精准营养研究组
一行相同的档案，两种不同的生活
下面用一组设定的示例来说明，数字不是真实用户数据。假设有两个人，年龄都是30岁，体重都是70kg，BMI也相同。A每周做5次力量训练，每次约60分钟；B在办公室工作，除了通勤几乎不活动。如果系统只读取年龄、体重和BMI三项字段，这两个人在数据里就是同一个人，每日能量和蛋白目标也几乎一样。
把营养相关的信息按九个维度展开，差别才会出现。
| 维度 | 示例设定中的A | 示例设定中的B | 对推荐的影响 |
|---|---|---|---|
| Age 与 Weight | 30岁，70kg | 30岁，70kg | 几乎没有区分度 |
| Body Composition 身体成分 | 肌肉占比较高 | 体脂占比较高 | 同体重下蛋白与能量需求不同 |
| Diet 饮食结构 | 三餐规律，蛋白来源多样 | 常省略早餐，晚餐偏重 | 已有的饮食缺口不同 |
| Activity 活动 | 每周5次力量训练 | 长期久坐 | 能量消耗与蛋白分配不同 |
| Sleep 睡眠 | 平均7.5小时 | 平均6小时，入睡较晚 | 恢复与晚间进食建议不同 |
| Meal Timing 进餐时间 | 训练前后各有一餐 | 进餐集中在晚间 | 营养素的时间分配不同 |
| Behavior 饮食行为 | 会称量份量，记录完整 | 外卖较多，记录常缺失 | 建议能否执行、数据是否可信不同 |
| Biomarker 生物标志物 | 未提供 | 未提供 | 缺失时只能给较宽的区间 |
同样的三项静态字段，对应的其实是完全不同的状态。AI给出不同建议，并不是模型在区别对待谁，而是它读到了比三个数字更多的信息。
静态画像回答“是谁”，动态画像回答“最近怎样”
Static Profile（静态画像）指年龄、性别、身高、体重、目标这类很少变化的字段。Dynamic Nutrition Profile（动态营养画像）则是一组随时间滚动更新的状态：近7天的活动量、近28天的蛋白摄入分布、睡眠时长的波动、进餐时间的集中程度，以及记录本身的完整度。
区别不只在于字段多。静态字段是一个点，动态字段是一段带有方向和波动的曲线。同样是平均每天6000步，一个人每天稳定走6000步，另一个人周末走2万步、工作日几乎不动，能量分配与进食节律并不相同。纵横国际把个性化营养拆成两层来做：静态层给出粗略的起点，动态层在起点上不断修正。年龄、运动、饮食和生活方式各自以什么形式进入模型，在这篇特征拆解里有专门讨论。
推荐在五个地方分叉
以下是设定的推荐逻辑，数字只用来展示差异的量级，不是任何人的推荐量。
- 蛋白目标：假设系统给A设定的日蛋白目标约为体重的1.6倍，即112g，给B设定约为1.0倍，即70g。A的蛋白要分散到三到四餐，其中一部分落在训练后；B的重点是补上常被省略的早餐蛋白。
- 能量分配：A的训练日与休息日需要不同的碳水和总能量，模型必须读到“今天是不是训练日”；B的一天基本平坦，不必区分。
- 进餐时间：B的进食集中在晚间，推荐的重点是把一部分能量前移；A更关心训练前后各一餐怎样搭配。
- 恢复与睡眠：A若连续几天睡眠偏短而训练量不变，推荐会更强调蛋白与总能量是否足够；B入睡较晚，则要留意夜宵和晚间的大份量进食。
- 饮食行为：B经常点外卖，一份需要自己称量搭配的沙拉建议几乎无法执行。推荐必须落到B买得到、愿意吃的食物上，否则再准确也没有意义。
模型把这些信息放在哪里
技术上，动态画像不是把所有记录堆进一张大表。常见做法是把原始数据转换成三类特征：滚动特征，即近7天、近28天的均值与波动；事件特征，即训练日、训练后两小时、出差周、聚餐日；缺失标记，即这一周有没有记录、记录了几餐。缺失标记不能省，连续三天没有记录本身就是信息，模型必须知道“没有数据”和“吃得很少”不是一回事。
各特征的权重也不是固定的。训练强度上升的那一周，与蛋白和总能量相关的特征影响变大；活动量回落的那一周，影响随之下降。所以“同一个人两周后收到不同建议”和“两个人同一天收到不同建议”，是同一件事的两个侧面。单日数据为什么不足以描述长期饮食结构，可以接着读一天吃得很健康的局限。
身体参数相同，对同一种食物的反应也未必相同
表格里最难获得的是最后一行：生物标志物。它之所以重要，是因为个体对同一种食物的反应本身就有差异。2015年起的多项研究发现，同一种食物在不同人身上引起的餐后血糖反应可以相差很大，这是个性化营养最经典的动机。2026年一篇关于饮食与肠道菌群相互作用的综述指出，多组学数据加连续血糖监测再加机器学习，可以改善对餐后血糖和血脂反应的预测；概念验证研究显示，整合饮食、菌群与宿主特征的多输入模型能够预测个体间的反应差异。
2026年《Advanced Science》的一篇综述把数据来源归纳得更宽：可穿戴传感器、多组学与生物标志物、行为追踪、自报饮食，可以按食物侧、健康侧、个体侧三类融合。表格里的维度，大体落在健康侧与个体侧。不过概念验证不等于成熟产品，这类模型依赖连续监测和组学数据，能否在普通用户身上稳定复现，还需要更多验证。
要点：两个人被推荐不同的饮食，并不意味着其中一个推荐是错的。判断个性化系统是否可靠，看的不是它能不能给出不同的答案，而是它能不能说明“为什么不同”，并且在数据不足时承认自己不确定。
数据不够时，系统应当怎样说话
- 新用户没有历史记录时，系统只能给出较宽的通用区间，并写明“依据不足”，随记录累积再收窄，不给假精确的数字。
- 自报饮食有系统性偏差，份量估算也是持续难题，详见为什么AI最先要解决数据准不准的问题。
- 穿戴设备能反映活动量的变化，却不能替代医学检测，它能回答什么、不能回答什么，见步数、睡眠和运动数据能帮助模型回答什么。
- 推荐只是饮食规划的参考。有身体不适或明确的健康问题时，应咨询医生或注册营养师。
纵横国际在设计个性化营养时，把“推荐理由”和“依据强弱”与推荐本身放在一起展示：为什么给这个人这份建议，靠的是哪几周的哪些数据，缺了什么。整体框架可以在纵横国际个性化营养专题里查看，具体功能入口以纵横国际App内的实际界面为准。
