构建您自己的AI营养师：LLM、RAG与个性化营养

在当今快节奏的生活中，保持均衡饮食变得越来越困难。相互矛盾的营养建议和流行饮食常常让人们感到困惑。一个全天候可用的AI个性化营养师，可以回答具体的营养问题，计算营养需求，并提供个性化建议。随着人工智能的进步，特别是大型语言模型（LLMs）和检索技术的进步，这现在已经成为可能。本文将指导您创建一个自己的AI个性化营养师助手，结合Google的Gemini LLM与专业的营养功能和一个真实的营养数据知识库。该助手可以回答有关食物营养的问题，计算BMI，估算每日卡路里需求，根据标准推荐食物，并提供循证营养建议。

我们的AI个性化营养师助手由三项关键技术驱动：大型语言模型（LLMs），如Google的Gemini 1.5 Pro，函数调用（Function Calling），以及检索增强生成（Retrieval-Augmented Generation，RAG）。LLMs能够理解和生成类似人类的文本，在处理关于营养的自然语言查询方面表现出色。函数调用允许LLM使用专门的计算，如BMI或卡路里需求。RAG将助手的响应 grounding（基于）在事实营养数据上，从营养数据库中检索相关信息。这些技术协同工作，以理解用户查询，检索营养事实，并处理精确计算。

要设置开发环境，请安装必要的库并配置API访问。使用以下命令： ```bash !pip install -U -q "google-genai==1.7.0" !pip install chromadb ``` 这些命令安装了Google Generative AI Python SDK和用于向量数据库的ChromaDB。接下来，设置对Google Gemini API的访问： ```python import google.generativeai as genai import os # 设置API密钥 GOOGLE_API_KEY = "YOUR_API_KEY" # 替换为您的实际API密钥 genai.configure(api_key=GOOGLE_API_KEY) ``` 将`YOUR_API_KEY`替换为来自Google AI Studio网站的实际Gemini API密钥。

通过使用pandas加载全面的营养事实数据集来构建营养知识库： ```python import pandas as pd import numpy as np # 加载营养数据 nutrition_data = pd.read_csv('/kaggle/input/nutrition-facts-for-3636-foods/nutrition_facts.csv') nutrition_data.head() ``` 该数据集包含超过3600种食物的详细营养信息。使用ChromaDB将这些数据转换为向量嵌入： ```python # 为营养数据创建嵌入 from chromadb.utils import embedding_functions import chromadb # 初始化ChromaDB客户端 chroma_client = chromadb.Client() # 创建一个营养数据集合 nutrition_collection = chroma_client.create_collection( name="nutrition_facts", embedding_function=embedding_functions.DefaultEmbeddingFunction() ) # 准备用于嵌入的数据 for i, row in nutrition_data.iterrows(): # 创建一个包含营养信息的文档 document = f"食物：{row['name']}，卡路里：{row['calories']}，蛋白质：{row['protein_g']}克，脂肪：{row['fat_g']}克，碳水化合物：{row['carbohydrate_g']}克" # 添加到具有唯一ID的集合中 nutrition_collection.add( documents=[document], ids=[f"food_{i}"] ) ``` 此代码创建一个ChromaDB集合并用营养数据填充它，从而实现语义搜索。

实现两个重要的营养函数：BMI计算和每日卡路里需求估算： ```python def calculate_bmi(weight_kg, height_cm): """根据体重（kg）和身高（cm）计算BMI。""" height_m = height_cm / 100 bmi = weight_kg / (height_m * height_m) # 确定BMI类别 if bmi < 18.5: category = "体重过轻" elif bmi < 25: category = "正常体重" elif bmi < 30: category = "超重" else: category = "肥胖" return { "bmi": round(bmi, 1), "category": category } def calculate_calorie_needs(weight_kg, height_cm, age, gender, activity_level): """根据Harris-Benedict方程计算每日卡路里需求。""" # 基础代谢率（BMR） if gender.lower() == "male": bmr = 88.362 + (13.397 * weight_kg) + (4.799 * height_cm) - (5.677 * age) else: # female bmr = 447.593 + (9.247 * weight_kg) + (3.098 * height_cm) - (4.330 * age) # 活动倍数 activity_multipliers = { "sedentary": 1.2, # 很少或没有运动 "light": 1.375, # 每周轻度运动1-3天 "moderate": 1.55, # 每周中度运动3-5天 "active": 1.725, # 每周剧烈运动6-7天 "very_active": 1.9 # 非常剧烈的运动和体力劳动或每天训练两次 } # 计算总每日能量消耗（TDEE） multiplier = activity_multipliers.get(activity_level.lower(), 1.2) tdee = bmr * multiplier return { "bmr": round(bmr), "daily_calories": round(tdee), "weight_loss": round(tdee - 500), # 减少500卡路里 "weight_gain": round(tdee + 500) # 增加500卡路里 } ``` `calculate_bmi`函数实现了身体质量指数公式，`calculate_calorie_needs`函数使用了Harris-Benedict方程。

定义Gemini使用的函数模式来调用这些函数： ```python nutrition_functions = [ { "name": "calculate_bmi", "description": "计算BMI（身体质量指数）并确定体重类别", "parameters": { "type": "object", "properties": { "weight_kg": { "type": "number", "description": "体重（公斤）" }, "height_cm": { "type": "number", "description": "身高（厘米）" } }, "required": ["weight_kg", "height_cm"] } }, { "name": "calculate_calorie_needs", "description": "根据个人统计数据计算每日卡路里需求", "parameters": { "type": "object", "properties": { "weight_kg": { "type": "number", "description": "体重（公斤）" }, "height_cm": { "type": "number", "description": "身高（厘米）" }, "age": { "type": "integer", "description": "年龄（岁）" }, "gender": { "type": "string", "description": "性别（男或女）" }, "activity_level": { "type": "string", "description": "活动水平（久坐，轻度，中度，活跃，非常活跃）" } }, "required": ["weight_kg", "height_cm", "age", "gender", "activity_level"] } } ] ``` 这些模式定义了每个函数的名称、描述和参数，允许LLM确定何时以及如何使用它们。

检索增强生成（RAG）组件确保关于营养事实的响应都基于数据库。从营养数据库中检索相关条目，并将其作为上下文提供给LLM： ```python def nutrition_assistant(query): """使用RAG和函数调用处理与营养相关的查询。""" # 步骤1：使用RAG检索相关的营养信息 results = nutrition_collection.query( query_texts=[query], n_results=5 ) # 格式化检索到的信息 context = "\n".join(results["documents"][0]) ``` 此代码使用ChromaDB的查询函数查找用户查询最相关的5个条目。

将所有组件组合到主助手函数中： ```python def nutrition_assistant(query): """使用RAG和函数调用处理与营养相关的查询。""" # 步骤1：使用RAG检索相关的营养信息 results = nutrition_collection.query( query_texts=[query], n_results=5 ) # 格式化检索到的信息 context = "\n".join(results["documents"][0]) # 步骤2：设置带有函数调用的模型 model = genai.GenerativeModel( model_name="gemini-1.5-pro", generation_config={"temperature": 0.2} ) # 步骤3：创建带有上下文和查询的提示 prompt = f"""您是一位乐于助人的营养助手。请使用以下营养信息来帮助回答查询。 营养信息： {context} 用户查询：{query} 如果用户询问BMI或卡路里计算，请使用适当的函数。 对于其他营养问题，请根据上下文和您的知识提供有用的建议。 """ # 步骤4：生成带有潜在函数调用的响应 response = model.generate_content( prompt, tools=nutrition_functions ) # 步骤5：处理函数调用（如果存在） if hasattr(response, 'candidates') and len(response.candidates) > 0: candidate = response.candidates[0] if hasattr(candidate, 'content') and hasattr(candidate.content, 'parts'): for part in candidate.content.parts: if hasattr(part, 'function_call'): function_call = part.function_call function_name = function_call.name function_args = function_call.args # 执行适当的函数 if function_name == "calculate_bmi": result = calculate_bmi( function_args["weight_kg"], function_args["height_cm"] ) elif function_name == "calculate_calorie_needs": result = calculate_calorie_needs( function_args["weight_kg"], function_args["height_cm"], function_args["age"], function_args["gender"], function_args["activity_level"] ) # 生成带有函数结果的新响应 final_prompt = f"""您是一位乐于助人的营养助手。用户询问："{query}" 您调用了函数 {function_name}，该函数返回了以下结果： {result} 请提供一个有用、对话式的响应，解释这些结果并给出适当的营养建议。 如果相关，请根据营养信息提供具体的食物推荐。 """ final_response = model.generate_content(final_prompt) return final_response.text # 如果没有进行函数调用，则返回原始响应 return response.text ``` 此函数检索营养信息，设置Gemini模型，创建提示，生成响应，并处理函数调用（如果需要）。

使用真实的查询测试AI个性化营养师： ```python test_queries = [ "一个苹果的营养价值是什么？", "你能帮我计算BMI吗？我体重70公斤，身高175厘米。", "我应该吃多少卡路里？我是一名30岁的男性，体重80公斤，身高180厘米，中度活跃。", "有哪些高蛋白食物适合增肌？", "你能为减肥建议一个饮食计划吗？" ] for query in test_queries: print(f"\n查询：{query}") print("-" * 50) response = nutrition_assistant(query) print(response) print("=" * 80) ``` 这些示例展示了AI个性化营养师的多功能性，能够处理事实查询，执行计算，并提供个性化建议。

潜在的增强功能包括扩展营养数据库，提高卡路里估算的准确性，增加对更复杂饮食需求的支持，以及与可穿戴设备集成。AI个性化营养师助手结合了LLMs、函数调用和RAG，提供个性化的营养指导。该系统可以回答营养问题，计算BMI和卡路里需求，并提供个性化建议，展示了AI在个人健康领域的潜力。