Ir al contenidoAleska Braschi
en
← Todos los proyectos
Mundo 2 · The Kitchen · Proyecto en equipo · 2026

Mini Eats

Chispa · resumen de la misión

Vivamos la hora punta del almuerzo en un restaurante: cada pedido actualiza las existencias de la cocina, y la IA nunca hace un pedido por su cuenta.

La historia

Mini Eats da a un restaurante pequeño un inventario en vivo basado en recetas: cada venta descuenta sus ingredientes, y el gerente ve qué se está acabando o qué está por caducar. Los clientes piden con antelación desde un código QR en el restaurante, la web o un prototipo de app para iPhone. Un equipo pequeño lo construyó en un curso de tres días con Anthropic y CodePath en Miami Dade College, para una empresa real de tecnología para restaurantes.

Una regla atraviesa todo el proyecto: el código convencional calcula cada número, y la IA solo sugiere. El restaurante y sus datos son inventados.

Mi papel

Construí el frontend de la app de pedidos para clientes (pedidos por voz, pedidos en grupo, sugerencias de la IA, inglés y español) y trabajé en el inicio de sesión del gerente. Mis compañeros hicieron el backend de inventario, el panel del gerente, las apps de iOS y el primer prototipo. Proyecto en equipo de un curso intensivo, construido con herramientas de programación con IA.

No está en línea
Bajo el capó

Visión general

Mini Eats es una plataforma de pedidos e inventario para restaurantes, construida por un equipo pequeño en un curso de tres días (AI Elite Basecamp, con Anthropic y CodePath, en Miami Dade College) para una empresa real de tecnología para restaurantes. Su núcleo es el inventario basado en recetas: cada venta descuenta ingredientes, las existencias se siguen por lote, y el gerente recibe avisos de existencias bajas y de caducidad. Los clientes piden desde un código QR, la web o un prototipo de app para iPhone. Todos los datos son sintéticos, y nadie paga en la app.

Mi papel. Construí el frontend de la app web del cliente: pedidos con código QR, inglés y español, seguimiento del pedido, insignias de alérgenos, sugerencias de la IA, pedidos por voz y pedidos en grupo. También trabajé en el inicio de sesión del gerente. Mis compañeros hicieron el backend, el panel del gerente, las apps de iOS y el primer prototipo; los créditos están en el README. Construí mi parte con Claude, decidiendo qué construir y probando cada cambio.

Arquitectura

  • Backend (Express, Prisma, PostgreSQL): la única fuente de verdad para el menú, las recetas, el inventario, los pedidos, los avisos y las ventas.
  • Panel del gerente (React, Vite): existencias en vivo y porciones que quedan por plato, avisos con acciones de un toque (volver a pedir, quitar un plato del menú), un tablero de pedidos, ventas y un resumen de fin del día.
  • App web del cliente (Next.js, React, Tailwind): llama al backend y guarda solo sus propios datos en Firestore. Las sugerencias y la voz usan una sola llamada con salida estructurada a Claude o Gemini, y Zod valida cada respuesta.
  • Apps de iOS (SwiftUI, prototipos): una app para clientes y una para comerciantes sobre el mismo backend, así que un pedido desde el teléfono y uno desde la web son el mismo ticket en la cocina.

Decisiones clave

  • El código convencional calcula cada número. Existencias, totales y avisos son código. La IA solo escribe texto: sugerencias, respuestas de voz y el resumen de fin del día.
  • La IA propone, el código decide. Para la voz, el modelo devuelve los ids de los platos y las cantidades. El código los revisa contra las existencias en vivo, quita lo agotado o lo que está en la lista de evitados, recorta al presupuesto y calcula el total.
  • La voz nunca envía un pedido. Los platos van al carrito, el cliente puede quitar cualquiera, y nada llega a la cocina hasta que confirma.
  • Memoria de la conversación. Cada sesión de voz recuerda sus últimas sugerencias, así que 'pide eso' funciona.
  • Pedidos en grupo. Un código de 4 letras, hasta 12 personas y un reparto en centavos que suma exactamente el total.

Pruebas y evaluación

La app del cliente no tiene una suite de pruebas automatizadas, solo un script de extremo a extremo de solo lectura (scripts/smoke.mjs), porque un pedido real descuenta inventario real. Probé cada cambio a mano, y en equipo probamos el flujo completo. Fueron pruebas manuales, así que no hay cifras de precisión.

Qué haría después

  • Convertir las pruebas manuales de voz y de pedidos en grupo en pruebas automatizadas.
  • Crear un conjunto de evaluación de voz: palabras mal entendidas, platos ambiguos, alergias y preguntas de seguimiento como 'ese'.
Hecho con
  • Next.js
  • React
  • TypeScript
  • Tailwind CSS
  • Firebase Firestore
  • Claude API
  • Gemini API
  • Web Speech API
  • Zod
  • Express
  • Prisma
  • PostgreSQL
  • SwiftUI
Siguiente mundo

The Gallery

Viajar →