技术摘要：基于统计支持的 LLM 食材与配方数据采集

1. 问题陈述

计算营养系统需要精确、结构化且内部一致的食材数据才能有效运行。然而，现有的营养数据库往往存在完整性不足、跨来源不一致以及结构化设计偏向于人类浏览而非自动化推理的问题。虽然大语言模型（LLM）为扩展数据采集提供了潜在方案，但它们面临着关键的可靠性挑战：单次生成的 LLM 输出可能会引入“沉默错误”（即自信地断言了错误数值），从而破坏下游计算。

仅仅对重复的 LLM 输出进行平均是不够的，因为由于共享参数和训练分布，来自同一模型的误差是相关的，而非独立的。此外，要求模型进行自我修正往往会导致结果在数值上保持一致，但在事实层面却缺乏依据。核心问题在于：如何在利用生成式模型效能的同时，构建大规模、高质量的食材数据库，并有效管理不确定性、确保内部一致性，并使数值锚定在外部证据之上。

2. 方法论

作者提出了一种质量受控的 LLM 流水线，将食材特征化视为一项将“数据工程任务”与“营养推理”相分离的任务。该流水线集成了三个不同的层级：统计估计、不变性检查和基于证据的修复。

2.1. 通过重复采样进行统计估计

该流水线并非采用单次查询，而是将重复的 LLM 查询视为模型诱导的答案分布中的样本。针对不同数据类型，处理方式如下：

• 数值类（如营养素比例、成本）： 点估计量为中位数，置信度通过**中位数绝对偏差（MAD）**来衡量。一个稳健的变异系数（$CV_{robust}$）被转换为归一化的置信度得分（$C_n$）。
• 布尔值类（如营养素标记）： 点估计量为多数投票，置信度针对 0.5 的基准概率进行归一化。
• 多项选择与开放式分类（如参考计量单位）： 点估计量为众数。对于开放式分类（无界量纲 + 固定单位），置信度为原始众数比例，因为在无界空间内发生偶然一致性的信息量极高。
• 可选整数（如升糖指数）： 采用两步法，首先确定适用性（布尔投票），若适用则估计数值（中位数）。

停止准则（$C \geq \tau$，其中 $\tau=0.90$）决定了一个字段是否被视为稳定。如果某个字段在查询预算（$n_{max}=20$）内未能收敛，则会被路由至回退机制。

2.2. 不变性检查与修复

字段估计完成后，不变性层会对领域特定的逻辑约束进行强制执行：

• 树结构平衡： 营养素层级必须满足求和约束（例如，子营养素之和必须等于父级营养素）。微小的数值失衡通过**线性规划（LP）**方案进行解决，该方案在尽量减少最坏情况百分比偏差的同时，保留“语义零值”（即真正不存在的数值）。
• 语义一致性： 检查确保逻辑连贯性（例如，“无酒精”标记必须与酒精比例为零相符）。
• 修复策略： 如果违反了不变性，系统不会仅依赖自我修正。相反，它会触发**网页抓取回退（web-fetch fallback）**以检索新鲜的外部证据。只有当基于网页的修复失败时，记录才会升级为人工审核。

2.3. 数据采集范围建模

作者应用**希普定律（Heap's Law）**来模拟配方数量与所需唯一食材数量之间的关系。通过对 233 个配方的数据进行拟合，他们预测唯一食材的增长是亚线性的（$\beta \approx 0.42$）。这意味着数据采集是“前置负载”的：随着数据库的增长，唯一食材与配方的比例显著下降（从 100 个配方时的 1.74 降至 5,000 个配方时的 0.19），这表明随着食材数据库趋于成熟，添加新配方的成本会降低。

3. 核心贡献

• 分离式流水线： 本研究引入了一种方法论，将获取过程（统计采样）与验证过程（不变性检查与外部锚定）相分离，从而避免了自我修正循环的陷阱。
• 稳健的统计框架： 它将稳健统计学（MAD、中位数、众数）应用于 LLM 输出，将离散度视为置信度门槛而非直接的聚合策略。
• 基于证据的修复： 在解决逻辑或数值矛盾时，系统优先考虑外部网页证据而非模型的自我修正。
• 经验验证： 该流水线在一个精选的 30 种食材参考集上进行了评估，并将其与朴素的单次生成基准以及简单的重复样本聚合进行了对比。

4. 结果

在涵盖基础食品、加工食品及罕见食材的 30 种食材参考集上的评估结果如下：

• 准确率（营养素比例）： 全流程流水线实现了 10.1% 的中位数绝对百分比误差（APE）。这相比于中位数聚合基准（31.9% APE）和朴素的单次生成基准（38.0% APE）有了显著提升，误差降低了 21.8 个百分点。
• 准确率（营养素标记）： 流水线在营养素标记上实现了 98.4% 的精确匹配，与朴素基准（95.9%）相当，表明标记类数据已接近 LLM 的性能上限。
• 覆盖率： 流水线在营养素标记方面达到了 100% 的覆盖率，在营养素比例方面达到了 62.7%（对比手动参考集的 45.0%）。值得注意的是，流水线生成的比例对中，有 42.1% 缺乏手动集合中可辩护的参考值，这凸显了流水线在手动研究稀缺领域挖掘数据的能力，尽管这些数据需要进一步裁定。
• 成本： 流水线的成本约为 每种食材 1.00 美元（中位运行时间 4 分 05 秒）。虽然这大约是朴素单次生成法（$0.14/每种食材）的 7 倍，但作者认为，由于食材数据采集的前置负载特性，这一成本可以在整个配方空间中得到摊薄。

5. 重要性与主张

本文将 LLM 辅助的数据库构建定义为一种受控的数据工程工作流，而非单纯的生成任务。其核心意义在于使不确定性变得“可操作”，而非将其丢弃。

• 不确定性管理： 作者声称，将 LLM 输出视为需要分阶段验证（采样、置信度评分、不变性检查）的不确定估计，比朴素采集能获得质量更高的实质性数据。
• 共识的局限性： 研究表明，简单的重复 LLM 样本聚合（均值或中位数）无法复现全流程流水线的准确度，这表明如果没有外部证据支撑，单纯的共识无法克服相关的模型误差。
• 对“真理”的审慎主张： 作者明确指出，该流水线并不产生“自主的地面真理”。高覆盖率和内部一致性并不保证事实的正确性，特别是对于超出参考集范围的值。该系统的设计目标是生成可审计的记录，其中不确定性和一致性可以被评估，而人工审核仅保留给自动化修复失败的情况。

总之，这项工作提供了一个利用 LLM 扩展营养数据采集的系统性框架，在生成式模型的效率与统计估计及外部事实核查的严谨性之间取得了平衡。