@aiuby-ia/cli 0.4.0 → 0.5.1

package/README.md

@@ -73,6 +73,8 @@ Em automação, defina `AIUBY_TOKEN` no ambiente em vez de usar `login`.
 | [`templates/fastapi-http`](templates/fastapi-http) | API HTTP em Python com FastAPI, em CPU |
 | [`templates/vllm-openai`](templates/vllm-openai) | Inferência com vLLM e API compatível com OpenAI, em GPU |
 | [`templates/langgraph-agent`](templates/langgraph-agent) | Agente com LangGraph atrás de uma API HTTP, em CPU |
+| [`templates/hf-stable-diffusion`](templates/hf-stable-diffusion) | Geração de imagem com um modelo de difusão do Hugging Face, em GPU |
+| [`templates/yolo-detect`](templates/yolo-detect) | Detecção de objetos com YOLO (Ultralytics, AGPL-3.0), em GPU |
 
 São pontos de partida de código. Ainda não foram executados num runtime da AIUBY.
 

package/dist/aiuby.mjs

@@ -20485,6 +20485,7 @@ var noControl = (v) => !CONTROL_CHARS.test(v);
 var ENV_NAME = /^[A-Z_][A-Z0-9_]{0,63}$/;
 var RESERVED_ENV = /* @__PURE__ */ new Set(["PORT", "K_SERVICE", "K_REVISION", "K_CONFIGURATION"]);
 var MAX_ENV_VARS = 50;
+var MAX_ARGS = 30;
 var IMAGE_REF = /^(?!.*\/\/)[A-Za-z0-9][A-Za-z0-9._\-/:@]*$/;
 var HardwareRequest = external_exports.object({
   /** `any`: o planejador escolhe entre os provedores habilitados. */
@@ -20499,6 +20500,8 @@ var AppConfig = external_exports.object({
   runtime: external_exports.enum(["container", "python"]),
   image: external_exports.string().min(1).max(300).regex(IMAGE_REF, "image precisa ser uma refer\xEAncia de imagem de container, sem espa\xE7os").nullable().default(null),
   entrypoint: external_exports.string().min(1).max(300).refine(noControl, "entrypoint n\xE3o aceita caracteres de controle").nullable().default(null),
+  /** Argumentos do processo da imagem (substituem o `CMD`). Vazio: vale o que a imagem define. */
+  args: external_exports.array(external_exports.string().min(1).max(300).refine(noControl, "args n\xE3o aceita caracteres de controle")).max(MAX_ARGS, `no m\xE1ximo ${MAX_ARGS} argumentos`).default([]),
   port: external_exports.number().int().min(1).max(65535).default(8080),
   /**
    * Variáveis de ambiente da aplicação. Ficam na configuração, visíveis a quem vê a
@@ -20628,17 +20631,20 @@ async function appsStatus(io, args) {
     io.out(`Hardware: ${app.hardwareLabel ?? "-"}`);
     io.out(`Regi\xE3o:   ${app.region ?? "a definir"}`);
     io.out("");
-    io.out(plan.deployable ? `Plano: implant\xE1vel${plan.preview ? " (pr\xE9via do runtime: CPU, 1 r\xE9plica, com prazo)" : ""}.` : "Plano: n\xE3o implant\xE1vel hoje.");
+    io.out(plan.deployable ? `Plano: implant\xE1vel${plan.preview ? " (pr\xE9via do runtime, com prazo, sem cobran\xE7a)" : ""}.` : "Plano: n\xE3o implant\xE1vel hoje.");
+    if (plan.paid) io.out(paidLine(plan.paid));
     for (const r of plan.reasons) io.out(`  - ${r.message}`);
   });
 }
+var brl = (microBrl) => (microBrl / 1e6).toLocaleString("pt-BR", { style: "currency", currency: "BRL" });
+var paidLine = (paid) => `Tamanho ${paid.sizeName}${paid.priceMicroBrlPerHour !== null ? `: ${brl(paid.priceMicroBrlPerHour)} por hora em uso` : ""}.`;
 var fetchDeployment = (io, stored, slug) => apiGet(stored, `/api/platform/compute/apps/${encodeURIComponent(slug)}/deployments`, io.fetcher);
 var when = (iso) => new Date(iso).toLocaleString("pt-BR", { dateStyle: "short", timeStyle: "short" });
 function printDeployment(io, d) {
   io.out(`Implanta\xE7\xE3o: ${DEPLOYMENT_STATUS_LABEL[d.status].toLowerCase()}, revis\xE3o r${d.revision}, ${d.region}`);
   if (d.url) io.out(`Endere\xE7o: ${d.url}`);
   if (d.error) io.out(`Detalhe:  ${d.error}`);
-  if (d.status === "running" || d.status === "deploying") io.out(`Prazo:    para sozinha em ${when(d.expiresAt)}`);
+  if (d.status === "running" || d.status === "deploying") io.out(d.billing === "paid" ? "Cobran\xE7a: do saldo pr\xE9-pago, pelo tempo em uso. Fica no ar at\xE9 parar, o saldo acabar ou o teto do workspace ser atingido." : `Prazo:    para sozinha em ${when(d.expiresAt)}`);
 }
 var DEPLOY_HINT = 'A chave precisa do escopo "Implantar no Compute".';
 var WAIT_STEP_MS = 3e3;
@@ -20655,6 +20661,7 @@ async function deploy(io, args) {
     const plan = await fetchPlan(io, stored, slug);
     emit(io, plan, () => {
       io.out(plan.deployable ? `Plano de ${slug}: implant\xE1vel.` : `Plano de ${slug}: n\xE3o implant\xE1vel hoje.`);
+      if (plan.paid) io.out(paidLine(plan.paid));
       for (const r of plan.reasons) io.out(`  - ${r.message}`);
       io.out("");
       io.out("Simula\xE7\xE3o: nada foi criado nem cobrado.");
@@ -20692,6 +20699,27 @@ async function logs(io, args) {
     for (const line of [...data.lines].reverse()) io.out(`${line.time.replace("T", " ").slice(0, 19)} ${line.severity.padEnd(7)} ${line.text}`);
   });
 }
+async function billing(io) {
+  const data = await apiGet(requireLogin(), "/api/platform/compute/billing", io.fetcher);
+  emit(io, data, () => {
+    if (!data.enabled) io.out("A implanta\xE7\xE3o paga n\xE3o est\xE1 habilitada nesta organiza\xE7\xE3o.");
+    io.out(`Saldo pr\xE9-pago:   ${data.mode === "prepaid" && data.availableMicroBrl !== null ? brl(data.availableMicroBrl) : "-"}`);
+    io.out(`Compute no m\xEAs:   ${brl(data.monthSpendMicroBrl)}`);
+    io.out(`Teto do workspace: ${data.budgetMicroBrl === null ? "n\xE3o definido (dono ou admin define na tela do Compute)" : brl(data.budgetMicroBrl)}`);
+    io.out("");
+    table(io, ["TAMANHO", "VCPU", "MEM\xD3RIA", "PRE\xC7O POR HORA EM USO"], data.sizes.map((s) => [s.name, String(s.cpu), `${s.memoryMb} MB`, s.priceMicroBrlPerHour === null ? "-" : brl(s.priceMicroBrlPerHour)]));
+  });
+}
+async function usage(io, args) {
+  const flag = args.indexOf("--limit");
+  const limit = flag >= 0 ? Number(args[flag + 1]) : 50;
+  if (!Number.isInteger(limit) || limit < 1 || limit > 200) throw new CliError("--limit precisa ser um n\xFAmero de 1 a 200.", EXIT.usage);
+  const data = await apiGet(requireLogin(), `/api/platform/compute/usage?limit=${limit}`, io.fetcher);
+  emit(io, data, () => {
+    if (data.usage.length === 0) return io.out("Nenhum uso cobrado neste workspace.");
+    table(io, ["APLICA\xC7\xC3O", "AT\xC9", "EM USO", "SA\xCDDA", "VALOR"], data.usage.map((u) => [u.appSlug, when(u.periodEnd), `${Math.round(u.billableSeconds / 60)} min`, `${(u.egressBytes / 1024 ** 2).toFixed(1)} MB`, brl(u.billedMicroBrl)]));
+  });
+}
 async function capacityList(io, args) {
   const flag = args.indexOf("--provider");
   const provider = flag >= 0 ? args[flag + 1] : void 0;
@@ -20746,7 +20774,9 @@ async function appsUpdate(io, args) {
   const app = readAppFile(io, file2);
   const stored = requireLogin();
   const current = await apiGet(stored, `/api/platform/compute/apps/${encodeURIComponent(app.slug)}`, io.fetcher);
-  const latest = current.revisions.find((r) => r.revision === current.currentRevision)?.config;
+  const stored_ = current.revisions.find((r) => r.revision === current.currentRevision)?.config;
+  const normalized = stored_ ? AppConfig.safeParse(stored_) : null;
+  const latest = normalized?.success ? normalized.data : stored_;
   if (latest && JSON.stringify(sortKeys(latest)) === JSON.stringify(sortKeys(app.config))) {
     emit(io, { id: current.id, slug: current.slug, revision: current.currentRevision, changed: false }, () => io.out(`Sem mudan\xE7a: ${current.slug} j\xE1 est\xE1 com essa configura\xE7\xE3o (r${current.currentRevision}).`));
     return;
@@ -20811,7 +20841,7 @@ var notYet = (command) => async () => {
 };
 
 // src/main.ts
-var VERSION = "0.4.0";
+var VERSION = "0.5.1";
 var HELP = `aiuby ${VERSION} \u2014 linha de comando do AIUBY Compute
 
 Uso: aiuby <comando> [op\xE7\xF5es]
@@ -20829,9 +20859,11 @@ Dispon\xEDveis hoje:
   capacity list [--provider gcp|aws]  Cat\xE1logo de hardware (refer\xEAncia, n\xE3o verificado)
   config validate [arquivo]        Valida um aiuby.toml local
   deploy --dry-run <identificador> Mostra o plano, sem criar nada
-  deploy [--no-wait] <identificador>  Implanta a revis\xE3o atual (s\xF3 em organiza\xE7\xE3o com a pr\xE9via do runtime)
+  deploy [--no-wait] <identificador>  Implanta a revis\xE3o atual (o plano diz se a organiza\xE7\xE3o pode)
   stop <identificador>             Para a implanta\xE7\xE3o e apaga o servi\xE7o
   logs [--limit N] <identificador> \xDAltimas linhas de log da implanta\xE7\xE3o mais recente
+  billing                          Saldo, teto e gasto do m\xEAs de Compute, e os tamanhos com pre\xE7o
+  usage [--limit N]                Extrato do Compute no workspace
   doctor                           Confere ambiente, credencial e API
 
 Ainda n\xE3o dispon\xEDveis:
@@ -20860,6 +20892,8 @@ var ROUTES = {
   deploy,
   stop,
   logs,
+  billing,
+  usage,
   doctor
 };
 async function run(argv, io) {

package/docs/cli.md

@@ -53,6 +53,8 @@ runtime habilitada pela AIUBY. Fora dela, a API recusa com os motivos (código d
 | --- | --- |
 | `aiuby deploy [--no-wait] <identificador>` | Implanta a revisão atual no Google Cloud e acompanha até ficar em execução (até 3 minutos). Mostra o endereço público e o prazo. Reimplantar troca a revisão no mesmo endereço |
 | `aiuby stop <identificador>` | Para a implantação: o serviço é apagado e o endereço deixa de responder |
+| `aiuby billing` | Saldo pré-pago, teto mensal e gasto do mês de Compute no workspace, e os tamanhos com o preço por hora em uso |
+| `aiuby usage [--limit N]` | Extrato do Compute: períodos medidos e cobrados (padrão 50, até 200) |
 | `aiuby logs [--limit N] <identificador>` | Últimas linhas de log da implantação mais recente (padrão 100, até 200). Vale também para uma que falhou ou já parou |
 
 Limites da prévia: só CPU, até 1 vCPU e 1 GB, 1 réplica (escala a zero quando ociosa),

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "@aiuby-ia/cli",
-  "version": "0.4.0",
+  "version": "0.5.1",
   "description": "Linha de comando do AIUBY Compute",
   "type": "module",
   "bin": {

package/templates/hf-stable-diffusion/Dockerfile

@@ -0,0 +1,13 @@
+# Geração de imagem com um modelo de difusão do Hugging Face. O modelo é baixado na primeira
+# subida: escolha um cuja licença permita o seu uso e que caiba na memória da GPU pedida.
+FROM pytorch/pytorch:2.5.1-cuda12.4-cudnn9-runtime
+WORKDIR /app
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+COPY main.py .
+# Usuário sem privilégio: o runtime não deve precisar de root. O cache do modelo fica em /tmp.
+RUN useradd --create-home app
+USER app
+ENV MODEL_ID="stable-diffusion-v1-5/stable-diffusion-v1-5" HF_HOME="/tmp/hf"
+EXPOSE 8080
+CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8080"]

package/templates/hf-stable-diffusion/aiuby.toml

@@ -0,0 +1,21 @@
+# Geração de imagem em GPU. Valide com: aiuby config validate
+name = "Geração de imagem"
+slug = "geracao-de-imagem"
+
+[config]
+runtime = "container"
+image = "REGISTRO/geracao-de-imagem:1"
+port = 8080
+
+[config.hardware]
+provider = "gcp"
+cpu = 4
+memoryMb = 16384
+
+[config.hardware.gpu]
+sku = "gcp-cloudrun-l4"
+count = 1
+
+[config.scaling]
+minReplicas = 0
+maxReplicas = 1

package/templates/hf-stable-diffusion/main.py

@@ -0,0 +1,44 @@
+"""Geração de imagem com um modelo de difusão do Hugging Face, exposta por HTTP.
+O modelo é carregado uma vez, na subida; a primeira subida também faz o download."""
+import io
+import os
+from contextlib import asynccontextmanager
+
+import torch
+from diffusers import AutoPipelineForText2Image
+from fastapi import FastAPI
+from fastapi.responses import Response
+from pydantic import BaseModel, Field
+
+MODEL_ID = os.environ.get("MODEL_ID", "stable-diffusion-v1-5/stable-diffusion-v1-5")
+estado: dict = {}
+
+
+@asynccontextmanager
+async def ciclo(_: FastAPI):
+    gpu = torch.cuda.is_available()
+    pipe = AutoPipelineForText2Image.from_pretrained(MODEL_ID, torch_dtype=torch.float16 if gpu else torch.float32)
+    estado["pipe"] = pipe.to("cuda" if gpu else "cpu")
+    yield
+    estado.clear()
+
+
+app = FastAPI(title="geracao-de-imagem", lifespan=ciclo)
+
+
+class Pedido(BaseModel):
+    prompt: str = Field(min_length=1, max_length=500)
+    passos: int = Field(default=25, ge=1, le=50)
+
+
+@app.get("/health")
+def health() -> dict[str, str]:
+    return {"status": "ok", "modelo": MODEL_ID}
+
+
+@app.post("/gerar")
+def gerar(pedido: Pedido) -> Response:
+    imagem = estado["pipe"](pedido.prompt, num_inference_steps=pedido.passos).images[0]
+    saida = io.BytesIO()
+    imagem.save(saida, format="PNG")
+    return Response(content=saida.getvalue(), media_type="image/png")

package/templates/hf-stable-diffusion/requirements.txt

@@ -0,0 +1,6 @@
+fastapi>=0.115
+uvicorn>=0.30
+diffusers>=0.31
+transformers>=4.46
+accelerate>=1.0
+safetensors>=0.4

package/templates/vllm-openai/Dockerfile

@@ -1,6 +1,7 @@
-# Servidor compatível com a API da OpenAI sobre vLLM. O modelo é baixado na subida:
+# Opcional: o aiuby.toml já usa a imagem oficial do vLLM com o modelo nos argumentos. Use este
+# Dockerfile só se quiser uma imagem própria (por exemplo, com o modelo fixo). O modelo é baixado na subida:
 # escolha um que caiba na memória da GPU pedida e cuja licença permita o seu uso.
 FROM vllm/vllm-openai:latest
-ENV MODEL_ID="Qwen/Qwen2.5-1.5B-Instruct"
+ENV MODEL_ID="microsoft/Phi-3-mini-4k-instruct" HF_HOME="/tmp/hf"
 EXPOSE 8080
 ENTRYPOINT ["/bin/sh", "-c", "python3 -m vllm.entrypoints.openai.api_server --model \"$MODEL_ID\" --host 0.0.0.0 --port 8080"]

package/templates/vllm-openai/aiuby.toml

@@ -1,12 +1,17 @@
-# Inferência compatível com OpenAI em GPU. Valide com: aiuby config validate
+# Inferência compatível com OpenAI em GPU, com a imagem oficial do vLLM e o Phi-3 mini.
+# Não precisa construir imagem: os argumentos escolhem o modelo. Valide com: aiuby config validate
 name = "Inferência vLLM"
 slug = "inferencia-vllm"
 
 [config]
 runtime = "container"
-image = "REGISTRO/inferencia-vllm:1"
+image = "docker.io/vllm/vllm-openai:latest"
+args = ["--model", "microsoft/Phi-3-mini-4k-instruct", "--host", "0.0.0.0", "--port", "8080", "--max-model-len", "4096"]
 port = 8080
 
+[config.env]
+HF_HOME = "/tmp/hf"
+
 [config.hardware]
 provider = "gcp"
 cpu = 4

package/templates/yolo-detect/Dockerfile

@@ -0,0 +1,10 @@
+# Detecção de objetos com um modelo YOLO da Ultralytics. Os pesos são baixados na primeira
+# subida. Atenção à licença: a Ultralytics é AGPL-3.0; uso comercial fechado exige licença deles.
+FROM ultralytics/ultralytics:latest
+WORKDIR /app
+COPY requirements.txt .
+RUN pip install --no-cache-dir -r requirements.txt
+COPY main.py .
+ENV MODEL_ID="yolov10x.pt" YOLO_CONFIG_DIR="/tmp/ultralytics"
+EXPOSE 8080
+CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8080"]

package/templates/yolo-detect/aiuby.toml

@@ -0,0 +1,21 @@
+# Detecção de objetos em GPU. Valide com: aiuby config validate
+name = "Detecção de objetos"
+slug = "deteccao-de-objetos"
+
+[config]
+runtime = "container"
+image = "REGISTRO/deteccao-de-objetos:1"
+port = 8080
+
+[config.hardware]
+provider = "gcp"
+cpu = 4
+memoryMb = 16384
+
+[config.hardware.gpu]
+sku = "gcp-cloudrun-l4"
+count = 1
+
+[config.scaling]
+minReplicas = 0
+maxReplicas = 1

package/templates/yolo-detect/main.py

@@ -0,0 +1,36 @@
+"""Detecção de objetos com YOLO (Ultralytics) exposta por HTTP: recebe uma imagem e devolve
+os objetos encontrados, com caixa e confiança."""
+import io
+import os
+
+from fastapi import FastAPI, File, HTTPException, UploadFile
+from PIL import Image
+from ultralytics import YOLO
+
+MODEL_ID = os.environ.get("MODEL_ID", "yolov10x.pt")
+LIMITE_BYTES = 10 * 1024 * 1024
+modelo = YOLO(MODEL_ID)
+
+app = FastAPI(title="deteccao-de-objetos")
+
+
+@app.get("/health")
+def health() -> dict[str, str]:
+    return {"status": "ok", "modelo": MODEL_ID}
+
+
+@app.post("/detectar")
+async def detectar(arquivo: UploadFile = File(...)) -> dict:
+    dados = await arquivo.read(LIMITE_BYTES + 1)
+    if len(dados) > LIMITE_BYTES:
+        raise HTTPException(status_code=413, detail="Imagem acima de 10 MB.")
+    try:
+        imagem = Image.open(io.BytesIO(dados)).convert("RGB")
+    except Exception as erro:  # arquivo que não é imagem
+        raise HTTPException(status_code=400, detail="O arquivo enviado não é uma imagem legível.") from erro
+    resultado = modelo(imagem, verbose=False)[0]
+    objetos = [
+        {"classe": resultado.names[int(caixa.cls)], "confianca": round(float(caixa.conf), 4), "caixa": [round(v, 1) for v in caixa.xyxy[0].tolist()]}
+        for caixa in resultado.boxes
+    ]
+    return {"objetos": objetos}

package/templates/yolo-detect/requirements.txt

@@ -0,0 +1,3 @@
+fastapi>=0.115
+uvicorn>=0.30
+python-multipart>=0.0.9