Food Fit 2.0: Personaliza tus recetas con RAG usando Genkit y Firestore
25 nov. 2025

En la primera parte construimos Food Fit, una aplicación capaz de generar recetas saludables usando Genkit, Gemini e Imagen 3.
En esta segunda parte agregaremos un nuevo feature: personalizar recetas según las restricciones alimentarias del usuario, implementando un patrón RAG (Retrieval-Augmented Generation) usando Firestore como repositorio de conocimiento.
¿Por qué RAG en una app como Food Fit?
En la versión inicial, la aplicación generaba recetas únicamente a partir del ingrediente que el usuario ingresaba. Sin embargo, surgía un problema:
¿Qué pasa si el usuario no puede consumir ciertos ingredientes por alergias o restricciones?
Aquí es donde RAG se vuelve clave.
¿Qué es RAG?
RAG (Retrieval-Augmented Generation) combina un modelo generativo con información externa almacenada en una base de datos o servicio adicional.
Su objetivo principal es evitar que la IA “alucine” y obligarla a basarse en datos reales y específicos.
¿Cómo funciona RAG en términos simples?
- El usuario ingresa un alimento.
- Recuperamos la información del usuario desde Firestore (alimentos restringidos).
- Inyectamos esa información en el prompt como contexto.
- El modelo genera recetas considerando tanto la entrada del usuario como sus restricciones.
Para este ejemplo, almacenaremos los alimentos que el usuario no puede consumir y solicitaremos al modelo que no los incluya en las recetas generadas.
¿Es realmente RAG si no usamos vectores?
Sí, pero en su versión más ligera.
No implementamos el RAG tradicional basado en embeddings y búsquedas vectoriales. En cambio, aplicamos un RAG contextual, muy común cuando los datos son estructurados:
- Retrieval: viene de Firestore.
- Augmentation: inyectamos esos datos directamente en el prompt.
- Generation: Gemini produce la receta respetando las restricciones.
Arquitectura de la aplicación

En esta nueva versión, la aplicación no está compuesta solo por Angular y Genkit. Ahora incorporamos:
- Firebase Authentication, para identificar al usuario.
- Firestore, para almacenar los alimentos restringidos.
Implementación paso a paso
Ahora que entendemos el porqué y el concepto detrás del RAG ligero, veamos cómo implementarlo en nuestra aplicación.
Autenticación del usuario
Antes de personalizar cualquier receta, necesitamos identificar al usuario. Con Firebase Authentication, cada usuario obtiene un UID único, que usaremos como clave para almacenar sus restricciones alimentarias.
Esto asegura que cada usuario tenga su propio perfil, sus preferencias estén aisladas y podamos aplicar RAG de manera consistente.

Guardar las restricciones alimentarias en Firestore
Creamos una colección:
/prohibited-food/{uid}
Donde cada documento contiene la lista de alimentos que el usuario no puede consumir:
{
"foods": ["leche", "maní"]
}


Implementación del flujo RAG en Genkit
Para implementar las restricciones alimentarias dentro del proceso de generación de recetas, creamos un flow en Genkit llamado foodSuggestionWithProhibitedFoodFlow. Este flow encapsula dos pasos importantes:
- Retrieval: Obtener la lista de alimentos restringidos por el usuario desde Firestore.
- Augmented Generation: Construir un contexto y pasarlo al modelo Gemini para que genere las recetas.
export const foodSuggestionWithProhibitedFoodFlow = ai.defineFlow(
{
name: 'foodSuggestionWithProhibitedFoodFlow',
inputSchema: inputSchemaWithProhibitedFood,
outputSchema: outputListFoodItemSchema,
},
async (payload) => {
try {
// We retrieved the user information from Firestore
const userDoc = await db.collection('prohibited-food').doc(payload.userId).get();
if (!userDoc.exists) {
throw new UserFacingError('NOT_FOUND', 'No se encontraron datos del usuario.');
}
const prohibitedFoods = userDoc.data()?.foods;
// We build a context that we then inject into the model
const prohibitedFoodsContext = prohibitedFoods.length > 0
? `El usuario es alérgico a: ${prohibitedFoods.join(', ')}. **ASEGÚRATE DE EXCLUIR ESTOS INGREDIENTES. EN EL CASO TE INDIQUE UN ALIMENTO DE LA LISTA COMO ALIMENTO PRINCIPAL, NO GENERES NINGUNA RECETA.**`
: 'No hay alergias conocidas.';
// We explicitly send instructions within the system and prompt so that the model strictly follows those restrictions.
const suggestionPrompt = ai.prompt('foodSuggestionWithProhibitedFood');
const { output } = await suggestionPrompt({
...payload,
prohibited_foods_context: prohibitedFoodsContext
});
if (output == null) {
throw new UserFacingError('UNAVAILABLE', 'Hubo un error en la generación de la receta.');
}
return output;
} catch (error) {
throw new UserFacingError('UNAVAILABLE', error)
}
}
);
Este flujo obtiene desde Firestore la lista de alimentos prohibidos de un usuario y construye automáticamente un contexto que advierte al modelo, indicando que debe excluir esos ingredientes y no generar recetas si alguno aparece como alimento principal. Luego, envía estas instrucciones al prompt del modelo junto con los datos de entrada originales para generar una sugerencia de comida segura. Si el usuario no existe o el modelo no devuelve una respuesta válida, el flujo arroja un UserFacingError indicando el problema.
Probando el flujo en Genkit
Una vez implementado el flow, podemos probarlo directamente desde la Genkit Developer UI:

El flujo construirá el contexto automáticamente y enviará al modelo la instrucción de excluir estos alimentos.
El modelo generará recetas saludables, basadas en el ingrediente solicitado, y totalmente libres de los alimentos prohibidos.
Puedes ver el código completo del proyecto en GitHub: lperezp/food-fit-app.
Conclusión
En esta segunda parte de Food Fit, añadimos un nivel de personalización más avanzado implementando un patrón RAG ligero, aprovechando Firebase y Genkit. Este enfoque permite que la IA genere recetas realmente útiles, seguras y adaptadas a cada usuario, sin necesidad de infraestructura vectorial.