将抽象理论转化为可运行的工作流，将跨学科创意落地为可复现的智能应用。
11月，东南大学“大模型应用开发实训营”顺利结营。在为期三周的活动中，154名学员依托元脑企智EPAI平台，通过“理论+实操”双轨教学，完成了从AI通识、智能体工作流构建、RAG技术实践到大模型微调的系统学习，成功从零开发出大模型应用。
在结营路演中，涌现出30余项覆盖AI+育人、心理&健康、科研、文娱、职业发展等方向的智能体应用。其中，来自东南大学信息科学与工程学院的汪梦怡、张润东两位同学，共同打造了一款能够“记住”用户、并提供动态个性化健康管理方案的AI助手——Chat健康，荣获最高奖项。
本期内容，我们将对话冠军团队，完整回顾“Chat健康”从社会观察到灵感成型、从模块设计到技术攻坚的全过程。
内容要点：
灵感诞生：一个源于现实观察的创意
Q：为什么是“Chat健康”？是什么现实问题或生活观察激发了你的创意？
汪同学：Chat健康这个想法并不是突然的“灵光一闪”，而是被日常一点点“逼”出来的。
一方面是国家“健康中国2030”战略下不断强调健康生活方式、慢病预防，但现实中，中国肥胖和亚健康人群比例依然很高，超过一半的成年人存在体重管理需求；另一方面，则是观察到身边同学和朋友普遍存在外卖多、久坐多、作息乱的情况，虽然大家都想减脂、增肌、调整生活习惯，但真正行动时却苦于网上信息碎片化，有些方案甚至相互矛盾，特别是一些减肥教程“一刀切”，根本没有考虑到个人作息、饮食偏好和运动基础，以及缺乏持续跟踪与动态调整的机制。
我目前是在校研究生，研究方向是“AI for芯片设计”，主要探索如何运用大模型、强化学习等人工智能技术，为芯片设计降本增效。无论是芯片设计，还是体重管理，其核心问题都是在多重约束条件下，寻找最适合当前状态的最优路径。于是，打造一个能记住用户、理解用户并能随状态持续调优的健康管理AI伙伴——“Chat健康”的想法便应运而生。
Q：你们瞄准的用户群体有哪些未被满足的需求或“痛点”？
汪同学：我们主要聚焦两类人群：一是经常久坐、作息不规律、外卖依赖重的部分在职上班族；二是运动少、熬夜多、饮食结构不太健康的部分在校大学生。
他们共通的核心痛点有以下三点：
信息多，但“能用”的少：网络上的饮食/健身内容确实海量，但大多是碎片化、网红化的内容，很难判断是否科学，也很难组合成一套对自己可落地的方案。
缺乏持续、动态的陪伴和跟踪：很多App只给一个“静态方案”，没有基于你最近的体重变化、执行情况做持续的优化。坚持两三天后，就会慢慢“消失在历史记录里”。
个性化严重不足：同样的饮食计划，为什么别人瘦了我没瘦？原因往往在于——没有结合自己的身高体重、基础活动量、饮食偏好甚至作息时间做精细化匹配。
因此，“Chat健康”想做的事情非常明确：将“别人随手发的减肥攻略”，转化为“真正为用户量身定制、并可长期跟踪的健康计划”。它不仅会基于身高、体重、年龄和生活习惯，生成饮食+运动两个维度的个性化方案，更能在用户数据变化时进行动态调整优化，实现“有反馈就有更新”。
从想法到工作流：构建“三合一”的健康智能体
Q：“Chat健康”的整体架构是如何设计的？
汪同学：在整体架构上，“Chat健康”主要由四类核心模块协同支撑，共同构成一个动态、个性化的健康管理引擎。
用户画像模块：采集并更新用户基础信息，包括身高、体重、目标（减脂/增肌/维持）、运动习惯等，为后续的个性化决策提供“数据地基”。
健康知识库+RAG模块：接入饮食营养、运动训练等专业知识库，为用户提供准确可靠的饮食或运动方案，并结合全网搜索与RAG检索，为用户的提问提供可追溯、有依据的健康科普回答。
AI规划生成模块：将大模型作为智能推理引擎，结合知识库与用户画像，生成一整套个性化饮食方案或运动计划。
记忆与数据追踪模块：通过记忆节点，将用户的体重变化、历史饮食、运动计划等数据结构化存储，形成可持续迭代的“健康档案”，并在后续每次交互中调用参考，实现真正的个性化延续。
Q：用户在实际使用中会经历怎样的流程？它如何满足不同的健康需求？
汪同学：基于上述架构，用户的使用流程可清晰分为两类场景：
方案生成类需求：用户进入对话后，补充或完善个人基础信息（身高、体重、目标等） → 提出饮食或运动规划请求 → 生成专属方案 → 后续对话持续记录体重变化等数据 → 根据最新数据自动迭代并优化方案。
健康科普类需求：用户直接提出健康相关问题（如减脂、作息、营养搭配等） → 大模型基于知识库与检索结果，返回结构清晰、通俗易懂的优质科普解答。
因此，无论是获取一个量身定制的健身饮食计划，还是解答日常健康疑惑，“Chat健康”都能通过智能分类与模块化调度，提供精准服务，真正帮助用户实现长期坚持的科学管理。其核心创新在于，突破了传统健康工具往往只提供静态方案的局限，实现了 “规划、迭代、科普”的三合一，成为一个能持续陪伴、不断进化的“智能教练+营养顾问”。
“Chat健康”是如何从最初的想法一步步迭代开发出来的？
汪同学：这一完整的产品形态并非一蹴而就。从想法到可实现的工作流，我们大致经历了三个阶段：
从“大模型问答”起步：初期先验证大模型在提供饮食/运动建议、健康科普问答方面的基础能力。
引入问题分类和知识库：进一步将场景细分为饮食、运动、健康科普三条路径，并融入RAG等技术，提升回答的专业性与稳定性。
构建记忆与动态更新闭环：从用户体验出发，引入记忆节点，使系统能够记住用户的体重变化与历史计划，实现方案的动态更新与持续优化，最终将“Chat健康”升级为一名“持续陪跑的AI伙伴”。
核心工作流剖析：在元脑企智EPAI上搭建“多分支对话决策树”
在技术实现层面，汪同学重点分享了如何在元脑企智EPAI平台上，通过可视化方式搭建起核心工作流。她将整个逻辑形象地比喻为一棵 “多分支的对话决策树” ，系统能够根据用户意图，自动选择最合适的处理路径。
Q：这颗“决策树”具体是如何进行智能分类和响应的？
汪同学：工作流的起点是一个“问题分类器”节点，所有用户输入都会经其自动判别，归入以下三类之一：饮食调整、锻炼计划或健康知识科普。
针对健康科普问题，首先会并行调用 “全网搜索节点” 与 “知识库检索节点” ，将两者获取的信息融合后，提交给大模型节点，并配合精心设计的Prompt，生成准确、详实的科普长文回答。
针对饮食或锻炼规划需求，首先通过 “记忆读取节点” 获取该用户的长期画像与历史计划；接着从当前对话中实时解析身高、年龄、体重等关键参数；随后，调用相应的专业知识库节点为大模型提供背景参考；最后，由大模型节点整合全部信息，生成一套完整的个性化方案。
每当生成新方案后，系统会通过 “记忆写入节点” ，将本次的核心数据（如最新体重、方案详情等）存入用户档案，从而实现对话间的状态持续与迭代沉淀。
Q：您提到“记忆”和“知识库”非常关键，它们是如何实现的？
汪同学：
记忆节点：在写入最新信息前，系统会将用户画像与本次生成的计划合并，通过元脑企智平台提供的可视化记忆节点进行保存。其配置确保了用户状态能在多轮对话中持久保持，实现了真正的 “跨轮记忆” 能力。
知识库节点：预先整理了营养学、运动训练、体重管理等领域的专业材料，构建了饮食与训练两个专项知识库。检索时，结合向量检索与关键词匹配，既保障了语义相关性，又覆盖了关键术语，为大模型提供了可靠的专业依据。此外，在科普分支中，知识库信息还与全网搜索结果互补，确保回答兼具专业性与时效性。
Q：如何确保大模型这个“大脑”稳定输出高质量、可执行的方案，而不是“胡说八道”或“泛泛而谈”？
汪同学：我们通过精密的Prompt（提示词）工程来引导和约束大模型，并为饮食、运动、科普三条路径分别设计了针对性的Prompt，其核心策略包含两点：
结构化输入：明确将年龄、身高、体重等用户信息，以及知识库检索结果（result）及历史记忆（memory）分隔标注，并提示模型优先计算BMI等关键指标再提供结论，避免其直接“自由发挥”。
角色定义：在Prompt中明确赋予大模型特定角色，例如在饮食分支中，会指定 “你是一名精通饮食管理的专家”，并要求输出“结构清晰、易于执行的一日三餐详细安排”，从而有效约束并提升生成内容的质量。
在开发过程中，你们遇到的最大技术挑战是什么？是如何解决的？
汪同学：开发过程中，最大的挑战在于Prompt效果的不稳定性——同一问题有时会得到冗长、重点模糊、缺乏可执行步骤的回答，这直接影响用户体验与方案的安全性。
我们的解决思路是进行输入结构化与指令明确化，比如：将输入信息拆解为用户画像、历史记忆、知识库结果及当前问题等模块，并在Prompt中设定清晰的推理步骤，例如“先读取用户基础信息判断需求类型，再综合历史数据与知识库检索信息，最后生成当前问题的完整回答”。通过这种方式，即使底层模型存在波动，也能保障输出答案在结构与实用性上保持稳定可靠。
未来规划：让“Chat健康”走得更远
Q：对于这个项目，你们有哪些迭代计划？
汪同学：关于“Chat健康”的未来，简单总结就是：短期把“方案做对”，中期把“用户留住”，长期把“数据接起来”。
短期“把方案做对”：进一步扩充饮食与锻炼领域的知识库，引入更多权威指南与营养学文献，并考虑接入开放的营养或运动API，提升卡路里估算、训练强度推荐等核心功能的准确性与科学性。
中期“把用户留住”：通过上线健康打卡机制，方便用户记录每日饮食、步数、体重等数据，并自动生成“每周健康周报”，帮助用户清晰看到自己的变化曲线与计划完成度，增强持续使用的动力与成就感。
长期“把数据接起来”：逐步对接智能穿戴设备、手机健康数据等来源，获取实时步数、心率、睡眠等多维指标，进而实现更精细、动态的健康管理。例如，系统可根据当日活动量自动调整饮食建议，或依据睡眠质量动态优化训练计划。
尽管目前的“Chat健康”只是一个“可用的Demo”，但我们的长远目标，是将其打磨成一款能够真正理解用户、伴随用户数月乃至数年的智能健康伙伴。
Q：通过三周的实训，你最大的收获是什么？
汪同学：我的最大收获，是加深了我对大模型、智能体等AI技术的理解。过去我对于大模型应用开发，更多是觉得这是一项神秘且难以上手的工作，但在这个项目里，我第一次依靠元脑企智EPAI平台，完整经历了从需求拆解、用户画像设计，到工作流搭建、记忆节点与知识库集成，再到持续优化打磨的全链条闭环，极大地提升了我的产品思维与工程实践能力。
汪同学与“Chat健康”的成长故事，是本次实训营中“AI+X”跨学科人才培养理念的一次生动印证。我们期待，这些宝贵的实战经验能够激励更多同学，勇敢地迈出AI应用开发的第一步，将创新想法转化为解决实际问题的优秀产品。
第八代服务器
