健康食品研发组
五类问题，五种“可以错的方式”
一套农业食品AI里，常见的问题大致分成五类。它们的区别不在难度，而在“错了会怎样”。
| 问题类型 | 主要数据形态 | 可以容忍的误差 | 可解释性要求 | 分项评估指标 |
|---|---|---|---|---|
| 营养推荐 | 饮食与穿戴的时间序列、用户偏好 | 排序有小偏差可接受 | 要说明推荐理由 | 排序质量、接受率 |
| 配方研发 | 原料成分表、工艺参数、感官评分 | 约束不能被突破 | 要能说明权衡取舍 | 约束满足率、感官预测误差 |
| 生命周期与水足迹 | 排放因子、区域水数据、边界与功能单位 | 必须给出区间 | 口径与来源必须可查 | 与核对数据的偏差、区间宽度 |
| 遥感水分估算 | 卫星影像、气象网格、地面观测 | 云遮挡与模型迁移带来误差 | 需要标明不确定性 | 与地面观测的误差 |
| 对话与解释 | 自然语言 | 表述可以灵活 | 引用必须与检索结果一致 | 引用一致率 |
比如配方研发这一行。2026年一篇关于AI与功能食品创新的准系统综述（覆盖2015–2025年的53项研究）指出，多目标优化、遗传算法、模糊逻辑和启发式搜索，被用来在营养价值、感官品质、成本与安全之间做平衡。这类问题的核心是约束和权衡，与推荐系统追求“用户会不会点开”是两回事。遥感一行同理：有研究结合Sentinel-2反射率、ERA5-Land气象变量，用XGBoost估算小时级、10米分辨率的蒸散发，输入是影像和气象网格，这与文字问答完全不同。
路由器做的三件事
路由器（router）不是一个大而全的模型，而是一个把问题分配出去的调度环节，通常做三件事：判断问题属于哪一类；检查输入是否齐全，缺什么就先追问；决定调用哪些工具，以及先后顺序。
实现上常见的是规则加分类器的组合：明确的关键词和结构走规则，模糊的表达交给分类器，并且给出一个置信度。置信度低于阈值时，不要硬选一条路，而是回头问用户一句：“你说的环境影响，是指碳排，还是用水？”
一句话是怎样被拆开的
以一句话为例：“帮我找低糖高蛋白的早餐，环境影响还要小。”
第一步，把“低糖”“高蛋白”转成可计算的约束。假设系统设定为每份糖不超过5g、蛋白质不少于15g，这类阈值应当可以被用户调整，也应当在结果中展示。第二步，在食品库里按约束检索出候选。第三步，结合用户长期偏好与近期记录做排序。第四步，对排在前面的候选去查生命周期排放和水足迹数据，并注明功能单位，比如每份还是每20g蛋白质。第五步，由语言模型把结果组织成回答，并说明取舍：哪一款蛋白质更高，哪一款环境指标更好。
其中只有第五步是语言模型擅长的事，其余各步分别用到检索、推荐、图谱查询。相关的数据底座在纵横国际大模型怎样连接营养与环境数据中已有说明。
失败与降级：某一环掉链子时不该整体崩溃
要点：路由的价值不只在“选对模型”，还在于某个模型或数据缺席时，系统仍能给出诚实、可用的部分答案。
假设水足迹数据对某款候选食品缺失，系统不该整体报错，也不该让语言模型编一个数。更合理的降级是：营养排序照常给出，环境指标一栏标注“暂无该产品的数据”，并注明这一部分不参与排序。路由置信度过低时，转为追问；工具超时，则使用带时间标记的缓存结果，并明确提示数据可能不是最新的。
评估为什么要分项
一个总分会掩盖问题。推荐要看排序质量与用户是否接受；配方要看约束满足率和感官预测的误差；环境评价看与已核对数据的偏差和区间宽度；语言模型看它的引用是否与检索结果一致。如果只报“整体准确率”，一个环节的严重错误会被其他环节的高分抵消。
分项评估也决定了改进方向。路由器分错类型，就该改路由规则和分类器；LCA数值偏差大，往往要回到数据口径与边界的对齐上找原因。这正是为什么纵横国际把不同问题拆给不同部件，并让每个部件带着各自的指标接受检验。
与之相邻的还有两件事：为什么个性化营养不能只依靠一个聊天模型讨论对话模型的边界；高蛋白、低糖、高纤维同时做进一步食品时的权衡则展示了配方问题为什么需要多目标优化。总入口见AI大模型栏目。
