Costruire un motore decisionale climatico basato sull'IA in 12 ore
La maggior parte delle app sull'impronta di carbonio fallisce.
Ti forniscono un numero. Ti danno consigli generici. La consapevolezza non cambia il comportamento. Sapere che la tua impronta è di 8 tonnellate di CO2 non ti dice cosa fare dopo.
Ho costruito Climbit per risolvere questo problema. Non è un calcolatore. È un motore decisionale. Risponde a una sola domanda: Qual è la migliore azione che posso intraprendere proprio ora?
La logica principale
La maggior parte degli strumenti si concentra sulla misurazione. Climbit si concentra sulle decisioni. Il sistema analizza i tuoi:
- Pendolarismo
- Energia domestica
- Cibo e dieta
- Viaggi
Classifica le azioni in base alla riduzione di carbonio, al costo, allo sforzo e alla pertinenza.
La divisione ingegneristica
Ho fatto una scelta critica. Ho separato la matematica dall'IA.
I grandi modelli linguistici sono scarsi in matematica. Allucinano i numeri. In Climbit, l'IA non calcola mai le emissioni.
Il flusso di lavoro funziona così:
- Fornisci i dati tramite testo, voce o immagini di ricevute.
- Gemini estrae i dati in un JSON strutturato.
- Un motore TypeScript esegue i calcoli effettivi.
- L'IA interpreta i risultati per fornirti un piano personalizzato.
Questo mantiene i dati accurati e l'esperienza personalizzata.
Lo stack tecnologico
- Next.js 15 e React 19
- TypeScript e Tailwind CSS
- Supabase e Clerk
- Google Gemini 1.5 Flash
- Vitest e Playwright
Risolvere problemi reali
Costruire tutto questo ha richiesto la risoluzione di difficili problemi tecnici:
- Hydration: Recharts causava errori durante il rendering lato server. Ho risolto posticipando il rendering dei grafici fino al montaggio del client.
- Sicurezza: Ho implementato un rate limiter a "token bucket". Questo protegge gli endpoint IA costosi dagli abusi.
- Accessibilità: Ho utilizzato HTML semantico e label ARIA. L'accessibilità è un requisito, non un pensiero postumo.
La lezione
L'IA accelera la programmazione. Non sostituisce l'architettura.
Ho trascorso la maggior parte del mio tempo a:
- Risolvere problemi di hydration.
- Validare i casi limite (edge cases).
- Rafforzare la sicurezza.
- Migliorare l'affidabilità.
La differenza tra una demo e un prodotto risiede in questi dettagli. Le persone non hanno bisogno di più dati sul clima. Hanno bisogno di migliori decisioni climatiche.
Community di apprendimento opzionale: https://t.me/GyaanSetuAi