🏗️ Código fonte completo: PostgreSQL, nutrição, receita, score labels, PWA fixes

backend/app/integrations/openai_client.py

@@ -9,6 +9,17 @@ Responda SEMPRE em JSON válido com esta estrutura exata:
   "summary": "<resumo em 2-3 frases para leigo, em português>",
   "positives": ["<ponto positivo 1>", ...],
   "negatives": ["<ponto negativo 1>", ...],
+  "nutrition": {
+    "calorias": "<valor por porção, ex: 139 kcal>",
+    "gordura_total": "<valor, ex: 8g>",
+    "gordura_saturada": "<valor, ex: 3g>",
+    "acucar": "<valor, ex: 37g>",
+    "sodio": "<valor, ex: 14mg>",
+    "fibras": "<valor, ex: 0g>",
+    "proteinas": "<valor, ex: 0g>",
+    "carboidratos": "<valor, ex: 35g>"
+  },
+  "nutrition_verdict": "<frase curta sobre o perfil nutricional, ex: Alto em açúcar, zero fibras>",
   "ingredients": [
     {
       "name": "<nome no rótulo>",
@@ -17,9 +28,23 @@ Responda SEMPRE em JSON válido com esta estrutura exata:
       "classification": "<good|warning|bad>",
       "reason": "<motivo da classificação, 1 frase>"
     }
-  ]
+  ],
+  "recipe": {
+    "title": "<nome da receita saudável>",
+    "description": "<descrição curta, 1-2 frases>",
+    "prep_time": "<tempo de preparo>",
+    "calories": "<calorias aproximadas da receita>",
+    "ingredients_list": ["<ingrediente 1>", "<ingrediente 2>", ...],
+    "steps": ["<passo 1>", "<passo 2>", ...],
+    "tip": "<dica nutricional relacionada>"
+  }
 }
 
+Para a receita:
+- Se o produto for SAUDÁVEL (score > 70): sugira uma receita usando o produto
+- Se o produto for RUIM (score <= 70): sugira uma alternativa saudável que substitua o produto
+- A receita deve ser simples, rápida e brasileira quando possível
+
 Critérios para o score:
 - 90-100: Alimento natural, minimamente processado, sem aditivos
 - 70-89: Bom, com poucos aditivos ou processamento leve
@@ -27,6 +52,7 @@ Critérios para o score:
 - 30-49: Ruim, ultraprocessado com vários aditivos
 - 0-29: Péssimo, alto em açúcar/sódio/gordura trans, muitos aditivos
 
+Use os dados nutricionais fornecidos quando disponíveis. Estime quando não disponíveis.
 Considere Nutri-Score, classificação NOVA, e ingredientes problemáticos.
 Seja direto e honesto. Use linguagem simples."""
 
@@ -36,14 +62,18 @@ async def analyze_product(product_data: dict) -> dict:
     
     client = AsyncOpenAI(api_key=settings.OPENAI_API_KEY)
     
+    nutrition_info = product_data.get('nutrition', {})
+    nutrition_str = json.dumps(nutrition_info, ensure_ascii=False) if nutrition_info else 'Não disponível'
+    
     user_msg = f"""Produto: {product_data.get('name', 'Desconhecido')}
 Marca: {product_data.get('brand', '')}
 Categoria: {product_data.get('category', '')}
 Ingredientes: {product_data.get('ingredients_text', 'Não disponível')}
 Nutri-Score: {product_data.get('nutri_score', 'N/A')}
 NOVA: {product_data.get('nova_group', 'N/A')}
+Dados Nutricionais: {nutrition_str}
 
-Analise este produto."""
+Analise este produto com informações nutricionais detalhadas e sugira uma receita."""
 
     try:
         resp = await client.chat.completions.create(
@@ -54,7 +84,7 @@ Analise este produto."""
             ],
             response_format={"type": "json_object"},
             temperature=0.3,
-            timeout=15,
+            timeout=30,
         )
         return json.loads(resp.choices[0].message.content)
     except Exception as e:
@@ -82,5 +112,8 @@ def _mock_analysis(product_data: dict) -> dict:
         "summary": f"Análise baseada em regras para {product_data.get('name', 'este produto')}. Configure OPENAI_API_KEY para análise completa com IA.",
         "positives": ["Dados nutricionais disponíveis"],
         "negatives": ["Análise IA indisponível - usando fallback"],
-        "ingredients": []
+        "nutrition": {},
+        "nutrition_verdict": "",
+        "ingredients": [],
+        "recipe": None
     }

backend/app/models/product.py

@@ -14,4 +14,4 @@ class Product(Base):
     nova_group = Column(Integer)
     nutrition_json = Column(Text)  # JSON string
     image_url = Column(String)
-    updated_at = Column(DateTime, default=lambda: datetime.now(timezone.utc))
+    updated_at = Column(DateTime(timezone=True), default=lambda: datetime.now(timezone.utc))

backend/app/models/scan.py

@@ -12,4 +12,4 @@ class Scan(Base):
     score = Column(Integer)
     summary = Column(Text)
     analysis_json = Column(Text)  # Full AI analysis as JSON
-    scanned_at = Column(DateTime, default=lambda: datetime.now(timezone.utc))
+    scanned_at = Column(DateTime(timezone=True), default=lambda: datetime.now(timezone.utc))

backend/app/models/user.py

@@ -9,4 +9,4 @@ class User(Base):
     name = Column(String, nullable=False)
     password_hash = Column(String, nullable=False)
     is_premium = Column(Boolean, default=False)
-    created_at = Column(DateTime, default=lambda: datetime.now(timezone.utc))
+    created_at = Column(DateTime(timezone=True), default=lambda: datetime.now(timezone.utc))

backend/app/routers/scan.py

@@ -91,6 +91,9 @@ async def scan_product(req: ScanRequest, user: User = Depends(get_current_user),
         ingredients=analysis.get("ingredients", []),
         nutri_score=product_data.get("nutri_score"),
         nova_group=product_data.get("nova_group"),
+        nutrition=analysis.get("nutrition"),
+        nutrition_verdict=analysis.get("nutrition_verdict"),
+        recipe=analysis.get("recipe"),
         source=source,
     )
 
@@ -104,3 +107,67 @@ async def get_history(user: User = Depends(get_current_user), db: AsyncSession =
         id=s.id, barcode=s.barcode, product_name=s.product_name,
         brand=s.brand, score=s.score, scanned_at=s.scanned_at
     ) for s in scans]
+
+@router.get("/history/{scan_id}")
+async def get_scan_detail(scan_id: int, user: User = Depends(get_current_user), db: AsyncSession = Depends(get_db)):
+    result = await db.execute(
+        select(Scan).where(Scan.id == scan_id, Scan.user_id == user.id)
+    )
+    scan = result.scalar_one_or_none()
+    if not scan:
+        raise HTTPException(status_code=404, detail="Scan não encontrado")
+    
+    analysis = json.loads(scan.analysis_json or '{}')
+    # Also get product info
+    prod_result = await db.execute(select(Product).where(Product.barcode == scan.barcode))
+    product = prod_result.scalar_one_or_none()
+    
+    return {
+        "id": scan.id,
+        "barcode": scan.barcode,
+        "product_name": scan.product_name,
+        "brand": scan.brand,
+        "score": scan.score,
+        "summary": scan.summary,
+        "scanned_at": scan.scanned_at.isoformat() if scan.scanned_at else None,
+        "category": product.category if product else None,
+        "image_url": product.image_url if product else None,
+        "nutri_score": product.nutri_score if product else None,
+        "nova_group": product.nova_group if product else None,
+        "positives": analysis.get("positives", []),
+        "negatives": analysis.get("negatives", []),
+        "ingredients": analysis.get("ingredients", []),
+    }
+
+@router.get("/history/{scan_id}")
+async def get_scan_detail(scan_id: int, user: User = Depends(get_current_user), db: AsyncSession = Depends(get_db)):
+    result = await db.execute(
+        select(Scan).where(Scan.id == scan_id, Scan.user_id == user.id)
+    )
+    scan = result.scalar_one_or_none()
+    if not scan:
+        raise HTTPException(status_code=404, detail="Scan não encontrado")
+    
+    analysis = json.loads(scan.analysis_json or '{}')
+    prod_result = await db.execute(select(Product).where(Product.barcode == scan.barcode))
+    product = prod_result.scalar_one_or_none()
+    
+    return {
+        "id": scan.id,
+        "barcode": scan.barcode,
+        "product_name": scan.product_name,
+        "brand": scan.brand,
+        "score": scan.score,
+        "summary": scan.summary,
+        "scanned_at": scan.scanned_at.isoformat() if scan.scanned_at else None,
+        "category": product.category if product else None,
+        "image_url": product.image_url if product else None,
+        "nutri_score": product.nutri_score if product else None,
+        "nova_group": product.nova_group if product else None,
+        "positives": analysis.get("positives", []),
+        "negatives": analysis.get("negatives", []),
+        "ingredients": analysis.get("ingredients", []),
+        "nutrition": analysis.get("nutrition", {}),
+        "nutrition_verdict": analysis.get("nutrition_verdict", ""),
+        "recipe": analysis.get("recipe"),
+    }

backend/app/schemas/scan.py

@@ -1,5 +1,5 @@
 from pydantic import BaseModel
-from typing import Optional, List
+from typing import Optional, List, Any, Dict
 from datetime import datetime
 
 class ScanRequest(BaseModel):
@@ -9,9 +9,18 @@ class IngredientAnalysis(BaseModel):
     name: str
     popular_name: Optional[str] = None
     explanation: str
-    classification: str  # "good", "warning", "bad"
+    classification: str
     reason: str
 
+class RecipeInfo(BaseModel):
+    title: Optional[str] = None
+    description: Optional[str] = None
+    prep_time: Optional[str] = None
+    calories: Optional[str] = None
+    ingredients_list: Optional[List[str]] = None
+    steps: Optional[List[str]] = None
+    tip: Optional[str] = None
+
 class ScanResult(BaseModel):
     barcode: str
     product_name: Optional[str] = None
@@ -23,6 +32,9 @@ class ScanResult(BaseModel):
     positives: List[str]
     negatives: List[str]
     ingredients: List[IngredientAnalysis]
+    nutrition: Optional[Dict[str, Any]] = None
+    nutrition_verdict: Optional[str] = None
+    recipe: Optional[RecipeInfo] = None
     nutri_score: Optional[str] = None
     nova_group: Optional[int] = None
     source: str = "open_food_facts"