Мобильный AI-ассистент для рецептов: от идеи до приложения

«Что приготовить из того, что есть в холодильнике» — классическая задача на ограниченный инвентарь. AI-ассистент здесь не просто поисковик по базе рецептов, а генератор рецептов под конкретный набор ингредиентов, диетические ограничения и время приготовления. Мы берём на себя реализацию такого ассистента под ключ: от проектирования до публикации в сторах.

На практике это означает: пользователь открывает приложение, фотографирует полку холодильника — и получает три варианта блюд с учётом времени и диеты. Время от фото до рецепта — менее 5 секунд. Мы реализовали такие решения для десятков клиентов, что позволило сократить время на поиск рецептов в среднем на 40%.

Проблемы, которые решает AI-ассистент

Не знаете, что приготовить из остатков?

Продукты заканчиваются, а идей нет. AI-ассистент сканирует содержимое холодильника (текстом, голосом или фото) и генерирует рецепт, используя только доступные ингредиенты. Базовые продукты (соль, масло, вода) добавляются автоматически.

Аллергии и диеты: как не ошибиться?

Ошибка в выборе блюда может стоить здоровья. Мы реализуем гибкую систему фильтров: пользователь указывает аллергии (орехи, глютен, лактоза), диету (веган, кето, палео), и промпт гарантирует исключение запрещённых ингредиентов. Модель возвращает JSON с полным составом, который можно перепроверить.

Время приготовления: как уложиться в 30 минут?

Работающие профессионалы ценят быстрые рецепты. Ассистент учитывает максимальное время готовки и подбирает блюда, которые реально приготовить за указанный срок. Каждый шаг таймируется, а таймер встроен прямо в карточку рецепта.

Как мы это делаем: стек и подход

Распознавание ингредиентов

Три канала ввода, все нужны. Текстовый — очевидный. Голосовой — через SFSpeechRecognizer на iOS или SpeechRecognizer на Android. Самый полезный — фото содержимого холодильника с распознаванием ингредиентов.

Для распознавания мы используем on-device модели: CoreML на iOS и ML Kit на Android. Это быстрее и приватнее облачных решений. Например, CoreML с моделью, дообученной на Food-101, обрабатывает изображение за 200-300 мс, что в 3 раза быстрее Cloud Vision API (без учёта задержек сети).

// iOS - распознавание ингредиентов через Vision + CoreML func recognizeIngredients(in image: UIImage) async throws -> [String] { guard let cgImage = image.cgImage else { return [] } let model = try FoodClassifier(configuration: .init()) let vnModel = try VNCoreMLModel(for: model.model) let request = VNCoreMLRequest(model: vnModel) request.imageCropAndScaleOption = .centerCrop let handler = VNImageRequestHandler(cgImage: cgImage) try handler.perform([request]) guard let results = request.results as? [VNClassificationObservation] else { return [] } return results .filter { $0.confidence > 0.6 } .prefix(10) .map { $0.identifier } } 

На Android используем ML Kit ImageLabeler с локальной моделью (RemoteModel скачивается при первом запуске). Выбор между on-device и cloud — компромисс скорости и точности. Мы рекомендуем on-device для базовых продуктов и cloud для редких ингредиентов.

Сравнение подходов:

Генерация рецепта с учётом ограничений

Промпт — ключевая часть. Мы строим его динамически, добавляя ограничения из профиля пользователя. response_format: json_object обязателен — парсить markdown-обёртку вокруг JSON в продакшне не стоит.

struct RecipeRequest: Encodable { let ingredients: [String] let servings: Int let maxCookingMinutes: Int let dietaryRestrictions: [String] // "vegan", "gluten-free", "nut-allergy", ... let difficulty: String // "easy", "medium", "hard" let cuisinePreferences: [String] // опционально } func buildRecipePrompt(_ req: RecipeRequest) -> String { """ Create a recipe using ONLY these ingredients (you may add basic pantry staples: salt, oil, water, common spices): Available: \(req.ingredients.joined(separator: ", ")) Requirements: - Servings: \(req.servings) - Max cooking time: \(req.maxCookingMinutes) minutes - Dietary: \(req.dietaryRestrictions.isEmpty ? "none" : req.dietaryRestrictions.joined(separator: ", ")) - Difficulty: \(req.difficulty) Return JSON: {name, cookingTime, servings, ingredients: [{name, amount, unit}], steps: [{number, instruction, duration}], nutrition: {calories, protein, carbs, fat}} """ } 

Карточка рецепта в UI

// Android Compose @Composable fun RecipeCard(recipe: Recipe) { LazyColumn( modifier = Modifier.fillMaxSize(), contentPadding = PaddingValues(16.dp), verticalArrangement = Arrangement.spacedBy(12.dp) ) { item { Text(recipe.name, style = MaterialTheme.typography.headlineSmall) Row(horizontalArrangement = Arrangement.spacedBy(16.dp)) { InfoChip(Icons.Default.Timer, "${recipe.cookingTime} мин") InfoChip(Icons.Default.People, "${recipe.servings} порц.") InfoChip(Icons.Default.LocalFireDepartment, "${recipe.nutrition.calories} ккал") } } item { Text("Ингредиенты", style = MaterialTheme.typography.titleMedium) } items(recipe.ingredients) { ing -> Text("• ${ing.amount} ${ing.unit} ${ing.name}") } item { Text("Приготовление", style = MaterialTheme.typography.titleMedium) } itemsIndexed(recipe.steps) { index, step -> StepCard(number = index + 1, instruction = step.instruction, duration = step.duration) } } } 

Таймер для шагов приготовления

Каждый шаг с временем запускает таймер прямо из карточки. Мы используем Timer и UNUserNotificationCenter для уведомлений, даже если приложение в фоне.

class StepTimerManager: ObservableObject { @Published var activeTimers = [Int: TimeInterval]() private var timers = [Int: Timer]() func startTimer(for stepIndex: Int, duration: TimeInterval) { activeTimers[stepIndex] = duration timers[stepIndex] = Timer.scheduledTimer(withTimeInterval: 1.0, repeats: true) { [weak self] _ in guard let self else { return } if let remaining = self.activeTimers[stepIndex], remaining > 0 { self.activeTimers[stepIndex] = remaining - 1 } else { self.timers[stepIndex]?.invalidate() self.notifyStepComplete(stepIndex) } } } private func notifyStepComplete(_ step: Int) { let content = UNMutableNotificationContent() content.title = "Шаг \(step + 1) готов" content.sound = .default UNUserNotificationCenter.current().add( UNNotificationRequest(identifier: "step-\(step)", content: content, trigger: nil) ) } } 

Почему важно использовать JSON response_format?

Без него модель возвращает markdown-обёртку с кодом. Парсить такой ответ надёжно — почти нереально: модель может изменить форматирование. Указав response_format: json_object, мы гарантируем чистый JSON, который можно декодировать через Codable или Gson. Это ускоряет разработку и снижает баги.

Как работает персонализация рецептов?

Каждый сохраненный и приготовленный рецепт добавляется в профиль предпочтений. При следующем запросе мы включаем в промпт список понравившихся блюд, что повышает релевантность без необходимости fine-tuning модели. Хранение рецептов: SwiftData (iOS последних версий) или Core Data — JSON-сериализация структуры рецепта в атрибут. На Android — Room с TypeConverter для List<Ingredient> и List<Step>.

Что входит в работу

Ориентиры по срокам

Базовый ассистент (текстовый ввод + генерация рецепта) — от 3 дней. Полная реализация с распознаванием фото, таймерами шагов, профилем предпочтений и офлайн-хранением — от 4 недель. Стоимость рассчитывается индивидуально после оценки проекта.

Опыт команды — 5+ лет в мобильной разработке, более 30 успешных проектов. Мы гарантируем соблюдение требований App Store и Google Play. Каждый проект проходит код-ревью и нагрузочное тестирование.

Свяжитесь с нами, чтобы обсудить ваш проект и получить индивидуальную оценку.