Um chatbot multimodal inspirado no iFood, criado com Google AI Studio Gemini API e Flutter. Este projeto demonstra a aplicação prática de LangChain e FastAPI para criar um assistente inteligente que sugere pedidos e gerencia preferências alimentares.

Projeto focado em aprendizado prático sobre LLMOps e integração de IA em produtos reais, explorando:

• Conversação contextual com LangChain
• Processamento multimodal (texto + imagem)
• Gerenciamento de preferências do usuário
• Recomendações personalizadas de comida

┌─────────────────┐
│  Flutter App    │
│  (Frontend)     │
└────────┬────────┘
         │ HTTP/REST
         ▼
┌─────────────────┐
│   FastAPI       │
│   (Backend)     │
└────────┬────────┘
         │
    ┌────┴────┐
    ▼         ▼
┌─────────┐ ┌──────────┐
│LangChain│ │ SQLite   │
└────┬────┘ └──────────┘
     │
     ▼
┌──────────────┐
│ Google Gemini│
│     API      │
└──────────────┘

• ✅ Integração com Google Gemini 1.5 Flash
• ✅ Gerenciamento de conversação com memória contextual
• ✅ Processamento multimodal (reconhecimento de imagens de comida)
• ✅ Sistema de preferências do usuário
• ✅ Histórico de pedidos
• ✅ API RESTful documentada (OpenAPI/Swagger)

• ✅ Interface de chat moderna inspirada no iFood

• ✅ Upload de imagens para reconhecimento de comida

• ✅ Gerenciamento de preferências alimentares

• ✅ Design responsivo com gradientes e animações

• ✅ Indicadores de digitação

• ✅ Histórico de conversas

• ✅ Histórico de conversas

• Python 3.9+
• Flutter 3.0+ (opcional, se quiser rodar o app)
• Google AI Studio API Key (obter aqui)

1. Navegue até a pasta do backend:

cd backend

2. Crie um ambiente virtual:

python -m venv venv
.\venv\Scripts\activate  # Windows
# ou
source venv/bin/activate  # Linux/Mac

3. Instale as dependências:

pip install -r requirements.txt

4. Configure as variáveis de ambiente:

# Copie o arquivo de exemplo
copy .env.example .env  # Windows
# ou
cp .env.example .env    # Linux/Mac

# Edite o arquivo .env e adicione sua API key do Google AI Studio
# GOOGLE_API_KEY=sua_chave_aqui

5. Inicie o servidor:

python main.py

O servidor estará rodando em http://localhost:8000

📚 Documentação da API: http://localhost:8000/docs

1. Navegue até a pasta do app:

cd food_ai_app

2. Instale as dependências:

flutter pub get

3. Execute o app:

# Para Android/iOS
flutter run

# Para Web
flutter run -d chrome

# Para Windows
flutter run -d windows

• POST /api/chat/message - Enviar mensagem (texto ou imagem)
• GET /api/chat/history/{session_id} - Obter histórico
• DELETE /api/chat/history/{session_id} - Limpar histórico

• GET /api/preferences/{user_id} - Obter preferências
• PUT /api/preferences/{user_id} - Atualizar preferências

• POST /api/orders - Criar pedido
• GET /api/orders/user/{user_id} - Histórico de pedidos
• GET /api/orders/{order_id} - Detalhes do pedido

import requests
import base64

# Enviar mensagem de texto
response = requests.post('http://localhost:8000/api/chat/message', json={
    'session_id': 'session-123',
    'user_id': 'user-456',
    'message': 'Sugira um prato italiano vegetariano'
})

# Enviar imagem
with open('pizza.jpg', 'rb') as f:
    image_data = base64.b64encode(f.read()).decode()

response = requests.post('http://localhost:8000/api/chat/message', json={
    'session_id': 'session-123',
    'user_id': 'user-456',
    'message': 'O que é essa comida?',
    'image_data': image_data
})

• Uso de ConversationBufferMemory do LangChain para manter contexto
• Limitação de tokens para controlar custos
• Limpeza de memória quando necessário

• Prompts estruturados com personalidade definida
• Inclusão de preferências do usuário no contexto
• Instruções específicas para análise de imagens

• Integração nativa do Gemini para imagens
• Combinação de texto + imagem em uma única requisição
• Otimização de tamanho de imagens antes do envio

• Uso do Gemini 1.5 Flash (mais econômico)
• Cache de respostas quando possível
• Compressão de imagens

• Retry logic para falhas de API
• Fallbacks para respostas padrão
• Logging detalhado para debugging

O design foi inspirado no iFood, com:

• Cores principais: Vermelho (#EA1D2C) e gradientes vibrantes
• Tipografia: Clean e moderna
• Animações: Suaves e responsivas
• UX: Intuitiva e familiar

Usuário: "Sugira um prato vegetariano"

FoodAI: "Que tal um delicioso Risoto de Cogumelos 🍄? É cremoso, saboroso e totalmente vegetariano! Acompanha cogumelos frescos, queijo parmesão e um toque de vinho branco. Perfeito para um almoço especial!"

Usuário: [Envia foto de uma pizza]

FoodAI: "Que pizza maravilhosa! 🍕 Parece ser uma Pizza Margherita clássica, com molho de tomate, mussarela fresca, manjericão e azeite. Um dos pratos mais icônicos da culinária italiana! Quer que eu sugira pizzas similares ou outras opções italianas?"

• Autenticação de usuários (Firebase/Auth0)
• Integração com restaurantes reais
• Sistema de pagamento
• Rastreamento de pedidos em tempo real
• Suporte a múltiplos idiomas
• Recomendações baseadas em ML
• Notificações push
• Modo offline

• FastAPI - Framework web moderno e rápido
• LangChain - Framework para aplicações com LLMs
• Google Gemini API - Modelo de linguagem multimodal
• SQLAlchemy - ORM para banco de dados
• Pydantic - Validação de dados
• Uvicorn - Servidor ASGI

• Flutter - Framework multiplataforma
• Provider - Gerenciamento de estado
• HTTP - Cliente HTTP
• Image Picker - Seleção de imagens

Contribuições são bem-vindas! Sinta-se à vontade para:

1. Fork o projeto
2. Criar uma branch (git checkout -b feature/nova-funcionalidade)
3. Commit suas mudanças (git commit -m 'Adiciona nova funcionalidade')
4. Push para a branch (git push origin feature/nova-funcionalidade)
5. Abrir um Pull Request

Este projeto é open source e está disponível sob a licença MIT.

Criado como projeto de aprendizado em LLMOps e integração de IA.

⭐ Se este projeto foi útil para você, considere dar uma estrela!