Add automated GitHub issues generation system for 4-week project structure

[Copilot]

Creates automation tooling to generate 16 structured GitHub issues across 4 weekly milestones for the FoodTrack-EC project, with 22 categorized labels and team assignments.

Core Components

• issues_data.json - Complete issue specification: 16 issues with detailed objectives, deliverables, task breakdowns (~7h each), acceptance criteria, and dependency mappings
• create_issues.py - GitHub API automation script with label/milestone/issue creation
• setup_issues.sh - Interactive setup wrapper with validation and prompts

Documentation

• QUICKSTART.md - 3-step setup guide
• ISSUES_SETUP.md - Complete reference with troubleshooting
• PROJECT_STRUCTURE.md - Architecture, timeline, and team role breakdown
• SETUP_CHECKLIST.md - 22-step verification workflow

Usage

Three execution modes:

# Interactive (recommended)
./setup_issues.sh

# Direct
export GITHUB_TOKEN='token'
python create_issues.py

# With .env
cp .env.example .env && source .env
python create_issues.py

Issue Structure

4 milestones, 4 team members, 4 weeks:

• Week 1: Foundations & datasets (Django, RAG, CV dataset, UI design)
• Week 2: Core models & integration (CV integration, analytics, fine-tuning, UI implementation)
• Week 3: Advanced features (optimization, SQL analytics, model deployment, UX polish)
• Week 4: Production & demo (deployment, testing, video demo, documentation)

Each issue includes objectives, deliverables checklist, macro tasks with time estimates, acceptance criteria, and dependency links.

Total: 112 hours structured work (16 × 7h), distributed as 28h per team member.

Notes

• Update create_issues.py:67 with actual GitHub usernames before running
• Requires repo scope token from https://github.com/settings/tokens
• Milestone dates default to Nov-Dec 2025, configurable in JSON

Original prompt

Genera issues SEMANALES de GitHub para el proyecto "FoodTrack EC" (4 semanas de duración).

Formato de Issue Semanal:

Título: [SEMANA X] Nombre - Entregable Principal de la Semana

Labels: semana-X, rol

Assignee: Nombre

Milestone: Semana X

Due Date: Viernes de esa semana

Descripción:

🎯 Objetivo de la Semana

[Qué debe lograr esta persona al final de la semana]

📦 Entregables

• Entregable 1
• Entregable 2
• Entregable 3
• Entregable 4

🔧 Tareas Macro

1. Tarea 1 (~2h)
2. Tarea 2 (~2h)
3. Tarea 3 (~2h)
4. Tarea 4 (~1h)

✅ Criterios de Aceptación

• Criterio medible 1
• Criterio medible 2
• Criterio medible 3

🔗 Dependencias

• Requiere: [issues previos]
• Bloquea: [issues siguientes]

⏱️ Tiempo Total: ~7 horas (1h/día)

---

EQUIPO Y ROLES

• Javier: Fullstack (React + Django) - Backend API + Frontend
• Mateo: Análisis de Datos - RAG + Dataset + Analytics
• Diego: Mecatrónica + Animaciones - Computer Vision + LLM Integration
• Adrián: Diseño + LLM - Prompts GPT-4 + UI/UX

---

📅 SEMANA 1: FUNDAMENTOS & DATASETS

Fecha: [DD/MM] - [DD/MM]
Milestone: Semana 1 - Fundamentos
Review: Viernes [DD/MM] 19:00

---

Issue #1

Título: [SEMANA 1] Javier - Backend Django + Frontend Base

Labels: semana-1, backend, frontend

Objetivo: Sistema Django funcionando con API REST y React app conectada

Entregables:

• Proyecto Django 5.0 con PostgreSQL funcionando
• Modelos: User, Meal, FoodNutrition creados y migrados
• API REST con DRF: 4 endpoints (register, login, GET/POST meals)
• Autenticación JWT implementada
• React app con Tailwind CSS conectada al backend
• Formulario de registro de comidas funcional
• Repositorio en GitHub con commits consistentes

Tareas Macro:

1. Setup Django + PostgreSQL (~1.5h)

   • Crear proyecto con apps: accounts, meals, nutrition, analytics
   • Configurar settings.py, requirements.txt
   • Primer commit en GitHub

2. Modelos y API (~2h)

   • Modelos Django con relaciones
   • Serializers y ViewSets con DRF
   • Endpoints: /api/auth/register, /api/auth/login, /api/meals

3. Frontend React (~2h)

   • Create React App + Tailwind
   • Login/Register components
   • MealForm con upload de imagen
   • Axios client configurado

4. Integración y Tests (~1.5h)

   • Conectar frontend con backend
   • CORS configurado
   • 3 tests unitarios básicos
   • Postman collection

Criterios de Aceptación:

• python manage.py runserver corre sin errores
• Usuario puede registrarse, loguearse y crear un meal desde frontend
• API retorna JSON correctamente
• Tests básicos pasan

Dependencias:

• Ninguna (inicio del proyecto)

---

Issue #2

Título: [SEMANA 1] Mateo - Dataset Nutricional + RAG System

Labels: semana-1, data, rag

Objetivo: Base de datos nutricional ecuatoriana y sistema RAG funcional

Entregables:

• Documento con 10 fuentes de datos priorizadas
• 50+ recetas ecuatorianas scrapeadas (JSON)
• CSV con 50 alimentos: nombre, región, calorías, proteínas, carbos, grasas, fibra, precio
• ChromaDB configurado y funcionando
• 50 documentos indexados con embeddings
• Función search_nutrition(query) operativa
• Función enrich_meal(food_name) que retorna datos nutricionales

Tareas Macro:

1. Research y Scraping (~2h)

   • Revisar fuentes: MSP, FAO, Laylita.com, RecetasEcuador
   • Script BeautifulSoup para scraping
   • Guardar recetas en data/raw/recipes.json

2. Dataset Nutricional (~2h)

   • Crear ecuadorian_foods.csv con 50 alimentos
   • Completar con datos de FAO/USDA
   • Validación de datos (rangos, outliers)
   • Documentar fuentes

3. RAG System (~2.5h)

   • Instalar ChromaDB + OpenAI
   • Crear colección "nutrition_db"
   • Generar embeddings de recetas + info nutricional
   • Implementar búsqueda semántica

4. Testing y Docs (~0.5h)

   • 10 queries de prueba
   • Validar relevancia de resultados
   • README_RAG.md

Criterios de Aceptación:

• CSV tiene 50 filas sin valores nulos críticos
• RAG retorna top-5 resultados relevantes en <2s
• Script de enriquecimiento funciona con ejemplos: "hornado", "encebollado"

Dependencias:

• Ninguna

---

Issue #3

Título: [SEMANA 1] Diego - Computer Vision Dataset + GPT Integration

Labels: semana-1, ml, llm

Objetivo: Dataset de imágenes de comida ecuatoriana e integración básica con GPT-4

Entregables:

• 300+ imágenes de comida ecuatoriana scrapeadas y organizadas
• Imágenes etiquetadas por plato (mínimo 20 categorías)
• Dataset dividido: 70% train, 15% val, 15% test
• Script de preprocesamiento con OpenCV
• Notebook de Google Colab preparado para entrenamiento
• Función call_gpt4(prompt) operativa
• GPT-4 generando análisis de una comida (demo)
• Lista de 30 platos ecuatorianos validados por región

Tareas Macro:

1. **Scraping de I...

---

✨ Let Copilot coding agent set things up for you — coding agent works faster and does higher quality work when set up for your repo.

[Jmuniz27]

@copilot Que pasa si ya cree los issues pero me salio error 1 persona (fue por el usr name incorrecto) si vuelvo a ejcutar si duplican los issues de los demas?

[Copilot]

@copilot Que pasa si ya cree los issues pero me salio error 1 persona (fue por el usr name incorrecto) si vuelvo a ejcutar si duplican los issues de los demas?

Sí, si vuelves a ejecutar el script, se duplicarán los issues. El script actualmente no verifica si los issues ya existen antes de crearlos.

Solución recomendada:

1. Corregir el username en create_issues.py línea 79-82
2. Asignar manualmente el issue a la persona desde GitHub:
   • Ve al issue creado
   • Click en "Assignees" en el panel derecho
   • Selecciona el usuario correcto

Alternativa (si quieres empezar de nuevo):

1. Elimina todos los issues desde GitHub UI
2. Elimina los milestones
3. Corrige los usernames en create_issues.py
4. Re-ejecuta el script

Los labels no se duplican (el script detecta si existen), pero los issues y milestones sí se crearían nuevamente.