Meal Prep Agent

Experimente ao Vivo

Insira suas preferências abaixo e veja quatro agentes de IA colaborando em tempo real. O processo inteiro leva cerca de 2-3 minutos.

---

Arquitetura

Este projeto usa um workflow multi-agente onde funções especializadas de IA trabalham em sequência. Cada agente tem uma responsabilidade focada e passa o contexto para o próximo.

Por que quatro agentes em vez de um?

Cada agente tem um foco específico, o que produz resultados melhores do que um único agente tentando fazer tudo. O agente de Pesquisa de Receitas só pensa em encontrar receitas. O agente de Planejamento só pensa em equilíbrio nutricional e variedade. Especialização leva à qualidade.

---

Detalhes de Implementação

Streaming com Server-Sent Events

A interface mostra o progresso em tempo real enquanto cada agente trabalha. Isso é crítico para um processo de 2-3 minutos — os usuários precisam de feedback de que algo está acontecendo.

// Servidor transmite atualizações dos 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();
  }
});

Estratégia de Prompts dos Agentes

Cada agente recebe:

1. Definição clara de função
2. Formato de saída estruturado
3. Contexto dos agentes anteriores
4. Restrições (orçamento, restrições alimentares)

O agente de Lista de Compras recebe o prompt mais detalhado — ele precisa entender quantidades de ingredientes, evitar duplicatas e organizar por seção do supermercado (hortifruti, laticínios, proteínas, despensa).

---

Lições Aprendidas

Sequencial supera paralelo para este caso de uso. Inicialmente tentei executar agentes em paralelo, mas a cadeia de dependências tornou isso impraticável. Cada agente genuinamente precisa da saída do agente anterior.

Engenharia de prompts faz a diferença. O mesmo modelo GPT-4o-mini produz resultados muito diferentes baseado na estrutura do prompt. Adicionar exemplos específicos de boa saída melhorou significativamente a qualidade.

UX de streaming importa. A primeira versão esperava 3 minutos e depois despejava toda a saída. Os usuários abandonavam antes da conclusão. Mostrar progresso em tempo real manteve o engajamento alto.