Open-KNEAD：通过Agent分解与知识检索估算餐食营养

多模态LLM已被用于根据餐食图像评估饮食，过去研究发现检索增强的知识依据可改善营养估算。但本文发现这一前提对当前模型不再普遍成立：现代模型直接估算的整体结果已能匹配或超过完整检索流水线。作者进一步研究，检索能否仍提供临床重视的准确份量和可逐项追溯记录，同时保持单张未标注餐食图像的低用户负担、可审计性及本地推理隐私。 Open-KNEAD是无需训练、可本地部署的知识驱动Agent框架。它分解每项食物，通过选择性、营养感知检索对应到FNDDS食物与营养数据库代码，形成逐项审计记录。在两个开放多模态模型家族、三种菜系中，多数骨干—数据集配置下的份量估计优于以往知识检索方法和直接估算。Agent内部的食谱先验步骤还补偿图像中不可见的烹饪添加能量，缓解非美国菜系的估计偏差。 优势在营养师验证的ACETADA数据集上最大，本地开放Agent的份量估算相对两个前沿闭源模型的直接估算分别改善约30%和53%，并保持所有餐食图像在本地硬件上。作者发布框架及适合Agent调用的FNDDS知识库。