Meal Prep Agent

Pruébalo en Vivo

Ingresa tus preferencias abajo y observa cuatro agentes de IA colaborando en tiempo real. El proceso completo toma alrededor de 2-3 minutos.

---

Arquitectura

Este proyecto usa un workflow multi-agente donde roles especializados de IA trabajan en secuencia. Cada agente tiene una responsabilidad enfocada y pasa el contexto al siguiente.

¿Por qué cuatro agentes en lugar de uno?

Cada agente tiene un enfoque específico, lo que produce mejores resultados que un solo agente intentando hacer todo. El agente de Investigación de Recetas solo piensa en encontrar recetas. El agente de Planificación solo piensa en equilibrio nutricional y variedad. La especialización lleva a la calidad.

---

Detalles de Implementación

Streaming con Server-Sent Events

La interfaz muestra el progreso en tiempo real mientras cada agente trabaja. Esto es crítico para un proceso de 2-3 minutos — los usuarios necesitan feedback de que algo está pasando.

// El servidor transmite actualizaciones de los agentes
const encoder = new TextEncoder();
const stream = new ReadableStream({
  async start(controller) {
    for await (const update of agentWorkflow()) {
      controller.enqueue(encoder.encode(
        `data: ${JSON.stringify(update)}\n\n`
      ));
    }
    controller.close();
  }
});

Estrategia de Prompts de Agentes

Cada agente recibe:

1. Definición clara de rol
2. Formato de salida estructurado
3. Contexto de agentes anteriores
4. Restricciones (presupuesto, restricciones dietéticas)

El agente de Lista de Compras recibe el prompt más detallado — necesita entender cantidades de ingredientes, evitar duplicados y organizar por sección de tienda (frutas y verduras, lácteos, proteínas, despensa).

---

Lecciones Aprendidas

Secuencial supera a paralelo para este caso de uso. Inicialmente intenté ejecutar agentes en paralelo, pero la cadena de dependencias hizo esto impracticable. Cada agente genuinamente necesita la salida del agente anterior.

La ingeniería de prompts hace la diferencia. El mismo modelo GPT-4o-mini produce resultados muy diferentes basándose en la estructura del prompt. Agregar ejemplos específicos de buena salida mejoró significativamente la calidad.

La UX de streaming importa. La primera versión esperaba 3 minutos y luego volcaba toda la salida. Los usuarios abandonaban antes de completar. Mostrar progreso en tiempo real mantuvo alto el engagement.