贤紫文化 · 造福世界 · 赋能世界 · 赋能数据底座 · 筑基业务未来 · 数据库自主 以企业级 MongoDB 分布式数据库一站式自动化运维能力，助力全世界企业快速夯实文档型数据基础设施——让生产级海量数据存储更低门槛、更快速度、更易运维，共筑开放、可靠、可持续的全球企业数据新基座。
国产自研（创始人独立研发） · 面向全球 —— 把复杂 MongoDB 分布式数据库运维化繁为简，让每一家企业都能拥有自主可控的生产级 MongoDB 集群
贤紫优选 · 小紫基础设施系列 · 企业数据库运维套件 单机一键部署 · 副本集高可用 · 分片集群横向扩展 · 单机→副本集→分片三级演进与平滑迁移 · 安全认证加固 · 7×24 实时监控 · 一键集群维护 · 流式备份恢复 · 跨环境数据迁移 · 日志自动化管理 · AI 知识库与智能应用数据底座
原生 MongoDB 部署、分片、扩容、认证、备份、迁移、故障排查流程繁杂；本工具全流程图形化自动化，大幅缩减企业数据库落地人力与时间成本 · 官网与 GitHub Releases 同步更新
当前版本：v1.0.0 最新稳定版 — 集合单机部署、副本集批量搭建、分片集群三层架构部署、三级架构演进（单机→副本集→分片）与在线平滑迁移、在线扩容、安全认证向导、分片集群 9 维监控、一键维护修复、JSONL 流式备份、三种数据迁移模式、日志扫描清理等全套能力；已实测支持 MongoDB 4.0.2 ~ 4.4.31，默认推荐 4.4.31（详见下方说明与更新日志）
本工具为企业级 MongoDB 文档型数据库 基础设施一站式自动化运维套件。
MongoDB 是高性能、可横向扩展的 NoSQL 数据库，擅长 JSON 文档存储、灵活 Schema、高并发读写与分片集群架构——既适合互联网业务快速迭代，也适合政企、金融、物联网等需要海量半结构化数据的场景，解决单机容量瓶颈、单点故障与高并发写入压力。
小紫 MongoDB 管理工具 在图形化界面中打通 部署 → 安全加固 → 监控告警 → 日常维护 → 备份恢复 → 数据迁移 全链路，无需深厚 MongoDB 命令行经验，即可在 Linux 远程服务器上完成生产级集群搭建与持续运维。
伴随企业业务成长，架构可逐级演进、数据可在线平滑迁移——不必一开始就上最重的分片集群，也无需业务壮大后推倒重来。
企业数据库建设最怕两件事：起步过重、扩容无路。小紫 MongoDB 管理工具支持按业务规模分阶段升级，每一级都有对应部署模块与数据迁移能力，让架构变更成为可规划、可执行、可回滚的运维动作，而非高风险的一次性豪赌。
阶段一：单机起步 阶段二：副本集高可用 阶段三：分片集群横向扩展
───────────────── ───────────────────── ──────────────────────────
用户少、数据小 并发访问增多 数据量 / 写入量装不下
快速验证业务 需要故障自动切换 需要分库分片承载 TB/PB 级扩容规模
│ │ │
▼ ▼ ▼
单机一键部署 副本集批量部署 分片三层架构一键搭建
开发 / 试点 / 小微业务 在线加节点扩缩容 在线扩容（rs.add 不停机）
│ │ │
└──── 数据迁移 ────────────┴──── 数据迁移 ────────────────┘
单机 → 单机 单机 → 分片集群
分片 → 分片集群（跨环境）
| 演进节点 | 常见痛点 | 小紫工具如何应对 |
|---|---|---|
| 单机 → 副本集 | 怕丢数据、怕停服太久 | JSONL 备份 + 迁移向导，图形化搬迁 |
| 单机 → 分片 | 怕分片键选错、怕迁移脚本复杂 | 内置单机→分片模式，索引同步、增量补迁 |
| 分片运行中扩容 | 怕加节点影响线上 | 在线扩容计划 + rs.add，新节点自动同步为 SECONDARY |
| 分片 → 新分片集群 | 跨机房灾备、环境更替难 | 分片→分片迁移，覆盖同名集合 / 跳过重复 _id |
一句话：企业可以 先用单机省钱省力，并发多了升副本集，数据大了上分片——全程在同一套工具里完成部署、迁移与在线扩容，策略随规模变，底座不用换。
MongoDB 并非数学意义上的「无限扩容」。无论是单机、副本集还是分片集群，每一个独立集群都有其容量、吞吐与运维复杂度上限——分片可以持续加节点，但单集群仍会受以下因素制约：
| 瓶颈类型 | 典型表现 |
|---|---|
| 分片键与热点 | 分片不均衡，个别 Shard 成为写入 / 查询热点，加节点也难以线性提升 |
| 元数据与路由 | Config Server、mongos 规模与 Chunks 数量增长，集群治理成本上升 |
| 再均衡与迁移 | Balancer 数据迁移占用 IO，扩容期间对线上业务有感知 |
| 运维与故障域 | 单集群节点越多，监控、备份、排障、变更窗口越复杂 |
| 业务耦合 | 多租户、多业务线共用一个集群，资源争抢与变更风险互相放大 |
推荐策略：鼓励按业务域创建多个独立集群，实现企业级「近乎无限扩容」。当单个分片集群接近上限时，不必把所有数据硬塞进同一集群——可按业务线、租户、地域、环境拆分，部署第二套、第三套……独立 MongoDB 集群，各集群内部仍可单机→副本集→分片演进与在线扩容，集群之间通过应用层路由或本工具分片→分片跨集群迁移协同。
实践建议：起步阶段用单集群快速验证；数据量与并发进入 TB 级 / 高 QPS 后，优先评估分片键与热点；当单集群运维压力或容量逼近天花板时，主动规划多集群架构，比「在一个集群里硬撑到底」更稳、更可持续。
JSON/BSON 文档存储，Schema 灵活演进，适配业务快速变更与多态数据结构，减少传统关系型数据库频繁改表成本。
多节点自动选举与数据复制，单节点故障自动切换，保障业务连续性与数据安全，满足生产级 SLA 要求。
分片集群架构支持按业务增长在线扩容，突破单机存储与吞吐上限，承载 TB 级乃至更大数据规模。单集群仍有上限，企业级可持续增长需结合多集群拆分，详见「单集群有上限 · 多集群近乎无限扩容」。
适配订单、用户画像、内容 Feed、日志明细、物联网时序、实时报表等高吞吐读写场景。
支持聚合管道、索引优化、分片键策略（哈希 / 范围），兼顾 OLTP 与轻量分析场景。
副本集监控、Balancer 均衡、慢查询分析、认证鉴权、审计日志等企业运维能力完备，与本工具图形化能力深度结合。
支持 单机起步 → 并发升级副本集 → 数据饱和升级分片集群 的三级成长路径；每一级均提供图形化部署与数据迁移能力，业务扩张时在线平滑迁移、不停机扩容，无需推倒重来。详见上文「伴随企业成长的架构演进路线」。
灵活文档模型天然适配 AI 应用产生的半结构化数据——知识库切片元数据、RAG 检索上下文、Agent 多轮对话、用户画像与行为轨迹、标注样本与评测集等，均可高效存储与查询；随 AI 业务数据量增长，可平滑升级至副本集 / 分片集群，无需推倒重来。
MongoDB 社区版在企业自建场景中应用广泛，本工具面向 CentOS 7 + MongoDB 4.0.2 ~ 4.4.31 远程自动化运维深度优化（4.4.31 已实测）。
从单机验证到分片生产集群，部署、扩容、安全、监控、维护、备份、迁移、日志 全链路图形化自动化——企业可随业务规模分阶段升级架构，无需一开始背负最重的分布式成本。
单机 → 副本集 → 分片集群，每一级都有专属部署模块与数据迁移路径；并发多了升副本集，数据装不下了上分片，全程支持在线平滑迁移与不停机扩容。详见「伴随企业成长的架构演进路线」。
单台远程服务器快速搭建 MongoDB 单实例，SSH 自动化安装、目录规划、服务配置一条龙，适合开发测试与小规模独立业务。
可视化节点管理，支持批量安装 / 卸载、角色查看、复制延时检测、优先级调整、不健康节点修复、节点扩缩容及副本集内备份恢复。
配置服务器 · 路由服务器 (mongos) · 分片服务器三层结构可视化配置；支持一键部署、分步部署、自动集群初始化（addShard 等）；支持 IP 范围批量添加节点。
扩容计划可视化录入节点，按角色自动分流：配置服 rs.add、路由部署新 mongos、分片 rs.add 加节点；自动识别已注册分片、下发 keyfile、清理孤立副本集残留。
分步引导创建管理员用户 → 启动 keyfile 认证 → 应用 firewalld 防火墙白名单；明确区分 bindIp 与客户端 IP 访问控制，降低生产误配置风险。
维护、监控、备份恢复、日志管理共用 mongos + MongoDB 认证 + SSH 统一会话；可从部署配置自动加载连接信息，避免重复录入。
连接 mongos 后持续采集：集群概览、分片状态、性能图表、配置服、数据库状态、复制集状态、慢查询分析、安全审计、告警信息（连接数过高、内存偏高、Balancer 停止等），后台轮询、主线程安全刷新 UI。
全面诊断 / 快速诊断、分片与配置服状态检查、修复分片连接、数据再均衡、配置服 rs.reconfig 修复、孤立数据与元数据清理、一键自动修复。
对大库友好：按库 JSONL 流式备份，独立备份索引并在恢复时自动重建；兼容历史 data.json 格式；支持备份列表管理、远程导出导入备份包。
单机→单机、单机→分片集群、分片集群→分片集群；支持覆盖同名集合、跳过重复 _id（增量补迁）、同步索引；性能预设保守 / 均衡 / 快速可调。
SSH 扫描各节点 mongod.log / mongos.log 及轮转文件；按保留天数清理、删除选中项；支持 MongoDB logRotate 与 logrotate 配置部署，避免日志撑满磁盘。
启动前免责协议确认（30 天免弹窗可选）+ 贤紫优选账号登录；登录模块完整性校验、运行时定时复查、敏感操作门禁；发布包 PyArmor 加密 + PyInstaller 打包，防止绕过授权机制。
部署 / 扩容 / 卸载过程自动弹出日志窗口，实时追踪进度；日志持久化保存，支持手动打开与清空，运维过程透明可追溯。
单集群有容量、吞吐与运维上限；鼓励按业务线 / 租户 / 地域部署多套独立集群，各集群内部仍可分片在线扩容，集群间可用分片→分片迁移协同——单集群有顶，多集群无界。
GitHub Releases 提供 mongodb-linux-x86_64-rhel70-4.4.31.tgz（默认推荐）与 mongodb-linux-x86_64-4.0.2.tgz（4.0.2 兼容）；工具部署时可 SSH 自动安装，亦可单独下载用于离线环境或目标机预装，与 Windows 运维客户端配套使用。
生产集群运行中按需横向扩展，无需停机重建。在「集群部署与管理」中通过 扩容计划 可视化录入待扩容节点，保存后一键执行，工具按角色自动分流处理：
| 角色 | 扩容方式 | 说明 |
|---|---|---|
| 配置服务器 | rs.add 加入配置副本集 | 在线扩展配置服高可用 |
| 路由服务器 (mongos) | 部署新 mongos 实例 | 扩展查询路由吞吐 |
| 分片服务器 | rs.add 加入已有分片副本集 | 已有分片集加节点，业务不停机 |
分片在线扩容亮点：
推荐操作流程： ① 在「扩容计划」添加服务器并选择角色 → ② 点击「保存扩容计划」→ ③ 点击「扩容部署」→ ④ 在「分片集群维护」中「检查分片状态」，确认新节点变为 SECONDARY
图形化跨环境搬迁，无需手写 mongodump / mongorestore 脚本组合。备份恢复模块内置三种迁移路径，覆盖架构演进与机房搬迁全场景：
| 模式 | 典型场景 |
|---|---|
| 单机 → 单机 | 同构环境搬迁、测试到生产 |
| 单机 → 分片集群 | 业务上云、架构升级 |
| 分片集群 → 分片集群 | 跨机房 / 跨集群迁移 |
支持覆盖同名集合、跳过重复 _id（增量补迁）、同步索引；性能预设保守 / 均衡 / 快速可调。与 JSONL 流式备份配合，大库迁移更稳、更可追溯。
全面诊断 / 快速诊断、分片与配置服状态检查、修复分片连接（支持 SSH 重启）、数据再均衡、配置服 rs.reconfig 修复、孤立数据与元数据清理、一键自动修复——维护数据与部署配置统一来源，避免「配一套、修一套」。
| 维度 | 手工命令行运维 | 小紫 MongoDB 管理工具 |
|---|---|---|
| 学习成本 | 需熟记大量 mongo shell / 运维命令 | 图形向导，中文界面，一键操作 |
| 部署效率 | 逐台 SSH、手工改配置，易出错 | 批量节点、IP 范围添加、自动初始化 |
| 在线扩容 | 手工 rs.add / addShard，易误操作、难回滚 | 扩容计划可视化，按角色自动在线扩容，不停机加节点 |
| 配置一致性 | 多环境易漂移 | 配置 JSON 持久化，部署与运维数据统一 |
| 安全上线 | bindIp / 防火墙概念易混淆 | 分步安全向导 + 明确最佳实践提示 |
| 监控维护 | 需自建脚本或第三方平台 | 内置 9 维监控 + 维护修复一体化 |
| 架构演进 | 各阶段需不同脚本与专家排障 | 单机→副本集→分片三级路径，迁移与扩容内置 |
| 备份迁移 | 需组合 mongodump / 自研脚本 | JSONL 流式备份 + 三种迁移模式内置 |
| 授权合规 | 无统一门禁 | 贤紫优选账号登录 + 加密打包 + 协议确认 |
| 环境 | 说明 |
|---|---|
| 推荐生产 | CentOS 7（64 位）— 单机、副本集、分片部署、SSH 安装、防火墙配置等主流程均围绕 CentOS 7 优化 |
| 理论兼容 | 其他 RHEL 系 Linux 可能可用，但未做全套验证；请先搭建测试环境完整验证后再上生产 |
| 版本 | 说明 |
|---|---|
| 已验证支持 | MongoDB 4.0.2 ~ 4.4.31（CentOS 7 已实测；默认推荐 4.4.31） |
| 尚未测试 | MongoDB 5.0 及以上版本 — 生产使用前请充分验证 |
| 环境 | 说明 |
|---|---|
| Windows | MongoDB-Deployer.exe 一键运行 |
MongoDB 面向文档型、高并发、可扩展的真实业务——在 AI 大模型与智能应用爆发式增长的今天，对话记录、知识文档、标注样本、Agent 状态等半结构化 AI 数据同样需要可靠、可扩展的存储底座；以下仅为常见场景示例，实际可覆盖更多行业与业务线。