打造能记住你口味的饮食规划 LLM：知识图谱 + LoRA + RAG 完整指南与避坑清单

打造能记住你口味的饮食规划 LLM：知识图谱 + LoRA + RAG 完整指南与避坑清单

【免费下载链接】llm-courseCourse to get into Large Language Models (LLMs) with roadmaps and Colab notebooks.项目地址: https://gitcode.com/GitHub_Trending/ll/llm-course

先说个真实场景：一位久坐的上班族想要一份一周减脂餐，问通用对话模型，得到的答案大致是"早餐燕麦加鸡蛋、午餐多蔬菜、晚餐少主食"——听起来都对，但他不吃香菜、晚上十点才能下班做饭、上周体重纹丝不动，方案一条都没接住 🍳。本文介绍的就是"饮食规划 LLM"这条路：围绕个性化饮食推荐，把食物成分数据组织成知识图谱，用检索增强解决知识时效，用 LoRA 轻量微调对齐表达风格，最后用结构化校验兜住安全底线。全文按"问题—方案—选型—动手—验证—踩坑"展开，给出一段可跑的最小原型代码和一份评估阈值表。

为什么通用模型给不出靠谱的方案

问题不在模型"笨"，而在四个结构性短板：

• 靠常识凑答案。训练语料里营养类内容杂而不精，模型只能按频率最高的"大众建议"作答，不会按你的数据算账；
• 知识有时效。膳食指南每几年才更新一次，而补充剂研究、低 GI 食物名单这类内容动得很快，模型参数里的快照追不上；
• 无法定量校验。热量缺口、宏量营养素配比是算术题，生成式模型擅长"说"不擅长"算"，数字经常前后矛盾；
• 记不住你。单次会话之外，你的忌口、过敏、口味偏好对它来说不存在。

一句话：通用模型是闭卷作答，而饮食推荐更像开卷考试加验算题——它需要一本随问随查的"字典"和一台事后核算的计算器。

一套能跑通的方案长什么样

整个闭环只分三层，四步走（下图来自本项目仓库）：

1. 进：个人档案（身高体重、偏好、健康状况）与近 7 天生理指标，先做成一段结构化描述；
2. 查：拿"食物—营养素—人群—禁忌"的三元组知识图谱做检索，把与本次问题相关的事实和依据条款捞出来；
3. 答：基座模型上加 LoRA 适配层（LoRA 是低秩适配，相当于只微调少量附加参数，省显存也省时间），生成候选菜单；
4. 验：用规则脚本检查禁忌食物与营养缺口，命中问题就带着原因重生成。

第四步的校验结果还会反过来指导图谱和训练样本的修正，这就是闭环的意义：不靠模型自觉，靠流程兜底。

怎么把领域知识塞进模型：三条路线怎么选

给模型"开卷"有三条路，先给结论，再给理由：

怎么选：先 RAG，再 LoRA，校验层从第一天就加。RAG 当天就能出效果，适合验证方向；微调样本其实可以由 RAG 流水线的输出整理而来，相当于"用系统给自己造教材"。LoRA 只负责把"回答腔调"和"输出格式"这两件相对稳定的事固化下来，别指望它记住新知识——知识放检索库，语气放模型里，分工清楚了返工就少。

最小原型怎么搭：一段代码跑通"检索 + 生成"

下面这段不到二十行，是整条链路的最小骨架：把领域事实写成一张小表，检索出事实，再让模型"照着事实回答" 🧪

# 领域知识以三元组形式存放：(食物, 营养素) 与 (食物, 相克) KG = {("三文鱼", "DHA"): "文献:海鱼omega-3来源", ("茶叶蛋", "鸡蛋"): "传统相克说法(未证实)"} def retrieve(food): hits = [v for (a, b), v in KG.items() if a == food or b == food] return "\n".join(hits) or "未检索到相关事实" prompt = f"""【检索事实】{retrieve('三文鱼')} 【用户】不吃香菜，周预算有限，目标减脂 要求：只依据检索事实回答，定量交给校验层。""" answer = llm_chat(prompt)

跑起来后的真实交互大概是这样：

用户：帮我排下周的减脂餐，不吃香菜，晚上十点才到家。 系统：已识别 6 种食材；与你的禁忌比对通过；目标热量约 1600 kcal/天；已生成周计划初稿，周三晚餐需 20 分钟以上备菜，已替换为 10 分钟版本。 用户：把虾去掉，我对虾过敏。 系统：已移除 3 处虾类；替补食材为虾仁→鸡胸，营养覆盖下降约 2%，已用豆腐弥补。

效果的关键不在模型多聪明，而在于"事实来自表，数字来自算，模型只负责串故事"这三句话。

怎么判断推荐到底靠不靠谱

"读起来像"不算数，给四个可硬算的维度：

配套做法：固定留 20~30 个测试问题当回归集，每次改图谱或换提示词都跑一遍。这条纪律比任何单次调优都值钱，它能防止"修好了格式、弄丢了安全"这类回退。

哪些坑最容易翻车，分别怎么绕

1. 数据缺失：食物成分表普遍有缺口，整列取均值会扭曲"相对含量"。规避：关键营养素缺失直接标记该条目不可用，不让模型猜。

2. 参数陷阱：微调学习率偏大两三个数量级，通用能力被冲掉，模型变得"懂吃但不会说话"。规避：1e-4 量级起步、训两三个 epoch 就停，训完拿几个通用问题抽查。

3. 定量幻觉：让模型同时算热量和写菜名，两头都不可靠。规避：把计算从生成职责里拆走——数字由代码算好再拼进提示词，或交给校验层兜底。

4. 硬件限制：7B 模型全精度加载约 14 GB 显存，消费级显卡很吃力；4-bit 量化后权重压到 4 GB 上下，GGUF q4 这种格式纯 CPU 也能推理（下图为本仓库的内存对比示意）：

5. 知识过时：营养学结论迭代快，灌进权重的知识会慢慢失真。规避：会变的事实只放检索库、按月更新；微调只学格式与语气；每次更新后跑一遍评估回归再上线。

从 0 到 1，路径其实很短

把领域知识放得进去、算得准、查得出问题，这套饮食规划 LLM 就立住了：检索增强管"知道"，轻量微调管"像样"，结构化校验管"不翻车"，三者成本都不高，顺序可以慢慢来。想系统补 RAG、LoRA、量化这几块的完整流程，可以 clone 下面这个仓库，里面有分模块的路线图文档和配套 Colab 示例：

git clone https://gitcode.com/GitHub_Trending/ll/llm-course

配套资源：

• llm-course（上方仓库）：LLM 学习路线图，含 RAG、微调、量化分模块示例；
• 开源食物成分库：USDA FoodData Central、Open Food Facts，可直接当结构化底座；
• 开源医疗问答数据集：挑几百条做第一轮 LoRA 样本足够；
• 结构约束：Outlines，按 JSON Schema 锁死输出格式；
• 量化部署：GGUF 模型 + llama.cpp，本地跑推理不用云。

【免费下载链接】llm-courseCourse to get into Large Language Models (LLMs) with roadmaps and Colab notebooks.项目地址: https://gitcode.com/GitHub_Trending/ll/llm-course