Nutri-ATLAS：结合营养图谱与机器人观察提供饮食建议

生成式和 Agentic 物联网系统为数字医疗保健应用提供了一个有前景的基础，这些应用将传感、个性化推理和现实环境中的自主交互结合起来。营养援助是一个自然的用例，但现有的基于大语言模型 (LLM) 的系统通常仅限于被动文本交互和静态上下文，当食物描述不明确或营养证据缺失时，它们就变得不可靠。我们提出 Nutri-ATLAS，一种用于表格查找和协助的实体Agent，以在现实世界中实现更智能的营养。它集成了基于图形的营养推理、硬件感知的LLM选择和基于机器人的证据获取。 Nutri-ATLAS 从 USDA FoodData Central 和 FoodKG 构建统一的食品营养知识图，并学习 64 维 GATv2 食品和食谱嵌入。共享的混合图文评分机制支持食物营养提取、营养缺口填补、替代品检索和食谱级膳食成分，而LLM指导的技能界面则可导航地标、更新饮食背景和食物可及性记忆，并根据观察到的食物供应情况提出建议。我们在营养估计、替代检索、食谱推荐、患者档案依从性、边缘部署和现实世界的具体执行方面评估 Nutri-ATLAS。在 HealthyFoodSubs 上，混合检索器实现了 37.9% MAP、80.7% RR@5 和 90.1% RR@10。在 NutriBench v2 上，Dense+GAT 检索基于九种量化的 Qwen3.5-9B 配置的营养估计。在 PFoodReQ 上，Nutri-ATLAS 达到 78.8% MAP、83.0% MAR 和 77.5% F1。患者概况研究显示所有选定病例均遵守过敏和健康目标限制。