Nutrimetry — proyecto personal, en producción

Registro nutricional con precisión de laboratorio.

Una PWA que uso a diario: 108 micronutrientes, objetivos por fases, búsqueda semántica y análisis con IA. Construida de punta a punta — producto, datos, diseño e infraestructura — por una sola persona.

Ver la app en vivo Leer el código

Diseñada y construida por Bryan Rodríguez Abarca.

Hoy · 16 jul En objetivo

1,842 / 2,100 kcal

Proteína132 / 150 g

Carbohidratos178 / 220 g

Grasa58 / 70 g

Sodio · 1,240 mg ⚠ bajo 1,500 mg

Modelo de datos real de la interfaz — el piso de seguridad nunca se apaga.

108micronutrientes

99tests automatizados

17migraciones SQL

4.5:1contraste mínimo

2usuarios reales diarios

Decisiones, no solo features

Cada trade-off se resuelve a favor de la exactitud de los datos. Estas son las decisiones que dieron forma al sistema.

Integridad de datos

La exactitud gana todo trade-off

Todo se almacena por 100 g y se calcula en vistas SQL al leer — los valores nunca se copian entre tablas. El dato dudoso se marca ⚠, nunca se guarda en silencio.

El kcal declarado se contrasta con los factores de Atwater (4/4/9, fibra a 2 kcal/g): una diferencia mayor al 25% exige revisión antes de guardar.

etiqueta · OFF · USDA · IA→ normalizado a 100 g→ vista SQL al leer

Plátano	almacenado	registro: 150 g
kcal	89	134
proteína	1.1 g	1.7 g
potasio	358 mg	537 mg
fibra	2.6 g	3.9 g

⚠ 89 kcal declaradas · 132 según Atwater — requiere revisión

Una corrección al alimento arregla todo el historial — la vista escala, no copia.

Búsqueda

Búsqueda semántica del catálogo

Recuperación híbrida: la coincidencia exacta responde primero; si se queda corta, pgvector completa con similitud coseno sobre embeddings de 768 dims generados al guardar cada alimento.

La misma infraestructura alimenta «Pregúntale a tu bitácora»: un pipeline RAG de 3 pasos que responde citando solo datos realmente registrados.

match_foods('yogurt')

alimento	coseno
Yogur griego natural	0.21	✓
Yogur bebible fresa	0.28	✓
Queso cottage	0.47	✓
Leche entera	0.68	✗ > 0.65

Las variantes de escritura y los sinónimos dejan de romper la búsqueda — los embeddings los absorben; el tope de distancia deja el ruido fuera.

Seguridad

Privacidad por diseño

Row Level Security aísla a cada usuario dentro de Postgres: el filtro vive en la base de datos, no en la UI. Ninguna secret key viaja al cliente.

El repo es público con cero credenciales en el historial — el diseño asume que cualquiera puede leer el código.

create policy foods_select
  on nutri.foods for select
  using (owner = auth.uid());

sesión: usuario A Yogur griego Avena Café de olla

filas del usuario B ████████████ ██████████ █████████████

Postgres ni siquiera devuelve las filas del otro usuario — no es un filtro de UI que un bug pueda saltarse.

Un stack deliberadamente pequeño

~42 archivos fuente, cero TypeScript, sin librería de estado. La contención es un feature: cada dependencia debe justificarse en una línea.

React PWAVite · Tailwind · Recharts · offline · es/en

supabase-js · RLS por fila

Postgres · Supabasevistas SQL · pgvector · Auth · Storage

Foto o etiquetacompresión canvas → 1024 px

response_schema JSON

Cascada IAGemini 3.5 → 2.5 → Mistral

Clientes MCPClaude · ChatGPT · Perplexity…

MCP · OAuth

La misma bitácora8 tools: registrar, buscar, auditar

git push mainGitHub Actions: lint · 99 tests · build

CI verde = deploy

Vercelproducción — sin staging, verificado en local

ReactSupabase · Postgres + RLSpgvectorTailwindRechartsVite PWAGemini + MistralMCPGitHub ActionsVercel

Detrás del proyecto

nutri. es un proyecto personal — datos precisos, interfaces honestas y entrega de punta a punta: del esquema SQL al pixel.

Ver portafolio GitHub