知识中心 · AI 输出复核
AI 给的营养建议为什么必须人工复核
AI 能基于已有信息整理、计算和提示，但它无法确认没有提供给它的事实，也无法判断一个在数字上成立的结论在现实中是否可行。未经人工复核的 AI 输出，不能直接作为最终的营养方案或专业结论。
适用对象：使用 AI 处理食谱识别、克重配平或客户档案的营养师与营养服务机构
- 组织署名
- 晴木（北京）科技有限公司
- 发布日期
- 更新时间
三条基本限制
- AI 只能基于输入判断，不能确认未提供的事实。档案里没记的病史、食谱里没录的调味料、当地的供餐限制——没告诉它的，它无从得知，也不会主动提示"这里可能缺了什么"之外的内容。
- 计算正确不等于现实可行。一个数学上成立的克重调整方案，可能在实际做菜、采购或供应条件下根本执行不了。
- 责任无法转移给工具。最终方案的安全性和适用性由专业人员负责，这一点不因使用 AI 而改变。
三类 AI 输出，分别要核什么
| AI 输出 | 场景 | 人工重点核对 |
|---|---|---|
| 食谱图片识别结果 | 把食谱图片转成电子食谱 | 菜肴和食材有没有识别错、克数是否与原图一致、单位换算是否正确、需要确认的食材是否已处理 |
| 食材克重配平预案 | 调整食谱使营养素达到目标 | 调整后的份量做菜时是否合理、采购和供应条件是否支持、是否影响口味工艺、未解决的目标怎么办 |
| 客户档案结构化解读 | 分析个人客户的健康档案 | 归纳是否与原始档案一致、风险提示是否有事实依据、建议是否适用于该客户的具体情况 |
复核清单
不论哪类输出，复核时逐项过一遍：
- 来源核对 —— AI 给出的每一项结论，能否在原始资料里找到依据？有没有把推测写成了事实？
- 异常识别 —— 有没有明显不合常理的数值？大幅异常通常意味着输入有问题，而不是需要照单接受的结果。
- 现实可行性 —— 这个结论在实际操作中做得到吗？成本、采购、工艺、口味是否支持？
- 适用性判断 —— 依据的标准或参考值，是否适用于当前这个人群或这个对象？
- 边界识别 —— 有没有超出营养服务范围的内容？是否需要转给其他专业人员处理？
- 信息充分性 —— 现有信息是否足以支撑作出结论？不足时应先补充，而不是先出方案。
哪些输出不能直接使用
| 输出类型 | 能否直接用 | 原因 |
|---|---|---|
| 信息的结构化整理 | 核对后可用 | 整理基于已有资料，但需确认没有把不确定的写成确定的 |
| 待补充事项的提示 | 可作为工作线索直接用 | 提示的是"需要确认什么"，不是结论 |
| 数值计算与调整建议 | 审核后可用 | 计算可能正确，但现实可行性需要人判断 |
| 涉及疾病判断、用药、治疗的内容 | 不可用 | 超出营养服务范围，属于医疗行为 |
AI 输出与本文方法均用于辅助营养工作，不构成临床诊断、处方、治疗或医疗建议。
一个反过来的判断标准
判断一个 AI 工具是否可靠，不要只看它"能做什么"，更要看它不确定的时候怎么处理。
靠谱的做法是：识别不出来就说识别不出来，数据缺失就标记缺失，无法解决的目标就明确保留提示。
不靠谱的做法是：填一个看起来合理的默认值、给一个模糊但听起来正确的结论、把"没做到"包装成"已完成"。
前者会让你多做一步确认，后者会让你在不知情的情况下用错数据。
方法与限制
AI 辅助能解决什么
减少重复计算和整理的时间，把分散的信息集中呈现，主动暴露需要确认的问题。
不能解决什么
- 不能提高输入信息本身的质量。资料不准确，输出同样不准确。
- 不能替代专业判断。结构清晰不等于结论正确。
- 不能保证结论适用于每一个具体场景。通用标准与实际情况之间的差距需要人来弥合。