Serviço de recomendação de refeições “HanKki CheoBang”, criado para reduzir a dúvida sobre o que comer hoje

Morando sozinho, percebi que a pergunta repetida todos os dias — “o que vou comer hoje?” — gera mais cansaço do que parece. Então criei algo que não “busca” menus, mas ajuda a afunilar as opções por “humor/situação”.

Os sites de receitas existentes são voltados para quem já decidiu o que quer comer, então senti que faltava a etapa “antes de decidir”. O HanKki CheoBang foca em escolher uma refeição adequada quando você seleciona, em uma linha, seu humor (cansaço/estresse/tristeza etc.), o clima e a situação (comer sozinho/lanche da noite/ressaca etc.). Dá para usar imediatamente, sem cadastro.

▍Características

• Recomendações baseadas em humor, clima e situação (não é busca, é “afunilamento”)
• Baseado em dados públicos de receitas do Ministério de Segurança Alimentar e Medicamentos + rotulagem para correspondência por situação
• Páginas com coleções de menus por situação, como “menu para noite chuvosa”, “comer sozinho” e “lanche da noite”
• Uso sem cadastro/login, web + app Android

▍O que experimentei tecnicamente

• Monorepo com Turborepo: Next.js (web, Vercel) / Expo RN (app) / Hono (API, Firebase Functions) / Firestore
• Criar os textos de recomendação com chamadas a LLM em runtime trazia problemas de custo, latência e consistência, então gerei tudo previamente em batch, carreguei no DB e deixei o runtime apenas fazer consultas. (LLM só em build time)
• As páginas de menus por situação são geradas automaticamente a partir de intenções de busca curadas + correspondência com rótulos de receitas + editoriais pré-gerados, e apenas as que passam por gates de qualidade (tamanho, palavras proibidas, número de correspondências) são indexadas.

▍Limitações honestas

• Ainda é uma fase inicial, quase sem tráfego, então falta validar o quanto a qualidade das recomendações funciona em uso real. Por isso quis publicar no GN para receber feedback real.
• Como os dados de receitas são baseados em dados públicos, algumas descrições são um pouco rústicas.

Feedback/críticas são bem-vindos sobre qualquer ponto: motivação, lógica de recomendação ou processamento de dados. Em especial, comentários do tipo “faltou esta situação” seriam os mais úteis.