Introcuced a Free LLM for easier food input

backend/app/routers/products.py

@@ -2,17 +2,36 @@ from uuid import uuid4
 
 import httpx
 from fastapi import APIRouter, HTTPException, Query, status
+from pydantic import ValidationError
 from sqlmodel import select
 
+from app import llm
 from app.access import product_barcode_accessible
 from app.deps import CurrentUserDep, SessionDep
 from app.models import FoodLog, Product
-from app.schemas import ProductCreate, ProductRead, ProductSearchResult
+from app.schemas import (
+    NutritionEstimateRequest,
+    NutritionEstimateResponse,
+    ProductCreate,
+    ProductRead,
+    ProductSearchResult,
+)
 
 router = APIRouter(prefix="/api/products", tags=["products"])
 
 OFF_API_URL = "https://world.openfoodfacts.org/api/v2/product/{barcode}.json"
 
+ESTIMATE_SYSTEM_PROMPT = """Du bist ein Ernährungsexperte. Schätze die Nährwerte des vom Nutzer beschriebenen Lebensmittels oder Gerichts.
+
+Antworte AUSSCHLIESSLICH mit einem JSON-Objekt in genau diesem Format:
+{"name": "kurzer Produktname", "calories": 250.0, "carbs": 30.0, "protein": 12.0, "fat": 9.0, "sugar": 3.0, "fiber": 2.0, "saturated_fat": 3.5, "salt": 1.2, "portion_g": 350.0}
+
+Regeln:
+- Alle Nährwerte beziehen sich auf 100 g (calories in kcal, alles andere in Gramm).
+- portion_g ist die geschätzte übliche Portionsgröße der Beschreibung in Gramm.
+- name ist ein kurzer, gut lesbarer deutscher Produktname ohne Mengenangabe.
+- Nutze realistische Durchschnittswerte. Keine Erklärungen, kein Text außerhalb des JSON."""
+
 
 def _extract_macros(nutriments: dict) -> dict:
     calories = nutriments.get("energy-kcal_100g")
@@ -71,6 +90,31 @@ def create_product(product_in: ProductCreate, current_user: CurrentUserDep, sess
     return product
 
 
+@router.post("/estimate", response_model=NutritionEstimateResponse)
+def estimate_nutrition(estimate_in: NutritionEstimateRequest, current_user: CurrentUserDep):
+    if not llm.is_configured():
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail="KI-Schätzung ist auf diesem Server nicht konfiguriert",
+        )
+
+    try:
+        data = llm.complete_json(ESTIMATE_SYSTEM_PROMPT, estimate_in.description)
+    except llm.LLMUnavailableError:
+        raise HTTPException(
+            status_code=status.HTTP_503_SERVICE_UNAVAILABLE,
+            detail="KI-Schätzung gerade nicht erreichbar. Bitte später erneut versuchen.",
+        )
+
+    try:
+        return NutritionEstimateResponse(**data)
+    except (ValidationError, TypeError):
+        raise HTTPException(
+            status_code=status.HTTP_502_BAD_GATEWAY,
+            detail="KI-Antwort war unbrauchbar. Bitte erneut versuchen oder Werte manuell eintragen.",
+        )
+
+
 @router.get("/search", response_model=list[ProductSearchResult])
 def search_products(
     current_user: CurrentUserDep,