for this job const resultKeys = await redisClient.keys(`job:${jobId}:*`); const results = {}; for (const key of resultKeys) { const [, , resultType] = key.split(':'); const data = await redisClient.get(key); results[resultType] = JSON.parse(data); } return { jobId, status: job.status, progress: job.progress, message: job.message, createdAt: job.createdAt, results }; } ໃນເວລາທີ່ຜູ້ບໍລິໂພກໂທລະສັບ , ພວກເຮົາມີຮູບພາບທີ່ສົມບູນແບບຂອງການທົດສອບທັງຫມົດທີ່ຜ່ານມາ. /status/:jobId ການປິ່ນປົວຄວາມຜິດພາດ gracefully ໃນລະບົບຂະຫຍາຍຕົວ, ສິ່ງທີ່ບໍ່ໄດ້ເຮັດວຽກ. Workers crash, network hiccups, models timeout. Here’s how to handle it: : Celery automatic retries @app.task(bind=True, autoretry_for=(Exception,), retry_kwargs={'max_retries': 3, 'countdown': 5}) def risky_task(self, data): # If this fails, Celery will retry 3 times with 5-second delays pass ຄໍາຖາມ ສໍາ ລັບ ການ ດໍາ ເນີນ ການ: Dead letter queues await channel.assertQueue('document_analysis_dlq', { durable: true }); await channel.assertQueue('document_analysis', { durable: true, arguments: { 'x-dead-letter-exchange': '', 'x-dead-letter-routing-key': 'document_analysis_dlq' } }); ການຊ່ວຍເຫຼືອສໍາລັບການຊ່ວຍເຫຼືອສໍາລັບການຊ່ວຍເຫຼືອສໍາລັບການຊ່ວຍເຫຼືອສໍາລັບການຊ່ວຍເຫຼືອ Timeouts @app.task(time_limit=300, soft_time_limit=270) def long_running_task(data): # Hard limit at 5 minutes, soft limit warning at 4.5 minutes pass ການຄວບຄຸມ pipeline Distributed ຂອງທ່ານ ໃນເວລາທີ່ເຮັດວຽກຫຼາຍກ່ວາຊຸດ, ການຄາດຄະເນດິນດີຕ້ອນຮັບແມ່ນສໍາຄັນ. ຂ້າພະເຈົ້າໃຊ້ console ການຄຸ້ມຄອງ RabbitMQ ( ) ເພື່ອຄວບຄຸມຄວາມຫນາເສັ້ນທາງແລະຄວາມໄວການໂທ. http://localhost:15672 http://localhost:15672 ສໍາລັບການຄວບຄຸມລະດັບການນໍາໃຊ້, ຂ້າພະເຈົ້າໄດ້ເພີ່ມ endpoint metrics: app.get('/metrics', async (req, res) => { const connection = await amqp.connect(process.env.RABBITMQ_URL); const channel = await connection.createChannel(); const queue = await channel.checkQueue('document_analysis'); res.json({ queueDepth: queue.messageCount, consumers: queue.consumerCount, // Could add more metrics from Redis, worker health checks, etc. }); await connection.close(); }); ສໍາລັບການຜະລິດ, ທ່ານຕ້ອງການ Prometheus metrics ແລະ Grafana dashboards, ແຕ່ມັນໃຫ້ທ່ານຄວາມຮູ້ທີ່ໄວ້ວາງໃຈໃນໄລຍະການພັດທະນາ. ນີ້ແມ່ນ dashboard ພື້ນທີ່ຈາກ RabbitMQ: ການ scaling ລະບົບ ສິ່ງທີ່ງາມກ່ຽວກັບການກໍ່ສ້າງນີ້ແມ່ນ scaling ອັດຕະໂນມັດ: ສໍາລັບຄວາມພະລັງງານການປິ່ນປົວ AI ຫຼາຍ: Scale Python workers docker-compose up -d --scale python-worker=10 ສໍາ ລັບການປິ່ນປົວ PDF ອື່ນໆ: Scale Node workers docker-compose up -d --scale node-worker=5 ໃນເວລາທີ່ທ່ານມີຂະຫນາດໃຫຍ່ຂອງຄວາມຕ້ອງການ: Scale the API docker-compose up -d --scale api=3 ຂະ ຫນາດ ການ ປະ ຕິ ບັດ ຂອງ RabbitMQ. RabbitMQ ປະ ຕິ ບັດ ການ ປະ ຕິ ບັດ ການ ປະ ຕິ ບັດ ການ ປະ ຕິ ບັດ. ປະສິດທິພາບໃນ Practice ຂ້າພະເຈົ້າທົດສອບລະບົບນີ້ທີ່ມີ 1,000 PDF documents (ມາດຕະຖານ 10 ຫນ້າທຸກຄົນ): : 47 ນາທີ, API ບໍ່ຕອບສະຫນອງ : 8 ນາທີ, API responsive ທັງຫມົດ : 3.5 ນາທີ, API Responsive Monolith (single Node.js process) Distributed (2 Node workers, 4 Python workers) Distributed (5 Node workers, 10 Python workers) ການເກັບຮັກສາຄວາມກົດດັນໄດ້ຖືກເກັບຮັກສາໂດຍບໍ່ມີການເຊື່ອມຕໍ່ກັບຜູ້ເຮັດວຽກໃນເວລາທີ່ທ່ານໄດ້ຮັບ I / O ຫຼືຄວາມກົດດັນເຄືອຂ່າຍ. ລະຫັດ QR ການດາວໂຫລດຂອງມາດຕະຖານການດາວໂຫລດໃຊ້ເວລາ 10-20 ວິນາທີ. ດາວໂຫລດພວກເຂົາຫນຶ່ງໃນເວລາທີ່ຜູ້ເຮັດວຽກເລີ່ມຕົ້ນ, ບໍ່ແມ່ນ per task. I wasted hours debugging "workers slow" before realizing they were reloading models every time. Model loading time RabbitMQ ມີບັນຊີລາຍຊື່ຂະຫນາດທີ່ຖືກຕ້ອງ. ສໍາລັບເອກະສານຂະຫນາດໃຫຍ່, ດາວນ໌ໂຫລດເອກະສານແລະຜ່ານເສັ້ນທາງໃນບັນຊີລາຍຊື່, ບໍ່ແມ່ນບັນຊີລາຍຊື່ຕົນເອງ. Message size limits : ຜູ້ເຮັດວຽກຂອງ Python AI ສາມາດນໍາໃຊ້ 2-4GB ທັງຫມົດໃນຂະນະທີ່ມາດຕະຖານ. ການຄາດຄະເນດິນຂອງທ່ານ. Worker memory ການສ້າງການເຊື່ອມຕໍ່ RabbitMQ One per worker ແລະນໍາໃຊ້ມັນ. Creating connections per task kills performance. Connection pooling ວິທີການນໍາໃຊ້ Architecture ປະເພດນີ້ມີຄວາມຮູ້ສຶກວ່າ: ທ່ານກໍາລັງເຮັດວຽກທີ່ໃຊ້ເວລາຫຼາຍກ່ວາສອງຊົ່ວໂມງ ທ່ານຕ້ອງການພາສາທີ່ແຕກຕ່າງກັນ / runtimes ສໍາລັບພາກສ່ວນທີ່ແຕກຕ່າງກັນຂອງ pipeline ຂອງທ່ານ ທ່ານຕ້ອງການ scale components ອັດຕະໂນມັດ ຄວາມປອດໄພທີ່ສໍາຄັນ (RabbitMQ ສະຫນັບສະຫນູນການເຮັດວຽກທີ່ບໍ່ໄດ້ຮັບການ lost) ທ່ານສາມາດເພີ່ມປະເພດການເຮັດວຽກຫຼາຍກວ່າຫຼັງຈາກນັ້ນ ມັນເປັນ overkill ສໍາລັບ APIs CRUD simple ຫຼືການເຮັດວຽກທີ່ຕອບສະຫນອງໃນ milliseconds. ແຕ່ສໍາລັບການ workloads AI, ການປິ່ນປົວຂໍ້ມູນ pipelines, ຫຼືການເຮັດວຽກທັນສະໄຫມທີ່ຄົ້ນຄວ້າ CPU, ການຄາດຄະເນດິນດີຕ້ອນຮັບນີ້ໄດ້ຂໍຂອບໃຈຫຼາຍ. ລະຫັດ ເບິ່ງລະຫັດການເຮັດວຽກທັງຫມົດໃນ GitHub: https://github.com/ivmarcos/distributed-ai-document-analyzer https://github.com/ivmarcos/distributed-ai-document-analyzer ການເກັບຮັກສາປະກອບມີການຕິດຕັ້ງທັງຫມົດ Docker Compose, server API, ທັງສອງປະເພດ worker, ວັດສະດຸຕົວຢ່າງ, ແລະຊຸດທົດສອບ. Clone ມັນແລະດໍາເນີນການ ເບິ່ງລະບົບທັງຫມົດໃນການເຮັດວຽກ docker-compose up