NutriAI MCP Server

from fastapi import FastAPI, Request, HTTPException from fastapi.middleware.cors import CORSMiddleware from fastapi.staticfiles import StaticFiles from pydantic import BaseModel from typing import List, Optional, Dict, Any, Union import os, json, time from dotenv import load_dotenv from openai import OpenAI from slowapi import Limiter, _rate_limit_exceeded_handler from slowapi.util import get_remote_address from slowapi.errors import RateLimitExceeded from slowapi.middleware import SlowAPIMiddleware load_dotenv() # carrega .env local api_key = os.getenv("OPENAI_API_KEY") ALLOWED_ORIGINS = os.getenv("ALLOWED_ORIGINS", "http://localhost:5173,http://127.0.0.1:5173").split(",") API_KEYS = os.getenv("API_KEYS", "").split(",") if os.getenv("API_KEYS") else [] print(f"🔑 OPENAI_API_KEY carregada: {'✅' if api_key else '❌'}") print(f"🔑 Chave (primeiros 3 chars): {api_key[:3] if api_key else 'NENHUMA'}...") print(f"🛡️ API Keys configuradas: {len(API_KEYS)} chaves") print(f"🌐 Origins permitidas: {ALLOWED_ORIGINS}") client = OpenAI(api_key=api_key) # Função para verificar API key def verify_api_key(request: Request) -> bool: if not API_KEYS: # Se não tiver API keys configuradas, permite acesso return True auth_header = request.headers.get("Authorization") if not auth_header or not auth_header.startswith("Bearer "): return False token = auth_header.replace("Bearer ", "") return token in API_KEYS # Rate limiter setup limiter = Limiter(key_func=get_remote_address) app = FastAPI(title="NutriAI MCP Server") app.state.limiter = limiter app.add_exception_handler(RateLimitExceeded, _rate_limit_exceeded_handler) app.add_middleware(SlowAPIMiddleware) # Servir arquivos estáticos para .well-known try: app.mount("/.well-known", StaticFiles(directory=".well-known"), name="well-known") except: print("⚠️ Diretório .well-known não encontrado, mas continuando...") print(f"🚀 NutriAI MCP Server inicializado com rate limiting!") # CORS: libere o Vite (5173) e o host do Apps SDK se precisar app.add_middleware( CORSMiddleware, allow_origins=ALLOWED_ORIGINS + ["https://chat.openai.com", "https://chatgpt.com"], # Adiciona ChatGPT allow_credentials=True, allow_methods=["*"], allow_headers=["*"], ) class AnalyzeFoodInput(BaseModel): food_description: str portion_grams: Optional[float] = None class Nutrient(BaseModel): name: str per100g: float portion: float class AnalyzeFoodOutput(BaseModel): nutrients: List[Nutrient] insights: List[str] advice: str disclaimer: str # Classes para protocolo MCP (Model Context Protocol) class MCPRequest(BaseModel): jsonrpc: str = "2.0" id: Union[str, int] method: str params: Dict[str, Any] = {} class MCPResponse(BaseModel): jsonrpc: str = "2.0" id: Union[str, int] result: Dict[str, Any] = None error: Dict[str, Any] = None SYSTEM_PROMPT = """Você é um assistente de nutrição educativo. Retorne SEMPRE JSON válido com: { "nutrients": [{"name":"...","per100g":n,"portion":n}, ...], "insights": ["..."], "advice": "...", "disclaimer": "Estimativa educativa; não substitui orientação médica." } - Use valores estimados coerentes por 100g. - Se portion_grams não vier, assuma 100g. - Máximo 3 insights curtos. - Nada de texto fora do JSON. """ @app.post("/analyze", response_model=AnalyzeFoodOutput) @limiter.limit("10/minute") # 10 requests por minuto por IP def analyze(request: Request, payload: AnalyzeFoodInput): print(f"\n🍎 RECEBIDO: {payload.food_description}") portion = payload.portion_grams if (payload.portion_grams or 0) > 0 else 100.0 print(f"📏 PORÇÃO: {portion}g") user_prompt = ( f"Alimento: {payload.food_description}\n" f"Porção (g): {portion}\n" "Gere os campos solicitados, mantendo números simples." ) print(f"\n📝 PROMPT DO USUÁRIO:") print(user_prompt) print(f"\n🤖 ENVIANDO PARA OpenAI...") resp = client.chat.completions.create( model="gpt-5-nano-2025-08-07", temperature=1, messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_prompt} ], response_format={"type": "json_object"} ) print(f"\n📊 TOKENS USADOS:") print(f" - Input: {resp.usage.prompt_tokens}") print(f" - Output: {resp.usage.completion_tokens}") print(f" - Total: {resp.usage.total_tokens}") # Log de custo aproximado (GPT-4o-mini: $0.00015/1K input, $0.0006/1K output) input_cost = (resp.usage.prompt_tokens / 1000) * 0.00015 output_cost = (resp.usage.completion_tokens / 1000) * 0.0006 total_cost = input_cost + output_cost print(f"💰 CUSTO APROXIMADO: ${total_cost:.6f}") content = resp.choices[0].message.content print(f"\n💬 RESPOSTA DA OpenAI:") print(content) try: parsed_response = json.loads(content) print(f"\n✅ JSON VÁLIDO - Processando...") return AnalyzeFoodOutput(**parsed_response) except json.JSONDecodeError as e: print(f"\n❌ ERRO JSON: {e}") raise except Exception as e: print(f"\n❌ ERRO DE VALIDAÇÃO: {e}") raise # Endpoint para Apps SDK - Tool MCP @app.post("/tools/analyze_food") @limiter.limit("5/minute") # 5 requests por minuto por IP para tools async def analyze_food_tool(request: Request): """Tool endpoint para integração com ChatGPT Apps SDK""" # Verificar API key se configurada if API_KEYS and not verify_api_key(request): raise HTTPException(status_code=401, detail="API key inválida ou ausente") data = await request.json() print(f"\n🛠️ TOOL CHAMADA pelo Apps SDK: {data}") # Converte dados da tool para formato da função payload = AnalyzeFoodInput( food_description=data.get("food_description", ""), portion_grams=data.get("portion_grams") ) # Chama a função de análise existente result = analyze(payload) return result.dict() # Endpoint de saúde @app.get("/health") def health_check(): return { "status": "healthy", "timestamp": time.time(), "rate_limits": "5/min para tools, 10/min para análises", "auth": "API key opcional" if API_KEYS else "público" } # Endpoint MCP protocolo JSON-RPC (esperado pelo ChatGPT Apps SDK) @app.post("/mcp") async def mcp_endpoint(request: MCPRequest): """Endpoint MCP compatível com ChatGPT Apps SDK usando protocolo JSON-RPC 2.0""" print(f"\n🔌 MCP REQUEST: {request.method} (id: {request.id})") if request.method == "initialize": print("🚀 ChatGPT solicitando inicialização do MCP...") return MCPResponse( id=request.id, result={ "protocolVersion": "2024-11-05", "capabilities": { "tools": { "listChanged": True } }, "serverInfo": { "name": "NutriAI", "version": "1.0.0" } } ) elif request.method == "tools/list": print("📋 ChatGPT solicitando lista de tools...") return MCPResponse( id=request.id, result={ "tools": [ { "name": "search", "description": "Busca alimentos na base de dados nutricional e retorna lista de resultados relevantes", "inputSchema": { "type": "object", "properties": { "query": { "type": "string", "description": "Consulta de busca por alimento (ex: 'banana', 'tapioca com queijo', 'pão francês')" } }, "required": ["query"] } }, { "name": "fetch", "description": "Recupera análise nutricional completa de um alimento específico por ID", "inputSchema": { "type": "object", "properties": { "id": { "type": "string", "description": "ID único do alimento para análise detalhada" } }, "required": ["id"] } }, { "name": "analyze_food", "description": "Analisa alimento diretamente e retorna estimativa nutricional completa", "inputSchema": { "type": "object", "properties": { "food_description": { "type": "string", "description": "Descrição do alimento (ex: 'tapioca 2 colheres com queijo', 'banana prata média')" }, "portion_grams": { "type": "number", "description": "Porção em gramas (opcional, padrão: 100g)", "default": 100.0 } }, "required": ["food_description"] } } ] } ) elif request.method == "tools/call": tool_name = request.params.get("name") arguments = request.params.get("arguments", {}) print(f"🛠️ ChatGPT chamando tool: {tool_name} com argumentos: {arguments}") if tool_name == "search": try: query = arguments.get("query", "") print(f"🔍 BUSCA: {query}") # Gera resultados de busca baseados na query search_results = [] # Simula diferentes tipos de alimentos baseados na query food_suggestions = [] query_lower = query.lower() if "banana" in query_lower: food_suggestions = [ ("banana-prata", "Banana Prata Média", "Banana prata média (86g)"), ("banana-nanica", "Banana Nanica", "Banana nanica pequena (65g)"), ("banana-da-terra", "Banana da Terra", "Banana da terra cozida (100g)") ] elif "tapioca" in query_lower: food_suggestions = [ ("tapioca-queijo", "Tapioca com Queijo", "Tapioca 2 colheres com queijo coalho"), ("tapioca-simples", "Tapioca Simples", "Tapioca simples 2 colheres"), ("tapioca-coco", "Tapioca com Coco", "Tapioca com coco ralado") ] elif "pao" in query_lower or "pão" in query_lower: food_suggestions = [ ("pao-frances", "Pão Francês", "Pão francês com manteiga"), ("pao-integral", "Pão Integral", "Pão integral 2 fatias"), ("pao-doce", "Pão Doce", "Pão doce pequeno") ] else: # Resultados genéricos para outras consultas food_suggestions = [ (f"alimento-{hash(query) % 1000}", f"Resultado para '{query}'", query), (f"similar-{hash(query) % 100}", f"Alimento similar a '{query}'", f"{query} (variação)") ] for food_id, title, description in food_suggestions: search_results.append({ "id": food_id, "title": title, "url": f"https://nutriai-mcp-server.onrender.com/food/{food_id}" }) results_json = json.dumps({"results": search_results}, ensure_ascii=False) return MCPResponse( id=request.id, result={ "content": [ { "type": "text", "text": results_json } ] } ) except Exception as e: print(f"❌ ERRO na busca: {e}") return MCPResponse( id=request.id, error={ "code": -32603, "message": f"Erro na busca: {str(e)}" } ) elif tool_name == "fetch": try: food_id = arguments.get("id", "") print(f"📄 FETCH: {food_id}") # Mapeia IDs para descrições de alimentos food_map = { "banana-prata": "banana prata média de 86g", "banana-nanica": "banana nanica pequena de 65g", "banana-da-terra": "banana da terra cozida de 100g", "tapioca-queijo": "tapioca 2 colheres com queijo coalho de 120g", "tapioca-simples": "tapioca simples 2 colheres de 80g", "tapioca-coco": "tapioca com coco ralado de 100g", "pao-frances": "pão francês com manteiga de 50g", "pao-integral": "pão integral 2 fatias de 60g", "pao-doce": "pão doce pequeno de 40g" } food_description = food_map.get(food_id, food_id.replace("-", " ")) portion_grams = 100.0 # padrão # Extrai porção do mapeamento se disponível if food_id in food_map: desc = food_map[food_id] import re weight_match = re.search(r'(\d+)g', desc) if weight_match: portion_grams = float(weight_match.group(1)) food_description = desc.replace(f' de {int(portion_grams)}g', '') print(f"📊 ANALISANDO: {food_description} ({portion_grams}g)") # Usa sua função de análise existente user_prompt = ( f"Alimento: {food_description}\n" f"Porção (g): {portion_grams}\n" "Gere os campos solicitados, mantendo números simples." ) resp = client.chat.completions.create( model="gpt-4o-mini", temperature=0.2, messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_prompt} ], response_format={"type": "json_object"} ) content = resp.choices[0].message.content parsed_response = json.loads(content) result = AnalyzeFoodOutput(**parsed_response) # Formata como documento completo document = { "id": food_id, "title": f"Análise Nutricional: {food_description.title()}", "text": f""" ANÁLISE NUTRICIONAL COMPLETA {food_description.upper()} - {portion_grams}g INFORMAÇÕES NUTRICIONAIS: {chr(10).join([f"• {n.name}: {n.portion:.1f} (porção) | {n.per100g:.1f} (por 100g)" for n in result.nutrients])} INSIGHTS: {chr(10).join([f"• {insight}" for insight in result.insights])} RECOMENDAÇÃO: {result.advice} IMPORTANTE: {result.disclaimer} """, "url": f"https://nutriai-mcp-server.onrender.com/food/{food_id}", "metadata": { "portion_grams": portion_grams, "tokens_used": resp.usage.total_tokens, "generated_at": time.time() } } document_json = json.dumps(document, ensure_ascii=False) return MCPResponse( id=request.id, result={ "content": [ { "type": "text", "text": document_json } ] } ) except Exception as e: print(f"❌ ERRO no fetch: {e}") return MCPResponse( id=request.id, error={ "code": -32603, "message": f"Erro no fetch: {str(e)}" } ) elif tool_name == "analyze_food": try: # Usa sua função existente de análise! payload = AnalyzeFoodInput( food_description=arguments.get("food_description", ""), portion_grams=arguments.get("portion_grams") ) # Chama sua função analyze() existente sem o request (problema do rate limiter) print(f"\n🍎 ANÁLISE MCP: {payload.food_description}") portion = payload.portion_grams if (payload.portion_grams or 0) > 0 else 100.0 user_prompt = ( f"Alimento: {payload.food_description}\n" f"Porção (g): {portion}\n" "Gere os campos solicitados, mantendo números simples." ) print(f"🤖 ENVIANDO PARA OpenAI via MCP...") resp = client.chat.completions.create( model="gpt-4o-mini", temperature=0.2, messages=[ {"role": "system", "content": SYSTEM_PROMPT}, {"role": "user", "content": user_prompt} ], response_format={"type": "json_object"} ) print(f"📊 TOKENS (MCP): {resp.usage.total_tokens}") content = resp.choices[0].message.content parsed_response = json.loads(content) result = AnalyzeFoodOutput(**parsed_response) # Formata resposta para o ChatGPT formatted_response = f""" 🥗 **Análise Nutricional: {payload.food_description}** 📏 **Porção**: {portion}g 🔢 **Informações Nutricionais**: """ for nutrient in result.nutrients: formatted_response += f"• **{nutrient.name}**: {nutrient.portion:.1f} (por {portion}g) | {nutrient.per100g:.1f} (por 100g)\n" formatted_response += f"\n💡 **Insights**:\n" for insight in result.insights: formatted_response += f"• {insight}\n" formatted_response += f"\n💬 **Dica**: {result.advice}\n" formatted_response += f"\n⚠️ {result.disclaimer}" return MCPResponse( id=request.id, result={ "content": [ { "type": "text", "text": formatted_response } ] } ) except Exception as e: print(f"❌ ERRO na análise MCP: {e}") return MCPResponse( id=request.id, error={ "code": -32603, "message": f"Erro interno: {str(e)}" } ) else: return MCPResponse( id=request.id, error={ "code": -32601, "message": f"Tool não encontrada: {tool_name}" } ) else: return MCPResponse( id=request.id, error={ "code": -32601, "message": f"Método não suportado: {request.method}" } ) # Endpoint MCP info (GET para debug) @app.get("/mcp") def mcp_info(): """Informações do servidor MCP (para debug)""" return { "server": "NutriAI MCP Server", "version": "1.0.0", "description": "Assistente de análise nutricional", "protocol": "JSON-RPC 2.0", "note": "Use POST para chamadas MCP reais" } # Endpoint de configuração do Apps SDK (o que o ChatGPT procura) @app.get("/.well-known/openai_hosted_app") @app.get("/openai_hosted_app") # Rota alternativa def openai_hosted_app(): """Configuração para o ChatGPT Apps SDK""" return { "name_for_model": "nutriai", "name_for_human": "NutriAI - Análise Nutricional", "description_for_model": "Analisa alimentos e fornece estimativas nutricionais detalhadas incluindo calorias, macronutrientes, insights e dicas personalizadas. Use quando o usuário perguntar sobre informações nutricionais de alimentos.", "description_for_human": "Assistente que analisa qualquer alimento e fornece informações nutricionais completas.", "auth": { "type": "none" }, "api": { "type": "openapi", "url": "https://nutriai-mcp-server.onrender.com/openapi.json" }, "contact_email": "contato@exemplo.com", "privacy_policy_url": "https://github.com/frotaadriano/NutriAI/blob/main/README.md" } # Endpoint de metadata para Apps SDK @app.get("/tools/metadata") def get_tools_metadata(): """Metadata das tools para o Apps SDK descobrir""" return { "tools": [ { "name": "analyze_food", "description": "Analisa alimento e retorna estimativa nutricional completa com calorias, macronutrientes e insights personalizados.", "input_schema": { "type": "object", "properties": { "food_description": { "type": "string", "description": "Descrição do alimento (ex: 'tapioca 2 colheres com queijo')" }, "portion_grams": { "type": "number", "description": "Porção em gramas (opcional, padrão: 100g)", "default": 100.0 } }, "required": ["food_description"] }, "examples": [ { "food_description": "tapioca 2 colheres com queijo", "portion_grams": 120 }, { "food_description": "banana prata média", "portion_grams": 86 }, { "food_description": "pão francês com manteiga" } ] } ] } # Endpoint raiz para verificação @app.get("/") def root(): """Endpoint raiz com informações básicas""" return { "app": "NutriAI MCP Server", "status": "online", "version": "1.0.0", "endpoints": { "health": "/health", "mcp": "/mcp", "tools_metadata": "/tools/metadata", "analyze_food": "/tools/analyze_food", "apps_config": "/.well-known/openai_hosted_app" } }