MyNutri: как AI-продуктмейкер создаёт персональное питание с LLM, RAG и гибридной генерацией

До MyNutri я уже запустила AstroNumer — платформу астрологических и нумерологических расчётов с AI-чатом и монетизацией. Но хотелось сделать что-то более прикладное, повседневное, понятное обычному человеку без эзотерического контекста.

Идея сервиса персонального питания возникла из личной боли. Каждый раз, когда я пыталась составить себе план питания, я сталкивалась с одним и тем же: приложения либо тупо считают калории, либо предлагают шаблонные меню без учёта моих аллергий, вкусов и образа жизни. А диетолог — это дорого и не всегда оперативно.

Так родился MyNutri — AI-сервис, который формирует дневной план из четырёх приёмов пищи под конкретного пользователя. С учётом целей, КБЖУ, аллергий, заболеваний, любимых и нелюбимых продуктов, группы крови и популярных диет.

Архитектура продукта: не просто ChatGPT-обёртка

Многие думают: «AI-питание — это спросил у ChatGPT, он сгенерировал меню, готово». Но дьявол в деталях.

Три формата генерации плана

Я заложила в MyNutri три сценария, потому что у разных пользователей — разные потребности:

1. ИИ-генерация. LLM получает структурированный профиль пользователя (цели, ограничения, предпочтения) и генерирует план. Но я не полагаюсь только на API OpenAI или Gemini. Чтобы снизить затраты и повысить отказоустойчивость, я построила гибридную оркестрацию: рутинные запросы уходят на локальные LLM через Ollama (Llama 3), а сложные — на облачные API. Это сократило расходы на инфраструктуру примерно на 80%.
2. Системная генерация из базы рецептов. Второй режим — сборка плана из базы рецептов по правилам: подбор блюд, соответствующих профилю, с контролем КБЖУ и микронутриентов. Это полностью детерминированный алгоритм, без AI-галлюцинаций.
3. Ручная сборка. Пользователь сам перетаскивает рецепты в слоты приёмов пищи. Казалось бы, просто — но для этого нужен удобный каталог с фильтрами, поиском и системой избранного.
4. Демо-план. Для новых пользователей, которые ещё не заполнили профиль — моментальная демонстрация ценности продукта.

Каталог и поиск

Каталог рецептов поддерживает:

1. Полнотекстовый поиск,
2. Фильтры по продуктам, заболеваниям, нутриентам,
3. Избранное для быстрого сохранения.

Умная корзина

Отдельная гордость — список покупок. Ингредиенты из рецептов и планов автоматически попадают в корзину. Пользователь может:

1. Менять количества,
2. Удалять позиции,
3. Очищать список,
4. Экспортировать в PDF — распечатал и пошёл в магазин.

AI-анализ рецепта по фото

Пользователь фотографирует блюдо — система анализирует состав, рассчитывает примерные КБЖУ и добавляет в дневник. Это RAG + Vision API.

Технический стек

Я использовала проверенную связку, на которой умею работать быстро:

1. Backend: Python, Flask (Blueprints, Application Factory)
2. База данных: MySQL (сложная схема, 30+ таблиц: пользователи, профили, рецепты, ингредиенты, планы, подписки, транзакции)
3. Кэширование: Redis
4. AI/ML:Гибридная оркестрация LLM: OpenAI API + Gemini API + локальные модели через OllamaRAG-система для семантического поиска по базе знанийSentence Transformers для рекомендаций рецептов (content-based filtering, косинусное сходство)
5. Гибридная оркестрация LLM: OpenAI API + Gemini API + локальные модели через Ollama
6. RAG-система для семантического поиска по базе знаний
7. Sentence Transformers для рекомендаций рецептов (content-based filtering, косинусное сходство)
8. Хранилище: Yandex Cloud Object Storage для изображений рецептов
9. Мобильное приложение: нативный Android
10. Платежи: YooKassa API (подписки, обработка вебхуков, управление балансами)
11. Аналитика: Яндекс.Метрика для веба, Firebase для Android

Монетизация и первые результаты

С monetization я определилась на старте: подписная модель с несколькими уровнями доступа. Бесплатный уровень даёт базовую функциональность — демо-план и ручную сборку. Платные уровни открывают AI-генерацию, анализ по фото и расширенный каталог.

К моменту написания статьи:

1. Запущена веб-версия и Android-приложение,
2. Подключена платёжная система, протестированы все сценарии биллинга,
3. Запущены первые рекламные кампании, идёт сбор метрик и итеративная оптимизация воронки,
4. Продукт находится в фазе активного growth-тестирования: гипотезы, каналы, Retention.

Уроки соло-разработки AI-продукта

1. AI-инструменты — твой второй разработчик

Я активно использую Cursor (AI-среда разработки на базе VS Code) и Copilot. Это позволяет мне работать со скоростью небольшой команды. Но ключевое — я понимаю, что делает AI. Слепое доверие сгенерированному коду — путь к багам. Моя экспертиза — архитектура, продуктовая логика и ревью того, что выдаёт AI.

2. Гибридный подход к LLM обязателен

На старте я использовала только API OpenAI. Счёт рос быстро. Перевод части нагрузки на локальные Llama-модели через Ollama снизил затраты в 5 раз. Правило: всё, что можно посчитать без облачного AI, — считаем без него. LLM оставляем только для задач, где нужна креативность и вариативность.

3. Мобильное приложение — must-have

Веб-версия хороша для онбординга и SEO. Но удержание и ежедневное использование — это мобильное приложение. Пользователь хочет открыть план питания на телефоне на кухне, а не за ноутбуком. Если вы делаете consumer AI-продукт — закладывайте мобильную версию с самого начала.

4. Запускайтесь рано

Я могла бы ещё три месяца допиливать фичи. Но вместо этого выкатила MVP, подключила платежи и пошла тестировать спрос. Лучше получить реальные метрики и отзывы, чем шлифовать идеальный продукт в вакууме.

Что дальше

Сейчас MyNutri — это живой продукт в стадии активного роста. Я продолжаю итеративно улучшать генерацию, расширять базу рецептов, тестировать новые каналы привлечения и работать над удержанием.

Если вам интересен AI в FoodTech, соло-предпринимательство или вы хотите обсудить коллаборацию — добро пожаловать в комментарии или в личные сообщения.