🥗 NutriAI
App experimental de análise nutricional com OpenAI Apps SDK---
🤖 Integração com ChatGPT Apps SDK
O NutriAI implementa o protocolo MCP (Model Context Protocol) e está pronto para ser usado como um conector personalizado no ChatGPT!
Como conectar ao ChatGPT:
- Acesse: ChatGPT Settings → Connectors
- Clique em: "New Connector"
- Configure:
- Name:
NutriAI - Description:
Analisa alimentos descritos em texto e retorna tabela nutricional completa - MCP Server URL:
https://nutriai-mcp-server.onrender.com - Authentication:
No authentication
- Name:
- Marque: "I trust this application" ✓
- Clique: "Create"
Como usar no ChatGPT:
Após conectar, você pode usar comandos como:
- "Analise uma banana prata de 86g"
- "Quantas calorias tem uma tapioca com queijo?"
- "Me dê informações nutricionais de um pão francês com manteiga"
O ChatGPT automaticamente descobrirá e usará sua ferramenta NutriAI! 🎉
🧠 Como funciona
Fluxo de funcionamento:
- ChatGPT Apps SDK → Detecta intenção nutricional do usuário
- Protocolo MCP → Chama a tool
analyze_foodvia JSON-RPC 2.0 - NutriAI Server → Processa descrição do alimento
- OpenAI API → Gera estimativa nutricional usando GPT-4o-mini
- ChatGPT → Exibe resultado formatado com insights personalizados
Arquitetura técnica:
- Frontend: React com Vite (para desenvolvimento local)
- Backend: FastAPI com protocolo MCP + rate limiting + monitoramento de custos
- IA: OpenAI GPT-4o-mini com JSON mode para consistência
- Deploy: Render.com com HTTPS automático
- Segurança: CORS restrito + API keys opcionais + rate limitingenAI Apps SDK](https://img.shields.io/badge/OpenAI-Apps%20SDK-412991)](https://developers.openai.com/apps-sdk)
🌱 Visão geral
O NutriAI é um aplicativo educacional que analisa descrições de alimentos e retorna estimativas nutricionais (calorias, macronutrientes e insights simples).
Ele segue as Design Guidelines do OpenAI Apps SDK e usa um MCP Server em Python para orquestrar chamadas à API da OpenAI.
⚠️ Este projeto é experimental e não substitui orientação médica ou nutricional.
🧩 Arquitetura
NutriAI/ ├── app-ui/ # Front-end React (Apps SDK) │ └── layout/ │ └── NutritionTable.tsx ├── mcp-server/ # Servidor MCP em Python/FastAPI │ └── analyze_food/ │ └── schema.json └── docs/ ├── Design-Guidelines.md └── privacy.md
⚙️ Instalação e execução local
1️⃣ Clonar o repositório
git clone https://github.com/frotoadriano/NutriAI.git
cd NutriAI
2️⃣ Backend (MCP Server em Python)
cd mcp-server
python3 -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txt
# Crie um arquivo .env com:
# OPENAI_API_KEY=seu_token_aqui
uvicorn main:app --reload
3️⃣ Frontend (React App)
cd app-ui
npm install
npm run dev
## 🛠️ Problema de compatibilidade: OpenAI SDK & httpx
Se você encontrar o erro:
TypeError: Client.init() got an unexpected keyword argument 'proxies'
ao rodar o backend, isso ocorre por incompatibilidade entre versões do pacote `httpx` e o SDK oficial da OpenAI (`openai`).
**Solução:**
Certifique-se de usar a versão exata `httpx==0.27.2` no arquivo `requirements.txt`. Essa versão garante compatibilidade total com o SDK OpenAI (testado com `openai>=1.50.0`).
**Referência:**
O NutriAI utiliza o [OpenAI Python SDK](https://github.com/openai/openai-python) para integração com a API OpenAI. Sempre confira as versões recomendadas na documentação oficial.
```txt
# Exemplo de trecho do requirements.txt
openai==1.51.2
httpx==0.27.2
Se precisar atualizar dependências, sempre rode:
pip install --upgrade pip
pip install -r requirements.txt
🧠 Como funciona
O usuário descreve um alimento (ex.: “tapioca com queijo”).
O MCP Server envia a descrição para a API da OpenAI.
O modelo gera uma tabela nutricional e insights.
O front-end exibe os dados no formato nativo do ChatGPT Apps SDK.
🎨 Design e UX
Interface leve e responsiva.
Tons neutros e leitura fácil.
Frases curtas e empáticas (“Aqui está a estimativa para sua tapioca.”).
Mensagens de erro claras e educativas.
Mais detalhes em docs/Design-Guidelines.md .
🔒 Privacidade
O NutriAI não coleta informações pessoais. Veja a política de privacidade completa .
�️ Proteções e Monitoramento
Segurança implementada:
- ✅ Rate Limiting: 5 req/min para MCP tools, 10 req/min para API REST
- ✅ CORS restrito: Apenas ChatGPT e origens autorizadas
- ✅ API Keys opcionais: Configure via variáveis de ambiente no Render
- ✅ Monitoramento de custos: Logs mostram gasto por requisição (~$0.0003 por análise)
- ✅ Health checks: Endpoint
/healthpara monitoramento
Configuração no Render.com:
# Variáveis de ambiente recomendadas
OPENAI_API_KEY=sua_chave_openai
API_KEYS=chave_secreta_1,chave_secreta_2 # Opcional mas recomendado
ALLOWED_ORIGINS=https://chat.openai.com,https://chatgpt.com
�📚 Roadmap
- ✅ Design Guidelines
- ✅ Schema JSON (MCP Server)
- ✅ Protocolo MCP compatível com ChatGPT Apps SDK
- ✅ Integração OpenAI API
- ✅ Deploy em produção (Render.com)
- ✅ Rate limiting e proteções de segurança
- 🔄 Validação por imagem (versão futura)
- 🔄 Comparação entre alimentos
- 🔄 Histórico pessoal de análises
- 🔄 Integração com bases de dados nutricionais (USDA)
🤝 Contribuição
Contribuições são bem-vindas!
Faça um fork.
Crie um branch: git checkout -b feature/nova-funcionalidade.
Commit → Push → Pull Request.
🪪 Licença
Distribuído sob licença MIT. Veja o arquivo LICENSE para mais informações.
🧑💻 Autor
Adriano Frota – LinkedIn | GitHub
Como testar end-to-end
Backend cd mcp-server python -m venv venv venv\Scripts\activate.bat python.exe -m pip install --upgrade pip
pip install -r requirements.txt cp .env.example .env # coloque sua OPENAI_API_KEY uvicorn main:app --reload
Frontend cd app-ui cp .env.example .env # VITE_API_BASE=http://localhost:8000 npm i npm run dev