Servicio de recomendación de comidas "HanKkiCheobang" creado para reducir la duda de "¿qué como hoy?"

Viviendo solo, ese "¿qué como hoy?" que se repite todos los días termina siendo un cansancio más grande de lo que parece, así que intenté crear algo que no te haga 'buscar' un menú, sino que lo vaya acotando según tu estado de ánimo o tu situación.

Los sitios de recetas que ya existen están pensados para personas que ya decidieron qué quieren comer, así que sentía que faltaba la etapa de 'antes de decidir'. HanKkiCheobang se enfoca en que elijas en una sola línea tu estado de ánimo (cansancio/estrés/tristeza, etc.), el clima y la situación (comer solo/antojito nocturno/comida para la resaca, etc.), y con eso te sugiera una comida adecuada. Se puede usar de inmediato sin registrarse.

▍Características

• Recomendaciones basadas en estado de ánimo, clima y situación (no es búsqueda, sino 'ir acotando')
• Basado en datos públicos de recetas del Ministerio de Seguridad de Alimentos y Medicamentos + etiquetado para hacer coincidencias según cada situación
• Páginas con recopilaciones de menús por situación, como "menú para una noche lluviosa", "comer solo" o "antojito nocturno"
• Se puede usar sin registro/inicio de sesión, disponible en web + app de Android

▍Cosas que probé técnicamente

• Monorepo con Turborepo: Next.js (web, Vercel) / Expo RN (app) / Hono (API, Firebase Functions) / Firestore
• Si generaba los textos de recomendación llamando a un LLM en runtime, el costo, la latencia y la consistencia se volvían problemáticos, así que los generé todos por lotes con antelación y los cargué en la DB, dejando que en runtime solo se consulten. (El LLM se usa solo en build time)
• Las páginas de menús por situación se generan automáticamente con intención de búsqueda curada + coincidencia de etiquetas de recetas + contenido editorial pregenerado, y solo se indexan las que pasan una compuerta de calidad (longitud, palabras prohibidas, cantidad de coincidencias).

▍Limitaciones sinceras

• Todavía está en una etapa muy temprana y casi no tiene tráfico, así que falta validar cuánto funciona realmente la calidad de las recomendaciones en uso real. Por eso quise publicarlo en GN para recibir feedback de usuarios reales.
• Como los datos de recetas se basan en datos públicos, algunas descripciones todavía se sienten algo toscas.

Cualquier feedback o crítica sobre la motivación para hacerlo, la lógica de recomendación o el procesamiento de datos es bienvenido. En especial, lo que más ayuda es algo como "faltó este tipo de situación".