jaot
Plataforma de optimización matemática open source para construir y automatizar modelos. Soporta múltiples solvers (SCIP, HiGHS, CBC, GLPK), incluye asistente RAG para formulación, servidor MCP para agentes AI y una interfaz web completa con API REST.
Ficha actualizada 24 sept 2026, 10:08 · upstream 24 sept 2026, 9:44 · release sin release detectada
Qué es jaot
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
JAOT es una plataforma de optimización matemática open source diseñada para transformar descripciones naturales o JSON en modelos resolubles mediante solvers industriales. Su arquitectura modular monolítica separa el núcleo del problema de la implementación del solver, permitiendo agnosticismo y comparación de resultados entre SCIP, HiGHS, CBC y GLPK sin cambiar el modelo subyacente.
La plataforma incluye un asistente de formulación impulsado por LLM con RAG sobre una biblioteca de plantillas, lo que facilita la creación de modelos complejos como planificación de producción o logística sin conocimientos profundos de programación lineal entera (MIP). Además, cuenta con un marketplace colaborativo gratuito donde los usuarios pueden compartir y adoptar modelos versionados.
Técnicamente, se despliega mediante Docker Compose sobre PostgreSQL, Redis, RabbitMQ y Qdrant. Ofrece una interfaz web en Next.js, una API REST autenticada con claves Bearer y un servidor MCP para integración con agentes de IA. El análisis post-solución incluye diagnósticos de factibilidad, precios sombra y explicaciones generadas por IA basadas en los datos reales del modelo.
- Planificación de producción: determinar cuántas unidades fabricar de cada producto bajo restricciones de capacidad.
- Logística y flotas: asignar pedidos a vehículos optimizando rutas y costes de transporte.
- Programación de turnos: distribuir personal respetando horas disponibles y restricciones legales.
- Gestión de inventarios: decidir qué comprar y cuándo para minimizar costes de stock y rotura.
- Automatización de decisiones operativas mediante agentes AI que consultan el servidor MCP.
- Análisis de sensibilidad y escenarios what-if para modelos MIP con precios sombra exactos.
- Agnosticismo a solvers: mismo modelo ejecutable en SCIP, HiGHS, CBC o GLPK comparando resultados.
- Servidor MCP nativo: integración directa con agentes de IA (Claude, OpenAI) vía protocolo estándar.
- Marketplace gratuito: comunidad colaborativa sin comisiones ni créditos obligatorios para modelos.
- Análisis post-solución exacto: diagnósticos de factibilidad y precios sombra calculados en MIP real.
- Asistente RAG local: generación de modelos basada en plantillas sin fuga de datos por defecto.
- Comparación de solvers: ejecución paralela para evaluar rendimiento y calidad de solución.
- Dependencia del hardware: no hay límite de tamaño de modelo impuesto por software, pero limitado por la RAM/CPU del servidor.
- Configuración manual inicial: requiere copiar .env.example y configurar credenciales antes del primer arranque.
- Solvers externos opcionales: adaptadores como Hexaly requieren licencia propia (bring-your-own-license).
- Puertos no expuestos por defecto: los puertos 3000 y 8001 se unen a localhost, necesitando proxy inverso para producción.
- Sin Dockerfile oficial: el despliegue recomendado es exclusivamente vía docker compose.
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
Desplegar con `docker compose up -d` tras clonar el repositorio y copiar `.env.example`. Asegurar que PostgreSQL, Redis y RabbitMQ estén accesibles. Configurar credenciales de admin en variables de entorno antes del primer inicio. Para producción, exponer puertos 3000 (frontend) y 8001 (API) detrás de un proxy inverso con autenticación Bearer.
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.