Medusa sur GKE Autopilot
1. Introduction
La chose la plus importante à savoir sur ce module : Medusa n'a pas d'image
Docker officielle, donc Medusa_GKE en construit une à partir des sources à chaque
déploiement. Tous les autres modules d'application de ce catalogue encapsulent
une image amont pré-construite ; celui-ci fait plutôt en sorte que Cloud Build
clone le modèle de monorepo medusajs/dtc-starter (seul apps/backend — le serveur Medusa
plus son interface d'administration intégrée, même processus et port — est
construit ; le apps/storefront Next.js séparé est explicitement hors de portée) et
exécute medusa build à l'intérieur d'un Dockerfile multi-étapes. Attendez-vous à un
vrai git clone + pnpm install + medusa build à chaque build d'image — prévoyez
environ 10 minutes pour l'étape de build seule, en dehors du provisionnement
Cloud SQL et du temps d'exécution du job Kubernetes.
Medusa est une plateforme e-commerce open source, headless — une alternative API-first à Shopify Plus/Saleor avec un contrôle programmatique complet sur les produits, les paniers, les commandes, les clients et les paiements, ainsi qu'une interface d'administration intégrée servie par le même processus serveur. Ce module déploie Medusa sur GKE Autopilot au-dessus de la fondation App_GKE, qui provisionne et gère l'infrastructure partagée Google Cloud et Kubernetes.
Ce guide se concentre sur les services cloud utilisés par Medusa et sur la manière de les explorer et de les exploiter depuis la console Google Cloud et la ligne de commande. Pour les mécanismes communs à toutes les applications GKE — Workload Identity, ingress, autoscaling, CI/CD, Cloud Armor, IAP, Binary Authorization, VPC Service Controls, sauvegardes et cycle de vie du déploiement — reportez-vous au guide de la fondation App_GKE plutôt que de les répéter ici.
Ce que coûte Medusa sur RAD, et comment cela se compare
L'exécution de Medusa dans votre propre projet GCP coûte environ 106,53 $/mois en frais Google Cloud ; les frais de module de RAD sont de 175 crédits uniques (ou 157,5 crédits dans un projet géré par RAD), couvrant la configuration et le support — pas la facture cloud continue, que Google vous facture directement dans votre propre projet ou que RAD mesure à l'heure en crédits dans un projet géré par RAD. Si un coût d'exécution inférieur est plus important que la cible de déploiement, consultez le guide Cloud Run pour l'option la moins chère ; sinon, si vous déployez dans un projet géré par RAD, vous pouvez tout mettre en pause gratuitement lorsque vous ne l'utilisez pas — voir Mettre en pause gratuitement ci-dessous.
Ce que vous payez sur RAD
| Votre propre projet | Projet géré par RAD | |
|---|---|---|
| Frais de module | 175 crédits, une fois | 157,5 crédits, une fois (10 % de moins) |
| Builds | Inclus dans le prix : pas de frais de build pour la création, 5 mises à jour par mois (mois calendaire UTC) gratuites puis 2 crédits chacune, et rien pour la suppression ou pour un build échoué, dans la limite de 10 builds échoués par jour (UTC). Les sessions de lab et les projets clients sont l'exception : ils sont toujours facturés pour le temps de build à la minute | Idem |
| Coût d'exécution Google Cloud | ~106,53 $/mois, facturé à votre propre compte de facturation au prix catalogue de Google | ~122 crédits/jour, mesuré à l'heure par RAD au prix catalogue plus marge |
Coût d'exécution par défaut dans votre propre projet
| Ressource | US$/mois (prix catalogue Google, us-central1) |
|---|---|
| Pod GKE Autopilot, 1x vCPU / 1 GiB | 36,08 $ |
| Cloud SQL pour PostgreSQL, 1 vCPU / 3,75 Go, zonal, 10 Go SSD | 51,02 $ |
| Serveur de fichiers NFS/cache (petite VM) | 13,43 $ |
| Cloud NAT et réseau | 5,00 $ |
| Cloud Storage (modules complémentaires, sauvegardes) | 1,00 $ |
| Frais de gestion de cluster GKE | partagés entre toutes les applications GKE du projet ; 0 $ si c'est votre seul cluster, sinon ~73 $ |
| Total | 106,53 $ |
Comment cela se compare
- Le cloud géré officiel de Medusa (Medusa Cloud) commence à 29 $/mois pour son plan d'entrée Develop, passant à 99 $/mois (Launch, ajoute l'autoscaling et les sauvegardes) et 299 $/mois (Scale) (source : https://medusajs.com/pricing/), géré par le projet lui-même sans infrastructure à exploiter — la comparaison qui importe ici est moins le prix affiché que de savoir si vous voulez le cloud du fournisseur ou votre propre projet GCP avec RAD le gérant.
- L'exécuter vous-même sur un VPS nu dimensionné pour cette charge de travail (une machine plus petite suffit — un Hetzner de classe CX11 ou un Droplet DigitalOcean de 1 vCPU/1-2 Go coûte 6-12 $/mois — mais il faut toujours quelqu'un pour le patcher, le sauvegarder et le surveiller, ce que Cloud SQL, Secret Manager et la surveillance gérés par RAD couvrent pour vous) est l'option encore moins chère en termes de coûts, car l'empreinte de ce module est faible — mais vous êtes de nouveau responsable de le patcher et de le sauvegarder vous-même.
- Dans tous les cas, il s'agit d'un backend de vitrine de production, donc le coût d'exécution ci-dessus est ce qui génère réellement la facture, pas les frais de module — et ce coût d'exécution est celui que vous pouvez mettre en pause (voir ci-dessous).
Mettre en pause gratuitement : supprimer un projet géré par RAD, le restaurer quand vous en avez besoin
C'est le titre pour un projet géré par RAD. La suppression d'un projet géré par RAD délie d'abord sa facturation, puis demande à Google de supprimer purement et simplement le projet — la suppression logique récupérable de 30 jours de Google. Contrairement à la suppression d'un module, cela ne détruit pas Cloud SQL, aucune VM ou la ressource de calcul une par une : l'ensemble du projet s'arrête simplement, et rien n'est facturé pendant qu'il attend, car la facturation est déjà déliée.
Une restauration n'est pas garantie — conservez vos propres sauvegardes. Les conditions de Google Cloud ne garantissent pas qu'un projet restauré, ou les ressources qu'il contient, seront utilisables après sa restauration, de sorte que la restauration ne peut pas être invoquée comme moyen de récupérer un projet supprimé. Avant de supprimer, assurez-vous d'avoir effectué des sauvegardes appropriées des données et de la configuration de l'application et de les avoir stockées en dehors du projet. Si une restauration échoue, ou si le projet restauré ne fonctionne pas, la solution de repli consiste à redéployer l'application (voir la section suivante) et à restaurer sa configuration et ses données à partir de ces sauvegardes.
La restauration, dans les 30 jours et uniquement par le propriétaire du projet, demande à Google de récupérer le projet et de rattacher son compte de facturation, puis vous demande d'exécuter une mise à jour sur chaque déploiement pour confirmer que tout est revenu. Comme rien n'a été détruit individuellement, cette mise à jour trouve les mêmes ressources déjà présentes — c'est une vérification, pas une reconstruction, et une mise à jour ne facture jamais les frais de module à nouveau. Les mises à jour sont incluses dans le prix (5 par mois pour chaque déploiement), donc une restauration ne coûte normalement aucun crédit.
Ce qu'il faut : vous devez être propriétaire du projet (pas un projet dont RAD gère uniquement la facturation), vous devez le restaurer vous-même dans les 30 jours — après cela, Google le supprime définitivement — et la restauration est admise comme la création d'un nouveau projet, donc votre solde de crédits achetés doit toujours dépasser le seuil du palier (100 crédits pour le palier sandbox que la plupart des utilisations d'étude/démo conviennent). Google indique que la plupart des services sont de nouveau pleinement opérationnels dans les 36 heures suivant une restauration.
Un véritable manque : les sauvegardes nocturnes sont écrites dans un bucket à l'intérieur du projet, et ce bucket a la suppression logique de Cloud Storage explicitement désactivée, il est donc très probable qu'il disparaisse dès que vous supprimez le projet — même si le projet lui-même est récupérable pendant 30 jours. Si vous avez personnalisé l'application et que vous souhaitez conserver ce travail, copiez une sauvegarde (vers Google Drive, ou un bucket en dehors du projet) avant de supprimer. Pour une installation par défaut sans rien d'irremplaçable, cela n'a pas d'importance.
Payer uniquement pendant l'utilisation, l'autre méthode : supprimer et redéployer
Dans votre propre projet (ou une fois que vous avez dépassé la fenêtre de restauration de 30 jours ci-dessus), l'alternative est de supprimer Medusa purement et simplement et de le redéployer plus tard. Un redéploiement coûte à nouveau les frais de module (les builds sont inclus) — 175 crédits.
La suppression ne permet d'économiser de l'argent que si Medusa reste inutilisé assez longtemps pour compenser ce coût de redéploiement par rapport à son propre coût d'exécution quotidien — par rapport au total du projet propre ci-dessus, cela représente environ 5 jours ou plus. La majeure partie du coût d'exécution ici est généralement la base de données et la VM de fichier/cache partagée ; elles ne s'arrêtent que lorsque rien d'autre dans le projet ne les utilise, donc la suppression de cette application pendant que quelque chose d'autre partage le projet n'économise que la partie calcul de cette application.
Conserver les données d'abord : les sauvegardes nocturnes vont dans un bucket à l'intérieur du déploiement et sont supprimées avec lui, donc copiez la dernière sauvegarde avant de supprimer si vous voulez la conserver.
Sessions de lab et environnements gérés
- Sessions de lab, pour la formation : un formateur anime une session pour une classe. Chaque participant obtient l'application dans son propre projet Google Cloud pendant 15 minutes à 24 heures, dans la limite d'une allocation définie par le formateur. Le formateur peut aussi créer un seul environnement partagé pour toute la classe, et chacun utilise alors la même application et ses données. Soit le formateur finance toutes les places, soit chaque participant paie la sienne. Tout est supprimé à la fin de la session et les crédits inutilisés sont reversés au formateur.
- Environnements gérés, pour les sociétés de conseil : un partenaire exécute l'application pour un client à partir d'un portefeuille cloisonné qu'il finance, et règle directement avec le client. Si le portefeuille est faible, la facturation est suspendue et les données sont conservées, de sorte que personne ne reçoit de frais inattendus. À la fin, le partenaire transfère le projet et les déploiements deviennent la propriété du client.
- Les crédits peuvent être achetés dans plus de 20 devises, y compris XAF, XOF, NGN, GHS, KES et ZAR, par carte, virement bancaire ou argent mobile.
Sources (8 octobre 2026) : Prix catalogue de l'API Google Cloud Billing Catalog ; radmodules.dev/pricing pour les frais propres de RAD et les estimations de crédits quotidiens ; https://cloud.google.com/resource-manager/docs/delete-restore-projects pour les mécanismes de pause/restauration ; https://medusajs.com/pricing/ pour le prix du concurrent nommé.
2. Vue d'ensemble
| Capacité | Service Google Cloud | Notes |
|---|---|---|
| Calcul | GKE Autopilot | Pods Node.js (construits à partir des sources), 1 vCPU / 1 GiB par défaut, autoscaling horizontal |
| Base de données | Cloud SQL pour PostgreSQL 15 | Requis — Medusa ne prend pas en charge MySQL ou d'autres moteurs |
| Cache et workflows en arrière-plan | Redis (requis) | Session/cache/bus d'événements/moteur de workflow/verrouillage ; pas de solution de repli de production prise en charge |
| Stockage d'objets (facultatif) | Cloud Storage | Désactivé par défaut (enable_gcs_storage = false) ; lorsqu'il est activé, un bucket + un compte de service dédié + une clé HMAC auto-générée sont provisionnés |
| Secrets | Secret Manager | JWT_SECRET, COOKIE_SECRET, mot de passe administrateur auto-générés ; mot de passe de la base de données |
| Ingress | Cloud Load Balancing | service_type = LoadBalancer par défaut |
| Build | Cloud Build | Clone medusajs/dtc-starter, exécute medusa build — aucune image pré-construite n'existe pour être tirée à la place |
Valeurs par défaut judicieuses à connaître d'emblée :
- PostgreSQL 15 est obligatoire. Le moteur de base de données est fixé par la couche d'application partagée ; la sélection de tout autre moteur interrompt le démarrage.
- Redis est requis, non facultatif, en production.
enable_redis = truepar défaut. Medusa enregistre"redisUrl not found. A fake redis instance will be used."et démarre quand même si Redis est inaccessible — c'est une solution de repli pour le développement/test, pas un mode de production pris en charge. container_port = 9000— le port par défaut documenté de Medusa, servant à la fois l'API REST et l'interface d'administration.container_image_source = "custom"ne peut pas être changé en"prebuilt"de manière significative — il n'y a pas d'image Medusa pré-construite à déployer à la place.- Le temps de build est réel et distinct du temps de déploiement. L'étape
Cloud Build est allouée jusqu'à 30 minutes (
timeout: 1800sdans la référencecloudbuild.yaml) bien qu'un build typique — clone,pnpm install,medusa build— se termine en environ 10 minutes. Cela s'ajoute au provisionnement normal de Cloud SQL (20 à 35 minutes lors d'un premier déploiement) et aux quatre exécutions de job d'initialisation (Kubernetes Job) qui suivent. - Une chaîne d'initialisation en quatre étapes s'exécute avant que la charge
de travail ne soit considérée comme prête :
db-init→medusa-migrate→medusa-verify→medusa-admin-create, chacune dépendant de la précédente. MEDUSA_WORKER_MODE = "shared"— un seul pod gère à la fois les requêtes API et les jobs/abonnés/workflows en arrière-plan de Medusa, car la topologie serveur/worker officiellement recommandée de Medusa ne correspond pas à une seule charge de travail GKE.enable_gcs_storage = falsepar défaut. Medusa utilise le stockage local et éphémère du système de fichiers du conteneur pour les fichiers téléchargés jusqu'à ce que vous l'activiez.application_versionne fixe pas ce qui est construit. Le Dockerfile n'a pas deARGle consommant — seulMEDUSA_STARTER_REF(codé en dur àmaindansMedusa_Common) contrôle quelle branchedtc-starterest clonée.
3. Services Google Cloud et comment les explorer
Toutes les commandes supposent que vous avez exécuté gcloud container clusters get-credentials <cluster> --region <region> --project <project> et que PROJECT,
REGION et NAMESPACE sont définis. L'espace de noms et les autres identifiants
sont rapportés dans les Sorties du déploiement.
A. GKE Autopilot — la charge de travail Medusa
kubectl get pods,svc -n "$NAMESPACE"
kubectl logs -n "$NAMESPACE" deploy/<service-name> --tail=100
Voir App_GKE pour la gestion d'Autopilot, de la mise à l'échelle et du type de charge de travail (Deployment vs StatefulSet).
B. Cloud Build — la construction d'image à partir des sources
Chaque déploiement (et chaque reconstruction déclenchée par une modification de la configuration de build du module Application) exécute un build réel : git clone --depth 1 --branch main https://github.com/medusajs/dtc-starter.git, pnpm install, pnpm build à l'intérieur de apps/backend, puis un second pnpm install --prod en dehors de l'espace de travail pnpm avant que l'image d'exécution ne soit assemblée.
gcloud builds list --project "$PROJECT" --limit 5
gcloud builds log <build-id> --project "$PROJECT"
C. Cloud SQL pour PostgreSQL 15
Medusa stocke toutes les données de l'application (produits, commandes, clients, paniers, inventaire) dans une instance Cloud SQL pour PostgreSQL 15 gérée. Les pods l'atteignent en privé via le sidecar Cloud SQL Auth Proxy sur un socket Unix par défaut.
gcloud sql instances list --project "$PROJECT"
gcloud sql instances describe <instance-name> --project "$PROJECT"
gcloud sql connect <instance-name> --user=<db-user> --database=<db-name> --project "$PROJECT"
Le nom de l'instance, la base de données, l'utilisateur et le secret du mot de passe se trouvent dans les Sorties. Voir App_GKE pour le modèle de connexion, les sauvegardes et la rotation des mots de passe.
D. Redis
Redis est activé par défaut. Lorsque redis_host est laissé vide, l'IP de la VM NFS de la plateforme est utilisée comme solution de repli pour l'hôte Redis (nécessite enable_nfs = true ou un serveur NFS géré par Services_GCP découvert) ; sinon, définissez redis_host explicitement.
redis-cli -h <redis-host> ping
# Confirm the resolved REDIS_URL constructed by entrypoint.sh at boot:
kubectl exec -n "$NAMESPACE" deploy/<service-name> -- env | grep -i redis
E. Cloud Storage (facultatif)
Provisionné uniquement lorsque enable_gcs_storage = true. Aucune configuration manuelle de clé HMAC n'est requise — Medusa_Common génère automatiquement un compte de service dédié et une paire clé d'accès/clé secrète.
gcloud storage buckets list --project "$PROJECT"
gcloud storage ls gs://gcs-<service-name>-storage/
F. Secret Manager
JWT_SECRET, COOKIE_SECRET et le mot de passe administrateur initialisé sont générés automatiquement. Le mot de passe de la base de données est géré séparément par la fondation.
gcloud secrets list --project "$PROJECT" --filter="name~medusa"
gcloud secrets versions access latest --secret=<secret-name> --project "$PROJECT"
G. Réseau et ingress
kubectl get svc -n "$NAMESPACE"
gcloud compute addresses list --project "$PROJECT"
Voir App_GKE pour les détails sur les domaines personnalisés, Cloud CDN et les adresses IP statiques.
H. Cloud Logging et Monitoring
gcloud logging read 'resource.type="k8s_container" AND resource.labels.namespace_name="'"$NAMESPACE"'"' \
--project "$PROJECT" --limit 50
4. Comportement de l'application Medusa
La chaîne d'initialisation en quatre étapes
db-init(postgres:15-alpine) — attend la base de données, crée le rôle et la base de données de l'application, accorde les privilèges surpublicet installe au mieux les extensionsuuid-ossp/postgis.medusa-migrate— exécutenpx medusa db:migratesur l'image construite (2 vCPU / 2 Gi, jusqu'à 30 minutes, 3 tentatives).medusa-verify— un job de garde qui se connecte aprèsmedusa-migrateet fait échouer l'apply si le schémapublica zéro table. Cela existe parce que le paramètreApp_GKEdeexecute_on_applyne contrôle que si Terraform attend un job, pas si le pod Kubernetes sous-jacent est planifié avant le démarrage de la charge de travail principale — et un échec de job d'initialisation ne fait pas échouer l'apply par défaut. Sansmedusa-verify, une migration en concurrence ou échouée pourrait silencieusement livrer un pod d'apparence saine pointant vers une base de données vide. Vérifié en direct :"public schema has 146 table(s)"enregistré lors d'un déploiement réussi.medusa-admin-create— exécutenpx medusa user -e <email> -p <password>pour créer la première connexion administrateur, en utilisantadmin_email(par défautadmin@techequity.cloud) et le secret du mot de passe administrateur auto-généré. Vérifié en direct :"User created successfully."enregistré.
kubectl get jobs -n "$NAMESPACE"
kubectl logs -n "$NAMESPACE" job/<job-name>
Point de terminaison de santé
/health n'est pas authentifié et est utilisé à la fois par la sonde de démarrage (délai initial de 120 secondes, 40 × 15 secondes de tentatives — environ 12 minutes au total) et la sonde de vivacité (délai initial de 30 secondes, 3 tentatives). Vérifié en direct : curl /health renvoie OK avec HTTP 200.
kubectl get pods -n "$NAMESPACE" -o wide
curl -s -o /dev/null -w "%{http_code}\n" "http://<external-ip>/health"
MEDUSA_WORKER_MODE = "shared"
Un seul pod exécute à la fois le serveur API et les jobs/abonnés/workflows en arrière-plan de Medusa — la topologie serveur/worker divisée officiellement recommandée par Medusa ne correspond pas à une seule charge de travail GKE, donc ce module exécute toujours en mode partagé. En pratique : chaque réplique en cours d'exécution gère à la fois les requêtes et tout travail en arrière-plan que le moteur de workflow de Medusa planifie. Contrairement à Cloud Run, GKE n'a pas de concept de limitation du CPU basé sur les requêtes — la limite de CPU de chaque pod est disponible en continu.
Récupération des identifiants administrateur de première exécution
ADMIN_SECRET=$(gcloud secrets list --project "$PROJECT" --filter="name~medusa-admin-password" --format="value(name)")
gcloud secrets versions access latest --secret="$ADMIN_SECRET" --project "$PROJECT"
L'e-mail de l'administrateur est celui qui a été défini pour admin_email au moment du déploiement (par défaut admin@techequity.cloud).
Accès à l'interface d'administration intégrée
Medusa sert son interface d'administration à partir du même processus et du même port que l'API — ouvrez http://<external-ip>/app dans un navigateur et connectez-vous avec l'e-mail/mot de passe récupérés ci-dessus.
5. Variables de configuration
Les variables sont regroupées exactement comme elles apparaissent sur la plateforme de déploiement. Seuls les paramètres spécifiques ou notables pour Medusa sont listés ; toutes les autres entrées sont héritées de App_GKE avec son comportement standard et ses valeurs par défaut.
Groupe 3 — Identité de l'application
| Variable | Valeur par défaut | Description |
|---|---|---|
application_name | medusa | Nom de base des ressources. Ne pas modifier après le premier déploiement. |
admin_email | admin@techequity.cloud | E-mail du premier utilisateur administrateur créé par medusa-admin-create. |
application_version | latest | Balise de suivi du déploiement uniquement. Ne sélectionne pas ce qui est construit — le Dockerfile n'a pas de ARG le consommant ; seul MEDUSA_STARTER_REF (fixé à main) détermine le code cloné. |
Groupe 4 — Exécution et mise à l'échelle
| Variable | Valeur par défaut | Description |
|---|---|---|
container_resources | { cpu_limit = "1000m", memory_limit = "1Gi" } | Limites de ressources par pod — valeur par défaut de mémoire inférieure à celle de la variante CloudRun (2 Gi) ; augmentez-la sous une charge combinée API + workflow en arrière-plan. |
min_instance_count / max_instance_count | 1 / 3 | Bornes des réplicas. |
container_port | 9000 | Port par défaut documenté de Medusa. |
container_image_source | custom | Toujours construit à partir des sources — il n'y a pas d'image Medusa "prebuilt". |
enable_cloudsql_volume | true | Sidecar Cloud SQL Auth Proxy. |
Groupe 6 — Configuration du backend GKE
| Variable | Valeur par défaut | Description |
|---|---|---|
service_type | LoadBalancer | Expose l'interface d'administration et l'API en externe par défaut. |
workload_type | null (résout en Deployment) | StatefulSet sélectionné automatiquement uniquement si stateful_pvc_enabled = true. |
Groupe 15 — Base de données
| Variable | Valeur par défaut | Description |
|---|---|---|
database_type | POSTGRES_15 | Fixé par Medusa_Common ; MySQL n'est pas pris en charge. |
application_database_name / application_database_user | medusa / medusa | Nom de la base de données / utilisateur de l'application. |
Groupe 11 — Stockage et système de fichiers
| Variable | Valeur par défaut | Description |
|---|---|---|
enable_gcs_storage | false | Provisionne un bucket GCS + une clé HMAC auto-générée pour le fournisseur de fichiers compatible S3 de Medusa. Lorsque false, les téléchargements utilisent le stockage de conteneur local et éphémère. |
Groupe 21 — Redis et Cloud Armor
| Variable | Valeur par défaut | Description |
|---|---|---|
enable_redis | true | Requis en production. |
redis_host | "" | Vide utilise l'IP de la VM NFS de la plateforme comme solution de repli (nécessite enable_nfs = true) ; sinon, définissez explicitement. |
redis_port / redis_auth | "6379" / "" | Port Redis / mot de passe d'authentification (sensible). |
Groupe 14 — Observabilité et santé
| Variable | Valeur par défaut | Description |
|---|---|---|
startup_probe_config | HTTP /health, délai de 120s, seuil de 40 échecs | Fenêtre totale d'environ 12 minutes. |
health_check_config | HTTP /health, délai de 30s, seuil de 3 échecs |
Pour tous les autres groupes (CI/CD, sauvegarde, IAM, VPC-SC, équilibreur de charge/CDN, quota de ressources, charge de travail avec état, etc.), voir App_GKE — Medusa hérite du comportement standard de la Fondation sans aucune surcharge spécifique à l'application.
6. Sorties
| Sortie | Description |
|---|---|
service_name | Nom du service Kubernetes. |
namespace | Espace de noms dans lequel la charge de travail s'exécute. |
service_external_ip / service_url | IP de l'équilibreur de charge externe / URL pour atteindre Medusa. |
database_instance_name / database_name / database_user | Identifiants Cloud SQL. |
database_password_secret | Secret Secret Manager contenant le mot de passe de la base de données. |
database_host / database_port | Point de terminaison de la base de données (127.0.0.1 via le proxy d'authentification) / port. |
storage_buckets | Buckets Cloud Storage créés — vide sauf si enable_gcs_storage = true. |
container_image / container_registry | L'image Medusa produite par Cloud Build et son dépôt Artifact Registry. |
initialization_jobs | Noms des quatre jobs d'initialisation créés. |
kubernetes_ready | Indique si le cluster/la charge de travail est prêt. |
deployment_id / tenant_id / resource_prefix | Identifiants de nommage. |
project_id / project_number | Identifiants du projet. |
cicd_enabled / cicd_configuration / artifact_registry_repository | Statut et détails CI/CD. |
vpc_sc_enabled / audit_logging_enabled / artifact_registry_cmek_enabled | Indicateurs de posture de sécurité. |
7. Pièges de configuration et valeurs par défaut judicieuses
Risque : Critique (perte de données / panne / sécurité) — Élevé (service dégradé) — Moyen (coût ou dégradation partielle) — Faible (mineur).
Validation héritée au moment de la planification. Ce module transmet sa configuration au moteur de la fondation App_GKE, qui valide les valeurs et les combinaisons au moment de la planification. Une configuration invalide fait échouer le plan avec une erreur claire et nommée avant la création de toute ressource — voir aussi la section Validation Guards au niveau du module de
modules/Medusa_GKE/README.md.
| Paramètre | Valeur judicieuse | Risque | Conséquence si erreur |
|---|---|---|---|
Build à partir des sources (container_image_source = "custom") | Aucune action nécessaire — c'est le seul mode valide | Élevé | Toute modification du Dockerfile, de entrypoint.sh ou des arguments de build dans Medusa_Common nécessite une reconstruction réelle de Cloud Build (environ 10 minutes pour l'étape de build seule) avant de prendre effet. Forcez une reconstruction avec tofu taint 'module.medusa_app.module.app_build.null_resource.build_and_push_application_image[0]' si le déclencheur de hachage de contenu manque une modification. |
enable_redis | true | Critique | Medusa enregistre "redisUrl not found. A fake redis instance will be used." et démarre quand même — ce message de journal d'apparence gracieuse est une solution de repli pour le développement/test, pas un mode de production pris en charge. Le cache/la session/le bus d'événements/le moteur de workflow/le verrouillage dépendent tous de Redis ; le désactiver dans un déploiement de production à long terme n'est pas pris en charge. |
Job d'initialisation medusa-verify | Laisser dans la chaîne par défaut | Critique | Ce job existe spécifiquement parce qu'un échec de job d'initialisation ne fait pas échouer l'apply du module, et execute_on_apply sur GKE ne contrôle que l'attente, pas l'ordre de planification par rapport au démarrage de la charge de travail principale. La suppression de medusa-verify (en surchargeant initialization_jobs) rouvre le risque exact de base de données vide silencieuse qu'il a été ajouté pour fermer. |
| Isolation de l'espace de travail pnpm (leçon pour étendre ce modèle de Dockerfile) | N/A — informatif | Élevé | Si vous clonez ce modèle à partir des sources pour une autre application basée sur un espace de travail pnpm/npm, rappelez-vous que la sortie de build produite à l'intérieur d'un monorepo cloné est toujours imbriquée sous le pnpm-workspace.yaml de ce monorepo. L'exécution de pnpm install --prod directement sur cette sortie la réinstalle silencieusement dans le cadre de l'espace de travail externe et peut écrire zéro node_modules — confirmé ici comme sh: medusa: not found à l'exécution. Copiez toujours la sortie de build autonome dans un répertoire sans ancêtre pnpm-workspace.yaml avant d'installer ses dépendances de production. |
admin_email / mot de passe administrateur initialisé | Récupérer de Secret Manager après le déploiement | Élevé | Il n'y a pas d'identifiant administrateur pré-rempli visible nulle part sauf dans Secret Manager (sortie admin_password_secret_id) — le perdre signifie récupérer l'accès via npx medusa user manuellement contre la base de données en cours d'exécution. |
container_resources.memory_limit | Valeur par défaut 1Gi | Moyen | Inférieur à la valeur par défaut de 2 Gi de la variante CloudRun malgré l'exécution du même processus en mode worker partagé ; augmentez-le si les pods montrent une pression mémoire sous une charge combinée API + workflow en arrière-plan. |
application_version | Comprendre que c'est uniquement des métadonnées | Faible | Le modifier ne fixe ni ne change le code construit ; seul MEDUSA_STARTER_REF (fixé à main) contrôle la branche dtc-starter clonée. Un build épinglé entièrement reproductible nécessite de surcharger container_build_config.build_args. |
enable_gcs_storage = false (par défaut) | Activez-le pour tout cas d'utilisation de téléchargement persistant | Moyen | Le stockage local est un système de fichiers de conteneur éphémère — les images/fichiers de produits téléchargés ne survivent pas à un redémarrage de pod ou à un redéploiement. |
Pour le comportement de la fondation référencé tout au long — IAM et Workload Identity, autoscaling, ingress et certificats, CI/CD, Cloud Armor, IAP, Binary Authorization, VPC-SC, sauvegardes et mise en miroir d'images — voir App_GKE. La configuration d'application spécifique à Medusa partagée avec la variante Cloud Run est décrite dans Medusa_Common.
Guides associés
- Lab pratique : Medusa sur GKE Autopilot — déployez-le étape par étape, avec les écrans de la console et les commandes à chaque étape.
- Medusa sur Google Cloud Run — la même application sur Cloud Run, lorsque vous avez besoin de l'autre cible de déploiement.
- Medusa Common — Configuration d'application partagée — la configuration partagée par les deux cibles de déploiement.
Need RAD to do something it does not do yet? Request it on the roadmap, or vote on what is already there.