← Volver a proyectos
fit

Capacidades

  • Motor de progresión
  • Escáner de código de barras
  • App de iOS
  • Autenticación JWT

Frontend

Angular
Ionic
Capacitor
TypeScript

Backend

NestJS
Node.js
PostgreSQL
Neon
Vercel

fit

En desarrollo

fit nació para sustituir el Excel con el que me planificaba mi entrenador: rutinas, cargas de cada semana, dieta por opciones, suplementos y medidas. Registra cada serie con peso, repeticiones y RIR, y un motor de doble progresión dice cuándo subir peso o repeticiones y avisa de los estancamientos. La nutrición va con buscador, bloques reutilizables y escáner de código de barras contra Open Food Facts. API NestJS con TypeORM y PostgreSQL, y app en Angular e Ionic con Capacitor para iOS, construida trabajando con agentes de IA.

El reto

En el gimnasio el móvil va en una mano y entre serie y serie hay poco tiempo. El reto era que apuntar una serie fuese un gesto, que la app supiese qué toca hoy y con qué peso, y que el escáner funcionase también en el Safari del iPhone, que no trae el lector de códigos del navegador.

Capturas

Implementación

  • Motor de doble progresión

    Reglas puras y probadas que deciden si toca subir peso o repeticiones, detectan estancamientos, regresiones y saltos sospechosos, y tienen en cuenta calentamientos, dropsets y microcargas.

  • Planificación por bloques

    Mesociclos de 12 semanas con reparto semanal y una tira con los días hechos, saltados y pendientes, o una rotación automática: la pantalla Hoy dice qué rutina toca.

  • Escáner en cualquier navegador

    Usa el BarcodeDetector del navegador cuando existe y, donde no (Safari y Chrome en el iPhone, Firefox), lee con ZXing en WebAssembly. En la app de iOS, un plugin nativo propio en Swift. Lee también los QR y DataMatrix de GS1.

  • Una sesión pensada para una mano

    Guardado optimista con reintento, deslizar para dar la serie por hecha y un descanso con cuenta atrás que, al terminar, abre sola la serie siguiente.

  • Un entrenador de IA con contexto

    fit-claudio, un agente de IA con las reglas de un entrenador, revisa las rutinas y deja comentarios en cada una, hace preguntas cada pocas semanas y contesta las notas con foto que se dejan durante el entreno.

  • Construida en vertical y con pruebas

    Cada módulo se hace de punta a punta, de la base de datos a la pantalla, con pruebas unitarias y end-to-end del back y una prueba en el navegador antes de darlo por terminado.