bms-class-site
Plataforma web completa para gestión académica de clases (Vue 3 + NestJS) con IA integrada (RAG, generación de ejercicios), foros, galerías y auditoría de créditos. Requiere infraestructura Linux dedicada, Docker Compose y servicios externos específicos (DeepSeek, Qdrant, COS).
Ficha actualizada 27 sept 2026, 16:09 · upstream 27 sept 2026, 15:39 · release sin release detectada
Qué es bms-class-site
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
bms-class-site es un repositorio de código fuente para una plataforma web integral diseñada para la gestión académica de grupos o clases. La arquitectura se basa en un monorepo pnpm que separa el backend RESTful escrito con NestJS (apps/api), la interfaz frontend con Vue 3 y Vite (apps/web), y procesos asíncronos independientes (apps/worker). El sistema integra capacidades avanzadas de Inteligencia Artificial, incluyendo RAG para búsqueda en conocimiento, generación automática de preguntas y evaluación de respuestas abiertas mediante modelos como DeepSeek, además de gestión de embeddings con Zhipu.
El despliegue no es estático ni autocontenido; requiere un servidor Linux x86_64 independiente con Docker Engine 2.30+, Python 3.10+ y Node.js 22. La instalación inicial utiliza scripts Python (infra/deploy.py) para configurar certificados TLS, generar secretos seguros y orquestar contenedores MySQL y Qdrant. El sistema depende críticamente de servicios externos: Tencent Cloud COS para almacenamiento de objetos, DeepSeek para lógica de IA y Zhipu para vectores. No es compatible con despliegues simples como GitHub Pages.
La plataforma ofrece funcionalidades específicas como 'práctica diaria' automatizada, gestión de horas académicas con revisión por IA, foros privados, galerías de medios y un sistema de conocimiento con búsqueda semántica. Incluye herramientas de validación de seguridad, auditoría de dependencias y scripts para mantenimiento, pero exige una configuración manual rigurosa de la infraestructura antes de procesar datos reales.
- Gestión integral de contenido educativo: publicación de noticias, anuncios oficiales, foros de discusión privados y galerías multimedia con control de acceso granular.
- Sistema de conocimiento inteligente (RAG): importación de documentos académicos, búsqueda semántica y chat contextual para estudiantes y profesores.
- Automatización de evaluación y práctica: generación automática de ejercicios diarios, corrección de respuestas abiertas por IA y seguimiento del progreso académico.
- Auditoría de créditos académicos: gestión de solicitudes de horas, revisión automatizada de documentos (con IA) y exportación de reportes oficiales.
- Arquitectura modular separada en API, Web y Worker que permite escalabilidad y mantenimiento independiente de componentes.
- Integración nativa con servicios de IA (DeepSeek, Zhipu) para RAG, generación de contenido y evaluación automática sin necesidad de backend personalizado.
- Sistema de despliegue automatizado con scripts Python que gestionan certificados TLS, secretos seguros y validación de seguridad pre-despliegue.
- Gestión robusta de medios con soporte nativo para Tencent Cloud COS y procesamiento local de imágenes (redimensionado, optimización).
- Validación estricta de tipos TypeScript en todo el monorepo y generación automática de Prisma Client y OpenAPI docs.
- Dependencia crítica de proveedores externos específicos (DeepSeek, Zhipu, Tencent COS); no es un sistema genérico de IA o almacenamiento.
- Requiere infraestructura Linux dedicada con Docker Compose; no soporta despliegues estáticos ni hosting compartido básico.
- La actualización de versiones requiere migración manual de base de datos y validación de compatibilidad antes de cada despliegue.
- El sistema no incluye planificador de backups automático; la gestión de copias de seguridad es responsabilidad del administrador.
- Algunas reglas de negocio (ej. tipos de certificados para créditos) están preconfiguradas para un contexto médico y requieren revisión.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Despliegue en servidor Linux x86_64 con Docker Compose 2.30+, Python 3.10+ y Node.js 22. Ejecutar infra/deploy.py init con certificados TLS válidos fuera del repositorio. Configurar variables de entorno para proveedores externos (DeepSeek, Zhipu, COS). Validar migraciones de base de datos antes de actualizar código. No usar modo development en producción. Gestionar copias de seguridad manuales de volúmenes y secretos.
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.