igor-millis~/work/fittrack-ai
EN/PT
← todos os projetos · ia local · nutrição e saúde

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.

PythonStreamlitSQLitePydanticOllamapandasPlotlypytest
591
alimentos da TACO importados
0
números escritos pela IA
137
testes automatizados passando
100%
local · funciona offline
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
01 · problema

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.

Aviso. Calorias de tabela e gasto energético por equação são estimativas populacionais. O app não faz diagnóstico e não substitui nutricionista ou médico.
02 · arquitetura

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.

03 · interpretação

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.

MensagemLLM devolveuDepois do aterramento
“comi arroz e 2 ovos e corri 5 km”arroz 150 g · ovos 2 · banana 1 · corrida 30 min, 5 kmarroz (quantidade?) · ovos 2 · corrida (duração?), 5 km
04 · base nutricional

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.

UnidadeRegra
g, kg, mgdireta
ml, lsó com densidade conhecida do alimento
unidade, fatia, concha, pote…só com medida caseira cadastrada para aquele alimento (exibida no rascunho)
qualquer outro casoo 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.

05 · gasto energético

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.

06 · análise

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.

07 · o app

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.

Dashboard: consumo do dia, gasto estimado, saldo, macros e tendências do período.
fig. 1 — Dashboard: consumo do dia, gasto estimado, saldo, macros e tendências do período.
Assistente: a mensagem vira um rascunho editável, com o alimento da TACO, os gramas e os nutrientes; nada é salvo sem confirmar.
fig. 2 — Assistente: a mensagem vira um rascunho editável, com o alimento da TACO, os gramas e os nutrientes; nada é salvo sem confirmar.
Peso: pesagens, média móvel de 7 dias e a comparação entre a tendência observada e a esperada pelo saldo.
fig. 3 — Peso: pesagens, média móvel de 7 dias e a comparação entre a tendência observada e a esperada pelo saldo.
Relatórios: indicadores do período, comparativo semanal e macronutrientes por dia.
fig. 4 — Relatórios: indicadores do período, comparativo semanal e macronutrientes por dia.
08 · confiabilidade

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