Análisis nutricional de comidas por webhook con OpenAI

Cómo funciona

1. 1.El nodo meal_image_webhoook acepta HTTP POST en la ruta fb1795ae-7290-48be-8c52-27b50eb32691 y espera la respuesta del nodo final.
2. 2.El nodo analyze_image envía la propiedad binaria image (base64) a chatgpt-4o-latest con instrucciones para identificar alimentos, estimar porciones y calcular valores nutricionales en un único objeto JSON.
3. 3.El nodo extract_results (cadena LLM con gpt-4o-mini) convierte el texto de análisis en un objeto que coincide con un esquema JSON manual (mealName, calorías, macronutrientes, sodio, confidenceScore, healthScore).
4. 4.Un Auto-fixing Output Parser envuelve al analizador estructurado para reintentar correcciones cuando la salida no coincide con el esquema, reutilizando gpt-4o-mini.
5. 5.El nodo respond_to_webhook devuelve JSON.stringify($json.output) como cuerpo JSON de la respuesta.

Casos de uso

• Servicio backend para una app de conteo de calorías (p. ej., Lovable) que sube fotos de comidas y recibe estimaciones nutricionales estructuradas.
• Endpoint de análisis de fotos de comida bajo demanda para cualquier frontend que envíe una imagen base64 llamada image.

Requisitos

• Credenciales válidas de OpenAI configuradas tanto en analyze_image como en el nodo OpenAI Chat Model.
• Las peticiones entrantes deben incluir la imagen como dato binario en la propiedad image.
• Activación manual del flujo, ya que está guardado con active: false.

Configuración y pruebas en n8n

1. Activa el flujo, envía por POST una foto de comida al webhook con un campo image y confirma que devuelve el JSON nutricional.
2. Envía una imagen sin comida y verifica que la respuesta indique confidenceScore 0 y mealName Unidentifiable.
3. Revisa los registros de ejecución para confirmar que el analizador estructurado y el auto-fix funcionan ante salidas irregulares.

Valor del servicio

Ideal como servicio de automatización inteligente que combina integraciones e inteligencia artificial para producir resultados listos para usar.