sajad-dev/Ai
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
64abf40be91d42bfbd874e6bf9b20793799e4219
Ai/APPS_URLS_AUDIT.md
T
sajad-dev 0f36f98513 UPDATE
2026-04-26 01:15:38 +03:30

20 KiB
Raw Blame History

گزارش کامل اپ‌ها، URLها و بررسی ضعف‌های پیاده‌سازی

خلاصه اجرایی

این مخزن یک پروژه Django با چند اپ API مستقل است. از نظر مسیرها، ساختار کلی مناسب است، اما چند نقطه مهم در پیاده‌سازی دیده می‌شود:

  • بعضی endpointها مستقیما mock یا stub هستند و خروجی واقعی تولید نمی‌کنند.
  • بعضی endpointها در صورت خطای LLM یا نبود سرویس بیرونی، خروجی fallback می‌دهند که واقعی است ولی کاملا مدل‌محور/تقریبی است.
  • چند ضعف ساختاری وجود دارد که می‌تواند باعث خروجی ناقص، 405 ناخواسته، یا داده ظاهرا واقعی اما غیرقابل اتکا شود.
  • بخش Weather و Plant هنوز به سرویس بیرونی واقعی کامل وصل نشده‌اند.
  • در چند بخش، محاسبات ساده‌سازی شده‌اند و برای KPI عملیاتی یا تصمیم‌گیری دقیق کشاورزی کافی نیستند.

URLهای اصلی پروژه

URLهای عمومی

Method URL توضیح
GET /admin/ پنل ادمین Django
GET /api/schema/ OpenAPI schema
GET /api/docs/ Swagger UI
GET /api/redoc/ ReDoc

App: RAG

Base: /api/rag/

Method URL توضیح
POST /api/rag/chat/ چت RAG به صورت stream

App: Farm Alerts

Base: /api/farm-alerts/

Method URL توضیح
POST /api/farm-alerts/tracker/ تحلیل tracker هشدارها
POST /api/farm-alerts/timeline/ ساخت timeline هشدارها

App: Location Data / Soil Data

Base: /api/soil-data/

Method URL توضیح
GET /api/soil-data/ واکشی داده خاک با lat و lon
POST /api/soil-data/ واکشی داده خاک با body
GET /api/soil-data/tasks/<task_id>/status/ وضعیت تسک خاک
POST /api/soil-data/ndvi-health/ کارت NDVI مزرعه

App: Soile

Base: /api/soile/

Method URL توضیح
POST /api/soile/anomaly-detection/ تحلیل ناهنجاری خاک
POST /api/soile/health-summary/ خلاصه سلامت خاک
POST /api/soile/moisture-heatmap/ heatmap رطوبت خاک

App: Farm Data

Base: /api/farm-data/

Method URL توضیح
POST /api/farm-data/ ایجاد/آپدیت داده مزرعه
GET /api/farm-data/<farm_uuid>/detail/ جزئیات تجمیعی مزرعه
POST /api/farm-data/parameters/ ایجاد/ویرایش پارامتر سنسور

App: Weather

Base: /api/weather/

Method URL توضیح
POST /api/weather/farm-card/ کارت وضعیت آب‌وهوا
POST /api/weather/water-need-prediction/ پیش‌بینی نیاز آبی 7 روز آینده

App: Economy

Base: /api/economy/

Method URL توضیح
POST /api/economy/overview/ نمای اقتصادی مزرعه

App: Plant

Base: /api/plants/

Method URL توضیح
GET /api/plants/ لیست گیاهان
POST /api/plants/ ایجاد گیاه
GET /api/plants/<pk>/ جزئیات گیاه
PUT /api/plants/<pk>/ ویرایش کامل گیاه
PATCH /api/plants/<pk>/ ویرایش جزئی گیاه
DELETE /api/plants/<pk>/ حذف گیاه
POST /api/plants/fetch-info/ دریافت اطلاعات گیاه از API بیرونی

App: Pest & Disease

Base: /api/pest-disease/

Method URL توضیح
POST /api/pest-disease/detect/ تشخیص آفت/بیماری از تصویر
POST /api/pest-disease/risk/ پیش‌بینی ریسک آفات و بیماری
POST /api/pest-disease/risk-summary/ خلاصه KPI ریسک آفات و بیماری

App: Irrigation

Base: /api/irrigation/

Method URL توضیح
GET /api/irrigation/ لیست روش‌های آبیاری
POST /api/irrigation/ ایجاد روش آبیاری
GET /api/irrigation/<pk>/ جزئیات روش آبیاری
POST /api/irrigation/recommend/ توصیه آبیاری
POST /api/irrigation/water-stress/ شاخص تنش آبی

نکته: در کد متدهای PUT/PATCH/DELETE برای روش آبیاری نوشته شده‌اند، اما به کلاس اشتباه وصل شده‌اند و عملا روی route جزئیات اعمال نمی‌شوند.

App: Fertilization

Base: /api/fertilization/

Method URL توضیح
POST /api/fertilization/recommend/ توصیه کودهی

App: Crop Simulation

Base: /api/crop-simulation/

Method URL توضیح
POST /api/crop-simulation/current-farm-chart/ نمودار شبیه‌سازی وضعیت فعلی مزرعه
POST /api/crop-simulation/harvest-prediction/ پیش‌بینی برداشت
POST /api/crop-simulation/yield-prediction/ پیش‌بینی عملکرد
POST /api/crop-simulation/growth/ شروع شبیه‌سازی رشد
GET /api/crop-simulation/growth/<task_id>/status/ وضعیت شبیه‌سازی رشد

خروجی‌های Mock / Stub / Sample قطعی

1) Economy کاملا mock است

  • سرویس EconomicOverviewService مستقیم source: "mock" برمی‌گرداند و همه داده‌ها ثابت هستند: economy/services.py:7
  • خود description ویو هم صراحتا می‌گوید فعلا mock است: economy/views.py:31
  • نتیجه: endpoint POST /api/economy/overview/ فعلا برای استفاده واقعی قابل اتکا نیست.

2) Plant Fetch Info هنوز پیاده‌سازی نشده

  • تابع اتصال بیرونی عملا None برمی‌گرداند: plant/services.py:10
  • endpoint هم در این حالت 503 می‌دهد: plant/views.py:292
  • نتیجه: POST /api/plants/fetch-info/ فعلا هیچ داده واقعی از سرویس خارجی نمی‌گیرد.

3) Weather داده نمونه seeded دارد

  • migration داده آب‌وهوای نمونه 7 روزه برای همه SoilLocationها می‌سازد: weather/migrations/0003_seed_weather_forecasts.py:1
  • نتیجه: در محیطی که migration اجرا شده باشد، بخشی از خروجی‌های Weather ممکن است از sample data بیایند نه API واقعی.

خروجی‌هایی که mock مستقیم نیستند ولی fallback / تقریبی می‌دهند

1) Weather API از نظر مستندات و رفتار واقعی کد ناهماهنگ است

  • داک‌استرینگ هنوز نوشته TODO: پیاده‌سازی اتصال واقعی به API: weather/services.py:23
  • اما خود تابع در عمل requests.get(...) می‌زند و response.json() برمی‌گرداند: weather/services.py:67
  • مسیر no_data در کد وجود دارد، ولی با پیاده‌سازی فعلی بیشتر یک branch دفاعی/قدیمی است تا رفتار اصلی: weather/services.py:149
  • در farm_data اگر نتیجه weather برابر no_data باشد، خطا محسوب نمی‌شود و فرایند ادامه پیدا می‌کند: farm_data/services.py:143
  • نتیجه: طراحی فعلی هنوز اجازه می‌دهد مزرعه بدون weather قابل اتکا ثبت/آپدیت شود، و این ابهام با وجود داده‌های seed شده شدیدتر می‌شود.

2) NDVI در نبود تنظیمات ماهواره‌ای خروجی unavailable می‌دهد

  • اگر SATELLITE_NDVI_ENDPOINT و SATELLITE_NDVI_API_KEY تنظیم نشده باشد، client عملا داده نمی‌آورد: location_data/remote_sensing.py:77
  • در این حالت کارت NDVI با vegetation_health_class = "Unavailable" و پیام نبود داده ماهواره‌ای برمی‌گردد: location_data/ndvi.py:33
  • نتیجه: POST /api/soil-data/ndvi-health/ ممکن است پاسخ موفق بدهد ولی داده واقعی NDVI نداشته باشد.

3) Farm Alerts در خطای LLM fallback می‌سازد

  • اگر LLM خطا بدهد، خروجی خالی برمی‌گردد: farm_alerts/services.py:353
  • سپس tracker و timeline از fallback داخلی ساخته می‌شوند: farm_alerts/services.py:376, farm_alerts/services.py:413
  • نتیجه: خروجی این endpointها همیشه ممکن است LLM-native نباشد و از هشدارهای ساختاریافته داخلی ساخته شده باشد.

4) Soil Anomaly در خطای LLM fallback تحلیلی می‌دهد

  • در exception خروجی fallback بازگردانده می‌شود: rag/services/soil_anomaly.py:181
  • حتی اگر JSON مدل نامعتبر باشد، fallback جایگزین می‌شود: rag/services/soil_anomaly.py:192
  • نتیجه: POST /api/soile/anomaly-detection/ ممکن است تحلیل واقعی مدل زبانی نباشد.

5) Pest & Disease detect/risk در خطای LLM fallback دارند

  • تشخیص تصویر در failure به fallback برمی‌گردد: rag/services/pest_disease.py:321
  • ریسک آفات/بیماری هم در failure به fallback برمی‌گردد: rag/services/pest_disease.py:388
  • نتیجه: پاسخ ممکن است ساختاری و معتبر باشد، اما برآمده از rule/fallback باشد نه inference کامل مدل.

6) Water Need Prediction insight در failure fallback می‌دهد

  • در خطای LLM fallback summary برمی‌گردد: rag/services/water_need_prediction.py:165
  • نتیجه: لایه insight توضیحی همیشه تضمین نمی‌کند که از مدل آمده باشد.

7) توصیه‌های آبیاری و کودهی merge با fallback می‌شوند

  • پاسخ آبیاری با fallback merge می‌شود: rag/services/irrigation.py:147
  • پاسخ کودهی هم با fallback merge می‌شود: rag/services/fertilization.py:130
  • نتیجه: حتی وقتی LLM جواب می‌دهد، بخش‌هایی از خروجی ممکن است از template/fallback آمده باشد.

8) Crop Simulation در failure از projection fallback استفاده می‌کند

  • اگر engine اصلی خطا بدهد، _run_projection_engine استفاده می‌شود: crop_simulation/growth_simulation.py:404
  • نتیجه: بعضی نتایج crop simulation ممکن است تقریبی باشند نه خروجی engine اصلی.

ضعف‌های مهم پیاده‌سازی

1) باگ واضح در route جزئیات Irrigation

  • route جزئیات به IrrigationMethodDetailView وصل است: irrigation/urls.py:12
  • اما متدهای put/patch/delete داخل WaterStressView تعریف شده‌اند، نه داخل IrrigationMethodDetailView: irrigation/views.py:231, irrigation/views.py:287, irrigation/views.py:326, irrigation/views.py:360
  • علاوه بر این، WaterStressView اصلا _get_method ندارد و این کد از نظر ساختاری اشتباه است.
  • اثر عملی: PUT/PATCH/DELETE /api/irrigation/<pk>/ به احتمال زیاد 405 Method Not Allowed می‌دهند و CRUD کامل عملا شکسته است.

2) محاسبه تنش آبی بیش از حد ساده‌سازی شده

  • فرمول فقط از soil_moisture استفاده می‌کند: irrigation/indicators.py:8
  • فرمول هم یک clamp ساده است: clamp(round(35 - (soil_moisture / 2)), 0, 100): irrigation/indicators.py:16
  • عوامل مهمی مثل ET0، نوع گیاه، مرحله رشد، ظرفیت مزرعه، بافت خاک، بارش، عمق ریشه و روند زمانی لحاظ نشده‌اند.
  • اثر عملی: POST /api/irrigation/water-stress/ برای KPI واقعی یا تصمیم آبیاری دقیق کافی نیست.

3) مرکز مزرعه با average ساده محاسبه می‌شود، نه centroid هندسی دقیق

  • مرکز boundary با میانگین نقاط محاسبه می‌شود: farm_data/services.py:100
  • برای polygonهای نامتقارن یا concave، این روش می‌تواند مرکز واقعی زمین را اشتباه بدهد.
  • اثر عملی: داده خاک و هوا ممکن است برای نقطه‌ای غیرواقعی از مزرعه واکشی شوند.

4) ادغام داده چند سنسور باعث overwrite خاموش می‌شود

  • در farm_data, متریک‌های همه sensorها flat می‌شوند و کلیدهای تکراری روی هم overwrite می‌شوند: farm_data/services.py:155
  • هیچ تفکیک زمانی/مکانی/اولویت‌بندی بین سنسورها وجود ندارد.
  • اثر عملی: در مزرعه چند سنسوره، resolved_metrics ممکن است فقط آخرین سنسور iterate شده را منعکس کند.

5) Weather card و Weather need کاملا وابسته به داده forecast موجود هستند

  • اگر forecast نباشد، card خروجی صفر/نامشخص می‌دهد: weather/farm_weather.py:42
  • build payload پیش‌بینی نیاز آبی هم در نبود forecast خروجی صفر می‌دهد: weather/water_need_prediction.py:19
  • اثر عملی: endpoint ممکن است 200 بدهد اما محتوای عملیاتی نداشته باشد.

6) NDVI بدون boundary واقعی از bbox پیش‌فرض استفاده می‌کند

  • اگر boundary وجود نداشته باشد، bbox کوچک پیش‌فرض تولید می‌شود: location_data/remote_sensing.py:57
  • اثر عملی: NDVI ممکن است برای محدوده تقریبی اطراف center محاسبه شود، نه مرز واقعی مزرعه.

7) Heatmap رطوبت خاک مدل مکانی ساده دارد

  • فقط latest measurement هر sensor استفاده می‌شود: soile/services.py:22, soile/services.py:32
  • درون‌یابی از نوع IDW ساده است: soile/services.py:46
  • history واقعی، drift سنسور، عدم قطعیت، zoning مزرعه یا depth-specific map در آن لحاظ نشده‌اند.
  • اثر عملی: heatmap برای visualization خوب است ولی برای تصمیم agronomy دقیق کافی نیست.

8) Pest/Disease Risk Summary یک heuristic ساده است

  • امتیاز بیماری و آفت از ترکیب چند فرمول ثابت ساخته می‌شود: pest_disease/services.py:39
  • وزن‌ها hard-coded هستند و مدل crop-specific یا region-specific ندارند.
  • اثر عملی: POST /api/pest-disease/risk-summary/ بیشتر KPI تقریبی است تا مدل پیش‌بینی دقیق.

9) توصیه‌های RAG در لایه نهایی deterministic merge می‌شوند

  • برای irrigation/fertilization، fallback همیشه ساختار نهایی را پر می‌کند: rag/services/irrigation.py:153, rag/services/fertilization.py:135
  • اثر عملی: خروجی از نظر UI پایدار است، اما تشخیص اینکه کدام بخش واقعا از LLM آمده سخت می‌شود.

10) Crop Simulation ممکن است از engine اصلی به projection تقریبی سقوط کند

  • fallback projection در خطا فعال می‌شود: crop_simulation/growth_simulation.py:404
  • اگر consumer فقط status 200 ببیند و simulation_warning را ignore کند، ممکن است خروجی تقریبی را واقعی فرض کند.

وضعیت هر اپ از نظر اتکا به داده واقعی

App وضعیت کلی توضیح
economy ضعیف کاملا mock
plant متوسط رو به ضعیف CRUD واقعی است، ولی fetch-info پیاده‌سازی نشده
weather متوسط ساختار خوب است، ولی API بیرونی/seed sample هنوز ریسک دارد
farm_data متوسط هسته aggregation خوب است، ولی center/merge چند سنسور ساده‌سازی شده
location_data متوسط SoilGrids واقعی است، NDVI وابسته به تنظیمات بیرونی است
soile متوسط داده واقعی دارد، اما مدل تحلیلی و interpolation ساده است
pest_disease متوسط fallback زیاد و بخش risk-summary heuristic است
farm_alerts متوسط خروجی قابل استفاده است، ولی در failure به fallback داخلی می‌رود
irrigation متوسط رو به ضعیف recommendation خوب، اما water-stress ساده و CRUD detail معیوب
fertilization متوسط recommendation موجود است ولی heavily fallback-assisted
rag متوسط کارکرد خوب، اما بخشی از خروجی‌ها merge/fallback هستند
crop_simulation متوسط ساختار خوب، ولی fallback projection باید شفاف‌تر expose شود

endpointهایی که فعلا نباید به عنوان «داده قطعی واقعی» در نظر گرفته شوند

  1. POST /api/economy/overview/
  2. POST /api/plants/fetch-info/
  3. POST /api/weather/farm-card/ در محیطی که forecast نمونه/seed شده باشد
  4. POST /api/weather/water-need-prediction/ وقتی forecast واقعی موجود نیست
  5. POST /api/soil-data/ndvi-health/ وقتی satellite config ست نشده
  6. POST /api/farm-alerts/tracker/ و POST /api/farm-alerts/timeline/ در failureهای LLM
  7. POST /api/soile/anomaly-detection/ در failureهای LLM
  8. POST /api/pest-disease/detect/ و POST /api/pest-disease/risk/ در fallback mode
  9. POST /api/irrigation/water-stress/ برای تصمیم agronomy دقیق
  10. endpointهای crop simulation وقتی simulation_warning نشان‌دهنده fallback engine باشد

اولویت اصلاح پیشنهادی

اولویت خیلی بالا

  1. اصلاح باگ PUT/PATCH/DELETE در irrigation/views.py
  2. حذف/mock-flag شفاف برای economy
  3. تکمیل واقعی plant/services.py
  4. شفاف‌سازی منبع forecast در weather (real / seeded / unavailable)

اولویت بالا

  1. جلوگیری از پذیرش silent no_data برای weather در بعضی flowهای حساس
  2. اصلاح aggregation چند سنسور در farm_data
  3. استفاده از centroid واقعی polygon به‌جای average ساده نقاط
  4. اضافه‌کردن source flag به خروجی‌های fallback در RAG/Farm Alerts/Pest Disease/Soil Anomaly

اولویت متوسط

  1. بهبود مدل water stress
  2. بهبود IDW/heatmap و استفاده از time-series
  3. بهبود risk-summary آفت/بیماری با crop profile و weather window دقیق‌تر
  4. اضافه‌کردن flag صریح برای crop-simulation fallback

فایل‌های کلیدی که این گزارش بر اساس آن‌ها ساخته شده

  • config/urls.py
  • rag/urls.py
  • farm_alerts/urls.py
  • location_data/urls.py
  • soile/urls.py
  • farm_data/urls.py
  • weather/urls.py
  • economy/urls.py
  • plant/urls.py
  • pest_disease/urls.py
  • irrigation/urls.py
  • fertilization/urls.py
  • crop_simulation/urls.py
  • economy/services.py:7
  • plant/services.py:10
  • weather/services.py:19
  • weather/migrations/0003_seed_weather_forecasts.py:1
  • farm_data/services.py:123
  • location_data/remote_sensing.py:75
  • location_data/ndvi.py:21
  • soile/services.py:98
  • pest_disease/services.py:25
  • irrigation/views.py:196
  • irrigation/indicators.py:8
  • rag/services/soil_anomaly.py:137
  • rag/services/pest_disease.py:350
  • rag/services/water_need_prediction.py:129
  • rag/services/irrigation.py:147
  • rag/services/fertilization.py:130
  • crop_simulation/growth_simulation.py:404
Reference in New Issue View Git Blame Copy Permalink