Abandoné MyFitnessPal porque quería controlar mis calorías y proteínas para mis objetivos de entrenamiento sin depender de paneles bonitos que no me permiten exportar mis datos ni cruzarlos fácilmente con mis registros de entrenamiento. Quería poseer mis datos en bruto y generar informes personalizados. Por eso construí NutriAgent, un coach nutricional basado en inteligencia artificial que entiende texto y fotos de mis comidas, las registra en una base de datos y en Google Sheets que yo controlo, y con el que puedo chatear desde Telegram o la web.
Al principio usé un LLM para estimar calorías desde fotos. Funcionaba pero no servía para seguimiento real. Necesitaba guardar comidas y macros durante semanas, poder preguntar que comí la semana pasada y obtener respuestas reales, y conectar mis Google Sheets sin salir del chat. Fue entonces cuando entendí que necesitaba un agente que no solo hablara, sino que ejecutara acciones llamando herramientas concretas.
Diseñé el agente para manejar entradas mixtas: a veces texto, a veces foto, a veces ambas. Normalizo cada entrada, junto con el historial de conversación, para que el agente pueda entender contexto como que unas papas fueron cocinadas al air fryer y así afinar la estimación. También inyecto la fecha y hora actuales para que términos como hoy o esta semana se interpreten correctamente.
Cada herramienta que expone el agente mapea a una acción real que quiero tomar. Por ejemplo, registrar una comida guarda la información nutricional en la base de datos como fuente de la verdad y, si el usuario lo ha configurado, intenta también agregar una fila a Google Sheets como espejo. Si la sincronización con Sheets falla, la base de datos sigue siendo el registro principal, lo que aporta fiabilidad y tranquilidad.
Para consultas históricas creé herramientas que devuelven resúmenes preformateados de los registros en lugar de JSON crudo. Esto facilita que el modelo responda preguntas como cuanto consumí de proteína el lunes. También implementé una herramienta que lanza el flujo de autorización OAuth para conectar una cuenta de Google cuando es necesario, manteniendo la complejidad de OAuth encapsulada y permitiendo que el agente la invoque de forma natural durante la conversación.
Mi arquitectura de memoria usa dos almacenes con roles distintos. Supabase actúa como memoria principal para chats, mensajes y registros nutricionales. Google Sheets es un espejo que me permite visualizar, compartir y manipular mis datos a mi gusto. Antes de escribir en la hoja verifico credenciales y recreo la hoja si alguien la eliminó por accidente, lo que añade resiliencia frente a errores de terceros.
Hice al agente accesible desde múltiples canales sin cambiar su lógica interna. Telegram descarga y normaliza medios y mensajes y llama al agente mediante webhooks. La interfaz web usa la misma API y marca los chats como externos, por lo que el cerebro del agente no diferencia entre clientes. Esta separación permite añadir WhatsApp, SMS u otros canales sin tocar la parte de IA que orquesta herramientas y memoria.
El trazado y la telemetría fueron clave para mantener el control. Registrar exactamente lo que recibió el modelo, cada llamada a herramienta, sus argumentos y tiempos de respuesta me permitió detectar y corregir problemas en minutos. Por ejemplo, al añadir la interfaz web las imágenes dejaron de llegar bien al agente; el rastro mostró el formato incorrecto y pude arreglarlo rápidamente.
Lecciones aprendidas: los agentes valen la pena cuando orquestan herramientas y sistemas con estado como bases de datos, hojas externas y OAuth, no solo cuando conversan. No hace falta el LLM más avanzado para crear una experiencia útil. Un prompt bien diseñado, herramientas sencillas y entender el contexto que cada herramienta necesita suelen ser suficientes para una experiencia fiable. Además, manejar tokens OAuth, refrescos y capacidades de autocuración en servicios externos fue esencial para la robustez.
Este proyecto personal me permitió aplicar buenas prácticas de producto y arquitectura. Si te interesa desarrollar soluciones similares, en Q2BSTUDIO podemos ayudarte a llevar ideas a productos reales. Somos especialistas en desarrollo de aplicaciones a medida y software a medida, y ofrecemos servicios de inteligencia artificial adaptados a empresas. Con experiencia en ciberseguridad y pentesting garantizamos que tus datos y tus integraciones son seguras, y ofrecemos soporte en servicios cloud aws y azure para desplegar infraestructuras escalables y seguras.
En Q2BSTUDIO trabajamos proyectos que combinan agentes IA con integración a sistemas empresariales, soluciones de automatización de procesos y servicios de inteligencia de negocio para que tus datos te trabajen a favor. Si necesitas capacidades de análisis avanzadas usamos Power BI para convertir registros y KPIs en visualizaciones accionables y ofrecemos servicios de ia para empresas que van desde prototipos hasta plataformas productivas. Terminamos cada proyecto con auditorías de seguridad y continuidad para que la solución sea usable y segura en producción.
Si quieres explorar un proyecto similar a NutriAgent, optimizar flujos de datos, construir agentes IA que integren bases de datos y hojas de cálculo, o escalar una solución con arquitecturas cloud, en Q2BSTUDIO podemos acompañarte desde la ideación hasta la puesta en producción. Este proyecto me enseñó que con decisiones de producto acertadas y un equipo con experiencia en inteligencia artificial, software a medida y ciberseguridad es posible construir soluciones personales que luego escalan a productos útiles para otras personas y empresas.
