一天吃得很健康以后，为什么不能说明一个人的长期饮食结构已经健康？

满分的一天，代表不了一个人

设想这样一个示例：某用户在28天里有一天得了96分（满分100），系统当天给她出了一份漂亮的报告。翻开其余27天，得分集中在40到70之间，中间夹着两次聚餐和一次出差，还有6天几乎没有记录。另一位用户没有一天超过78分，最低也有60分，每天吃得平平。下面是这两位设定用户的对照：

只看“最好的一天”，甲更漂亮；看28天结构，乙才是更稳定的那个。营养推荐要判断的是结构，而不是给最好的一天颁奖。

周内节律比想象的更强

长期结构里最先要还原的是周内差异。工作日在食堂和外卖之间循环，早餐时间固定；周末睡到很晚，两顿并成一顿，晚上还有聚餐。系统如果只算日均，工作日的规律与周末的失衡会互相抵消，得出一个哪一天都不像的“平均日”。更合理的做法是把工作日和周末分成两个分布分别描述，再看两者的距离有多大。

季节、出差和节假日属于更长周期的扰动。出差一周，意味着食物来源、进餐时间和活动量全部改变，这一周的数据不该被当成“她的常态”，而应打上事件标记，在长期画像里降权处理。

用窗口和分布代替单日均值

滚动窗口是最基本的工具。7天窗口刚好覆盖一个完整的周内循环，适合看节律，比如蛋白质是否总集中在晚餐；28天窗口覆盖四个循环，能压低偶发事件的影响，适合看结构。两个窗口并列输出，短窗口回答“最近怎么样”，长窗口回答“通常怎么样”。

只给窗口均值还不够，还要同时给出分布：中位数、四分位间距、低于某个阈值的天数占比。设定中的用户甲，平均分62看起来还行，但四分位间距很宽，说明她的饮食忽高忽低，这个信息在均值里是看不见的。

多样性、蛋白分布和餐次规律，比总量更耐看

单日总量容易达标，长期结构却很难靠一天的努力凑出来。有三类指标在28天窗口里特别有信息量。

• 食物多样性：28天里出现过多少类不同的蔬菜、豆类和全谷物。一天吃得再健康，如果四周都是同样的三样东西，结构依然单薄。
• 蛋白质分布：总量相同的情况下，蛋白质集中在晚餐，与均匀分布在三餐，对应的是完全不同的饮食节奏。
• 餐次规律：进餐时刻的波动幅度，直接反映作息是否稳定。

这三项和年龄、运动、饮食与生活方式进入推荐模型的方式是一体两面：特征怎么构造，决定了长期画像能看清什么。

缺失的天数不是零分

数据缺失是长期画像最大的干扰。漏记的那天不能记成零，否则会把均值无故拉低；也不能直接剔除后当作没发生，因为漏记往往集中在聚餐、出差这些最不规律的日子，剔除等于系统性地美化了结构。

比较稳妥的做法是保留缺记标记，输出时同时给出“有效记录天数”，并在有效天数不足时收窄结论，比如28天里只有15天有记录，就只描述这15天，不外推整体。2026年《Frontiers in Digital Health》一篇关于测量误差的论文指出，自报饮食存在系统性低报。缺失与低报叠加，会让长期画像的偏差方向更难判断，所以长期画像必须和营养数据质量一起看。

从趋势到干预评估

评估一次调整是否有效，比较的对象应该是两个长窗口，而不是两个单日。假设用户从第5周开始把早餐蛋白质从偏低调整到较合理的水平，一周之后看到的改善可能只是巧合；四周之后，两个28天窗口的分布整体右移，这个判断才有分量。系统在提示“你已经进步了”之前，最好同时检查有效记录天数和窗口内的波动幅度。

在使用中怎样落地

纵横国际在思路上把长期饮食结构拆成7天节律与28天结构两层来呈现。用户在记录饮食、运动和营养目标时多补一句份量和配料，长期画像就会更可信。画像还应该随新数据更新，而不是一次生成后固定不变，更多相关入口可以到个性化营养栏目查看。