拍照记录饮食用了大约两年时间，从噱头变成了默认功能。把相机对准盘子，几秒钟就能得到卡路里和宏量营养素。它现在几乎是所有营养类 app 的招牌功能，包括我们的。
所以值得坦率地说清楚：它擅长什么，不擅长什么，以及如何使用它而不至于悄悄骗自己六个星期。
它真正擅长的事
识别
现代视觉模型很擅长回答"这是什么"。烤鸡胸、白米饭、西兰花、煎蛋——对常见食物的识别是可靠的。而在过去，这一步需要你在搜索框里输入"鸡胸肉"，然后在 400 条真实性参差不齐的用户上传条目里挑一条。
速度，这才是真正的核心功能
手动记录一餐需要一到三分钟。一周下来就是 20 到 60 分钟的纯粹摩擦成本，而摩擦正是普通饮食追踪 app 的留存曲线在几天内就断崖式下跌的原因。拍照记录只要几秒钟。
一份准确度 80% 但你能坚持一年的记录，胜过一份准确度 95% 但三周就放弃的记录。在这里，速度不是锦上添花的便利功能；它是整套追踪方法能够成立的根本机制。
误差的一致性
这一点被严重低估了。模型对同一顿饭的估计每次都大致相同。而人的自我估计会漂移——状态好的时候你很诚实，状态差的时候份量会在记忆里神秘地缩水。模型没有"状态差的一天"。正如我们在不称重也能追踪宏量营养素一文中所说，一个稳定的偏差远比随机噪声好处理。
它的弱项——而且确实是弱项
1. 份量估计（深度问题）
照片是二维的。模型要从一张平面图像推断体积，靠盘子大小和环境线索来判断比例。这是一个真正困难的估计问题，也是最大的单一误差来源。一堆高高堆起的米饭和一层摊平的米饭，从上方看可能差不多，热量却能相差 200 kcal。
解决办法：用固定角度拍摄（大约 45°，不要垂直俯拍），把整个盘子拍进画面，并在画面里留一个已知大小的物体——一把叉子、你的手——作为比例参照。这能实实在在地改善估计结果。
2. 隐藏脂肪（看不见的卡路里问题）
这是最大的问题。炒蔬菜时用掉的那三大勺油是看不见的，但它们大约有 360 kcal。餐厅食物被拍照记录系统性低估，正是因为这个原因。这也是为什么"我每顿都拍照记录了却没瘦"通常并不是什么代谢之谜。
解决办法：只要不是你自己做的饭，就假设里面的脂肪比你看到的多，主动向上修正。更好的办法：告诉 app。一个好的拍照记录工具应该让你一键调整估计值，而不是逼你重新录入整顿饭。
3. 混合和分层的菜肴
炖菜、砂锅、卷饼——模型只能看到表面，对内部只能靠猜。在这类食物上，成分误差会和份量误差叠加。
解决办法：这类餐食更适合用保存好的常用餐条目来记录。如果你每周都做同一锅辣豆酱，称重一次，存下来。拍照记录那些你无法预测的食物；能预测的用保存条目。
人们真正该问的准确度问题
"这个卡路里数字对不对？"是个错误的问题，执着于它只会带来大量无谓的焦虑。
正确的问题是："这个估计值的一致性，够不够支撑决策？"
因为你从来不是直接依据原始数字行动的。你依据的是这个循环：
（持续地）记录摄入 → 观察 2–3 周的体重趋势 → 把趋势和摄入量的预测做对比 → 调整目标。
这个循环会自动修正稳定的偏差。如果你的记录每天都少算 12%，趋势会把它暴露出来，调整环节会把它吸收掉。这个循环无法吸收的是不一致——工作日认真记录、周末完全不记，或者拍了沙拉却忘了啤酒。
所以对 AI 饮食记录工具的诚实标准，不是"它是否和厨房秤一样准"，而是：它是否足够准确、足够一致，让一个运转良好的调整循环能够收敛？对当前这一代技术来说，答案是肯定的——但要记住上面那些注意事项。
估计值的价值，取决于由谁来读它
这是这个品类里大多数产品忽略的部分。市面上几乎所有 app 都止步于估计值本身。它给你看一个数字、一个圆环、一张图表。而解读——到底该做什么——留给了你。
但"你已经连续九天低于目标 400 kcal"这条信息的价值并不在数字本身，而在结论：你的恢复能力下降了，所以你刚给深蹲训练加的额外容量，这周不是个好主意。得出这个结论需要同时读取饮食记录和训练记录——而几乎没有任何 app 能做到，因为饮食 app 不记录你的组数，训练 app 从没见过你的厨房。
这正是 Gymrock 存在的意义：一个模型，两路信号，每周一个附带推理过程的决策。拍照估计是输入，自适应调整才是产品。我们在对比页面上把它与各大营养和训练 app 做了直接对比。
实用规则
- 以约 45° 角拍摄，整盘入画，画面里放一个可作比例参照的物体。
- 默认餐厅食物的脂肪比你看到的多。向上修正。
- 把重复吃的餐食存成常用条目；拍照记录那些无法预测的。
- 记录一切，包括油和饮料。没记录的食物是饮食"停滞"的头号原因。
- 用趋势是否符合计划来评判这套系统——而不是纠结某一顿饭的数字是否完美。