AI-ассистент для автоматизации подсчёта КБЖУ

Клиент обратился с запросом на создание интеллектуального помощника, который бы автоматизировал рутинные процессы ведения дневника питания. Основная проблема - необходимость вручную взвешивать продукты, искать калорийность в справочниках и заносить данные в трекеры. Этот процесс отнимает до 30–40 минут в день и становится особенно сложным при посещении общепита, где точный состав блюд неизвестен.

Цель проекта — разработать персонального ассистента, способного распознавать блюда по фотографиям, рассчитывать энергетическую ценность (калории, белки, жиры, углеводы — КБЖУ) и вести структурированный дневник питания.

Команда Флексайтс спроектировала и внедрила AI-ассистента с тремя функциональными блоками:

Блок аналитики. Пользователь отправляет фотографию блюда в чат. Мультимодальная нейросеть распознаёт состав, оценивает массу ингредиентов и вычисляет КБЖУ с допустимой погрешностью. Технология компьютерного зрения позволяет работать как с домашними блюдами, так и с фотографиями из ресторанов.

Блок хранения данных. Вся история питания фиксируется в файле формата JSONL (JSON Lines). В отличие от классического JSON, этот формат не допускает перезаписи существующих записей — каждая новая строка дописывается в конец файла. Это обеспечивает полную аудиторскую прослеживаемость: даже при корректировке данных старые версии сохраняются, а актуальность помечается статусом. Такая архитектура исключает потерю информации при сбоях.

Блок обратной выборки. Ассистент умеет подбирать рецепты и составлять рацион на день или неделю под заданные параметры КБЖУ с учётом аллергенов и пищевых ограничений. Функция работает как генеративный повар, адаптирующий меню под цели пользователя: похудение, набор массы или поддержание веса.

При разработке команда столкнулась с типичными для агентных систем вызовами. Мультимодальные модели демонстрируют разное поведение в зависимости от уровня: бюджетные варианты чаще теряют контекст и забывают записывать данные, тогда как продвинутые модели способны «упрощать» задачу, пропуская шаги, которые считают несущественными. Для нивелирования этого эффекта логика записи была дублирована в нескольких системных инструкциях (скиллах), а также введён механизм ежедневной сверки — ассистент в конце дня сверяет содержимое чата с файлом JSONL и при необходимости восстанавливает пропущенные записи.

Интеграция с внешними сервисами реализована через API и MCP-коннекторы (Model Context Protocol).

По итогам внедрения ассистент показал следующие показатели:

• время на подсчёт КБЖУ одного приёма пищи сократилось с 10–15 минут до 30–60 секунд;
• точность распознавания блюд по фотографиям составила 85–90 % для типовых блюд русской и европейской кухни;
• пользователи получили возможность анализировать динамику питания за произвольный период без ручной агрегации данных;
• функция генерации меню сократила время планирования рациона с 1 часа до 5 минут.

Проект продемонстрировал, что даже в условно простом сценарии — подсчёт калорийности по фото — существует множество скрытых бизнес-процессов, которые выявляются только в процессе эксплуатации. Успешная реализация потребовала не только технической компетенции в области LLM, но и методологии итеративной доработки: выверка логики, тестирование на реальных данных, устранение дрейфа контекста. Флексайтс применил гибкий подход к архитектуре хранения и многоуровневую валидацию, что обеспечило стабильность решения в ежедневном использовании.

Хотите такого же агента для себя? Команда Флексайтс готова обсудить вашу задачу