Sobre o projeto

ERP-CRM é um projeto que combina gestão empresarial clássica com um componente de inteligência artificial para a renderização 3D de produtos. De acordo com a sua documentação, a plataforma organiza-se em módulos de CRM (clientes, contatos e oportunidades de venda), inventário (estoque, produtos e armazéns), faturamento (faturas, proformas e gestão de impostos), projetos com tarefas associadas, render 3D e um módulo "digitalizador" orientado ao catálogo. Arquitetura: segue um esquema cliente-servidor com separação de responsabilidades. O frontend é uma aplicação JavaScript (HTML e CSS) que dá acesso aos diversos módulos; o backend é uma API em Python, com arquivos específicos para o motor de IA (ai_engine.py) e a lógica de renderização 3D (render_3d.py). A implantação apoia-se em Docker e Docker Compose, e o repositório inclui fluxos de trabalho de GitHub Actions juntamente com a configuração do Dependabot. Instalação: o README propõe duas vias. A local requer Node.js 18+ com npm, Python 3.10+ e pip; instalam-se as dependências de frontend e backend, copia-se .env.example para .env e iniciam-se separadamente o frontend (npm start) e o backend (python app.py). A alternativa com containers resume-se a docker-compose up --build. Variáveis de ambiente: o modelo inclui parâmetros de banco de dados (DB_HOST, DB_PORT, DB_NAME, DB_USER, DB_PASSWORD), credenciais do provedor de IA para a renderização (AI_API_KEY, AI_PROVIDER) e ajustes do servidor (PORT, FLASK_ENV, SECRET_KEY). O próprio README adverte que o arquivo .env não deve ser enviado ao repositório. Uso: acessa-se o frontend em http://localhost:3000 e a API fica disponível em http://localhost:5000, com portas configuráveis. Os renders 3D são gerados a partir do módulo Digitalizador, configurando os parâmetros do produto. Testes: são documentados npm test para o frontend e pytest para o backend, com execução automática em cada push e pull request através do GitHub Actions. A licença indicada é MIT. Escopo da documentação: o README descreve a arquitetura, os módulos e o processo de colocação em funcionamento, mas não detalha o modelo de dados, os endpoints concretos da API nem o funcionamento interno do motor de IA, do qual apenas se indica que depende de um provedor externo mediante chave de API. Para avaliar o estado real de cada módulo, convém revisar o código-fonte antes de planejar um uso em produção.