Aplicación web para generar diagramas UML automáticamente desde repositorios locales o tomando una url de GitHub. La idea es jugar con los prompts y testear con diferentes Apis de LLM como Gemini o Claude. El backend donde se modifica la logica de la generación es una aws lambda y se utiliza el framework SAM de AWS.
⭐Si queres aprender a desplegar aws lambda y sus dependencias este proyecto te puede ser de utilidad.
⭐Una vez generador la codificacion de UML se puede modificar el diagrama en su herramienta correspondiente.
Frontend (HTML/JS) → AWS Lambda → Análisis de Código con LLM via API → Diagrama UML
GenAI-Diagrams/
├── backend/ # Backend Python
│ ├── src/
│ │ ├── llm/ # Integración con LLMs
│ │ ├── services/ # Servicios de negocio
│ │ ├── handlers/ # Lambda handlers
│ └── tests/ # Pruebas unitarias
├── frontend/ # Frontend web (próximo)
├── layers/ # Lambda layers
│ └── dependencies/ # Dependencias Python
├── scripts/ # Scripts de deployment
├── samconfig.toml # Necesario para despligue de template-prod.yaml
├── template.yaml # SAM template para test en local (no en aws)
├── template-prod.yaml # SAM template para despliegue en aws
└── README.md
- Python 3.12+
- AWS CLI configurado
- SAM CLI instalado
- Docker Desktop
- Git
-
Clonar repositorio:
-
Instalar dependencias del backend:
cd backend python -m venv backend_env backend_env\Scripts\activate # Windows pip install -r requirements.txt
-
Iniciar servidor local: Importante! tener dockerDesktop ejecutando. Reemplazar [TuApikey] por tu apikey de Gemini. El modelo que funciona un 80% correcto es gemini-2.5-flash. Notar que template.yaml de SAM es para Desarrollo, pruebas no es para desplegar en AWS. En el directorio raiz:
sam build --template template.yaml sam local start-api --template template.yaml --port 3000 --parameter-overrides GoogleApiKey=[TuApikey] GeminiModelName=gemini-2.5-flash -
Ejecutar tests: Hay un test manual: pruebaGemini.py para probar gemini con tus apikey que no está incluida aqui. Se debe ejectar manual.
cd backend python -m pytest tests/test_github_service.py tests/test_main_handler.py -v
cd frontend && python -m http.server 8080🤓 Listo para probar todo local desde la appweb!!
Genera diagrama UML desde repositorio GitHub.
Request:
{
"repo_url": "https://github.com/user/repo",
"diagram_type": "class",
"output_format": "plantuml",
"filters": {
"max_files": 50
}
}Response:
{
"diagram_code": "@startuml\nclass User {\n}\n@enduml",
"format": "plantuml",
"metadata": {
"files_analyzed": 15,
"elements_found": 8
},
"success": true
}- class - Diagrama de clases
- sequence - Diagrama de secuencia
- component - Diagrama de componentes
- activity - Diagrama de actividad
- usecase - Diagrama de casos de uso
- deployment - Diagrama de despliegue
- state - Diagrama de estados
- plantuml - Código PlantUML
- mermaid - Código Mermaid (Con el modelo Gemini 2.5 Flash no los genera correctamente ❗)
- drawio - XML de Draw.io
Puedes probar cualquier curl y vas a notar que genera un diagram.json. El texto del diagrama segun formato que le pidas con con escape sequences (\n, ). Necesitas decodificarlo! Ejemplo para drawio:
En PowerShell:
$json = Get-Content diagram.json | ConvertFrom-Json $json.diagram_code | Out-File -Encoding UTF8 diagram.drawio
En Python:
python -c "import json; data=json.load(open('diagram.json')); open('diagram.drawio', 'w', encoding='utf-8').write(data['diagram_code'])"
En Git Bash (si tienes jq):
jq -r '.diagram_code' diagram.json > diagram.drawio
cd backend
python -m pytest tests/ -vGOOGLE_API_KEY- API key de Google GeminiGEMINI_MODEL_NAME-PYTHONPATH- /opt/python:/var/runtime:/var/task
- Validar siempre si el template es valido antes de deployar en aws
sam validate --template template-prod.yaml --lint- Conviene crear un bucket S3 antes de hacer el deploy:
aws s3api create-bucket --bucket <NOMBRE_DEL_BUCKET> --region <REGION>- Construir el layer y verificar que no supere los 250mb (es el maximo de Lambda). Es importante revisar .samignore para que no agregué archivos imnecesarios al build. Para esto necesitas tener ejecutando DockerDesktop.
sam build --use-containertamaño layer?
# Tamaño del zip del Layer
ls -lh .aws-sam/build/DependenciesLayer/
# O el tamaño total
du -sh .aws-sam/build/DependenciesLayer/
- Deploy propiamente dicho El parameter overrides es opcional.
sam deploy --s3-bucket=[tunombrebucket] --parameter-overrides GoogleApiKey=xxx- Para probar la conexion a la lambda desplegada que hace las veces de Api, debes tomar la url del ouput del despliegue en aws o bien ingresar a la consola de aws y verificar:
- En la carpeta frontend/js modificar con la url obtenida en config.js en "BASE_URL"
Puedes utilizar algun hosting gratuito para simular produccion como Netlify --> con solo subir el directorio frontend
Este delete tal cual toma lo configurado en .toml que es template o stack desplegado en aws.
sam delete --no-execute-changeset
sam deleteEliminar bucket de S3
aws s3 rb s3://<nombre-del-bucket> --forceEliminar cloudwatch de las ejecuciones. Es importante saber que los grupos de logs de cloudwatch no se eliminan con sam delete.
aws logs describe-log-groups --log-group-name-prefix /aws/lambda/uml-diagram-generator
aws logs delete-log-group --log-group-name /aws/lambda/uml-diagram-generatorSi queremos modificar los prompts en ..backend/src/prompts.py tener en cuenta que se espera que llm devueva un json con estos dos campos. Hay un prompt por cada diagrama. { "metadata": "Explicación detallada en español para estudiantes", "codigoUML": "código {format_diagram} aquí" }
- Integración con más LLMs
- Soporte para más lenguajes de programación
- Mejoras en la interfaz frontend
- Seguridad en las apikey y login en la app
🤓 Algo de kiroDev, claude y codigo picado por @reinalau
Este proyecto está bajo la Licencia MIT - ver el archivo LICENSE para más detalles.