Meal Prep Agent

Essayez en Direct

Entrez vos préférences ci-dessous et regardez quatre agents IA collaborer en temps réel. Le processus complet prend environ 2-3 minutes.

---

Architecture

Ce projet utilise un workflow multi-agent où des rôles IA spécialisés travaillent en séquence. Chaque agent a une responsabilité ciblée et passe le contexte au suivant.

Pourquoi quatre agents plutôt qu'un seul ?

Chaque agent a un focus spécifique, ce qui produit de meilleurs résultats qu'un seul agent essayant de tout faire. L'agent de Recherche de Recettes ne pense qu'à trouver des recettes. L'agent de Planification ne pense qu'à l'équilibre nutritionnel et à la variété. La spécialisation mène à la qualité.

---

Détails d'Implémentation

Streaming avec Server-Sent Events

L'interface montre la progression en temps réel pendant que chaque agent travaille. C'est critique pour un processus de 2-3 minutes — les utilisateurs ont besoin de feedback que quelque chose se passe.

// Le serveur diffuse les mises à jour des agents
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();
  }
});

Stratégie de Prompts des Agents

Chaque agent reçoit :

1. Définition claire de rôle
2. Format de sortie structuré
3. Contexte des agents précédents
4. Contraintes (budget, restrictions alimentaires)

L'agent Liste de Courses reçoit le prompt le plus détaillé — il doit comprendre les quantités d'ingrédients, éviter les doublons et organiser par rayon (fruits et légumes, produits laitiers, protéines, épicerie).

---

Leçons Apprises

Le séquentiel bat le parallèle pour ce cas d'usage. J'ai d'abord essayé d'exécuter les agents en parallèle, mais la chaîne de dépendances rendait cela impraticable. Chaque agent a vraiment besoin de la sortie de l'agent précédent.

L'ingénierie de prompts fait la différence. Le même modèle GPT-4o-mini produit des résultats très différents selon la structure du prompt. Ajouter des exemples spécifiques de bonne sortie a significativement amélioré la qualité.

L'UX du streaming compte. La première version attendait 3 minutes puis affichait toute la sortie d'un coup. Les utilisateurs abandonnaient avant la fin. Montrer la progression en temps réel a maintenu un engagement élevé.