PsicoScan ML tiene dos componentes que se despliegan de forma independiente:
- Frontend (Next.js) → Vercel
- API de clasificación ML (FastAPI) → Railway o Render
Antes de desplegar, asegúrate de tener una base de datos PostgreSQL en producción (Supabase o Neon) y su DATABASE_URL lista. Las migraciones se ejecutan automáticamente durante el build del frontend.
Frontend — Vercel
API ML — Railway
API ML — Render
Conectar el repositorio
Importa el repositorio desde el dashboard de Vercel. Selecciona el repositorio PsicoScanML-Sistema y elige Next.js como framework (Vercel lo detecta automáticamente). Configurar el build
Vercel usará el comando definido en package.json:prisma migrate deploy && prisma generate && next build
scripts.build.El archivo vercel.json en la raíz configura un tiempo máximo de ejecución de 30 segundos para todas las funciones serverless bajo app/**:{
"functions": {
"app/**": {
"maxDuration": 30
}
}
}
Configurar variables de entorno
En el dashboard de Vercel, abre tu proyecto → Settings → Environment Variables y agrega:| Variable | Entorno | Valor |
|---|
DATABASE_URL | Production, Preview | Cadena de conexión PostgreSQL de Supabase/Neon |
NEXTAUTH_SECRET | Production, Preview | Cadena aleatoria (openssl rand -base64 32) |
NEXTAUTH_URL | Production | URL canónica de tu despliegue, ej. https://psicoscan.vercel.app |
Desplegar
Haz push a la rama principal (main) o usa la CLI:Vercel ejecutará el build, aplicará las migraciones y publicará la aplicación. Crear un nuevo servicio
En el dashboard de Railway, crea un nuevo proyecto y selecciona Deploy from GitHub repo. Apunta al repositorio y configura el Root Directory como ml-api. Revisar la configuración de Railway
El archivo ml-api/railway.toml define el build y start automáticamente:[build]
builder = "nixpacks"
buildCommand = "pip install -r requirements.txt"
[deploy]
startCommand = "uvicorn main:app --host 0.0.0.0 --port $PORT"
healthcheckPath = "/health"
healthcheckTimeout = 30
restartPolicyType = "on_failure"
GET /health para verificar que la API está activa. Configurar variables de entorno
En Railway: Variables del servicio ML, agrega:| Variable | Valor |
|---|
ALLOWED_ORIGINS | URL de tu despliegue en Vercel, ej. https://psicoscan.vercel.app |
https://psicoscan.vercel.app,https://psicoscan-preview.vercel.app
Desplegar
Haz push a la rama principal o usa el botón Deploy en Railway. El healthcheck en /health confirmará que la API responde antes de marcarla como activa.
Crear un Web Service
En render.com, crea un nuevo Web Service. Conecta el repositorio y establece:
- Root Directory:
ml-api
- Runtime: Python 3
- Build Command:
pip install -r requirements.txt
Configurar el start command
Render usará el Procfile ubicado en ml-api/:web: uvicorn main:app --host 0.0.0.0 --port $PORT
uvicorn main:app --host 0.0.0.0 --port $PORT
Configurar variables de entorno
En Environment del servicio, agrega:| Variable | Valor |
|---|
ALLOWED_ORIGINS | URL de tu despliegue en Vercel, ej. https://psicoscan.vercel.app |
Desplegar
Haz clic en Create Web Service. Render ejecutará el build e iniciará el servidor.
Verificar el despliegue
Una vez que ambos servicios estén activos, verifica que la API responde correctamente:
curl https://tu-ml-api.railway.app/health
