「这碗面大概多少热量」——把这句话丢给 AI，几秒就能得到一个数字。很多人第一次用就停在这里，把它当成一个随身的查询器。用久了会发现两件事：数字给得很顺，但误差可能比一顿饭的差别还大；建议听起来都对，但跟你没什么关系。这篇想讲清它在这件事上到底该管哪一段：记录、估算、整理、给思路，这四件它能帮上；定量、定方案、管疾病，这四件它不该碰。
它接的是记录和估算两件苦活
饮食管理最难的从来不是知识，是坚持记录。吃了什么、大概多少、什么时候吃的，这些信息如果靠手写，多数人撑不过一周。拍照识别、语音录入、自然语言描述，这三种输入方式把记录的成本压到了几秒钟，这是 AI 在这件事上最实在的贡献。
第二件苦活是估算。人对食物的量普遍没有概念，一碗米饭到底是多少、一份炒菜的油有多少，凭感觉估往往偏差很大。模型给的是一个参照系，让你知道自己大概处在什么位置，这个作用类似用手比划长度——不精确，但比完全没有尺度强。
五件事，AI 各能做到哪一层
把常见需求拆开看，边界比想象中清楚：
| 环节 | 能做 | 不能做 |
|---|---|---|
| 饮食记录 | 按描述或照片整理成一餐清单，按天和周汇总，标出重复出现的食物 | 准确称重；识别混合菜品里的每一种配料；判断烹饪用了多少油 |
| 成分与能量估算 | 给出量级区间，指出某餐的蛋白、碳水、脂肪大致偏向 | 给出可用于医学管理的精确值；处理个体吸收差异；覆盖地方菜与家常做法 |
| 配餐思路 | 按「多蔬菜、有蛋白、主食不过量」这类通用原则给搭配方向；提供同类食材的替换选项 | 针对个人身体状况定方案；处理食物过敏与药物相互作用；替代临床干预 |
| 食材替换 | 某种食材没有时给等价选项；按口味、做法、季节给替代建议 | 让替换后成分完全等价；处理交叉过敏；判断某种替代是否适合你 |
| 趋势整理 | 把几周的记录画成趋势，指出哪类食物出现频率在上升 | 解释趋势背后的原因；区分「记录变准了」与「吃得变了」 |
第三列里最需要记住的是「不能称重」和「不能定方案」。前者决定你该怎么用它的数字，后者决定你该不该听它的建议。把这两条守住，剩下的用法基本不会出大问题。
为什么估算只能给量级
同一道菜，不同做法的差别可以很大。一份家常炒青菜，油多油少、有没有勾芡、用的是不是不粘锅，结果都不一样；同样是鸡胸肉，煎、炸、水煮、凉拌，成分构成差别明显。模型看到的是「炒青菜」这三个字，或者一张俯拍的照片，它没有锅、没有油壶、没有秤。
照片还有一层问题：视角会骗人。俯拍让盘子显得小，特写让分量显得多，叠放的菜看不出底层有多少。模型对深度的判断很弱，只能按常见份量给一个中间值。这类误差不是模型不行，是信息本身不够——换个人来看，同样估不准。
所以合理的期待是量级：这餐偏清淡还是偏油、蛋白够不够、主食是不是多了。用区间而不是用点值，用趋势而不是用单日。纠结某一餐多算了多少，投入产出极低，因为误差本身比那个差值大。这种「承认不确定」的处理方式，和AI 幻觉里讲的问题同源：模型在信息不足时会补一个看起来合理的数，你需要知道它补过。
膳食准则的数字，为什么不能直接套到个人
各类膳食指南给出的建议，通常以范围和比例的形式出现：某类食物建议占多少、某种成分建议控制在什么区间、不同年龄和活动水平对应不同的推荐量。这些数字是一整套体系，配套的是「食物多样、谷类为主、少盐少油」这类原则，而不是一串可以单独摘出来的指标。
直接套用会出两个问题。第一，准则面向的是人群，不是个体。同样是成年男性，体力劳动者和久坐办公的人，需要的量差得远；孕期、哺乳期、生长发育期、老年阶段，各有各的调整。第二，准则的数值会随版本更新，不同国家、不同机构的建议也不完全一致。任何声称「标准答案是多少克」的说法，都值得怀疑——具体数值请以官方发布的最新版本为准。
这也是为什么这篇不列具体数字。数字看起来最有说服力，也最容易被误用：一个脱离语境的数值，落到个人身上可能完全不适合。想查准确口径，去看指南原文，比问模型可靠——模型记住的往往是旧版本，而且它不会告诉你记的是哪一版。这类「答案要能追到出处」的需求，正是检索增强生成想解决的问题，但前提是背后接的是权威文本。
它看不见你的身体
过敏、慢性病、正在吃的药、最近的检查结果、体重变化的原因，这些信息它都不知道。你可以在对话里告诉它，但它无法核实，也无法判断这些信息之间的相互作用。一个人说「我有糖尿病」，模型会给出通用建议，而通用建议落到具体病情上，可能是错的。
还有一层更隐蔽的偏差：模型的建议来自训练语料里的主流观点，而主流观点会随流行趋势摆动。某几年流行低脂，某几年流行低碳，语料里两种声音都有，它可能给出自相矛盾的组合。这类系统性倾向在AI 偏见里有更一般的讨论——它不是恶意，是数据分布的自然结果。
所以有些事必须交给专业人士：疾病状态下的饮食安排、孕期与哺乳期的搭配、儿童与青少年的成长需求、术后与恢复期的调整、运动量极大的人群。这些场景的共同点是有明确的医学前提，而模型的建议没有前提。
一个务实的用法：先建立概念，再谈方案
把它当成建立饮食概念的工具，是性价比最高的用法。记录让你知道自己一周大概吃了什么，估算让你对份量有直觉，趋势让你看见自己没注意到的习惯——比如每天下午都有一份甜食，比如蔬菜出现的频率比想象中低。这些发现不需要精确数字，只需要持续记录。
提问方式上，问「这餐的结构怎么样」比问「这餐多少能量」有用；问「想吃得更清淡，可以换什么」比问「我该怎么吃」有用。前者它答得好，后者它只能给通用模板。这类提问的写法，和提示词的一般规律一致：给背景、给目的、给约束，答案的可用度会明显提升。
真正需要个性化方案时，找注册营养师或医生。他们有你的检查数据、用药情况、生活习惯，能给出可执行的方案，也能在方案失效时调整。AI 在这一步的角色，最多是帮你把记录整理好带过去。
速查：饮食场景的用法边界
- 能帮：记录、估量级、给搭配思路、做食材替换、整理趋势
- 不能帮：精确称重、定个人方案、管疾病、替代专业人士
- 看区间不看点值，看趋势不看单日
- 准则数值以官方最新版本为准，别信「标准答案」
- 涉及疾病、孕期、儿童，先问医生
写到这里，那碗面的问题还是没答案，但问题本身可以换个问法：这餐是偏油还是偏清淡、蛋白够不够、晚上还要不要加餐。这类问题它能答得不错，也足够支撑你做出调整。本文只讨论信息整理，不构成营养或医疗建议；具体的膳食安排，请咨询专业人士。
