🎓 IsCoolGPT - Cloud Computing AV2

Assistente inteligente de estudos baseado em LLM (Gemini 2.0), containerizado com Docker e orquestrado via Pipeline CI/CD.

📋 Visão Geral do Projeto

O IsCoolGPT é uma aplicação Fullstack desenvolvida como projeto final da disciplina de Cloud Computing. O sistema atua como um tutor virtual para estudantes, utilizando a API Google Gemini 2.0 Flash para processar linguagem natural com alta velocidade e baixo custo.

A arquitetura foi projetada seguindo os princípios do The Twelve-Factor App, focando em portabilidade (Docker), paridade entre desenvolvimento/produção e automação total de deploy.

🔗 Link do Projeto (Deploy): https://cloud-iscoolgpt.onrender.com

---

🏗️ Arquitetura e Decisões Técnicas (FinOps)

Para atender aos requisitos de alta disponibilidade e escalabilidade, optou-se por uma arquitetura PaaS (Platform as a Service).

Diagrama de Arquitetura

graph LR
    User[Estudante 🧑‍🎓] -- HTTPS --> RenderLB[Render Load Balancer 🌐]
    RenderLB --> Docker[Docker Container 🐳]
    subgraph "Aplicação (FastAPI)"
        Front[Frontend HTML/JS]
        Back[Backend Python]
    end
    Docker --> Back
    Docker --> Front
    Back -- API Key --> Gemini[Google Gemini API 🧠]
    Back -- Log --> Monitor[Logs & Health Check 📊]

Loading

💡 Justificativa Arquitetural: AWS vs. Render

Embora a AWS (ECS/ECR) seja um padrão de indústria, para este projeto adotou-se o Render baseando-se em princípios de FinOps (Gestão Financeira em Nuvem) e eficiência operacional:

1. Otimização de Custos (Cost Avoidance): Uma arquitetura AWS com Load Balancer (ALB), NAT Gateway e Cluster ECS Fargate geraria custos fixos estimados em ~$40/mês, inviabilizando o projeto para fins acadêmicos. O Render oferece containerização gerenciada com custo zero no tier gratuito, cumprindo o requisito funcional sem desperdício financeiro.
2. Redução de Complexidade Operacional: O Render abstrai a complexidade de gerenciamento de VPCs, Security Groups e Clusters Kubernetes, permitindo que o foco do desenvolvimento permaneça na qualidade do código e na lógica da IA.
3. Entrega Contínua Nativa (CD): A integração direta "Git-to-Deploy" do Render atende ao requisito de "Automação Inteligente" de forma nativa, eliminando a sobrecarga de configuração manual de pipelines complexas como AWS CodePipeline para este escopo.

---

🛠️ Stack Tecnológica

• Frontend: HTML5, CSS3 (Glassmorphism UI), JavaScript Vanilla (Fetch API).
• Backend: Python 3.11 com FastAPI (Framework assíncrono de alta performance).
• IA: Integração com Google Gemini 2.0 Flash via SDK google-generativeai.
• Containerização: Docker (Imagem base python:3.11-slim otimizada).
• Testes: Pytest (Unitários) e Httpx.
• CI (Continuous Integration): GitHub Actions.
• CD (Continuous Delivery): Render (Deploy automático via branch production).

---

🚀 Como Executar Localmente

Pré-requisitos

• Docker instalado.
• Git instalado.
• Chave de API do Google Gemini (Google AI Studio).

Passo a Passo

1. Clone o repositório:

   git clone https://github.com/flavio-muniz/Cloud-IsCoolGPT
   cd Cloud-IsCoolGPT

2. Configure a Variável de Ambiente: Linux/Mac/Git Bash:

   export GEMINI_API_KEY="SUA_CHAVE_AQUI"

   Windows Powershell:

   $env:GEMINI_API_KEY="SUA_CHAVE_AQUI"

3. Build e Execução com Docker:

   # Constrói a imagem Docker
   docker build -t iscoolgpt .
   
   # Roda o container na porta 80
   docker run -p 80:80 -e GEMINI_API_KEY=$GEMINI_API_KEY iscoolgpt

4. Acesse: Abra o navegador em http://localhost.

---

🔄 Pipeline de CI/CD (DevOps)

O projeto implementa um ciclo de vida de software moderno e automatizado:

1. Desenvolvimento: O código é desenvolvido e enviado para a branch main.
2. Integração Contínua (CI):
   • A cada push na main, o workflow do GitHub Actions (ci.yml) é acionado.
   • Ele instala as dependências e executa a bateria de testes automatizados com pytest.
   • Quality Gate: Se os testes falharem, o pipeline quebra, impedindo o avanço de código defeituoso.
3. Entrega Contínua (CD):
   • Após a aprovação nos testes, o código é mesclado (merge) para a branch production.
   • O Render monitora essa branch e inicia automaticamente o build do container Docker.
   • O deploy é realizado com Zero Downtime, garantindo que a versão antiga continue rodando até a nova estar pronta.

---

🧪 Estratégia de Testes

Os testes automatizados garantem a integridade da API e a resiliência do sistema:

• Mocking de IA: Utilizamos unittest.mock para simular as respostas do Google Gemini. Isso permite testar a lógica do backend sem gastar cota da API e sem depender de conexão externa durante os testes.
• Health Check: Verificação automática da rota /health para garantir que o container está saudável.

Comando para rodar testes manuais:

pip install -r requirements.txt
python -m pytest

📊 Evidências e Monitoramento

Esta seção comprova o funcionamento da arquitetura de DevOps e da aplicação em nuvem.

1. Pipeline de CI (GitHub Actions)

Evidência de testes automatizados rodando com sucesso a cada push.

Status do último workflow: Sucesso (Passing)

2. Deploy em Produção (Render)

Aplicação rodando em ambiente de nuvem pública, acessível via HTTPS.

Ambiente de Produção: Live

Deploy automático após subir para produção

3. Logs de Monitoramento

Registro de atividades e requisições em tempo real via dashboard do Render.

Logs comprovando o recebimento de requisições e status 200 OK.

---

✒️ Autor

Flávio

• 🎓 Graduando em Ciência da Computação
• 🔬 Pesquisador em Sistemas Embarcados e IoT
• ☁️ Entusiasta de Cloud Computing & DevOps

---

📄 Licença

Este projeto foi desenvolvido para fins acadêmicos. Sinta-se livre para usar como referência.