FitTrack AI
Um diário de alimentação, treinos e peso em que você conversa em português e recebe números calculados a partir de uma tabela nutricional oficial — tudo no seu computador, com a IA restrita a entender o texto.
- entrada
- chat em português · regras offline + Ollama opcional
- dados
- TACO 4ª ed. (NEPA/UNICAMP) · extraída do PDF oficial
- cálculo
- Mifflin-St Jeor · METs do Compêndio · Python determinístico
- armazenamento
- SQLite local · migrations · auditoria · backup · CSV
- interface
- Streamlit · 7 páginas · 8 gráficos com filtros de período
- status
- roda localmente (Windows: iniciar.bat) · sem versão online
- repositório
- github.com/Igor-Millis/fittrack-ai ↗
LLMs entendem texto — e inventam números
Pedir a um chatbot “quantas calorias tem meu almoço?” funciona surpreendentemente bem — até não funcionar. O modelo pode estimar 180 g de frango como 250 kcal num dia e 330 no outro, “lembrar” um valor que não está em tabela nenhuma, ou dizer que registrou algo que não registrou. Para um diário que vai somar meses de dados, isso é inaceitável.
A regra do projeto: a IA só traduz texto em estrutura; todo número vem de código determinístico e de dados com fonte. E nada é gravado sem a sua confirmação.
Do texto ao banco, com um rascunho no meio
mensagem ─► interpretação (regras PT-BR ou Ollama opcional)
─► JSON validado (Pydantic) ─► "aterramento" no texto original
─► busca na TACO + conversão de unidades + METs (Python)
─► RASCUNHO editável ─► confirmação explícita ─► SQLite
perguntas ─► motor analítico (pandas sobre o banco) ─► resposta por template
Perguntas como “quanto ainda posso comer hoje?”, “compare esta semana com a anterior” ou “quais dias fiquei acima da meta?” são mapeadas para consultas do motor analítico e respondidas por template. O LLM não redige números — então o número na frase é, por construção, o número do banco.
Dois interpretadores, um contrato
Um interpretador por regras em português (números por extenso, “meio pão”, “1h20”, “ritmo 5:30/km”, datas como “ontem” e “12/11”) funciona offline e sem modelo nenhum. O Ollama, quando ligado, recebe a mesma mensagem e precisa devolver JSON no mesmo esquema, com saída estruturada e temperatura 0.
Depois vem o aterramento: cada quantidade, duração ou peso que o LLM devolveu precisa aparecer na mensagem (diretamente ou por conversão óbvia, como 1 h → 60 min). Se não aparecer, é apagado; alimentos que não estão no texto são removidos; o que faltar é completado pelas regras ou perguntado.
| Mensagem | LLM devolveu | Depois do aterramento |
|---|---|---|
| “comi arroz e 2 ovos e corri 5 km” | arroz 150 g · ovos 2 · banana 1 · corrida 30 min, 5 km | arroz (quantidade?) · ovos 2 · corrida (duração?), 5 km |
TACO extraída do PDF oficial, unidades sem chute
A fonte é a TACO 4ª edição (NEPA/UNICAMP, 2011), cuja publicação permite reprodução citando a fonte. O extrator lê as palavras do PDF com suas posições e atribui cada número à coluna mais próxima — necessário porque células vazias não aparecem no texto. Resultado: 597 linhas conferidas pela coerência de Atwater (4/4/9 kcal/g); 6 itens que a própria TACO marca como não analisados (incluindo o leite de vaca integral) não são importados — o app pede o rótulo em vez de inventar.
| Unidade | Regra |
|---|---|
| g, kg, mg | direta |
| ml, l | só com densidade conhecida do alimento |
| unidade, fatia, concha, pote… | só com medida caseira cadastrada para aquele alimento (exibida no rascunho) |
| qualquer outro caso | o assistente pergunta os gramas |
Quando o nome é ambíguo (“leite” casa com leite de coco, de cabra, condensado…), o app mostra as opções em vez de escolher por você.
Sem contar o treino duas vezes
A taxa metabólica basal vem de Mifflin-St Jeor. O erro clássico é somar o gasto bruto do treino a um gasto diário que já inclui o repouso: uma hora a 5 METs para 80 kg “gasta” 400 kcal brutas, mas 80 delas você gastaria parado.
gasto do dia = TMB × fator sedentário + Σ (MET − 1) × peso × horas
linha de base só o gasto LÍQUIDO do treino
Há um método alternativo (TMB × fator do nível de atividade, sem somar treinos). Em corrida, caminhada e ciclismo com distância e tempo, o MET é interpolado pela velocidade.
Dia sem registro não é dia de déficit
Se você esqueceu de anotar a comida de terça, um cálculo ingênuo vê consumo 0 e um “déficit” de 2.000 kcal que contamina médias e saldo acumulado. Aqui, dias sem alimentação registrada não têm saldo e ficam fora das médias.
No peso, o app mostra média móvel de 7 dias e tendência por regressão, e compara o observado com o esperado pelo saldo. Com dados suficientes (≥ 8 pesagens em ≥ 14 dias e ≥ 10 dias registrados), estima o gasto implícito pela tendência real e avisa se a estimativa do app parece alta ou baixa.
Sete páginas, tudo local
Dashboard com 8 gráficos e filtros de período, assistente de chat, páginas de alimentação (com cadastro manual e importação de CSV), exercícios, peso, relatórios e configurações. As capturas abaixo usam 30 dias de dados simulados, gerados pelo próprio chat.




Dados, testes e limites
- Os dados são seus: SQLite local com migrations versionadas, chaves estrangeiras e restrições de faixa; retrato dos nutrientes em cada item; proteção contra duplicação; histórico de alterações; backup automático, restauração e exportação CSV; logs sem o conteúdo das mensagens.
- 137 testes: unidades, cálculos, ausência de dupla contagem, médias móveis, persistência, duplicação, ambiguidade, perguntas históricas conferidas contra valores conhecidos, aterramento da saída do LLM, renderização de todas as páginas e dois testes com Ollama real. Eles acharam bugs de verdade — “almocei arroz” virando “rroz”, “bike ergométrica” classificada como ciclismo, uma data futura movida em silêncio para o ano anterior.
- Limites: tudo é estimativa (TACO, METs, equação de TMB); a TACO não tem whey nem leite integral líquido; as medidas caseiras padrão são aproximadas; ainda não há registro por foto nem leitura de rótulos.
git clone https://github.com/Igor-Millis/fittrack-ai cd fittrack-ai iniciar.bat # Windows; ou: pip install -r requirements.txt && streamlit run app/main.py ollama pull qwen2.5:3b # opcional: IA local