Como hospedar o Ollama como um pool de workers para inferência

1. Introdução

Visão geral

Neste codelab, você vai aprender a criar um pipeline de processamento de IA assíncrono e orientado a eventos. Você vai implantar um modelo de código aberto usando o Ollama em um pool de workers do Cloud Run. O pool de workers extrai mensagens de um tópico do Pub/Sub e as processa usando um modelo gemma3:4b.

O que você vai aprender

  • Como usar pools de workers com uma assinatura por pull do Pub/Sub
  • Como usar o Ollama para fazer inferência como um pool de workers

2. Antes de começar

Ativar APIs

Antes de começar a usar este codelab, execute o seguinte comando para ativar as APIs:

gcloud services enable run.googleapis.com \
    cloudbuild.googleapis.com \
    artifactregistry.googleapis.com \
    pubsub.googleapis.com \
    storage.googleapis.com

3. Configuração e requisitos

Para configurar os recursos necessários, siga estas etapas:

  1. Defina as variáveis de ambiente para este codelab:
export PROJECT_ID=<YOUR_PROJECT_ID>
export REGION=<YOUR_REGION>

export BUCKET_NAME=$PROJECT_ID-gemma3-4b
export SERVICE_ACCOUNT_NAME=ollama-worker-sa
export SERVICE_ACCOUNT_EMAIL=${SERVICE_ACCOUNT_NAME}@${PROJECT_ID}.iam.gserviceaccount.com
export TOPIC_NAME=ollama-prompts
export SUBSCRIPTION_NAME=ollama-prompts-sub
export AR_REPO_NAME=ollama-worker-repo
export PULL_MSG_IMAGE_NAME=pubsub-pull-msg
export OLLAMA_IMAGE_NAME=ollama-coordinator
  1. Criar uma conta de serviço para o pool de workers
gcloud iam service-accounts create ${SERVICE_ACCOUNT_NAME} \
  --display-name="Ollama Worker Service Account"
  1. Conceder acesso da SA ao Pub/Sub
gcloud projects add-iam-policy-binding ${PROJECT_ID} \
  --member="serviceAccount:${SERVICE_ACCOUNT_EMAIL}" \
  --role="roles/pubsub.subscriber"
  1. Criar um repositório do AR para a imagem do pool de workers
gcloud artifacts repositories create ${AR_REPO_NAME} \
  --repository-format=docker \
  --location=${REGION}
  1. Criar o tópico e a assinatura do Pub/Sub
gcloud pubsub topics create $TOPIC_NAME
gcloud pubsub subscriptions create $SUBSCRIPTION_NAME --topic $TOPIC_NAME

4. Fazer o download e hospedar o modelo no GCS

Em vez de extrair o modelo diretamente dentro do contêiner durante o processo de build, o que pode ser lento e ineficiente, vamos extrair o modelo para uma máquina local usando a CLI do Ollama e fazer upload dos arquivos do modelo para um bucket do GCS. Em seguida, o pool de workers vai montar esse bucket para acessar o modelo.

  1. Instale o Ollama na sua máquina local:

Execute o comando a seguir para instalar o Ollama no Linux. Para outros sistemas operacionais, consulte o site do Ollama.

curl -fsSL https://ollama.com/install.sh | sh
  1. Inicie o serviço do Ollama e extraia o modelo:

Primeiro, inicie o serviço Ollama em segundo plano.

ollama serve &
ollama pull gemma3:4b
  1. Crie um bucket do GCS:

Crie o bucket do GCS usando a variável de ambiente BUCKET_NAME definida anteriormente.

gsutil mb gs://${BUCKET_NAME}
  1. Faça upload dos arquivos do modelo para o bucket do GCS:

O Ollama armazena arquivos de modelo no diretório ~/.ollama/models. Faça upload do conteúdo desse diretório para o bucket do GCS. Isso vai copiar todos os modelos que você baixou.

gsutil -m cp -r ~/.ollama/models/* gs://${BUCKET_NAME}/
  1. Conceder à SA acesso ao bucket do Cloud Storage
gcloud storage buckets add-iam-policy-binding gs://${BUCKET_NAME} \
     --member=serviceAccount:${SERVICE_ACCOUNT_EMAIL} \
     --role=roles/storage.objectViewer

5. Criar o job do Cloud Run

O job do Cloud Run usa dois contêineres:

  • ollama-coordinator: para hospedar o ollama e veicular o modelo gemma 3 4B.
  • pubsub-pull-msg: para extrair da assinatura do Pub/Sub e transmitir a mensagem ao contêiner ollama-coordinator

Primeiro, crie o contêiner ollama-coordinator.

  1. Crie um diretório principal para o codelab:
mkdir codelab-ollama-wp
cd codelab-ollama-wp
  1. Crie um diretório para o contêiner ollama-coordinator.
mkdir ollama-coordinator
cd ollama-coordinator
  1. Crie um Dockerfile com o seguinte conteúdo:
# Use the official Ollama image as a base image
FROM ollama/ollama

# Expose the port that Ollama listens on
EXPOSE 11434

# Set the entrypoint to start the Ollama server
ENTRYPOINT ["ollama", "serve"]
  1. Criar o contêiner do Ollama
gcloud builds submit --tag ${REGION}-docker.pkg.dev/${PROJECT_ID}/${AR_REPO_NAME}/${OLLAMA_IMAGE_NAME} --timeout=20m

Em seguida, crie o contêiner pubsub-pull-msg.

  1. Crie um diretório para o contêiner pubsub-pull-msg.
cd ..
mkdir pubsub-pull-msg
cd pubsub-pull-msg
  1. Criar um Dockerfile
# Use the official Python image as a base image
FROM python:3.9-slim

# Set the working directory in the container
WORKDIR /app

# Copy the requirements file into the container
COPY requirements.txt .

# Install the required Python packages
RUN pip install --no-cache-dir -r requirements.txt

# Copy the Python script into the container
COPY main.py .

# Set the entrypoint to run the Python script
CMD ["python", "main.py"]
  1. Crie um arquivo requirements.txt com o seguinte conteúdo:
google-cloud-pubsub
requests
  1. Crie um arquivo main.py com o seguinte conteúdo:
import os
import sys
import requests
import json
from google.cloud import pubsub_v1

# --- Main Application Logic ---
print("--- Sidecar container script started ---")

# --- Environment and Configuration ---
project_id = os.environ.get("PROJECT_ID")
subscription_name = os.environ.get("SUBSCRIPTION_NAME")
ollama_api_url = "http://localhost:11434/api/generate"

if not project_id or not subscription_name:
    print("FATAL: PROJECT_ID and SUBSCRIPTION_NAME must be set.")
    sys.exit(1)

print(f"PROJECT_ID: {project_id}")
print(f"SUBSCRIPTION_NAME: {subscription_name}")

def callback(message):
    """Processes a single Pub/Sub message."""
    print(f"Received message ID: {message.message_id}")
    try:
        prompt = message.data.decode("utf-8")
        print(f"Decoded prompt: '{prompt}'")
        
        data = {"model": "gemma3:4b", "prompt": prompt, "stream": False}
        
        print("Sending request to Ollama...")
        response = requests.post(ollama_api_url, json=data, timeout=300)
        response.raise_for_status()
        
        print("Successfully received response from Ollama.")
        ollama_response = response.json()
        print(f"Ollama response: {json.dumps(ollama_response)[:200]}...")

        message.ack()
        print(f"Message {message.message_id} acknowledged.")

    except requests.exceptions.RequestException as e:
        print(f"Error calling Ollama API: {e}")
        message.nack()
        print(f"Message {message.message_id} not acknowledged.")
    except Exception as e:
        print(f"An unexpected error occurred in callback: {e}")
        message.nack()
        print(f"Message {message.message_id} not acknowledged.")

def main():
    """Starts the Pub/Sub subscriber."""
    subscriber = pubsub_v1.SubscriberClient()
    subscription_path = subscriber.subscription_path(project_id, subscription_name)
    
    streaming_pull_future = subscriber.subscribe(subscription_path, callback=callback)
    print(f"Subscribed to {subscription_path}. Listening for messages...")

    try:
        # .result() will block indefinitely.
        streaming_pull_future.result()
    except Exception as e:
        print(f"A fatal error occurred in the subscriber: {e}")
        streaming_pull_future.cancel()
        streaming_pull_future.result()

if __name__ == "__main__":
    main()
  1. Agora crie o contêiner pubsub-pull-msg
gcloud builds submit --tag ${REGION}-docker.pkg.dev/${PROJECT_ID}/${AR_REPO_NAME}/${PULL_MSG_IMAGE_NAME}

6. Implantar e executar o job

Nesta etapa, você vai criar o job do Cloud Run implantando um arquivo YAML.

Mova para a pasta raiz para criar o arquivo YAML.

cd ..
  1. Crie um arquivo worker-pool.template.yaml com o seguinte conteúdo:
apiVersion: run.googleapis.com/v1
kind: WorkerPool
metadata:
  name: codelab-ollama-wp
  labels:
    cloud.googleapis.com/location: europe-west1
  annotations:
    run.googleapis.com/launch-stage: BETA
    run.googleapis.com/scalingMode: manual
    run.googleapis.com/manualInstanceCount: '1'
    run.googleapis.com/gcs-fuse-mounter-enabled: "true"
spec:
  template:
    metadata:
      annotations:
        run.googleapis.com/gpu: "1"
        run.googleapis.com/gpu-zonal-redundancy-disabled: 'true'        
    spec:
      serviceAccountName: ${SERVICE_ACCOUNT_EMAIL}
      nodeSelector:
        run.googleapis.com/accelerator: nvidia-l4
      volumes:
      - name: gcs-bucket
        csi:
          driver: gcsfuse.run.googleapis.com
          readOnly: true
          volumeAttributes: 
            bucketName: ${BUCKET_NAME}
      containers:
      - image: ${REGION}-docker.pkg.dev/${PROJECT_ID}/${AR_REPO_NAME}/${PULL_MSG_IMAGE_NAME}
        name: pubsub-pull-msg
        env:
        - name: PROJECT_ID
          value: ${PROJECT_ID}
        - name: SUBSCRIPTION_NAME
          value: "ollama-prompts-sub"
        - name: PYTHONUNBUFFERED
          value: "1"
        resources:
          limits:
            cpu: '1'
            memory: 1Gi
      - image: ${REGION}-docker.pkg.dev/${PROJECT_ID}/${AR_REPO_NAME}/${OLLAMA_IMAGE_NAME}
        name: ollama-coordinator
        env:
        - name: OLLAMA_MODELS
          value: /mnt/models
        volumeMounts:
        - name: gcs-bucket
          mountPath: /mnt/models
        resources:
          limits:
            cpu: '6'
            nvidia.com/gpu: '1'
            memory: 16Gi

Em seguida, defina os URLs de imagem completos e use sed para substituir as variáveis no arquivo de modelo, criando o worker-pool.yaml final.

sed -e "s|\${SERVICE_ACCOUNT_EMAIL}|${SERVICE_ACCOUNT_EMAIL}|g" \
     -e "s|\${BUCKET_NAME}|${BUCKET_NAME}|g" \
     -e "s|\${PULL_MSG_IMAGE_NAME}|${PULL_MSG_IMAGE_NAME}|g" \
     -e "s|\${OLLAMA_IMAGE_NAME}|${OLLAMA_IMAGE_NAME}|g" \
     -e "s|\${PROJECT_ID}|${PROJECT_ID}|g" \
     -e "s|\${REGION}|${REGION}|g" \
     -e "s|\${AR_REPO_NAME}|${AR_REPO_NAME}|g" \
     worker-pool.template.yaml > worker-pool.yaml

Agora você pode implantar

gcloud beta run worker-pools replace worker-pool.yaml

E teste

gcloud pubsub topics publish ${TOPIC_NAME} --message="What is 1 + 1?"

Em seguida, veja os registros. Talvez seja necessário aguardar um minuto ou acessar a página do pool de trabalhadores do console do Cloud e acompanhar os registros em tempo real.

gcloud alpha run worker-pools logs read "codelab-ollama-wp" --limit 10

e você vai ver algo como

Ollama response: {"model": "gemma3:4b", "created_at": "2025-11-06T23:48:39.572079369Z", "response": "1 + 1 = 2\n", ...

7. Parabéns!

Parabéns por concluir o codelab!

Recomendamos que você consulte a documentação do Cloud Run.

O que aprendemos

  • Como usar pools de workers do Cloud Run com uma assinatura por pull do Pub/Sub
  • Como usar o Ollama para fazer inferência como um pool de workers do Cloud Run

8. Limpar

Para evitar cobranças na sua conta do Google Cloud pelos recursos usados no tutorial, exclua o projeto ou mantenha o projeto e exclua cada um dos recursos.

Excluir o projeto

O jeito mais fácil de evitar cobranças é excluindo o projeto que você criou para este tutorial.

Para excluir o projeto:

  1. No console do Google Cloud, acesse a página Gerenciar recursos.
  2. Na lista de projetos, selecione o projeto que você quer excluir e clique em Excluir.
  3. Na caixa de diálogo, digite o ID do projeto e clique em Encerrar para excluí-lo.

Como excluir recursos individuais

Para excluir os recursos individuais, execute os seguintes comandos:

  1. Exclua o pool de workers do Cloud Run:
gcloud beta run worker-pools delete codelab-ollama-wp --region ${REGION}
  1. Exclua o bucket do GCS:
gsutil -m rm -r gs://${BUCKET_NAME}
  1. Exclua a assinatura e o tópico do Pub/Sub:
gcloud pubsub subscriptions delete ${SUBSCRIPTION_NAME}
gcloud pubsub topics delete ${TOPIC_NAME}
  1. Exclua o repositório do Artifact Registry:
gcloud artifacts repositories delete ${AR_REPO_NAME} --location=${REGION} --quiet
  1. Exclua a conta de serviço:
gcloud iam service-accounts delete ${SERVICE_ACCOUNT_EMAIL} --quiet

Limpar arquivos locais

Para liberar espaço nos arquivos locais, faça o seguinte:

  1. Interrompa o serviço local do Ollama:se você iniciou o Ollama com ollama serve &, encontre o ID de processo (PID) e use o comando kill para interromper.
    # Find the process ID of the Ollama server
pgrep ollama

# Replace <PID> with the actual process ID obtained from the previous command
kill <PID>
  2. Exclua os modelos baixados:
rm -rf ~/.ollama/models
  1. Desinstale o Ollama:

Siga as instruções no site do Ollama para desinstalar o Ollama da sua máquina local.