Gymnasia

Um personal trainer de IA que roda inteiro no seu celular

Quer saber como está construído por dentro? Os dois agentes estão explicados passo a passo em Gymnasia: arquitetura de um agente de IA que roda no celular.

Baixar APK para Android

O que a torna diferente

Apps de academia existem muitos, e de dieta também. O que muda aqui é o que ela carrega dentro: um agente de IA que faz de personal trainer.

E não é um chat pendurado ao lado do app para tirar dúvidas soltas. É um agente com acesso real aos seus dados: você diz «monta uma rotina de empurrar para três dias» ou «anota que comi dois ovos e uma torrada» e ele faz, busca na biblioteca de exercícios, escreve na dieta do dia, lê as suas medidas para decidir e lembra do que você contou na semana passada.

A segunda coisa que a torna diferente: esse agente roda inteiro no seu celular. Não há nenhum servidor meu por onde os seus dados passem, porque não há servidor. O app chama diretamente o fornecedor de IA com uma chave que você fornece, e todo o resto, decidir o que fazer, executar e guardar, acontece dentro do telefone. O seu peso, a sua dieta e as suas rotinas não saem dali.

O coach conversacional

É o agente com quem você fala. Opera o app através de um catálogo de tools: busca exercícios e alimentos, lê e escreve a sua dieta, cria rotinas, anota medidas e guarda o que você conta sobre si para ter presente na conversa seguinte. A sua capacidade de agir é exatamente essa lista, nem uma coisa a mais.

É BYOK (bring your own key): a chave de API é fornecida por você e fica guardada no dispositivo, então você escolhe qual fornecedor usar e controla quanto gasta. O system prompt é baixado remotamente com uma cópia embutida de reserva, de modo que pode ser corrigido sem publicar uma versão nova e o app continua funcionando sem conexão.

Lê-se de cima para baixo pela coluna central: é isso que acontece no tempo. A caixa da esquerda não são passos: são as peças que se somam umas às outras e entram juntas em cada chamada, daí a seta larga. A da direita é o que acontece quando o modelo pede uma tool. A linha tracejada clara volta atrás: o resultado é acrescentado ao histórico e chama-se outra vez. A vermelha é a única coisa que sai do dispositivo. E as caixas de borda tracejada são a chamada ao modelo: aí quem manda é o fornecedor, não o código do app.

Deslize o grafo na horizontal para o ver inteiro.

Passo seguinte Entra na chamada Volta atrás (laço) Sai do dispositivo Fora do teu código

O estimador de refeições

O segundo agente, independente do primeiro: você tira uma foto do prato e ele devolve calorias e macronutrientes. Se houver um código de barras na foto, ele lê e consulta o OpenFoodFacts, então nos produtos de supermercado os números são os reais e não uma estimativa a olho. Nada é guardado na sua dieta até você aprovar.

Mesma leitura e mesmas caixas do grafo do coach. Atenção ao desvio do código de barras: não é uma alternativa à estimativa, é mais uma volta do laço. O dado exato volta ao modelo e a estimativa é produzida na mesma, só que com números reais em vez de a olho. As três caixas de borda tracejada são chamadas ao modelo.

Deslize o grafo na horizontal para o ver inteiro.

Passo seguinte Entra na chamada Volta atrás (laço) Sai do dispositivo Fora do teu código

Todo o resto

Rotinas de treino

Crie rotinas personalizadas com exercícios, séries, repetições e pesos. Cada rotina pode ser categorizada (força, cardio, flexibilidade, etc.) e personalizada com ícones. Durante o treino, um temporizador de descanso com alerta sonoro avisa quando continuar.
Biblioteca de exercícios

Repositório aberto de exercícios com imagens geradas por IA mostrando a execução correta, tanto na versão masculina quanto feminina. Os exercícios incluem grupo muscular, equipamento necessário, dificuldade e instruções detalhadas. Os usuários também podem criar exercícios personalizados.
Acompanhamento de dieta

Registro diário de refeições com cálculo de calorias e macronutrientes (proteínas, carboidratos e gorduras), objetivos nutricionais personalizados e leitura de códigos de barras contra o OpenFoodFacts.
Medidas corporais

Acompanhamento de peso e outras medidas corporais com histórico temporal para visualizar seu progresso.

Arquitetura

O aplicativo não tem backend: os dois agentes são executados inteiramente no celular, então os dados do usuário nunca saem do dispositivo. O projeto é um monorepo gerenciado com npm workspaces contendo:

apps/mobile: Aplicativo Expo React Native (superfície principal)
packages/shared: Tokens de design e tipos TypeScript compartilhados
ejercicios/: Repositório aberto de exercícios (JSON + imagens geradas com IA)

O app móvel utiliza AsyncStorage para persistência local e Expo SecureStore para chaves API. As imagens dos exercícios são servidas do repositório GitHub e cacheadas no dispositivo.

Tecnologias

Mobile: React Native, Expo SDK 54, TypeScript
IA: OpenAI, Anthropic e Google Gemini através de adaptadores, com esquema BYOK
Dados nutricionais: OpenFoodFacts para a leitura de códigos de barras
Geração de imagens: IA generativa para ilustrações de exercícios
Build: EAS Build para geração de APKs Android

Código fonte

O projeto é open source e está disponível no GitHub.

Apoio

Se você gostou do projeto, considere dar uma estrela no GitHub.

Mais sobre os agentes

Se quiser mais informação sobre como o app é feito, os dois grafos acima explicados passo a passo, o laço de tools, a escolha de fornecedor e por que o system prompt vive em remoto, está tudo em Gymnasia: arquitetura de um agente de IA que roda no celular.

Continuar lendo

Streaming de tool calls: acumular argumentos sem executar pela metade

Como acumular argumentos entregues em deltas durante um stream e por que uma tool nunca deve executar antes do evento terminal do provedor.

Como parsear tool calls da OpenAI, Anthropic e Google

Como transformar chamadas de tools de diferentes provedores de LLMs em uma interface comum sem perder os identificadores...

Como declarar tools confiáveis para OpenAI, Anthropic e Google

Guia prático para criar tools que um LLM consiga descobrir, adaptar para qualquer provedor de LLMs, executar com seguran...

Últimos posts -->

Você viu esses projetos?

Gymnasia

LangGraph Deep Researcher

Tau

Ver todos os projetos -->

>_ Disponível para projetos

Tem um projeto com IA?

Vamos conversar.

maximofn@gmail.com

Especialista em Machine Learning e Inteligência Artificial. Desenvolvo soluções com IA generativa, agentes inteligentes e modelos personalizados.

Escreva-me LinkedIn

Quer assistir alguma palestra?

Agentes do Amanhã: Descifrando os Mistérios da Planificação, UX e Memória

Agentes de IA, impulsionados por LLMs, prometem transformar aplicações. Mas eles são meros executores hoje ou futuros colaboradores inteligentes? Para...

Crie sua própria inteligência Apple

Aprenda a criar um sistema de IA para executar eficientemente em um dispositivo

Últimas palestras -->

Quer melhorar com essas dicas?

Boas práticas criando agentes com Claude Code

Palestra técnica: skills, subagentes, slash commands e MCPs no Claude Code

o1 prompt engineering

Criar prompts melhores para o1 seguindo um exemplo

Memory profiler

Ver o uso de memória de um script

Últimos tips -->

Use isso localmente

Os espaços do Hugging Face nos permitem executar modelos com demos muito simples, mas e se a demo quebrar? Ou se o usuário a deletar? Por isso, criei contêineres docker com alguns espaços interessantes, para poder usá-los localmente, aconteça o que acontecer. Na verdade, se você clicar em qualquer botão de visualização de projeto, ele pode levá-lo a um espaço que não funciona.