收益：
- 能够理解从知名数据库（USDA、TÜBER、BeBiS）而不是从人工智能记忆中获取营养价值的必要性
- 能够通过 RAG 逻辑指导人工智能仅使用从源获取的数据进行计算和解释
- 能够通过考虑生/熟转换、份量清晰度和来源一致性来防止营养错误
营养师日常工作的核心问题是“这种营养素的含量是多少？”有一个问题。 100克鸡胸肉中含有多少克蛋白质？一片全麦面包含有多少克纤维？一汤匙橄榄油含有多少卡路里？这些问题的答案存在于食物成分数据库中——根据实验室分析列出了数千种食物的能量、常量和微量营养素含量的官方表格。人工智能在这个领域最危险的错误是认为它“记住”了这些数字。然而，语言模型并不记住数字；而是记住数字。它以概率方式生成，并且经常给出接近现实的值，但有时会出现严重错误。该单元的主要信息很明确：从公认的数据库中获取营养价值，而不是从人工智能的记忆中获取；使用人工智能来处理准确的数据，而不是记住数据。
著名数据库及其用途
在世界各地和土耳其广泛使用的主要来源是：
数据库
适用范围
强项
注意
美国农业部食品数据中心（美国）
非常大，约 25 万条记录
详细、免费、带API
美国产品；当地食品有限公司
TÜBER / Türkiye 营养指南补充剂
专注于土耳其美食
当地食物和份量
范围比美国农业部窄
BeBiS（营养信息系统）
土耳其常用软件
土耳其食谱
授权软件
美国农业部/欧洲FIR
欧洲成分数据
基于国家的标准
访问可以是制度性的
“API”是指允许软件以编程方式（自动）向数据库提出问题并接收结构化答案的接口。拥有 USDA FoodData Central 等资源的 API 使得未来将人工智能工具连接到真实数据成为可能。这就是“数据驱动人工智能”方法的基础：不拟合模型，从真实来源中汲取经验。
注意：同一种营养素在不同数据库中可能显示不同的值；因为养殖条件、品种、烹调方法和分析都不同。没有单一的“正确”数字；有一个合理的范围。记录您在客户计划中使用的资源，以便保持一致。
“检索”逻辑：将AI连接到源头
在现代应用中，将AI与真实数据连接起来的方式是RAG方法——英文为Retrieval-Augmented Generation。简单地说：模型不是从记忆中拟合答案，而是首先从可靠的来源（数据库、文档）中提取相关数据，然后根据该数据生成答案。在实践中，您可以通过两种方式实现这一点：
- 手动喂食：您从受信任的表中复制食物的值并将其交给人工智能；人工智能仅使用这些数据进行计算/解释，它不会从自己的内存中添加数字。
- 联网车辆：您使用连接数据库的车辆； AI将查询转发到实际源并使用返回值。
在这两种情况下，黄金法则是相同的：数字来自源头，人工智能对其进行解释。 “100克扁豆中含有多少铁？” YZ问道。提出开放式问题就是在招致编造。
通用产品、品牌产品和膳食组合
营养数据库有多个同名记录，选择错误的记录是错误的无声来源。例如，搜索“酸奶”会给你几十种不同的记录，如全脂、半脂、脱脂、希腊型（过滤）、加糖水果酸奶等；它们的卡路里和宏量相差甚远。希腊酸奶的蛋白质含量几乎是普通酸奶的两倍。同样，“品牌产品”记录（公司的包装产品）和“一般营养”记录具有不同的值。在良好的实践中，您应尽可能匹配客户实际消费的产品：如果可能，根据包装上的营养标签，否则您选择数据库中最接近的描述。问AI“我应该选择哪条记录？”当您咨询时，它可以建议您正确的搜索词；但最终的记录选择以及与唱片公司的比较都在您的控制之下。在整个计划中对相同营养素使用相同记录对于一致性也很重要；一半时间使用全脂牛奶，一半时间使用脱脂牛奶会扭曲总数。
份量和烹饪转换
营养数据库通常给出每 100 克生食的数值。但客户吃的是熟扁豆，而不是生扁豆。烹饪过程中吸收水分，重量发生变化； 100克生米煮熟后会增加至约250-300克。因此，“熟200克”和“生100克”的营养价值是不同的。人工智能可以实现这些转变，但它可能会混淆方向。始终澄清您使用的价值是生的还是熟的；这是计算错误的常见来源。
三个迷你箱子
案例 1——出现幻觉。营养师问YZ：“100克煮西兰花含多少克蛋白质？”他问； AI说“大约8克”。营养师查看了 USDA：实际值约为 2.4 克。人工智能将其与豆类/坚果数据混合，并将其膨胀三倍。营养师使用正确的值。教训：绿色蔬菜蛋白质含量低；数字并不因为流利就正确。
案例 2 — 生/熟混淆。在计划草案中，人工智能使用“150 克意大利面”（约 525 kcal）的原始值，而客户正在吃 150 克煮熟的意大利面（约 210 kcal）。一顿饭相差315大卡，即使是一天一顿饭，也是严重偏差。营养师将计量单位明确为“熟”并重新计算。
案例3——正确使用。营养师从美国农业部复制了鸡肉、大米和西兰花的 100 克重量值，并将其交给人工智能，并附上指令“只需使用这些数据计算一顿饭的总宏量，并添加自己记忆中的数字。” AI只对给定的数字进行加法；营养师通过猛击它来确认。数据来自源头，人工智能进行算术。
可复制的提示模板
带源数据的计算模板（RAG 逻辑）您的角色：助手，仅使用提供给您的营养值进行工作。根据您自己的记忆添加或更改营养值。如果缺少数据写“[无数据]”，补上。数据（每 100 克，来源：美国农业部）：- 鸡胸肉（煮熟）：165 kcal，31 g 蛋白质，3.6 g 脂肪，0 g 碳水化合物 - 大米（煮熟）： ...任务：计算 120 g 鸡肉 + 150 g 大米的总千卡和热量。
生/熟转换模板以下食物的价值是每 100 克生的：[值]。客户吃了 [X] 克煮熟的食物。煮熟后，重量比会发生变化。因此，计算所吃的量的营养价值并清楚地写下您使用的假设。
数据库查询准备模板 我想要查找一顿饭的营养价值。列出我应该在食品数据库（USDA/TUBER）中搜索以下食品的哪个术语，我应该选择哪个记录，生的/熟的。不要把价值观给你；只要告诉我正确的搜索词和注意点即可。营养成分：[...]
一致性检查模板以两种不同的方式解释下一餐的营养价值：(1) 假设所有食物都是生的，(2) 假设所有食物都是煮熟的。比较两个总数并解释差异的来源。这样我就可以看到我需要验证哪个假设。
弱提示/强提示
弱提示：
一碗扁豆汤有多少卡路里？
“一道菜”含糊不清，菜谱含糊，出处缺席；人工智能根据记忆组成了一个数字，但没有说明它是如何想出这个数字的。
强力提示：
您的角色：仅使用给定数据进行计算的助手。扁豆汤份= 300 克。成分（每 100 克的数值，来源 USDA，我在下面给出）：红扁豆（煮熟）[数值]、洋葱[数值]、橄榄油[数值]。每份的数量：[...]。使用此数据计算总千卡和宏，不从内存中添加，显示步骤。
第二个提示源给出了服务、生/熟信息以及“不添加”约束；输出是可审计且可靠的。
常见错误
- 相信人工智能的记忆：对营养价值的开放式质疑；这是对幻觉的邀请。
- 混淆生/熟：最常见的无声错误；始终澄清测量单位。
- 来源混乱：混合来自不同数据库的不同营养素；在计划中使用一致的资源。
- 让份量模糊：计算“一盘”、“一把”等表达方式，而不将其转换为克。
- 关注单个数字而不是范围：忘记相同的食物具有合理的值范围；创造虚假的确定性。
总之
营养数据是语言模型最薄弱的领域；因为模型不记住数字，所以它会生成它们。因此，始终从公认的数据库（USDA、TÜBER、BeBiS）获取营养价值，并使用人工智能仅计算和解释该数据——基于 RAG 逻辑，即从源中提取的数据。注意生/熟的转换、份量的清晰度和来源的一致性。仅仅因为数字输出流畅并不正确；你只能通过与消息来源合作才能了解真相。
应用任务
选择三种食物（例如，煮鸡蛋、全麦面包、希腊酸奶）。首先，向 AI 开放式询问并获取其值（从其内存中）。然后从美国农业部食品数据中心查找这些相同营养素的实际值。比较两组并在表格中记下每种食物的偏差程度。这张表将揭示“不要相信记忆，链接到来源”的原则。
清单
- [ ] 我从知名数据库中获取营养价值，而不是从人工智能记忆中获取。
- [ ] 我对人工智能的限制是“仅使用给定的数据，不添加任何内容”。
- [ ] 我已经澄清了每种食物是生的还是熟的。
- [ ] 我将份量换算成克；我没有留下“一盘/一把”。
- [ ] 我在计划中使用了单一一致的来源。
- [ ] 我通过将 AI 的总和相乘来验证它。