妊娠期糖尿病难管理？我用扣子一句话生成了"随身营养师"
2026-01-08 14:53:05
文章摘要
这篇教你用扣子，5 分钟搭建智能体，拍饭菜照片就知能不能吃、血糖风险和调整建议，不用懂技术，帮患者轻松控饮食。

目录

是否曾经站在厨房里，面对一桌丰盛的饭菜，心里却满是焦虑？这一桌有多少卡路里？吃了会不会长胖？
尤其是当你诊断出妊娠期糖尿病后，每一顿饭都成了考验，这些食物我能吃吗？吃多少合适？怎么搭配最健康？

全国大约有 10-20% 的孕妇会面临妊娠期糖尿病的挑战，每天不仅要面对频繁的血糖监测，更要不断琢磨如何合理搭配食物，控制血糖。而医生给的食谱，往往并不能给我们带来具体的指导。

但现在，随着技术的进步，我们有了一个 智能助手。

通过字节跳动的 扣子（Coze），你只需要拍一张照片，1 秒钟，就能知道这顿饭能不能吃、如何调整，甚至还能预测血糖的变化。简单、快速、准确，帮助你告别每餐的焦虑。

这正是 AI 智能体 最擅长的场景。


扣子的“一句话建工作流”

过去，搭建一个 AI 智能体，你需要：

  • 手动拖拽节点
  • 配置插件
  • 写提示词
  • 调试工作流
  • ……

现在，扣子推出了「扣子编程」功能，把门槛降到了地板。

你只需要一句话描述你的 业务逻辑，AI 就能自动帮你：

  1. 拆解流程
  2. 配置节点
  3. 编排工作流
  4. 生成代码

技术门槛？不存在的。


实战操作：5 分钟搭建“随身营养师”

第一步：注册扣子并创建智能体

首先，点击进入 扣子官网，用手机号或微信登录。
点击右上角，「扣子编程」按钮，该功能现在免费测试中。


图1：扣子官网首页界面

点击右上角的「编程模式」按钮。

第二步：输入业务逻辑（一句话生成工作流）

在对话框中，输入以下内容：

我需要一个妊娠期糖尿病营养管理智能体。

工作流程：


    

  1. 用户上传一张午餐照片。
    2. 

  2. 使用视觉识别插件，识别照片中的所有食物种类。
    3. 

  3. 从营养成分数据库中查询每种食物的碳水化合物、蛋白质、脂肪、GI值（升糖指数）。
    4. 

  4. 调取用户档案（包括孕周、空腹血糖、餐后血糖、BMI、过往血糖记录）。
    5. 

  5. 根据以下规则进行评分：

      

    • 碳水化合物总量 ≤ 50g：+20分
      • 

    • 蛋白质 ≥ 20g：+15分
      • 

    • 蔬菜 ≥ 200g：+15分
      • 

    • 高GI食物（>70）存在：-20分
      • 

    • 油炸食物存在：-15分
      • 

    • 总分满分100分
      • 

    

    6. 

  6. 根据评分给出结论：

      

    • 90-100分：非常健康，可以放心吃
      • 

    • 70-89分：基本合理，建议调整XX
      • 

    • 50-69分：需要改进，建议减少XX，增加XX
      • 

    • <50分：不建议食用，推荐替代方案
      • 

    

    7. 

  7. 输出格式：

      

    • 食物清单及营养成分表
      • 

    • 综合评分
      • 

    • 血糖影响预测（轻度/中度/高度风险）
      • 

    • 具体调整建议
      • 

    • 可替代的健康食谱

点击「生成工作流」。
等待片刻，AI 就会自动帮你构建好完整的工作流！


图2：AI 自动生成工作流演示

第三步：查看自动生成的工作流

扣子会自动创建以下节点：

节点 1：输入

  • 类型：用户输入
  • 格式：图片文件

节点 2：食物识别

  • 模型：扣子内置的「豆包1.6」，可切换任意具有图片理解能力的模型
  • 任务：识别图片中的食物种类、数量

图3：查看自动生成的工作流节点

节点 3：营养成分查询

  • 数据源：中国食物成分表数据库（可通过 API 接入，或使用内置知识库）
  • 查询内容：碳水、蛋白质、脂肪、GI 值、热量

节点 4：用户档案调取

  • 数据源：变量存储（扣子支持为每个用户创建独立档案）
  • 内容：孕周、血糖数据、BMI、饮食偏好

节点 5：营养评分

  • 类型：代码节点（扣子自动生成 Python 代码）
  • 关键执行逻辑：
分指标计算：分别汇总碳水、蛋白质、蔬菜量，达标分别加 20/15/15 分；
负向扣分：存在高 GI（>70）或油炸食物，分别扣 20/15 分；
分数校准：强制总分为 0-10 区间数值；
风险分级：根据最终分数判定风险等级（轻度 / 中度 / 高度风险）。

节点 6：结论生成

  • 类型：LLM 节点
  • 提示词：
请根据以下数据生成营养管理结论：
食物清单：{{ food_list }}
营养成分数据：{{ nutrition_data }}
用户档案：{{ user_profile }}
综合评分：{{ score }}
评分明细：{{ score_details }}
血糖影响预测：{{ risk_level }}
请按照指定的输出格式返回JSON对象。

请给出：


    

  1. 这顿饭的营养评价
    2. 

  2. 可能的血糖影响
    3. 

  3. 具体调整建议
    4. 

  4. 如果评分低于70分，推荐一份替代食谱

节点 7：结束

  • 格式：结构化文本 + 表格

整个工作流自动连接，无需手动拖拽！


第四步：优化提示词（可选）

虽然 AI 已经自动生成了工作流，但你仍然可以手动优化关键节点的提示词，以提升效果。

视觉识别节点优化提示词：

你是一位专业营养师，请仔细分析这张食物照片。

任务：


    

  1. 识别照片中所有可见的食物种类
    2. 

  2. 估算每种食物的大致重量（参考常见餐具大小）
    3. 

  3. 判断烹饪方式（清蒸/红烧/油炸/炒制等）
    4. 



输出格式（JSON）：

{

"foods": [

{

"name": "米饭",

"weight": "150g",

"cooking_method": "蒸"

},

{

"name": "红烧肉",

"weight": "80g",

"cooking_method": "红烧"

}

]

}


注意：


    

  • 如果照片模糊或无法识别，请说明原因
    • 

  • 重量估算允许 ±20% 的误差
    • 

  • 标注高GI食物（GI>70），如白米饭、土豆、白面包

建议生成节点优化提示词：

你是一位专业的妊娠期糖尿病营养师。

用户档案：


    

  • 孕周：{week}
    • 

  • 空腹血糖：{fasting_glucose} mmol/L
    • 

  • 餐后2小时血糖：{postprandial_glucose} mmol/L
    • 

  • BMI：{bmi}
    • 



当前午餐分析：


    

  • 食物清单：{food_list}
    • 

  • 总碳水：{total_carbs}g
    • 

  • 总蛋白质：{total_protein}g
    • 

  • 总脂肪：{total_fat}g
    • 

  • 高GI食物：{high_gi_foods}
    • 

  • 综合评分：{score}/100
    • 



请按以下结构输出建议：


【营养评价】

用 1-2 句话总结这顿饭的整体营养情况。


【血糖影响预测】

根据碳水含量和GI值，预测餐后血糖可能的变化：


    

  • 轻度风险：餐后血糖可能在 6.0-7.0 mmol/L
    • 

  • 中度风险：餐后血糖可能在 7.0-8.0 mmol/L
    • 

  • 高度风险：餐后血糖可能 > 8.0 mmol/L
    • 



【具体调整建议】

如果评分 < 90，请给出 2-3 条可执行的改进建议，例如：


    

  • "米饭减少到 100g（约半碗）"
    • 

  • "增加 200g 绿叶蔬菜"
    • 

  • "红烧肉改为清蒸鱼"
    • 



【替代食谱】（仅在评分 < 70 时提供）

推荐一份营养均衡、适合妊娠期糖尿病患者的午餐食谱，包括主食、蛋白质、蔬菜的具体种类和分量。


语气：温和、专业、鼓励性，避免说教。


第五步：测试与发布

点击右上角「测试」按钮，上传一张午餐照片（可以用手机拍一张你今天的午餐）。


图4：上传午餐照片进行测试

测试无误后，点击「发布」。

你可以选择发布到：

  • 微信公众号：用户在公众号中发送照片即可获得反馈
  • 飞书/钉钉机器人：适合医院或社区健康管理场景
  • 独立网页/小程序：生成一个专属链接，患者可以随时访问

核心技术逻辑拆解

虽然扣子已经自动完成了大部分工作，但理解背后的技术逻辑，能帮助你进一步优化智能体。

1. 视觉识别：如何准确识别食物？

难点：

  • 食物种类繁多（中国菜系有数千种）
  • 重量难以估算（无参照物时）
  • 烹饪方式影响营养成分（红烧 vs. 清蒸）

解决方案：

  • 使用 豆包1.6 Vision 或 通义千问 VL。
  • 在 提示词 中要求 AI 参考常见餐具大小估算重量。
  • 标注烹饪方式，以便后续查询对应的营养成分。

2. 营养成分库：数据从哪里来？

方案 A：接入公开 API

  • 中国疾控中心《中国食物成分表》API
  • FatSecret API（国际食物库）
  • 薄荷健康、Keep 等 App 的数据接口

方案 B：使用扣子知识库（推荐）

  • 将《中国食物成分表》整理成结构化文档（Excel 或 CSV）。
  • 上传到扣子的「知识库」功能。
  • 工作流中通过「知识库检索」节点查询。

推荐方案 B 的原因： 无需申请 API，数据可控，检索速度快。

3. 打分机制：如何量化“健康程度”？

参考标准： 中国营养学会《妊娠期糖尿病膳食指南》及美国糖尿病协会（ADA）标准。

核心指标：

  • 碳水化合物：每餐 50-60g 为宜
  • 蛋白质：每餐至少 20g
  • 蔬菜：每餐至少 200g
  • GI 值：优先选择 GI < 55 的食物
  • 油脂：避免油炸、红烧等高油烹饪

评分公式示例（扣子自动生成的 Python 代码）：

def calculate_score(nutrition, cooking_method):
    score = 100

# 碳水化合物评分
if nutrition['carbs'] &gt; 60:
    score -= 20
elif nutrition['carbs'] &gt; 50:
    score -= 10

# 蛋白质评分
if nutrition['protein'] &lt; 15:
    score -= 15
elif nutrition['protein'] &lt; 20:
    score -= 5

# 蔬菜评分
if nutrition['vegetables'] &lt; 150:
    score -= 10
elif nutrition['vegetables'] &lt; 200:
    score -= 5

# GI 值评分
if any(food['gi'] &gt; 70 for food in nutrition['foods']):
    score -= 20

# 烹饪方式评分
if '油炸' in cooking_method or '红烧' in cooking_method:
    score -= 15

return max(0, score)  # 确保分数不低于0

4. 个性化档案：如何记住每个用户的情况？

扣子支持为每个用户创建独立的「变量存储」。

初次使用时，智能体会询问：

  • 您目前怀孕多少周？
  • 您的空腹血糖是多少？
  • 您的餐后 2 小时血糖是多少？
  • 您的身高和体重？（用于计算 BMI）

这些数据会存储在用户档案中，之后每次使用都会自动调取。


进阶优化：让智能体更聪明

优化 1：增加血糖趋势预测

逻辑： 记录用户过去 7 天的血糖数据，分析饮食与血糖的关联性，预测本次用餐后的血糖波动。
实现方式： 在工作流中增加一个「历史数据分析」节点。

优化 2：增加语音交互

扣子支持接入微信公众号和飞书，用户可以通过 语音 描述食物，而不仅仅是拍照。
例如： 用户说：“我刚吃了一碗面条、一个鸡蛋和一盘炒青菜。”
智能体自动识别关键词，查询营养成分，给出建议。

优化 3：增加医生后台

如果你是医院或诊所，可以为医生开通一个后台管理界面：

  • 查看所有患者的饮食记录
  • 标记高风险患者
  • 批量发送健康提醒

实现方式： 扣子支持「多角色权限管理」，可以创建「患者角色」和「医生角色」。


商业价值与应用场景

这套「随身营养师」智能体，不只是一个 Demo，它有真实的商业价值。


图5：应用场景展示

场景 1：医院产科

  • 痛点：医生管理患者数量多，无法实时响应饮食咨询，患者依从性差。
  • 方案：部署智能体集成到公众号，医生只处理“高风险”标记。
  • 价值：医生工作量减少 70%，患者满意度提升 40%。

场景 2：健康管理 App

  • 痛点：缺乏核心付费功能。
  • 方案：免费版每日限次，会员版无限次 + 个性化食谱。
  • 价值：变现路径清晰，用户粘性高。

场景 3：社区健康中心

  • 痛点：缺乏专业营养师。
  • 方案：社区医生部署该工具，患者自查。
  • 价值：降低社区医疗负担，提升居民健康水平。

常见问题与解决方案

问题 原因 解决方案
识别不准确
（如把红薯识别成土豆）		 视觉模型混淆 优化 Prompt，要求 AI 列出“可能的食物”供用户选择
重量估算偏差大 照片无参照物 在 Prompt 中要求用户“放一个勺子或筷子作为参照”
评分过于严格 规则阈值设置不当 调整代码节点中的阈值，如碳水 >60g 才扣分
建议太笼统 LLM 生成建议不具体 优化 Prompt，要求给出“可量化的调整方案”
无法调取档案 变量存储配置错误 检查「变量管理」节点，确保已绑定用户 ID

延伸思考：AI 在医疗场景的未来

这套「随身营养师」只是一个起点。类似的应用场景还有：

  • 糖尿病患者：监测每日血糖与饮食的关系
  • 高血压患者：控制钠摄入，识别高盐食物
  • 减重人群：计算每日热量，推荐低卡食谱
  • 儿童营养：为家长提供科学的儿童膳食搭配

技术的本质是降低门槛、提高效率。

过去，搭建这样一套系统需要医疗知识、技术能力和大量资金。现在，任何人都能在 5 分钟内，用扣子搭建一个专业级的医疗健康智能体。

这不只是工具的进步，更是 医疗服务可及性的革命。


结语

AI 正在改变我们对医疗健康的认知。

拍张照片，1 秒钟后，手机上弹出了详细的分析：

  • 这顿饭评分 72 分，建议米饭减少到 100g，红烧肉改为清蒸鱼。
  • 预计餐后血糖 7.5 mmol/L，属于中度风险，建议饭后散步 15 分钟。

我们按照建议调整了饮食，餐后血糖稳定在 7.0 以下。

这就是 AI 的力量：通过智能化的个性化指导，让每个人都能更好地掌控自己的健康。

如果你也想搭建类似的智能体，不妨试试扣子的「编程模式」。一句话，就能让 AI 帮你完成所有技术工作。

技术门槛已经降到地板，剩下的，只是你的想象力。

声明：该内容由作者自行发布，观点内容仅供参考，不代表平台立场；如有侵权，请联系平台删除。
标签：
工作流自动化