「轻伴」AI 减肥陪伴 App
产品需求文档

需求背景

减肥是一个以月、年计的长程行为，但市面上的工具要么只管"记账"不管"陪伴"，要么只管"陪伴"却记不住你。我们看到了一个被忽视的缺口。

市场窗口

全球 AI 营养 App 市场正以约 20.8% 的年复合增长率扩张，2025 年规模约 43.5 亿美元，预计 2034 年达 239 亿美元^[1]。与此同时，美国 Simple Life 靠"拍照 + AI 教练对话"组合在 2024 年做到 1 亿美元年收入，5 万人研究显示 42% 用户一年减重超 5%^[2]——这验证了"AI 对话陪伴 + 拍照记录"模式的商业可行性。但它无法在中国使用，国内美团 Mia 刚进入小范围内测^[3]，赛道存在明显窗口期。

用户痛点

我们对大众泛健康人群的减脂行为做了一次梳理，痛点集中在三处：

• 记不动——传统记账 App 靠手动搜索食物，记一顿饭要 30-60 秒，坚持不了几天就放弃。薄荷、MyFitnessPal 虽有拍照，但份量估算偏差普遍在 30-50%，中餐家常菜更准^[4]。
• 没人陪——减脂路上孤独感强烈。"今晚能不能吃火锅""今天没忍住吃了一块蛋糕怎么办"这类问题，工具给不了温度，而营养师咨询又贵又难随时找到。
• 每次都像重新开始——绝大多数 AI 减肥产品是无状态的：它不记得你上周胃不舒服、不记得你爱吃辣但容易上火、不记得你上次减到 58kg 就卡住。每次对话都像面对一个陌生人，"懂你"无从谈起。

不解决的后果

如果不做，大众用户继续在"下载一堆记账工具 → 用三天 → 嫌麻烦卸载 → 下次再下"的循环里打转。减脂这件事，真正决定效果的不是某一顿卡路里算得有多准，而是能不能坚持记 30 天、能不能在被诱惑时有人拉一把^[4]。陪伴和记忆，正是解决"坚持"这件事的钥匙。

产品定位与目标

不拼单次识别的绝对精度，拼"懂你"的深度和连续性。先做规模，暂不考虑变现。

一句话定位

面向大众泛健康人群的 纯 AI 减肥陪伴 产品——每天陪你聊身体、聊吃、聊练，拍照即可记账，并且把你说过的一切记进长期记忆，让每一次对话都比上一次更懂你。

目标用户

18-40 岁、有减脂或塑形需求的普通人。他们不是健身硬核玩家，不需要专业训练计划；他们要的是一个低门槛、有温度、不用费脑子就能坚持的"减脂搭子"。现阶段完全免费，先验证"陪伴 + 记忆"能否带来留存。

核心目标（MVP 阶段）

这三个数字共同指向一个判断：用户是否真的把"轻伴"当成了日常习惯。记忆系统带来的"被懂"感，是我们撬动留存的核心杠杆。

竞品分析与差异化

我们梳理了国内外大厂代表产品和小团队/个人开发者作品共 18 款，发现无论体量大小，"对话陪伴 + 拍照记录 + 长期记忆"三者同时做深的产品仍是空白。

大厂产品概览

小团队与个人开发者产品

这一类产品数量众多、迭代迅速，且有几款与"轻伴"的概念高度接近。它们的共同特征是：功能聚焦单一、用户量小但口碑往往不错、定价亲民（月费集中在 ¥28-38），且大多由 1-3 人团队甚至个人开发者制作。

能力维度对比

拍照识别准确率现状

数据来源：第三方实测及官方披露^[4][5][7]。可见即便是头部产品，中餐家常菜的份量估算仍是短板。

差异化结论

具体而言，三层壁垒分别是：拍照记录降低记账门槛（基础体验）、对话陪伴提供情绪价值（留存引擎）、长期记忆形成不可替代性（护城河）。前两者可被快速复制——小乖健康已经做到了 AI 对话 + 拍照的组合，轻卡日常也明确打"AI 聊天减肥"——但它们都停留在"角色扮演"层面，AI 换了人设却换不出记忆。"一个记得你三个月状态的 AI"是高转换成本的情感壁垒，无论功能型工具还是角色扮演型陪伴都难以追平。

面对小团队竞品，我们的优势在于记忆系统的深度：不是多重人格的趣味性，而是真正记住用户身体参数变化、饮食偏好、情绪触发点的持久记忆。面对大厂竞品，我们的优势在于专注度：不做外卖交易、不做运动内容电商，把全部资源压在"陪伴 + 记忆"这一件事上。

用户与核心场景

围绕"一个想减肥但总坚持不下来的普通人"的一天，定义产品要覆盖的核心场景。

典型用户画像

核心使用场景（按优先级）

• S1 拍照记一餐（最高频）——吃饭前拍一张，App 识别菜品和份量、估算热量，用户确认或微调即可完成记录。全程目标 10 秒内。
• S2 随口问"这个能吃吗"——看到一样食物或正在纠结时，直接问 AI。AI 结合用户的禁忌、当日已摄入热量、目标进度给出建议。
• S3 每日身体打卡——告诉 AI 今天体重、体脂或围度，或问运动怎么做。AI 记录变化并给出反馈。
• S4 情绪倾诉与复盘——没忍住暴食了、卡平台了、想放弃了，找 AI 聊聊。AI 调出历史记忆给予有针对性的鼓励。
• S5 查看记忆与进度——打开记忆中心，看 AI 记住了自己什么、体重曲线怎么走、本周表现如何。

flowchart LR
    A["早上醒来
报体重"] --> B["午餐
拍照记账"]
    B --> C["下午
问能不能吃零食"]
    C --> D["晚餐
拍照记账"]
    D --> E["睡前
聊今天表现"]
    E --> F["凌晨
AI 整理记忆"]
    F -.->|"记忆注入
下次对话"| A
    style A fill:#e3f0ea,stroke:#159e7a
    style B fill:#fdeee3,stroke:#e07a3e
    style F fill:#159e7a,stroke:#0f7d61,color:#fff
    

功能需求

本章是 PRD 的核心。先给功能总览，再逐模块展开，每个核心模块配有高保真原型。

功能总览表

F1 · AI 对话陪伴

这是用户停留时间最长的模块。AI 不是冷冰冰的问答机器，而是一个记得你、懂你、会主动关心你的减脂搭子。

业务逻辑

• 用户发送消息 → 系统检索相关长期记忆 + 加载用户画像 → 拼装系统 Prompt（含记忆摘要）→ 调用大模型生成回复。
• AI 回复需区分三类意图：参数接收（如"我今天 57.5kg"）→ 确认并归档；咨询建议（如"鸡胸肉怎么做好吃"）→ 结合禁忌和热量给出方案；情绪倾诉（如"又吃多了好自责"）→ 共情 + 调取历史记忆鼓励。
• AI 在适当时机主动轻推：如用户连续 2 天没记录午餐，次日主动问候；如当日热量已超标，晚餐前温和提醒。

交互逻辑

• 主界面为对话流，底部输入框 + 相机入口（点击直接进拍照）。AI 消息支持内嵌食物卡片、体重趋势小图等富内容。
• 语音输入长按说话，转文字后发送；AI 回复可点击朗读。
• 消息长按可"让 AI 记住这条"或"忘记这条"。

F2 · 拍照饮食记录

拍照是降低记账门槛的关键。我们不追求单次绝对精确——营养学共识是周平均比单餐准、±10% 误差完全可接受^[4]——但必须做到"识别 + 快速修正"和"任何场景都不卡住"。

业务逻辑

• 用户拍照 → 图像识别模型返回候选菜品 + 份量估算 → 匹配营养库计算热量和三大营养素 → 展示结果卡片。
• 份量估算依赖参照物（餐具/餐盘/手）约束，在支持 LiDAR 的设备上启用深度数据提精度^[8]。
• 用户可一键调整份量（少/中/多）或替换菜品，修正后入库。识别结果与用户修正回流用于模型迭代。

分层兜底链路

flowchart TD
    A["用户拍照"] --> B{"图像识别
置信度 ≥ 0.7?"}
    B -- 是 --> C["展示识别结果
菜品+份量+热量"]
    B -- 否 --> D{"AI 大模型
兜底推断"}
    D -- 可推断 --> C
    D -- 无法推断 --> E["降级：手动搜索
菜名/品牌"]
    E -- 找到 --> F["手动录入"]
    E -- 没找到 --> G["仅照片存档
事后批量识别"]
    C --> H{"用户确认/修正"}
    H --> I["写入当日饮食记录"]
    F --> I
    G --> I
    style A fill:#fdeee3,stroke:#e07a3e
    style I fill:#e3f0ea,stroke:#159e7a
    style G fill:#eceae3,stroke:#6b7a72
    

规则约束

• 单次识别支持最多 5 个菜品同框；超过则提示"菜品较多，建议分批拍"。
• 混合菜品（麻辣烫、堆叠自助）给出整体估值并明确标注"估算精度较低，建议确认"。
• 包装食品优先走条形码扫描（覆盖主流商超），未命中则走营养标签 OCR 兜底。
• 取景框内提示"俯拍、餐具入镜"，无感引导提升拍照质量^[8]。

F3 · 长期记忆系统

这是本产品的护城河。采用"结构化记忆槽位 + 向量检索 + 摘要兜底"三层混合架构^[9]，借鉴 ChatGPT Dreaming V3 的"后台主动整理"范式^[10]。

记忆架构

flowchart LR
    subgraph SA["结构化槽位层 · 用户画像"]
        S1["身体参数
体重/体脂/BMI"]
        S2["减肥目标
目标值/日期/进度"]
        S3["饮食偏好与禁忌"]
        S4["运动习惯与禁忌"]
        S5["作息生活方式"]
        S6["沟通风格偏好"]
    end
    subgraph SB["向量检索层 · 事件记忆"]
        V1["每日对话摘要"]
        V2["饮食运动事件"]
        V3["情绪与复盘记录"]
    end
    subgraph SC["时间序列层 · 数值历史"]
        T1["体重曲线"]
        T2["每日热量"]
    end
    SA --> INJ["注入对话上下文"]
    SB --> INJ
    SC --> INJ
    style SA fill:#e3f0ea,stroke:#159e7a
    style SB fill:#fdeee3,stroke:#e07a3e
    style SC fill:#e8ecf5,stroke:#3d5fa8
    

每日自动整理流程

flowchart TD
    A["凌晨 3:00 触发"] --> B["增量读取昨日全部对话"]
    B --> C["轻量模型抽取候选记忆
结构化字段 + 自然语言片段"]
    C --> D{"与现有记忆合并"}
    D --> D1["身体参数：新值覆盖旧值
旧值入时间序列"]
    D --> D2["偏好/禁忌：冲突解决
时间优先 + 置信度加权"]
    D --> D3["情绪/事件：写入向量库"]
    D1 & D2 & D3 --> E["生成当日摘要存入向量库"]
    E --> F["记忆压缩：合并冗余
淘汰过期低重要性条目"]
    F --> G["更新用户画像 JSON
下次对话注入"]
    style A fill:#159e7a,stroke:#0f7d61,color:#fff
    style G fill:#e3f0ea,stroke:#159e7a
    

记忆槽位分类

防过载与时效管理

• 重要性打分：身体参数变化、新禁忌 = 高重要性；闲聊 = 低（不写入）^[9]。
• 遗忘机制：参考艾宾浩斯曲线，30 天以上低重要性事件记忆自动清理^[11]。
• 时效加权检索：综合得分 = 0.5×语义相似 + 0.3×重要性 + 0.2×时效（半衰期 48 小时）^[9]。
• 防幻觉：每条记忆带"证据原话"和置信度，展示给用户时标注来源，禁止 AI 编造用户没说过的信息^[10]。

F4 · 身体参数追踪

• 业务逻辑：用户在对话中报体重/体脂（"今天 57.5"）或手动录入 → 自动归档至时间序列 → 生成趋势曲线和目标进度。
• 交互逻辑：参数页展示体重曲线、围度变化、BMI 区间；点击某天可查看当日记录。AI 在对话中接收参数时给出即时反馈（"轻了 0.8，棒！"）。
• 规则约束：体重允许 ±5kg 异常值校验，超出则二次确认；体脂率合理区间 5-60%。

F5 · 运动管理

• 业务逻辑：用户问运动建议（"膝盖不好能做什么有氧"）→ AI 结合运动禁忌给方案；用户报运动情况（"刚跑了 30 分钟"）→ 估算消耗并记录。
• 交互逻辑：对话中直接完成，无需跳转。运动记录汇总到每日总览，与饮食热量并列展示收支。

F7 · 个人中心与隐私

AI 能力定义与评估

作为 AI 产品，必须明确每项能力的输入输出、准确度门槛和兜底机制，避免过度信任。

能力矩阵

评估方法

• 离线评测：构建标准样本集（含家常菜、外卖、包装食品、混合菜品）和边界样本；每周回归测试。
• 人工抽检：每日抽 50 条对话和 50 条记忆抽取结果，由标注员按"正确性/相关性/安全性/是否幻觉"四维度打分。
• 在线反馈：对话支持点赞/点踩和问题标签；拍照结果记录用户修正率（修正率 > 40% 的菜品进入优化队列）。

Go/No-Go 标准

健康建议安全边界

数据指标

每个指标都服务于一个明确的决策——判断产品是否真正成为用户习惯。

北极星指标

周活跃对话用户数（WAU）——一周内至少与 AI 对话 3 次的用户数。它同时反映了留存和参与深度，是"陪伴是否成立"的直接信号。

过程指标

质量指标

• 对话满意度：点赞率 ≥ 15%，点踩率 < 3%。
• 记忆幻觉率：< 2%（人工抽检）。
• 识别响应时延：P95 ≤ 3 秒。

风险与依赖

识别可能影响上线的风险，并给出降级方案。

关键依赖

• 大模型能力：对话生成、记忆抽取依赖大模型 API 或自部署模型，需稳定可用且成本可控。
• 图像识别模型：食物识别需自训练/微调中餐数据集，或接入大厂菜品识别 API^[15]。
• 向量数据库：事件记忆检索依赖向量库（如 ChromaDB/Pinecone）。
• 营养数据库：需覆盖中餐家常菜和包装食品，可接入第三方或自建。

迭代规划

MVP 聚焦"对话 + 拍照 + 记忆"核心闭环，验证留存假设后再扩展。