231 lines
15 KiB
Markdown
231 lines
15 KiB
Markdown
# Agnes Multi-Customer Deployment Log
|
||
|
||
**Datum:** 2026-04-21
|
||
**Spec:** `docs/superpowers/specs/2026-04-21-multi-customer-deployment-spec.md`
|
||
**Plan:** `docs/superpowers/plans/2026-04-21-multi-customer-deployment.md`
|
||
|
||
Průběžný log všeho, co bylo uděláno, včetně zvolených hodnot, úprav plánu, objevených překážek a jejich řešení. Cílem je, aby **další zákazník šel nasadit jedním skriptem**.
|
||
|
||
---
|
||
|
||
## Přehled
|
||
|
||
Startup stav: Keboola prod/dev Agnes běžel z osobního forku `padak/tmp_oss` (branch `feature/v2-fastapi-duckdb-docker-cli`), git pull při boot, tokeny v plaintextu v VM metadata. Cíl: přejít na self-deploy model — public upstream `keboola/agnes-the-ai-analyst` + privátní `keboola/agnes-infra-keboola` s Terraformem, GHCR `:stable` image, Secret Manager.
|
||
|
||
## Konvence
|
||
|
||
- **Public repo:** `keboola/agnes-the-ai-analyst` (app + TF modul)
|
||
- **Privátní repo:** `keboola/agnes-infra-{customer}` (pro Keboolu `keboola/agnes-infra-keboola`)
|
||
- **GCP projekt:** `kids-ai-data-analysis` (Keboola) — pozn.: ponechán, owner `petr@keboola.com`
|
||
- **Deploy SA:** `agnes-deploy@<project>.iam.gserviceaccount.com`
|
||
- **TF state bucket:** `gs://agnes-<project>-tfstate/<customer>/`
|
||
- **VM SA:** `agnes-<customer>-vm@<project>.iam.gserviceaccount.com` (scope: secretmanager.secretAccessor)
|
||
- **Secrets v SM:**
|
||
- `keboola-storage-token` — sdílený, manuálně vytvořený
|
||
- `agnes-<customer>-jwt-secret` — per-customer, auto-generovaný TF
|
||
- **Image tag:**
|
||
- `:stable` (floating) — prod default
|
||
- `:dev` (floating) — dev default
|
||
- `:dev-<branch-slug>` — per-branch (vyžaduje workflow commit — viz Známá omezení)
|
||
|
||
## Chronologie
|
||
|
||
### 2026-04-21 odpoledne — Fáze 0 + 1 (MVP)
|
||
|
||
1. **Ověření IAM přes operativu:** `gcloud iam service-accounts create test...` — funguje i bez přímé role na projektu. Keboola má org-level inherited perms. Owner zůstává `petr@keboola.com`.
|
||
2. **GHCR image public:** `docker manifest inspect ghcr.io/keboola/agnes-the-ai-analyst:stable` funguje bez auth.
|
||
3. **Snapshot boot disku:** `data-analyst-pre-migration-20260421` (safety net před Fází 2).
|
||
4. **Per-branch tagging v release.yml:** commit `0ade45c` — přidává `:dev-<slug>` tag. **Nepushnuto** do origin kvůli chybějícímu `workflow` scope; uložen jako patch `~/.agnes-keys/0ade45c-workflow-per-branch-tag.patch`.
|
||
5. **bootstrap-gcp.sh:** Vytváří SA + role + tfstate bucket + SA key. Spuštěno na `kids-ai-data-analysis`. Vytvořen `agnes-deploy` SA, bucket `gs://agnes-kids-ai-data-analysis-tfstate`, klíč uložen do `~/.agnes-keys/agnes-deploy-kids-ai-data-analysis-key.json`.
|
||
6. **Secret Manager:** `keboola-storage-token`, `jwt-secret-key` nahrány (obě s PŘEDCHOZÍMI hodnotami — `jwt-secret-key` aby existing JWT tokeny zůstaly validní; `keboola-storage-token` pro kontinuitu syncu). Rotace tokenu odložena do Fáze 2 completion.
|
||
7. **fetch-env-from-secrets.sh:** VM-side skript, který stahuje secrets a skládá `.env`.
|
||
8. **Deploy MVP na staré VM `data-analyst`:**
|
||
- `docker compose down` → `git remote set-url origin https://github.com/keboola/agnes-the-ai-analyst.git` → `git fetch + reset --hard origin/main` → scp fetch-env.sh → `fetch-env.sh` → `docker compose pull + up -d`
|
||
- Ověřeno: `/api/health` `status: degraded` (stale tables, OK), image `ghcr.io/keboola/agnes-the-ai-analyst:stable`, login `zdenek.srotyr@keboola.com / 1234` funguje.
|
||
9. **Deploy MVP na staré VM `data-analyst-dev`:** App dir je `/opt/data-analyst/` pod userem `zdeneksrotyr` (jiná struktura než prod). Scope VM je omezený — `fetch-env.sh` selhal, ale .env zůstal beze změny (stejné hodnoty), app běží na `:stable`.
|
||
10. **tmp_oss smazán:** Starý osobní fork už neexistoval.
|
||
|
||
### 2026-04-21 odpoledne — Fáze 2 (TF modul + nové VMs)
|
||
|
||
11. **TF modul `infra/modules/customer-instance/`:** Refactor z monolitního `infra/main.tf` na reusable modul s:
|
||
- `prod_instance` object + `dev_instances` list (podporuje per-branch image_tag)
|
||
- Persistent `/data` disk (pd-ssd, default 50 GB prod / 20 GB dev)
|
||
- Dedikovaný VM SA `agnes-<customer>-vm` jen s `secretmanager.secretAccessor`
|
||
- Auto-generovaný JWT secret v SM
|
||
- OS Login (`enable-oslogin=TRUE`)
|
||
- Startup script: mount disku, download docker-compose z main branch, fetch secrets, `docker compose up`, volitelně watchtower + Caddy profile
|
||
- **Commit:** `a2c05a5 infra: refactor Terraform into reusable customer-instance module`
|
||
12. **Tag `infra-v1.0.0`** push do origin.
|
||
13. **Privátní repo `keboola/agnes-infra-keboola`:** Vytvořen v Keboola org. Struktura:
|
||
- `terraform/main.tf` — module reference `github.com/keboola/agnes-the-ai-analyst//infra/modules/customer-instance?ref=infra-v1.0.0`, backend `gcs`
|
||
- `terraform/variables.tf` — default hodnoty pro Keboolu (project, region, prod_instance, dev_instances)
|
||
- `.github/workflows/plan.yml` — PR: `terraform plan` → komentář v PR přes `gh pr comment` (ne `actions/github-script` kvůli validátoru)
|
||
- `.github/workflows/apply.yml` — push main: apply-dev (env `dev`, no protection) → apply-prod (env `prod`, protected_branches, 5min wait, smoke test)
|
||
- GitHub secret `GCP_SA_KEY` nahrán z `~/.agnes-keys/agnes-deploy-*.json`
|
||
- Environmenty `dev` a `prod` vytvořeny přes `gh api`
|
||
14. **Terraform apply Keboola instance:** 12 resources vytvořeno:
|
||
- `agnes-prod` VM + `agnes-prod-data` disk (50 GB) + `agnes-prod-ip` (34.77.102.61)
|
||
- `agnes-dev` VM + `agnes-dev-data` disk (20 GB) + `agnes-dev-ip` (34.77.94.14)
|
||
- Firewall `agnes-keboola-allow-web`
|
||
- `agnes-keboola-vm` SA + IAM binding
|
||
- `agnes-keboola-jwt-secret` + version
|
||
- TF state v `gs://agnes-kids-ai-data-analysis-tfstate/keboola/`
|
||
15. **Data migration starý prod → nový prod (~2 min):**
|
||
- `docker compose down` na starém prod VM
|
||
- `tar czf /tmp/agnes-data.tar.gz -C /var/lib/docker/volumes/app_data/_data .` (1.8 GB)
|
||
- `gsutil cp` do `gs://agnes-kids-ai-data-analysis-tfstate/migration/agnes-data-20260421-1624.tar.gz`
|
||
- **Problém:** `agnes-keboola-vm` SA neměl `storage.objectViewer` na bucketu → `gsutil iam ch serviceAccount:...:objectViewer gs://...` (dočasné, pro download)
|
||
- `docker compose down` na novém prod VM
|
||
- `gsutil cp` z bucketu na nový VM + `tar xzf ... -C /data`
|
||
- `docker compose up -d` na novém prod VM
|
||
- **POZOR:** Analytics DB se nezbudovala automaticky po extrakci — viz Známá omezení.
|
||
|
||
## Klíčové hodnoty (kopíruj pro další zákazníky)
|
||
|
||
```
|
||
GCP_PROJECT_ID = kids-ai-data-analysis
|
||
CUSTOMER_NAME = keboola
|
||
DEPLOY_SA = agnes-deploy@kids-ai-data-analysis.iam.gserviceaccount.com
|
||
TFSTATE_BUCKET = gs://agnes-kids-ai-data-analysis-tfstate
|
||
TFSTATE_PREFIX = keboola
|
||
VM_SA = agnes-keboola-vm@kids-ai-data-analysis.iam.gserviceaccount.com
|
||
JWT_SECRET = agnes-keboola-jwt-secret (TF-managed)
|
||
KEBOOLA_TOKEN_SECRET = keboola-storage-token (manuálně vytvořený)
|
||
INFRA_MODULE_REF = infra-v1.0.0 (github.com/keboola/agnes-the-ai-analyst)
|
||
PROD_IP = 34.77.102.61 (agnes-prod)
|
||
DEV_IP = 34.77.94.14 (agnes-dev)
|
||
STARÝ PROD IP (legacy) = 35.195.96.98 (data-analyst — po stabilitě smazat)
|
||
STARÝ DEV IP (legacy) = 34.62.223.189 (data-analyst-dev — po stabilitě smazat)
|
||
```
|
||
|
||
## Známá omezení / TODO
|
||
|
||
### Workflow commit nepushnutý
|
||
Commit `0ade45c` (per-branch `:dev-<slug>` tag v release.yml) vyžaduje `workflow` scope na GH tokenu, který aktuální token nemá. Uloženo v `~/.agnes-keys/0ade45c-workflow-per-branch-tag.patch`.
|
||
|
||
**Akce pro dokončení:**
|
||
```bash
|
||
gh auth refresh -h github.com -s workflow
|
||
cd <public-repo>
|
||
git am ~/.agnes-keys/0ade45c-workflow-per-branch-tag.patch
|
||
git push origin feature/multi-customer-deployment
|
||
```
|
||
|
||
Bez toho fungují jen floating tagy `:dev` a `:stable`, ale ne pinned `:dev-<branch-slug>` v `dev_instances`.
|
||
|
||
### Analytics DB se po migraci dat nepřebudovala
|
||
Po kopii `/data` přes tar na nový prod VM má `system.duckdb` všechno (table_registry, users), ale analytics DB je prázdná — SyncOrchestrator nespustil `rebuild()` automaticky. Endpoint `/api/sync/trigger` nebo `/api/sync/rebuild` bude třeba dohledat v app API a zavolat autentizovaně.
|
||
|
||
### Dev VM `data-analyst-dev` staré scope
|
||
Staré `data-analyst-dev` má omezené compute SA scope bez Secret Manageru. V Fázi 2 se nahrazuje novým `agnes-dev` (s dedikovaným VM SA), staré zruš po ověření stability.
|
||
|
||
### Starý Keboola token nerotován
|
||
Nový token v SM je stále ten stejný, co byl v `.env` na starém VM. Po ověření stability nového proudu v Keboola UI vygenerovat nový + `gcloud secrets versions add keboola-storage-token` + restart containerů. Starý pak invalidovat.
|
||
|
||
### Admin heslo `1234` na starém prod
|
||
Migrace dat zkopírovala users table, takže heslo je platné i na novém prod. Rotace je uživatelův úkon přes UI. Nové dev VM má jiný state → jiné hesla.
|
||
|
||
## Co zbývá (uživatelské akce)
|
||
|
||
- [ ] **Approve prod environment** v `apply.yml` runu (https://github.com/keboola/agnes-infra-keboola/actions/runs/24731681502) — jinak se state neaplikuje na prod
|
||
- [ ] **Změnit heslo admin usera** z `1234` (http://34.77.102.61:8000/login → profil)
|
||
- [ ] **Rotovat Keboola Storage token** v Keboola UI → `gcloud secrets versions add keboola-storage-token --data-file=- --project=kids-ai-data-analysis` → restart app containerů na obou VMs (cron to zachytí při dalším tiku nebo `sudo /usr/local/bin/agnes-auto-upgrade.sh`)
|
||
|
||
## Aktualizace průběhu (2026-04-21 pozdně)
|
||
|
||
### Fixy po první migraci
|
||
|
||
1. **Docker named volume → bind mount /data:**
|
||
Po první migraci nové VMs používaly `agnes_data` Docker named volume (uložený na boot disku 30GB), nikoli persistent disk mountovaný na `/data` (50GB). Fix: v `docker-compose.prod.yml` override volume `data` jako bind mount `/data`. Commit `52d6345`. Bumplý tag `infra-v1.1.0`.
|
||
|
||
2. **Watchtower → cron:**
|
||
`containrrr/watchtower` (v1.7.1 i latest) má nekompatibilní Docker API (posílá 1.25, daemon vyžaduje 1.40+). Nahrazen bash skriptem `/usr/local/bin/agnes-auto-upgrade.sh` spouštěným cronem každých 5 min. Detekuje změnu image digest, pokud ano, pullne + `docker compose up -d`. Commit `cbd85c5` v modulu, tag `infra-v1.1.0`.
|
||
|
||
3. **Ověření auto-upgrade:**
|
||
Během finálního verify cyklu cron pullnul novější `:stable-2026.04.33` (nejnovější release) a recreate containers na prod. Fungování potvrzené.
|
||
|
||
### Iterace 2 — finalizace (2026-04-21 večer)
|
||
|
||
1. **Workflow commit pushnut** — po `gh auth refresh -s workflow` protlačen `0ade45c` + merge do main. Per-branch tagging `:dev-<slug>` v GHCR aktivní.
|
||
2. **Dev data zmigrovaná** — `data-analyst-dev` → lokál → `agnes-dev`. DuckDB registry obsahuje 99 tabulek + 1 admin usera.
|
||
3. **Module bumpnut na v1.2.0 v Keboola infra repu** — README plně v EN, CI spustí čistý plan.
|
||
4. **Backup + monitoring → infra-v1.3.0:** daily snapshot schedule na `/data` disku (30d retention), per-VM uptime check + alert policy. Template repo bumpnut na v1.3.0.
|
||
5. **Renovate config** v template + keboola-infra repu — tracks `infra-v*` tagy, otevírá PR při nové verzi.
|
||
6. **Staré VMs smazané** — `data-analyst`, `data-analyst-dev`, jejich static IP, pre-migration snapshot, migration tar z bucketu.
|
||
7. **Temporary IAM grants revokovány** — `secretmanager.secretAccessor` odebrán z default compute SA (na secrets), `storage.objectViewer` odebrán z `agnes-keboola-vm` na tfstate bucket.
|
||
8. **Onboarding ONBOARDING.md rozšířen** o propagation přes `-replace`, backup restore, monitoring setup, race condition fix.
|
||
9. **Auth v2 → v3 action bump** v obou workflow repech (silences Node 20 deprecation warning).
|
||
10. **Prod apply-dev úspěšně proběhl** po manuálním triggeru (initial apply měl race s timing secret creation). apply-prod čeká na reviewera.
|
||
|
||
### Finální stav (po iteraci 2)
|
||
|
||
| Resource | Value |
|
||
|---|---|
|
||
| **Prod VM** | `agnes-prod` @ 34.77.102.61 (e2-small, 50GB /data PD, daily snapshot) |
|
||
| **Dev VM** | `agnes-dev` @ 34.77.94.14 (e2-small, 20GB /data PD, daily snapshot) |
|
||
| **Staré VMs** | 🗑️ smazané |
|
||
| **Image tagy** | prod `:stable`, dev `:dev`, feature branches `:dev-<slug>` |
|
||
| **Auto-upgrade** | Cron `*/5 * * * *` — bash skript, detekce digest change → restart |
|
||
| **Prod health** | `degraded` (stale tables), 103 tables, 9.3M rows, 2 users |
|
||
| **Dev DB** | 99 tables v registry, 1 user (`admin@keboola.com`) |
|
||
| **Backups** | Daily snapshot @ 02:00, 30-day retention (oba disky) |
|
||
| **Monitoring** | uptime check 60s/10s per VM, alert po 5 min failure (notification channels nenapojené — user musí dodat) |
|
||
| **Login prod** | `zdenek.srotyr@keboola.com` / `1234` *(pending user: rotate)* |
|
||
| **TF state** | `gs://agnes-kids-ai-data-analysis-tfstate/keboola/` (versioned, GCS backend) |
|
||
| **Deploy SA** | `agnes-deploy@kids-ai-data-analysis.iam.gserviceaccount.com` |
|
||
| **VM SA** | `agnes-keboola-vm@kids-ai-data-analysis.iam.gserviceaccount.com` (scope: secretmanager.secretAccessor) |
|
||
| **Secrets** | `keboola-storage-token`, `jwt-secret-key`, `agnes-keboola-jwt-secret` |
|
||
| **Public upstream repo** | https://github.com/keboola/agnes-the-ai-analyst |
|
||
| **Template repo** | https://github.com/keboola/agnes-infra-template (is_template=true, ref infra-v1.3.0) |
|
||
| **Keboola infra repo** | https://github.com/keboola/agnes-infra-keboola (EN README, Renovate, ref infra-v1.2.0) |
|
||
| **Module tagy** | `infra-v1.0.0` (initial), `v1.1.0` (volume + cron), `v1.2.0` (CI fix), `v1.3.0` (backups + monitoring) |
|
||
|
||
### Onboarding druhého zákazníka — kompletní flow
|
||
|
||
Podle [`docs/ONBOARDING.md`](../../ONBOARDING.md) — cíl: < 1 hodina. Klíčové kroky:
|
||
|
||
1. `bootstrap-gcp.sh <PROJECT_ID>` — SA + bucket + klíč
|
||
2. `gcloud secrets create keboola-storage-token ...` (pokud source = keboola)
|
||
3. `gh repo create <org>/agnes-infra-<cust> --template keboola/agnes-infra-template --private`
|
||
4. Upload GCP_SA_KEY do GH secret
|
||
5. Editovat `terraform/main.tf` (backend bucket/prefix) + `terraform.tfvars`
|
||
6. Vytvořit `dev` + `prod` environments přes `gh api`
|
||
7. `git push` → CI apply
|
||
8. `POST /auth/bootstrap` admin user
|
||
9. Otestovat `/api/health` + login
|
||
|
||
Předpokládám, že nový zákazník (např. GRPN) projde všech 9 kroků za **~30–45 min** včetně čekání na TF apply.
|
||
|
||
|
||
## Budoucí one-click deploy
|
||
|
||
Cíl: pro nového zákazníka `{customer}` (např. `grpn`) by mělo stačit:
|
||
|
||
```bash
|
||
# 1. Vytvořit GCP projekt (má billing)
|
||
gcloud projects create agnes-{customer}
|
||
|
||
# 2. Bootstrap GCP (SA + bucket + role + klíč)
|
||
./scripts/bootstrap-gcp.sh agnes-{customer}
|
||
|
||
# 3. Vytvořit Keboola Storage secret v zákaznickém SM (manuálně, token dodá zákazník)
|
||
echo -n "<KEBOOLA_TOKEN>" | gcloud secrets create keboola-storage-token \
|
||
--data-file=- --replication-policy=automatic --project=agnes-{customer}
|
||
|
||
# 4. Klonovat template repo (template repo musí existovat — Fáze 6)
|
||
gh repo create {org}/agnes-infra-{customer} --template keboola/agnes-infra-template --private
|
||
|
||
# 5. Upload SA key do GH secretu
|
||
cd agnes-infra-{customer}
|
||
gh secret set GCP_SA_KEY < ~/.agnes-keys/agnes-deploy-agnes-{customer}-key.json
|
||
|
||
# 6. Vyplnit terraform/terraform.tfvars (customer_name, project, IP preferences)
|
||
|
||
# 7. První apply — spustí CI/CD a nahodí VMs
|
||
git add . && git commit -m "initial" && git push
|
||
```
|
||
|
||
Co tomu ještě chybí:
|
||
- Template repo (Fáze 6)
|
||
- Onboarding skript, který provede kroky 1–7 interaktivně
|
||
- Dokumentace: jak nastavit DNS, TLS, admin account bootstrap
|