# Celery Redis

> Cola de tareas distribuida para despachar trabajo computacionalmente intensivo a workers

- Skill: `davidcastagnetoa/celery-redis` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add davidcastagnetoa/celery-redis`
- Raw SKILL.md: https://api.skillmd.com/api/skills/davidcastagnetoa/celery-redis/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: davidcastagnetoa (https://skillmd.com/u/davidcastagnetoa)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/davidcastagnetoa/celery-redis

---


# celery_redis

Celery con Redis gestiona la ejecución asíncrona de tareas pesadas del pipeline (inferencia ML, OCR, face match) fuera del event loop principal de FastAPI.

## When to use

Usar para todas las tareas que requieren GPU o CPU significativo: liveness inference, OCR, face_match, deepfake detection.

## Instructions

1. Instalar: `pip install celery[redis] redis`
2. Configurar: `CELERY_BROKER_URL = "redis://localhost:6379/0"`
3. Result backend: `CELERY_RESULT_BACKEND = "redis://localhost:6379/1"`
4. Definir colas por prioridad: `realtime`, `gpu`, `cpu`, `async`.
5. Asignar cada tarea ML: `@app.task(queue='gpu')`.
6. Arrancar workers: `celery worker -Q gpu --concurrency=2 -P solo`.
7. Usar `chord` para pipelines donde la decisión espera todos los resultados.
8. Configurar `task_soft_time_limit` y `task_time_limit`.
9. Activar `task_acks_late=True` para reintento automático.

## Notes

- RabbitMQ es alternativa con mejor soporte de dead-letter queues.
- Celery Flower para monitorización: `pip install flower`.
- Redis Sentinel para HA del broker.