Pular para o conteúdo principal

Railway Deployment

Visão Geral​

O Cidadão.AI está em produção no Railway desde 7 de outubro de 2025, alcançando 99.9% de uptime com 3 serviços independentes.

Status de Produção​

Arquitetura de Deploy​

3 Serviços Railway​

O sistema utiliza múltiplos serviços para separação de responsabilidades:

Procfile - Configuração dos Serviços​

Location: cidadao.ai-backend/Procfile

# Web Service - API principal usando $PORT do Railway
web: uvicorn src.api.app:app --host 0.0.0.0 --port $PORT

# Worker Service - Processa tasks em background (4 workers concorrentes)
worker: celery -A src.infrastructure.queue.celery_app worker \
        --loglevel=info \
        --queues=critical,high,default,low,background \
        --concurrency=4

# Beat Service - Scheduler para investigações 24/7
beat: celery -A src.infrastructure.queue.celery_app beat --loglevel=info

Ordem de Prioridade do Railway​

O Railway detecta como executar a aplicação seguindo esta ordem:

  1. ✅ Procfile ← USAMOS ESTE
  2. railway.toml / railway.json
  3. nixpacks.toml
  4. Dockerfile
  5. Auto-detecção Python
Conflito de Configuração

Se existirem múltiplos arquivos de configuração (railway.toml, railway.json, nixpacks.toml), o Railway pode escolher errado e iniciar na porta incorreta (7860 do HuggingFace ao invés de $PORT).

Solução: Remover TODOS os arquivos exceto o Procfile.

Variáveis de Ambiente​

Obrigatórias​

Configure no Railway Dashboard (Settings → Variables):

# Core Security (gerar via scripts/generate_secrets.py)
JWT_SECRET_KEY=<64-char-secure-token>
SECRET_KEY=<64-char-secure-token>

# Environment
ENVIRONMENT=production
APP_ENV=production

# Database (Supabase)
SUPABASE_URL=https://seu-projeto.supabase.co
SUPABASE_SERVICE_ROLE_KEY=eyJhbGci...

# LLM Provider (Maritaca recomendado para PT-BR)
LLM_PROVIDER=maritaca
MARITACA_API_KEY=<key>
MARITACA_MODEL=sabia-3.1

# OU provider backup
LLM_PROVIDER=anthropic
ANTHROPIC_API_KEY=<key>
ANTHROPIC_MODEL=claude-sonnet-4-20250514

Opcionais​

# Government APIs
TRANSPARENCY_API_KEY=<key>          # Portal da Transparência (22% success)
DADOS_GOV_API_KEY=<key>             # Dados.gov.br

# Cache (Railway auto-provisiona se adicionar Redis)
REDIS_URL=redis://default:password@host:port

Auto-Provisionadas pelo Railway​

PORT=8000                           # Injetada automaticamente
RAILWAY_ENVIRONMENT=production
RAILWAY_PROJECT_ID=<id>
RAILWAY_SERVICE_ID=<id>

Setup do Deployment​

1. Criar Projeto no Railway​

# Via Dashboard
1. railway.app → New Project
2. Deploy from GitHub repo
3. Selecione: anderson-ufrj/cidadao.ai-backend
4. Branch: main
5. Root directory: /

2. Configurar Serviço Web​

# Railway detecta automaticamente via Procfile
# Build Command: (auto-detectado)
# Start Command: web (do Procfile)
# Port: $PORT (auto-injetado)

3. Adicionar Redis​

# Via Dashboard
1. New Service → Database → Redis
2. Railway cria REDIS_URL automaticamente
3. Variável é injetada em todos os serviços

4. Configurar Workers​

# Via Dashboard - Worker Service
1. New Service → "Create from same repo"
2. Process type: worker
3. Mesmas variáveis de ambiente do web
4. Start command: worker (do Procfile)

# Via Dashboard - Beat Service
1. New Service → "Create from same repo"
2. Process type: beat
3. Mesmas variáveis de ambiente
4. Start command: beat (do Procfile)

5. Via CLI (Alternativa)​

# Instalar Railway CLI
npm install -g @railway/cli

# Login
railway login

# Link projeto existente
railway link

# Deploy
railway up

# Criar serviços adicionais
railway service create --name cidadao-ai-worker --process worker
railway service create --name cidadao-ai-beat --process beat

Verificação de Deploy​

Logs Esperados​

Web Service:

INFO:     Started server process [1]
INFO:     Waiting for application startup.
INFO:     Application startup complete.
INFO:     Uvicorn running on http://0.0.0.0:8000  # ✅ Porta $PORT

Worker Service:

[INFO/MainProcess] Connected to redis://...
[INFO/MainProcess] celery@worker ready.
[INFO/MainProcess] Task src.tasks.investigate[...] received

Beat Service:

[INFO/Beat] Scheduler: Sending due task investigate-contracts-24h
[INFO/Beat] Scheduler: Sending due task cleanup-old-data

Health Checks​

# Health endpoint
curl https://cidadao-api-production.up.railway.app/health

# Resposta esperada
{
  "status": "healthy",
  "version": "2025-11-22",
  "timestamp": "2025-11-22T10:15:30Z",
  "services": {
    "database": "connected",
    "redis": "connected",
    "agents": "17/17 operational"
  }
}

# API docs (OpenAPI)
curl https://cidadao-api-production.up.railway.app/docs
# Retorna HTML do Swagger UI

# Prometheus metrics
curl https://cidadao-api-production.up.railway.app/metrics
# Retorna métricas formato Prometheus

Troubleshooting​

Problema 1: Porta Errada (7860 ao invés de $PORT)​

Sintoma:

🚀 Starting Cidadão.AI Full API
🌐 Running on 0.0.0.0:7860  # ❌ ERRADO - porta do HuggingFace

Causa: Railway executando start_hf.py ou app.py devido a arquivos de configuração conflitantes.

Solução:

# Remover arquivos conflitantes
git rm railway.toml railway.json nixpacks.toml
git commit -m "fix(deploy): force Railway to use Procfile"
git push origin main

# Railway automaticamente re-deploya com Procfile

Problema 2: Deploy Falha com "Invalid PORT"​

Sintoma:

Error: Application failed to respond
Port binding timeout

Causa: Aplicação não está usando $PORT do Railway.

Solução: Verificar que Procfile usa --port $PORT:

web: uvicorn src.api.app:app --host 0.0.0.0 --port $PORT

Problema 3: Variáveis de Ambiente Faltando​

Sintoma:

ValidationError: Field required: JWT_SECRET_KEY

Solução:

# Via Dashboard
Settings → Variables → Add Variable

# Via CLI
railway variables set JWT_SECRET_KEY=<value>
railway variables set SECRET_KEY=<value>

Problema 4: Worker Não Inicia​

Sintoma:

[ERROR/MainProcess] consumer: Cannot connect to redis://...

Solução:

# Via Dashboard
Add Redis service → Automatic REDIS_URL injection

# Via CLI
railway add redis

Problema 5: Health Check Falha​

Sintoma: Railway marca serviço como unhealthy

Solução:

# 1. Verificar logs
railway logs --service web

# 2. Testar endpoint manualmente
curl https://seu-app.railway.app/health

# 3. Verificar variáveis críticas
railway variables

Monitoramento​

Metrics no Railway Dashboard​

Location: Dashboard → Metrics

Métricas disponíveis:

  • CPU Usage: Uso de processador (target: <70%)
  • Memory Usage: Uso de memória (target: <80%)
  • Network: Tráfego entrada/saída
  • Request Rate: Requests por segundo
  • Response Time: Latência (p50, p95, p99)

Logs em Tempo Real​

# Via CLI
railway logs                        # Todos os serviços
railway logs --service web          # Apenas web
railway logs --service worker       # Apenas worker
railway logs --tail 100             # Últimas 100 linhas

# Via Dashboard
Dashboard → Logs → Live logs

Prometheus Metrics (Externo)​

# Configurar Grafana Cloud (opcional)
PROMETHEUS_PUSHGATEWAY_URL=https://prometheus-pushgateway.grafana.net
GRAFANA_CLOUD_API_KEY=<key>

# Métricas exportadas em /metrics:
# - http_requests_total
# - http_request_duration_seconds
# - agent_processing_duration_seconds
# - cache_hit_rate
# - investigation_status_total

CI/CD Automático​

Git Push → Deploy​

Railway faz deploy automaticamente ao push na branch main:

# Fluxo completo
git add .
git commit -m "feat(agents): add new fraud detection"
git push origin main

# Railway automaticamente:
# 1. Detecta push (webhook)
# 2. Clona repositório
# 3. Instala dependências (pip install)
# 4. Executa build (se configurado)
# 5. Inicia serviço (Procfile)
# 6. Health check (GET /health)
# 7. Switch traffic (zero downtime)

Build Logs​

# Via CLI
railway logs --deployment <deployment-id>

# Via Dashboard
Deployments → Select deployment → View logs

Rollback​

# Via Dashboard
Deployments → Select previous deployment → Redeploy

# Via CLI
railway redeploy <deployment-id>

Performance Otimização​

1. Worker Concurrency​

Default: 4 concurrent workers

Ajustar conforme carga:

# Baixa carga (development)
worker: celery -A src.infrastructure.queue.celery_app worker --concurrency=2

# Alta carga (production)
worker: celery -A src.infrastructure.queue.celery_app worker --concurrency=8

2. Redis Connection Pooling​

Config: src/infrastructure/cache.py

# Max connections por worker
REDIS_MAX_CONNECTIONS = 50

# Connection pool settings
redis_pool = redis.ConnectionPool(
    max_connections=REDIS_MAX_CONNECTIONS,
    decode_responses=True
)

3. Database Connection Pooling​

Config: src/infrastructure/database.py

# PostgreSQL async pool
engine = create_async_engine(
    DATABASE_URL,
    pool_size=10,           # Connections no pool
    max_overflow=20,        # Connections adicionais sob carga
    pool_pre_ping=True      # Validar conexões antes de usar
)

4. Uvicorn Workers​

Production: Usar múltiplos workers Uvicorn

# Single worker (development)
web: uvicorn src.api.app:app --host 0.0.0.0 --port $PORT

# Multiple workers (production - Railway Hobby Plan: 2-4)
web: uvicorn src.api.app:app --host 0.0.0.0 --port $PORT --workers 4
Memory Usage

Cada worker Uvicorn consome ~200-300MB. Railway Hobby Plan tem limite de 512MB-1GB, então ajuste --workers conforme plano.

Custos​

Railway Hobby Plan (Desenvolvimento)​

Preço: $5/mês

  • 500h de execução incluídas
  • $5 em créditos
  • Redis gratuito (100MB)
  • Total estimado: $5-10/mês

Railway Pro Plan (Produção)​

Preço: $20/mês

  • Execução ilimitada
  • Redis: $10/mês (1GB)
  • PostgreSQL: Use Supabase (gratuito até 500MB)
  • Total estimado: $30-40/mês

Otimizar Custos​

# 1. Usar Supabase Free Tier para PostgreSQL
SUPABASE_URL=https://seu-projeto.supabase.co

# 2. Reduzir workers em horários de baixa carga
# Configurar no Railway Dashboard:
# Settings → Cron Jobs → Scale down at night

# 3. Monitorar uso
railway usage

Segurança​

1. Variáveis Secretas​

# NUNCA commitar secrets
.env                    # No .gitignore
railway.toml            # No .gitignore

# Usar Railway Variables (criptografadas)
railway variables set SECRET_KEY=<value>

2. IP Whitelist (Opcional)​

Production only: src/api/app.py (linhas 351-357)

if settings.ENVIRONMENT == "production":
    app.add_middleware(
        IPWhitelistMiddleware,
        allowed_ips=["203.0.113.0/24"]  # Range de IPs permitidos
    )

3. Rate Limiting​

Configuração: src/api/middleware/rate_limit.py

TierRequests/HourBurstConcurrent
Anonymous100102
Authenticated1,00010010
Premium10,0001,00050

4. CORS​

Configuração: src/api/app.py (linhas 329-347)

app.add_middleware(
    CORSMiddleware,
    allow_origins=[
        "https://cidadao-ai-frontend.vercel.app",  # Production
        "http://localhost:3000"                     # Development
    ],
    allow_credentials=True,
    allow_methods=["*"],
    allow_headers=["*"]
)

Integração com Frontend​

CORS Configuration​

Frontend (.env.local):

NEXT_PUBLIC_API_URL=https://cidadao-api-production.up.railway.app

Backend (app.py):

# Adicionar URL do frontend em allow_origins
allow_origins=["https://seu-frontend.vercel.app"]

WebSocket/SSE​

SSE Streaming:

# Endpoint
POST /api/v1/chat/stream

# Cliente JavaScript
const eventSource = new EventSource(
    'https://cidadao-api-production.up.railway.app/api/v1/chat/stream'
);

Recursos Adicionais​

Railway Docs​

Cidadão.AI Docs​

Resumo - Checklist de Deploy​

Antes do Deploy:

  • Configurar variáveis de ambiente (JWT_SECRET_KEY, SECRET_KEY, MARITACA_API_KEY)
  • Remover arquivos conflitantes (railway.toml, railway.json, nixpacks.toml)
  • Verificar Procfile correto (--port $PORT)
  • Configurar CORS com URL do frontend

Durante Deploy:

  • Criar projeto Railway
  • Adicionar Redis service
  • Configurar 3 serviços (web, worker, beat)
  • Verificar logs de startup

Após Deploy:

  • Testar health endpoint
  • Verificar API docs (/docs)
  • Monitorar metrics (CPU, Memory)
  • Configurar alertas (opcional)

🇧🇷 Made with ❤️ in Minas Gerais, Brasil

Última Atualização: 2025-11-22 Autor: Anderson Henrique da Silva Status de Produção: ✅ 99.9% uptime desde outubro/2025