在现代世界中，人工智能已成为回答问题的熟悉伙伴，从规划旅行到起草电子邮件。在健康与营养领域，人们越来越多地转向聊天机器人寻求关于饮食或如何减肥的建议。然而，在通用答案与真正能帮助个人的答案之间，仍然存在着巨大的鸿沟。一个忽略了个人年龄、体重、病史和日常习惯的建议，与一份个性化方案有着本质的区别。虽然许多目前的工具试图通过简单地将用户画像粘贴到请求中来定制建议，但它们往往无法在开口说话前真正理解其中的细节。这留下了一个关键的结构性差距：计算机看到了数据，但它并没有停下来分析这些数据对提问者的特定身份意味着什么。

圣彼得堡 ITMO 大学研究人员开发了一种新方法来弥补这一差距，旨在让营养建议更加安全且更有用。他们将这种方法称为 PA-CoT，即“剖面自适应思维链”（Profile-Adaptive Chain-of-Thought）。该方法并非匆忙生成答案，而是迫使人工智能采取一个深思熟虑的步骤，将分析用户画像作为一个独立的、专门的任务。可以将它想象成一位医生在与患者交谈前，先阅读患者的病历并写下关键问题，而不是在交谈时才试图找出诊断结果。研究人员使用一组包含 200 个现实营养咨询场景的新数据集，将这一想法与另外十一种常见的 AI 提示方法进行了对比测试。研究结果表明，通过将用户数据的分析与建议的生成分离，该系统产生的建议比标准方法更具个性化且更安全。

这种新方法的核心在于它如何构建思考过程。在传统方法中，AI 接收到一个问题和一段包含用户画像的文本块，然后尝试一次性完成所有任务。研究人员发现，这往往会导致 AI 遗漏关键细节或提供可能具有危害性的通用建议。PA-CoT 通过将其分解为不同的阶段来改变工作流程。首先，系统分析用户画像，以确定回答必须解决的最关键点。它会查看特定的数值，如年龄、体重和饮食目标，并确定响应需要涵盖的具体内容。这一步创建了一个清晰的路线图，为下一阶段做准备。只有在分析完成后，AI 才会根据路线图生成实际的响应，以确保每一项相关数据都被编织进建议之中。最后，第三个阶段充当安全检查环节，审查生成的答案，以确保其不包含有害建议，并为弱势群体包含必要的警告。

为了测试增加这一额外步骤是否真的产生了影响，团队创建了一个名为 QPA（Question-Profile-Answer，问题-剖面-答案）的新基准。他们从数千个在线论坛中的真实医疗问题中构建了这个数据集，并经过筛选，仅保留与营养相关的部分。对于每个问题，他们提取了用户的画像细节（如年龄、体重和健康目标），创建了一套由 200 个测试用例组成的结构化集合。这些案例旨在模拟现实世界中的情况，即数据可能是不完整的，正如在实际的健康应用中经常发生的那样。随后，研究人员将 PA-CoT 方法与广泛的其他技术进行了对比，包括标准提示、通过重复进行优化的方法，以及自动优化提问方式的系统。每份响应都由一个高级 AI 评判员根据四个标准进行评分：建议是否符合事实、是否涵盖了问题的全部内容、对用户特定画像的使用程度如何，以及是否安全。

结果是清晰且决定性的。PA-CoT 在所有测试的十二种方法中获得了最高平均分。更重要的是，它在对健康建议至关重要的两个领域处于领先地位：个性化和安全性。该方法在个性化方面的得分显著高于其最接近的竞争对手，其差距之大以至于统计置信区间互不重叠。这意味着这种进步并非偶然，而是一个一致的结果。同样，它在安全性上也得分最高，确保了建议不含危害性内容。研究人员发现，其他试图自动优化提示词或通过多次迭代来完善答案的复杂方法，表现并不理想。事实上，其中一些更复杂的方法在个性化方面的得分甚至低于简单的方法。这表明，增加复杂度并不一定会带来更好的结果；相反，关键在于在生成响应之前分析用户画像这一特定的架构选择。

最令人瞩目的发现之一是该方法如何处理“有用性”与“安全性”之间的权衡。在以往的许多尝试中，使 AI 更具个性化往往会增加风险，因为系统可能会过度迎合用户数据而意外建议了危险的内容。PA-CoT 通过分离任务解决了这个问题。负责创建个性化建议的阶段完全专注于使用用户数据，而另一个阶段则完全专注于安全性。这使得系统能够在不牺牲安全性的情况下实现高度定制化。例如，在一个涉及青少年减肥的测试案例中，系统正确识别出用户的年龄和体重是关键因素，并生成了一个尊重这些限制的计划，同时还标注了需要专业医疗监督的要求。相比之下，其他方法通常会给出忽略用户年龄或未能包含必要安全警告的通用建议。

研究人员还探讨了系统有效运作所需的程度的数据量。他们发现，即使在用户画像不完整（许多字段标记为未知）的情况下，该方法依然表现良好。它可以识别哪些信息是缺失的，并且在现实世界的应用场景中，可以设计为向用户提出后续问题以填补这些空白。在当前的研究中，系统是基于现有的固定数据运行的，但其架构旨在处理现实对话中的动态特性。使用该方法的成本也被考虑在内；虽然它比简单的单步回答需要更多的计算步骤，但与质量和安全性的显著提升相比，额外的成本微乎其微。

这项工作凸显了人工智能在应用于健康等敏感领域时发生的根本性转变。它证明了模型被提示思考的方式与模型本身同样重要。通过将用户画像视为一个专门分析的对象，而非一段静态的文本，研究人员创造了一个尊重求助者个体性的系统。该研究并不声称此系统可以取代专业医生或营养师；作者明确指出这是一个研究原型，现实世界的部署需要经过人类专家的验证。然而，结果提供了强有力的证据，证明结构化的多步推理方法可以显著提高 AI 生成建议的质量。随着人工智能日益融入日常生活，此类方法提供了一条路径，使工具不仅变得聪明，而且变得周全、安全，并能真正地为那些最需要帮助的人提供帮助。