Mini Eats
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.
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'.
- Next.js
- React
- TypeScript
- Tailwind CSS
- Firebase Firestore
- Claude API
- Gemini API
- Web Speech API
- Zod
- Express
- Prisma
- PostgreSQL
- SwiftUI