七分饱

项目核心理念：「七分饱 = 三分饿」—— 不在餐前干涉既定饮食选择，而在餐中充当即时的外部视觉刹车，饭后通过Agent 宠物对话建立身体感知闭环，将“少吃的节制”重构为给身体的舒适呼吸感与喂饱宠物的爱心馈赠。 一、项目解决了什么问题？ 1. 生理感知延迟导致被动吃撑 人体饱腹感信号从胃部传导至大脑中枢通常存在 15 至 20 分钟的生理延迟。在快节奏办公、进餐时间受限或多人社交聚餐等场景下，用户进食速度往往偏快，注意力被工作或社交分散。当大脑最终接收到“吃饱”信号时，生理摄入往往早已严重超量，导致饭后腹胀与精神萎靡。 2. 传统饮食管理工具门槛高且脱离现实场景 市面现有的健康管理与控卡 App 普遍采取两种极端模式：餐前给出单一严格的定制食谱，或餐后要求繁琐记录每种食材克重并计算卡路里。但现实中打工人与学生党高频面对的是外卖、快餐、食堂打饭与社交聚餐，缺乏自主搭配与精准分量把控空间，繁琐与脱离实际的机制极难让用户长期坚持。 3. “节制与剩饭”的负面心理包袱 在传统认知中，“没吃满”常伴随挨饿与剥夺感，而“必须光盘”的心理包袱容易驱使人们在已经饱腹时强行吃完。此外，一旦偶发吃撑，用户容易产生内疚与挫败感，进而彻底放弃健康记录。 4. 静态算法模型无法匹配个体动态胃口 千人千面的真实胃口差异巨大，且随着作息与进餐结构动态变化。通用静态摄入标准无法感知个体差异，更缺乏依据真实反馈持续自我迭代与收敛的自适应机制。 二、使用了哪些方案？ 1. 认知重构与正向情感激励方案 心智重塑：将“三分饿”定义为身体处于低负担、高专注状态时的呼吸感，消解减脂或控量过程中的匮乏感。 情感代偿机制：将少吃的饭量转化为喂饱伴生 Agent 宠物的爱心馈赠，形成正向情感回馈闭环。 放纵保护与连击维系：引入多邻国式打卡火焰与放纵保护卡，偶发吃撑如实反馈即可抵扣断签，包容真实人性。 2. 餐前即时视觉刹车与双场景自适应 一人食场景：餐前单张照片输入，算法自适应输出分菜品结构化卡片，直接标注分数比例建议（如“建议吃 4/5”、“建议吃 2/3”，低能量蔬菜标注“放心吃 ✅”），建立清晰的量化刹车锚点。 多人聚餐场景：通过大语言模型生成针对性的进餐顺序与避坑指南（如优先清蒸/白灼、避开吸油底料、主食限量等社交进餐策略）。 3. 轻量人机协同纠偏（HITL） 提供“小七说对了吗？”极简纠偏面板，支持 Top-K 候选词一键点选替换（如“咖喱鸡”替换为“咖喱牛肉”），以及“偏少 / 适中 / 偏多 / 超大”4 档定性份量微调。前端本地即时重绘建议结果，实现 0 延迟响应且免除二次视觉 API 调用。 4. 自研数学与自适应算法体系 BMR 动态基准：采用 Mifflin–St Jeor 方程结合体重管理目标系数与三餐分配权重构建动态单餐能量基准。 HFS 饱腹评分模型：综合餐食热量、蛋白质、膳食纤维与脂肪等关键维度，回归计算健康饱腹指数，与目标摄入形成双约束推荐。 贝叶斯 / 卡尔曼增量自适应更新：餐后两轮分支对话提取执行比例与饱腹感反馈指标（-1 饿 / 0 刚好 / +1 撑），动态修正后验食量配额，并引入测量噪声阻尼机制防止单次异常波动破坏长期稳定性。 三、现场完成的内容 1. P0 餐前视觉与量化交互闭环 完成用户基础身体数据设置模块与 Mifflin–St Jeor BMR 自动计算。 打通微信小程序原生相机调用与智谱 AI 图像识别接口，实现多菜品结构化抽取与营养分类打标。 落地一人食与多人聚餐 Switch 场景切换，完成分菜品分数卡片渲染与“小七说对了吗？”HITL 纠偏面板。 2. P0 餐后对话与自适应校准闭环 接入智谱 GLM 驱动的拟人化宠物 Agent，实现分支自适应对话与结构化饱腹感槽位提取。 封装并跑通 JavaScript / Node.js 贝叶斯与卡尔曼增量校准模型，实现千人千面食量配额动态收敛。 3. P1 激励系统与演示支持 上线觉察提醒认知弹窗、“全吃完 + 刚刚好”触发 2.0 倍 EXP 暴击的「神准光盘」成就系统。 制作 3D 打印 NFC 实体宠物标尺挂牌，支持手机碰一碰直达反馈页。 在小程序内开发“时间机器”开发者演示面板，支持一键注入历史打卡数据以秒级演播模型收敛与宠物进阶。 四、使用的方式与技术架构 1. 前端交互层 采用微信小程序原生全栈架构（WXML / WXSS / TypeScript / JavaScript），负责相机实时调用、结构化分数建议卡片渲染、4 档份量定性交互组件以及伴生宠物多态情绪与成长状态机呈现。 2. 云端与后端架构 依托微信云开发平台（Node.js 云函数 + 云数据库 + 云存储），承载轻量后端业务调度、用户鉴权、数据持久化存储、容灾降级与端云分流路由网关。 3. AI 能力层 视觉能力：集成智谱 AI 图像识别 API，实现食物主体分割、多菜品识别、营养成分打标与 Top-K 候选词抽取。 语言与 Agent 能力：基于智谱 GLM 大语言模型构建拟人化宠物伙伴，实现多轮情感对话、意图识别与自由文本槽位抽取。 4. 算法中枢与工程降本策略 自研算法体系：在本地与云函数中协同运行 BMR 映射、HFS 回归以及贝叶斯增量更新算法。 端云分流架构：常规确定性交互走前端本地规则与正则处理，复杂自由文本调用大语言模型，在保证毫秒级交互体验的同时大幅削减 Token 开销。 https://my.feishu.cn/wiki/Ehplw1jORiKvX8kNVGGckpacnkc?renamingWikiNode=true