Skip to content

CHANGELOG.md

Latest commit

 

History

History
67 lines (46 loc) · 5.94 KB

CHANGELOG.md

File metadata and controls

67 lines (46 loc) · 5.94 KB
Raw

Changelog

Todos los cambios relevantes de OpenRoute se documentan aquí.

El formato sigue Keep a Changelog y la numeración respeta SemVer.

[Unreleased]

Añadido

  • Despliegue con Docker: Dockerfile para el microservicio FastAPI, web/Dockerfile multi-stage para Next.js con output: standalone, docker-compose.yml que orquesta los 4 servicios (optimizer + ollama + ollama-pull + web) con healthchecks y dependencias. docker compose up --build arranca todo desde cero.
  • docker-entrypoint.sh del frontend: aplica migraciones Prisma y siembra usuarios demo en el primer arranque; preserva la DB en siguientes reinicios.
  • .dockerignore en raíz y web/ para mantener el build context pequeño.
  • Pre-sembrado de 2 rutas en prisma/seed.ts para que la demo arranque con /routes poblado y el mapa Leaflet renderice polyline real sin pasar por el chat.
  • Botón "Importar al sistema" en /import que persiste los pedidos del CSV en Prisma vía nuevo endpoint POST /api/orders/import, cerrando el flujo CSV → /orders → /chat sin tocar a mano la DB.

Cambiado

  • Modelo LLM por defecto pasa de llama3.1:8b (4.9 GB, lento en CPU sin GPU) a llama3.2:3b (2 GB, fiable). El ollama-pull deja llama3.2:1b descargado como alternativa rápida si el operador quiere experimentar, pero no es el activo (alucina datos y no respeta el protocolo de tool calling).
  • Parser tolerante de tool calls ampliado para cubrir 7 esquemas distintos (los modelos pequeños no respetan el protocolo de Ollama y emiten variantes que el parser ahora reconoce sin perder la respuesta natural al usuario).
  • System prompt del chatbot añade bloques de invocación de herramientas (usar siempre tool_calls estructurado) y prohibido inventar datos (responder vacío cuando no hay, no fabricar rutas/pedidos).

Trabajo en curso fuera del hito del hackathon. Ver docs/ROADMAP.md.

[0.2.0] — 2026-05-27 · Entrega del Hackathon IA Responsable y Abierta en Industria

Entrega oficial al hackathon Mayo'26 organizado por SEDIA + AESIA, con la colaboración del EDIH de Aragón (ITA + Universidad de Zaragoza). TRL objetivo: 5 (validación de componente en entorno relevante).

Añadido

  • Microservicio FastAPI (app/main.py) que expone el motor de optimización VRP por HTTP. Endpoints: /health, /optimize, /baseline, /compare, /optimize-csv.
  • Tool optimize_with_ortools en el chatbot del frontend: delega al backend Python para resolver CVRPTW con time windows y capacidades reales, y devuelve el plan + baseline + ahorros + pedidos diferidos.
  • Pantalla /import en el frontend: dropzone para subir uno o varios CSVs y obtener el plan optimizado sin tocar la base de datos. Incluye análisis combinado entre archivos (consolidación de turnos/clientes/días).
  • Cliente OSRM /table (src/osrm_client.py) para construir la matriz de distancias usando callejero real, con fallback automático a Haversine × factor urbano si OSRM no responde. Selector auto | OSRM | Haversine en /import.
  • Bounding box configurable (OPENROUTE_BBOX, argumento bbox= y selector en /import): por defecto Alicante/Elche, pero cualquier pyme puede operar en su propia zona o sin restricción geográfica sin cambiar código.
  • DISJUNCTIONS en OR-Tools para tolerar datasets infactibles: el solver entrega lo que cabe y reporta los pedidos diferidos en lugar de fallar y caer a la heurística.
  • Baseline manual realista en metrics.py: el simulador del plan humano agrupa por zona y ordena por urgencia de ventana, en lugar de un idx % num_vehicles artificialmente malo. El ahorro medido refleja el valor real del software.
  • Aviso de fallback en el chatbot: cuando OR-Tools cae a la heurística por restricciones imposibles, el tool devuelve used_fallback=true y el system prompt obliga al modelo a avisarlo explícitamente. IA responsable.
  • Suite de tests del motor (src/test_optimizer.py): 22 tests cubriendo schema, capacidad, ventanas horarias, OSRM fallback, bbox, y end-to-end con 30 segundos de presupuesto del solver.
  • CI con GitHub Actions (.github/workflows/web-ci.yml): lint + typecheck + build del frontend Next.js en cada PR.
  • Cliente Ollama propio en Python (src/ai_assistant.py) usando el mismo modelo llama3.1:8b que el chatbot del frontend — sistema con un único LLM open source.
  • Atajo start.ps1 en la raíz para arrancar FastAPI + Next.js en Windows.
  • CODE_OF_CONDUCT.md (Contributor Covenant) y CONTRIBUTING.md.
  • SECURITY.md con política de divulgación responsable.

Cambiado

  • Stack del backend reescrito de Streamlit a FastAPI: el componente Python deja de ser una UI monolítica y se convierte en un microservicio HTTP reutilizable por cualquier cliente (no solo el frontend).
  • Capacidades de la flota ampliadas en data/vehiculos_config.json para que el dataset por defecto sea factible. Jornada operativa extendida a 06:00–20:00.
  • Validación de pedidos en data_processor.py: descarta silenciosamente los que estén fuera del bbox configurado en lugar de fallar duro; reporta la cuenta para que la UI muestre "X pedidos descartados".

Corregido

  • Tipado TypeScript del proxy /api/optimize-csv y python-optimizer.ts alineado con el response real del backend.
  • Hardening del frontend previo a la demo: fallback del XAI, auth endurecida y wiring correcto de la flota.

Seguridad

  • JWT en cookie httpOnly con sameSite=lax.
  • Validación de entrada con zod en todos los endpoints del frontend y con Pydantic en el backend.
  • Documentadas las contraseñas demo (admin/admin123, …) como tales — deben rotarse antes de cualquier despliegue real.

Notas sobre versiones anteriores

El repo nace con el hackathon, sin releases previas. Los commits anteriores a este changelog reflejan el desarrollo iterativo del MVP y se pueden ver con git log --oneline.