밀프레드 편식도감
백엔드 아키텍처

한눈에 보기

전체 아키텍처

클라이언트(PWA·iOS·Android) → 엣지 API(Vercel) → 3개 코어 엔진(평가·추천·OCR) → 데이터 레이어(Supabase Postgres) + ETL/배치(GitHub Actions)

데이터 모델 (Supabase Postgres)

4개 도메인으로 분리: 사용자/아이 · 식단 기록 · 마스터 데이터 · 캐시

CREATE TABLE meal_logs (
  id UUID PRIMARY KEY,
  child_id UUID REFERENCES children(id),
  eaten_at DATE,
  meal_type ENUM('아침','점심','저녁','간식'),
  approx_hour INT,           -- 8,10,12... 대략적
  duration_min INT,           -- 10,15,20,30
  place ENUM(...),
  texture_level ENUM('미음·페이스트·매시·다진·큐브·스틱·통째'),
  autonomy ENUM('떠먹여줌·반자율·스스로'),
  reaction ENUM('거부·남김·잘먹음·또달라')
);

평가 엔진 — Rule-based

모든 평가는 결정론적 계산. LLM 미사용. 빠르고 일관적·재현 가능.

3-1. 8축 식단 진단

3-2. KDRI 36종 신호등 (빈도 기반)

# 의사코드
def signal_36_nutrients(child_id, days=7):
    logs = get_meal_logs(child_id, days=days)
    age_band = get_age_band(child_id)  # '1-2y'

    nutrient_meals = defaultdict(int)
    for log in logs:
        for ing in log.ingredients:
            for nutrient, amount in ing.nutri_per_100g.items():
                contribution = (amount * ing.estimated_g/100) / KDRI_RNI[age_band][nutrient]
                if contribution >= 0.3:
                    nutrient_meals[nutrient] += 1

    for nutrient in KDRI_36_NUTRIENTS:
        freq_pct = nutrient_meals[nutrient] / weekly_target * 100
        status = 'green' if freq_pct >= 80 else 'orange' if freq_pct >= 50 else 'red'

3-3. 탄·단·지 + BMI 종합

빈도 단독 평가 부족 → 키·몸무게·BMI percentile 가미. 같은 "매일 먹음"도 BMI 위치에 따라 다른 권고.

추천 엔진 — Hybrid (Rule + LLM)

Rule 단독: 자연어 빈약. LLM 단독: 4,432종 컨텍스트 X. 하이브리드: Rule이 후보 압축, LLM이 정제·자연어 생성.

4-1. 4가지 원칙 (사용자 정의)

4-2. LLM 프롬프트 구조 (Phase 2)

system: |
  당신은 만 0-5세 영유아의 식습관 데이터를 분석해
  4가지 원칙에 따라 레시피를 추천하는 영양 전문가입니다.

  원칙: 1) 잘먹는 베이스 + 도전, 2) 잘먹지만 오랜만 → 원물,
        3) 극도 거부 → 가림, 4) 부족 영양 보강

  각 원칙별 1-2개 선택 + 자연어 "왜 우리 아이에게?" (3-4문장).

user: |
  ## 프로파일
  - 만 28개월 · 잘먹는 베이스: 계란찜 43회·죽 32회·부침개 15회
  - 거부 식재료: 시금치(36%)·가지(37%, 1년 9개월 미만남)
  - 신호등 빨강: 철 38%·콜린 42%·비타민D 35%·EPA+DHA 30%

  ## 190개 후보 (Phase 1)
  [JSON 데이터]

cache_control: ephemeral (1시간)

OCR — 어린이집·유치원 식단표 인식

네이버 CLOVA OCR로 식단표 전사 → Claude Haiku가 메뉴를 식재료로 분해. 표 추출(table extractor) 미지원 도메인은 일반 OCR로 자동 폴백.

월 운영 비용 (100 사용자 기준)

※ 사용자 1,000명 시 ~₩1.5M 추정. 사용 패턴(추천 호출 빈도)에 따라 변동.

개발 일정 (4-6주 MVP)

보안 + 프라이버시

기술 스택

즉시 결정 필요 3가지

성공 지표