收益：
- 能够通过基本公式（Mifflin-St Jeor，4/4/9）监控BMH、TDEE和宏观分布，并独立验证人工智能计算
- 能够通过检查活性系数、生/熟区别和蛋白质克/千克等关键假设来发现计算错误
- 能够养成乘以宏克数的习惯，以使总量达到目标，而不是误入歧途。
营养计划的数字框架基于两个计算：人的每日能量需求（多少卡路里）以及该能量在大量营养素之间的分配（多少碳水化合物、蛋白质、脂肪）。如果这两个计算错误，整个菜单、菜谱和后续都将建立在错误的基础上。人工智能可以在几秒钟内完成这些计算；但正是这个速度才是危险的根源。因为虽然人工智能可以正确应用公式，但它也可以错误地假设系数并以相同的置信度产生错误的结果。该单元的目的是让人们习惯性地使用人工智能作为“电子表格生成器”并独立验证每个结果。
能源计算基础知识
日常能量需求来自两个部分。第一个是 BMR——基础代谢率，即身体在休息时消耗的能量（只是为了呼吸、心跳、产生热量）。第二个是将该值乘以活动系数（英语活动系数或 PAL - 体力活动水平）；该系数根据人的活动能力而变化，大约在 1.2（久坐）和 1.9（非常重的体力劳动）之间。相乘的结果是 TDEE——每日总能源消耗。
BMH 最常用的公式是 Mifflin-St Jeor：
- 男性：BMH = 10 × 体重（公斤）+ 6.25 × 身高（厘米）− 5 × 年龄 + 5
- 女性：BMH=10×体重（kg）+6.25×身高（cm）−5×年龄−161
例如，对于78公斤、165厘米、38岁的女性：BMH = 10×78 + 6.25×165 − 5×38 − 161 = 780 + 1031.25 − 190 − 161 = 1,460 kcal。如果考虑轻微活跃 (1,375)，TDEE ≈ 2,008 kcal。为了减肥，从这里扣除合理的赤字（例如 500 kcal）→ ~1,500 kcal 目标。能够手动执行这些步骤是能够控制人工智能结果的先决条件。
宏观分布
一旦确定了卡路里目标，我们就会将其分解为宏观目标。宏量的能量密度是固定的，你应该记住它们：1克碳水化合物≈4大卡，1克蛋白质≈4大卡，1克脂肪≈9大卡（酒精≈7大卡）。分配示例：1500大卡40%碳水化合物/30%蛋白质/30%脂肪分配→碳水化合物600大卡÷4=150克；蛋白质 450 ÷ 4 = 112.5 克；脂肪 450 ÷ 9 = 50 克。将总和乘以 1,500 是最简单也是最有效的验证步骤。
下表显示了常见目标的粗略分布范围（这些是一个起点，适合客户）：
目标/情况
碳水化合物
蛋白质
油
注释
一般健康饮食
45-55%
15-20%
25-35%
平衡的
减肥（节省蛋白质）
35-45%
25-30%
25-35%
蛋白质含量高，有饱腹感
增肌/运动员
45-55%
1.6-2.2%克/公斤
20-30%
蛋白质的计算单位为g/kg
胰岛素抵抗
40-45%
20-25%
30-35%
优先考虑纤维状碳水化合物
注意：蛋白质需求通常以克/体重（g/kg）计算，而不是百分比；因为运动员的蛋白质需求取决于他的肌肉质量，而不是他的总热量。人工智能有时会混淆这种区别，并按百分比提供不足的蛋白质。重新计算。
AI账户验证协议
- 检查输入：人工智能使用了哪个公式、哪个活动系数、哪个性别行？要求他们把这些写清楚。
- 请求中间结果：分别显示 BMH 和 TDEE，而不仅仅是“1,500 kcal”。让步骤可见，而不是黑匣子。
- 乘回：将宏克数乘以 4/4/9，以验证总量是否符合目标卡路里。
- 逻辑过滤器：结果对客户来说合理吗？如果一个需要 1,900 大卡的活跃人士却得到了 1,200 大卡，那就错了。
- 通过独立工具确认：在关键情况下，使用可靠的计算工具或手动进行第二次计算。
三个迷你箱子
情况 1 — 系数错误。一位营养师让人工智能为一位每天双脚工作 8 小时、每周训练 4 天的客户进行计算。 AI假设活动系数为1.2（无运动），发现TDEE为1,700 kcal。营养师说“客户非常活跃”并重新计算系数为1.725；实际 TDEE 约为 2,450 kcal。 750大卡的差异会无意中导致计划过于受限。验证防止了一个月的虚弱和肌肉萎缩。
情况 2 — 宏观总计不相加。在另一份计划草案中，AI给出了2000大卡的“220克碳水化合物、150克蛋白质、90克脂肪”。营养师将其乘以：220×4 + 150×4 + 90×9 = 880 + 600 + 810 = 2,290 kcal。总量超出目标 290 kcal。 AI 宏生成不一致。营养师修正数值以达到目标。
案例3——正确使用。营养师首先手动确定 90 公斤力量运动员的蛋白质需求量（2 克/公斤 = 180 克蛋白质 = 720 大卡），然后给 AI 明确的指令“按照这个比例在碳水化合物和脂肪之间分配剩余的热量”。人工智能进行分配，营养师通过将其相乘来验证总数。人工智能进行算术，临床决策（2 g/kg 蛋白质）留给人类。
可复制的提示模板
能源账户模板（步骤可见）您的角色：助理起草账户。该决定由营养师决定。客户（匿名）：[性别、年龄、身高cm、体重kg、活动程度]。使用 Mifflin-St Jeor 公式计算 BMH，清楚地写出您使用的活动系数，显示 TDEE。目标：[减肥/维持]。在单独的行上显示每个中间步骤，以便我可以验证它。
宏观分布模板目标卡路里：[X] kcal。应用以下分布：碳水化合物 __%、蛋白质 __%（或 __ g/kg）、脂肪 __%。计算每个宏的 GRAMS，然后将其乘以 4/4/9，以显示总数总计为 [X]。如果不是，请将值拟合到目标。
验证/后台产品模板检查这些宏观值：[K g 碳水化合物，P g 蛋白质，Y g 脂肪]。将每个乘以 4/4/9 即可得出总卡路里并与目标 [X] kcal 进行比较。如果存在差异，请以百分比形式说明并解释不一致之处。
蛋白质优先级模板客户：[体重]公斤，目标[肌肉维持/增加]。首先根据g/kg计算蛋白质的克数。然后从该蛋白质中减去卡路里，将剩余的卡路里分配给碳水化合物和脂肪[比例]。显示步骤。
弱提示/强提示
弱提示：
告诉我这个人应该吃多少卡路里：女，78公斤。
身高、年龄、活动缺失；人工智能通过猜测进行弥补，并且不会显示它正在做出什么假设。你无法验证。
强力提示：
您的角色：账户起草助理。客户：女，38岁，165厘米，78公斤，稍活跃（系数1.375）。计算 BMH，显示 TDEE，通过 Mifflin-St Jeor 实现 500 kcal 赤字的减肥目标。在单独的行中显示您使用的每个数字。
第二个提示包含所有输入、公式、系数和透明步骤请求；可以逐行检查输出。
常见错误
- 不验证活度系数：最常见且代价高昂的错误；该系数应符合客户的实际生活。
- 不乘以宏观总回报：人工智能的克数常常达不到目标； 30 秒的反斜杠捕获了这一点。
- 蛋白质百分比/克混淆：在运动和临床情况下，蛋白质以克/公斤计算，而不是百分比。
- 依赖黑匣子：接受不显示中间步骤的输出。应该出现步骤。
- 超精准错觉：AI的小数输出“1,847.3大卡”看起来很科学，但预测误差为±10%；不要被虚假的确定性所愚弄。
总之
能源和宏观计算是计划的数字骨架，人工智能快速生成这个骨架。但速度并不能替代验证。自己了解 BMH、TDEE 和宏观分布的公式，这样您就可以控制 AI 的输出。要求中间步骤在每个帐户中可见，将活动系数与客户的实际情况相匹配，将宏乘以 4/4/9，将结果通过逻辑过滤器。不要被错误的精度（带小数的数字）所迷惑；营养计算是一个带有猜测余地的估计值。人工智能加速算术；临床判断和最终批准由您决定。
应用任务
选择客户资料（性别、年龄、身高、体重、活动），然后首先通过 Mifflin-St Jeor 手动计算您自己的 BMR。然后使用“能源账户模板”将相同的配置文件提供给AI。比较两个结果；如果存在差异，找出差异的根源（系数、舍入、公式）。然后通过将目标卡路里除以宏观分布并乘以来验证总数是否相加。
清单
- [ ] AI清楚地写出了他用的是哪个公式和活度系数。
- [ ] 我分别看到了BMH和TDEE的中期结果。
- [ ] 我将宏克数乘以 4/4/9 以验证总数是否达到目标。
- [ ] 必要时我计算了蛋白质需求量（以克/千克为单位）。
- [ ] 我根据客户的现实生活，通过逻辑过滤了结果。
- [ ] 我不会被虚假的确定性所愚弄；我将结果视为预测范围。