Open-KNEAD：基於智能體分解與知識檢索的本地化膳食營養估算框架

本文提出Open-KNEAD，一種無需訓練且可本地部署的知識驅動膳食營養估算框架。針對當前多模態大型語言模型在直接估算中已超越傳統檢索增強範式的現象，本研究重新檢視了檢索技術在提供精確份量與可追溯逐項記錄方面的臨床價值。Open-KNEAD透過智能體分解技術，將餐點影像中的食物項目對應至FNDDS資料庫代碼，實現營養感知的選擇性檢索。實驗顯示，該方法在多項基準上優於直接估算及先前方法，特別是在ACETADA資料集上，其本地開放模型在份量估算精度上超越兩款前沿閉源模型約30%至53%。此外，引入的食譜先驗步驟有效糾正了非美國菜系中因烹飪添加能量導致的偏差。該框架保留了單圖輸入、可解釋性及隱私保護優勢，並開源了框架與知識庫，為臨床落地提供了新途徑。