Open-KNEAD：基於智能體分解的知識驅動營養估算框架

本文針對多模態大型語言模型在膳食評估中的局限性，提出了一種無需訓練、可本地部署的知識驅動智能體框架 Open-KNEAD。研究指出，儘管現代模型直接估算能力已超越檢索增強管線，但臨床仍需精準的份量估計與可追溯記錄。Open-KNEAD 透過選擇性、營養感知的檢索，將分解後的食物項映射至 FNDDS 資料庫代碼，產生可稽核的逐項記錄。實驗顯示，該框架在多個基準上優於現有方法及直接估算，尤其在 ACETADA 資料集上，其本地開源智能體的份量估算精度比兩個前沿封閉源模型分別高出約 30% 和 53%。此外，引入的食譜先驗步驟有效修正了非美國菜餚中因烹飪添加能量導致的偏差。該工作兼顧了用戶低負擔、可解釋性與隱私保護，並開源了框架及知識庫，為臨床級營養評估提供了新典範。