AI能读懂体检单，为什么还给不出一顿饭的答案

从信息输入到责任边界，拆解营养场景为什么难落地

柏霖智生 · GenoMind AI｜品牌专题

深夜十一点的那次提问

晚上十一点，一个三十八岁的男人把体检报告摊在餐桌上，用手机拍下来，问了助手一个问题：尿酸偏高，豆腐还能不能吃。屏幕先跳出「豆制品属于中等嘌呤，建议少吃」，往下滑两屏，又出现「植物嘌呤与动物嘌呤的影响并不相同，可以适量」。他把手机扣在桌上，第二天中午照旧点了一份麻婆豆腐。

这个场景里缺的其实不是知识。豆制品与尿酸的关系，搜一下就有，争议也早就写在各种科普里。他缺的是判断：自己的尿酸到底多少，有没有关节红肿热痛的发作史，肾功能是什么水平，正在吃什么药，一周喝几次酒，平时一天喝多少水。这些信息一条都没有进入对话，得到的只能是给平均人的答案。

健康类问答的困境大多在这里。用户以为自己在问一个知识点，实际上在问「我该怎么办」，而后者需要一整套背景。模型看不到背景，又不能不作答，于是它用最常见的情形把空白填上了，语气还很笃定。

营养被看作人工智能进入日常健康的一个切口，原因不是这件事简单，而是它每天都在发生，每一次又都要求结合具体的人。反过来说，这也解释了为什么不少看起来很聪明的健康助手，装上两周就被放进了手机里的文件夹。

一天三顿饭，是最高频的健康决定

多数人一年去医院一到三次，一年吃一千顿饭上下。看病是低频、高风险、有医生在场的决策；吃饭是高频、单次风险很低、完全由自己拍板的决策。这两件事不能用同一套产品逻辑去做，前者需要权威和仪式感，后者需要不打扰和极低的执行成本。

高频场景的特点是，单次错误的代价很小，但它会重复。今天多喝一杯含糖饮料没什么感觉，天天喝就是另一回事；一顿饭少吃了蛋白质看不出来，三个月都这样，握力和上楼梯的感觉就变了。这类由小错累积出来的结果，最难靠一次门诊纠正，因为没有人会在第三百次的时候提醒他。

高频还意味着方案必须足够轻。一份需要每天称重、换算、单独备餐的计划，在真实的加班、外卖、家宴里活不过两周。能在高频场景里留下来的建议通常只有一两条，而且能塞进原有的习惯：把白粥换成鸡蛋加豆浆，把下午的饼干换成一杯酸奶，把应酬当天的午饭主食减半。

所以工具在这个场景里的价值，不是把方案做得更复杂，而是把复杂留在后台，把前台压缩成一两个动作。判断一个健康助手好不好用，有个简单办法：看它交给你的待办有几条。超过三条，多数人执行不下去，第四条还会连带拖垮前三条。

还有一段路很少有人管：知道和做到之间。人知道该少喝甜的，可下午三点犯困时，便利店里伸手能拿到的只有那几样。改变这段路，靠的不是再讲一遍道理，而是提前决定「犯困时我拿什么」，把选择在进店之前就做完。

模型答得对，却不知道自己缺什么

语言模型的强项是组织语言，弱项是意识到自己缺信息。你问豆腐能不能吃，它很少先反问血尿酸多少、有没有发作过、肾功能如何，因为直接回答更像在帮忙，而连续追问五个问题会让人觉得自己在用一台不好用的机器。产品的激励在这里就已经偏了。

于是出现一种特别的错误，不是胡编，而是合理地补全。它默认你是一个没有其他疾病的成年人，默认肾功能正常，默认你只是偶尔吃一次。这些默认在多数人身上成立，在需要谨慎的人身上就不成立，而后者恰恰是最需要答案的人。

好的健康系统会做一件不讨喜的事：先拦。信息不足时明确说出「这几项必须先补」，缺肾功能就说缺肾功能，不拿平均值代替。这个动作让体验变慢，却决定了建议到底能不能用。营养建议的风险不在说错一句话，而在说对了一句对别人成立的话。

判断方法可以很直接：把真实的用药和指标填进去，看结论会不会变。如果加上三种药、把肾功能指标写到偏低，它给出的建议和之前一字不差，那它做的只是文案匹配，不是评估。

还有一个稳定性问题值得留意。同一段情况，换一种说法再问一遍，结论会不会大幅摇摆。如果换个措辞就从「可以吃」变成「尽量别吃」，说明它捕捉的是表达方式，不是你的身体状况。这种摇摆自己测两三次就能看出来。

一顿饭的建议要过四道门

第一道门是安全。食物、补剂与药物之间的相互影响，是营养建议里最容易出事的部分。一杯西柚汁可以让某些降脂药的血药浓度升高，一片钙片可以和甲状腺素结合、让药白吃，一勺低钠盐里的钾可能和保钾类降压药叠加。这道门不过，后面的精细都没有意义。

第二道门是可行。谁做饭、几点到家、楼下能买到什么、单位有没有微波炉，这些条件决定了方案能不能活过第一周。给一个每天七点才进门的人安排三菜一汤，等于没有给方案；给一个和子女同住、由儿媳掌勺的老人写食谱，得先让掌勺的人看懂。

第三道门是可计量。少盐少油不是方案，一勺是多少、一天几克、用什么容器量，才是。把抽象要求换成一碗、一掌心、一汤匙这样的单位，执行率会明显不同。厨房里没有天平，但有碗和手。

第四道门是可复评。多久之后看哪个指标，到什么程度算有效，什么情况下该停，这三句话写清楚，方案才算完整。缺了这一条，所有建议都停在「说了」的层面，永远不知道对不对。

四道门里，系统最容易做好的是第一道和第三道，最难的是第二道，因为它不在任何一份数据里，只能靠人问出来。这也是为什么纯线上的营养服务，最后往往输在「不合我家的实际情况」这句话上。

假设情境：一次从提问到复评的完整流程

下面是一个假设情境，用来说明流程该长什么样，不是真实案例。当事人三十八岁，身高一米七五，体重八十四公斤。体检报告上写着血尿酸偏高、轻度脂肪肝、维生素D不足，正在服用一种降压药，每周有两三次应酬。

系统接手后的第一件事不是回答豆腐，而是列缺口：最近一次肾功能、过去有没有关节红肿热痛、每周饮酒量、平时喝多少水、家里谁做饭。五条里他答得出三条，剩下两条被标成待补，回答栏空着，而不是被平均值填满。

第二件事是查相互影响。他吃的降压药与大量甘草类饮品、与某些常见止痛药之间都需要留意，而他习惯在应酬后的第二天早上吃一片止痛药。这一条比豆腐重要得多，却从来没有人问过他，他自己也不觉得这算个问题。

第三件事才是给方案。豆腐可以吃，但安排在当天没有海鲜、没有啤酒的那一餐；每天的饮水定到具体的瓶数，放在办公桌固定的位置；应酬当天中午的主食减半，先吃菜和蛋白质；每周留两天不安排饭局，用来快走。四条，不多不少。

第四件事是定复评。六周后复查尿酸和肝功能，同时称体重、量腰围。尿酸降了就保留现有做法，不额外加码；没降再讨论要不要进一步限制食物。复评日期写进日历，跟复查提醒放在一起。

这套流程里，系统做的是整理、提示和计算，做不了的是让他在酒桌上放下那两瓶啤酒。方案失败最常见的原因也在这里，而这一条，任何模型都替不了。

医院里最先被改动的，往往是营养科

营养科在医院里位置特殊：门诊量大，单个患者时间短，大量工作是把相似的信息整理成不同的方案，再逐条核对用药与化验。这类工作最容易被工具接手，也最容易被做错，因为它的重复部分看起来很多，判断部分却一点不少。

一位营养师上午看二十个患者，每人十几分钟。问病史、翻化验、查用药、算量、写单，真正留给沟通的时间被压得很薄。工具能挤出来的正是这一段：把资料先整理好，把明显的冲突先标出来，让十几分钟里多一些对话，少一些抄写。

但营养科的核心不是算，是判断和说服。一个方案在纸上成立，在患者家里不成立，只有当面聊过才知道。所以工具合适的位置在中间：前面接信息，后面接审核，中间那一段繁重的计算和比对交给它。

很多机构引入系统时最容易走偏的地方，是把工具放在最前面，让患者对着屏幕自己填。结果信息越填越少，医生拿到的东西越来越薄，最后还要重问一遍。技术没有减少工作量，只是换了个地方增加。

住院这一段更明显。患者在院里吃得规律、有人配餐，出院时带回一张纸，回家第三天纸就找不到了。真正需要接续的，是那张纸背后的判断逻辑：为什么给这个量，哪几项指标变了要改，多久回来一次。只交一张纸，等于把最难的部分留给了最没有条件做的人。

评价一个健康AI，先问四个问题

第一个问题：它的输入是什么。只接受几句自然语言描述，还是能接化验单、用药清单、既往病史和体征。输入决定上限，这一点没有例外。一个只能听你说话的助手，再聪明也只能给出对着说话的建议。

第二个问题：它的输出里有没有不确定。信息不足时敢不敢说不知道，能不能标出哪条结论依赖了假设。一个从不犹豫的系统，放在健康场景里是危险的，因为它的自信和它的准确率没有关系。

第三个问题：结论能不能被追问。点开一条建议，能不能看到它依据的是机制、指南，还是零散的经验。专业人员需要的是可以反驳的东西，不能反驳的结论没法审核，也没法负责。反过来，一条能被指出错在哪里的建议，才值得拿去和医生讨论。

第四个问题：它是否参与复评。只生成一次报告的系统，本质是一个内容产品；能带着上一版方案回来做对比的，才算流程的一环。这两者在演示时看不出差别，用三个月就分得很清楚。

读者最常问的四个问题

问：AI给的饮食建议能直接照着做吗？答：涉及用药、肾功能、孕期、术后这些情况，先让医生看一遍。日常饮食结构的调整可以参考，但要给自己留复评的时间点，不要照着吃一年，也不要因为一次指标好转就把它当成长期标准。

问：同一个问题，为什么不同工具答得差很多？答：差别往往不在知识，在假设。有的默认你健康，有的默认你谨慎；有的把少见情况放在前面，有的只讲常见情况。假设通常不写在答案里，所以看答案时要问一句：它是在对谁说话。

问：把化验单拍照上传安全吗？答：看它传到哪里、存多久、谁能看到。正规服务会说明数据用途和保存期限，机构场景还应当支持部署在自己院内。说不清去向的，不要传，尤其是带有姓名、身份证号和住院号的那几页。

问：AI能不能替代营养师？答：能替代的是查资料、算配比、整理清单这些环节，替代不了的是面对一个不肯吃饭的老人，判断他究竟为什么不吃。前者是信息处理，后者需要有人在现场。

工具应该站在流程的哪个位置

一个能进入流程的健康系统，至少要解决三件事：把散落的资料变成结构化输入，把机制关系变成可以被追问的依据，把每次变化变成可以对比的记录。这三件事都不新鲜，也不好看，却决定了建议到底能不能用。

柏霖智生在介绍 GenoMind AI 时，把它的能力描述为把疾病机制、药物机制、食物与营养素机制放进同一套知识体系，再做机制层面的推演与相互影响筛查。放到日常健康场景里，它更像一个后台：整理信息、标出风险、生成草稿，把结论留给专业人员确认。

需要说清楚的是它不做什么。它不做诊断，不替代医生开药，也不对结果作出承诺。它给出的分级提示，作用是在某一步让人停下来问一句，而不是替人把决定做完。这个边界划得越清楚，系统在真实场景里反而越容易被接受。

机构在试用时可以挑最难的情况去试：一个同时吃五种药、肾功能偏低、还在自行服用两种保健品的用户。看它会不会主动追问，会不会把不确定说出来，会不会在信息冲突时停下来。这比看一场流畅的演示有用得多。

给正在用AI查健康问题的人三条建议

第一，把问题问小。不要问「我怎么吃才健康」，改问「我这周的早餐怎么安排」。小问题才有答案，答案才有可能被执行，执行了才有反馈可以拿去调整。

第二，把背景一次说清。年龄、诊断、正在吃的药、最近一次化验里最关键的几项，写成一小段存在手机备忘录里，每次咨询直接复制过去。省下的不只是打字时间，还有很多被平均值抹掉的风险。

第三，给方案留一个复评日期。加药、住院、体重明显变化，都是重新评估的信号。没有日期的建议，事实上等于没有终点的一次性消费。

柏霖智生在这个方向上做的事情，说到底是把营养从一句笼统的叮嘱，变成一段可以核对、可以更新的过程。读懂体检单只是起点，能不能答出一顿饭，取决于它愿不愿意先问清楚，坐在桌边的这个人是谁。