当用户面对 Chipotle 的数十种配料选项时，"吃什么" 往往变成一道复杂的多目标决策题：既要控制预算，又要满足蛋白质摄入目标，还得兼顾低钠或低碳水的饮食偏好。Chipotlai 项目展示了如何借助大语言模型将这一日常难题转化为可计算的约束满足问题（CSP），在营养约束与预算限制下自动求解最优订单组合。这种 C 端个性化推荐技术与 B 端餐厅的需求预测系统形成互补 —— 前者聚焦单用户的组合优化，后者关注整体库存与供应链效率。
问题建模：从自然语言到数学约束
订单组合优化的核心在于将用户的模糊需求转化为精确的数学约束。以 Chipotle 为例，决策空间包含蛋白质（鸡肉、牛肉、豆腐等）、碳水化合物（米饭、豆类、玉米饼）和配料（奶酪、酸奶油、莎莎酱）三大类变量。每个变量需同时记录价格、卡路里、蛋白质、脂肪、碳水化合物、纤维和钠含量等多维属性。
工程上可将此问题建模为混合整数线性规划（MILP）。设 $x_i \in {0,1}$ 表示是否选择第 $i$ 种配料，目标函数可根据场景灵活定义：最小化总成本 $\min \sum_i price_i \cdot x_i$，或最大化蛋白质摄入 $\max \sum_i protein_i \cdot x_i$，也可采用加权多目标形式 $\min \alpha \cdot cost + \beta \cdot (-protein) + \gamma \cdot carbs$。
约束条件通常包括硬约束与软约束两类。硬约束确保解的可行性：总卡路里介于 $[C_{min}, C_{max}]$，蛋白质不低于 $P_{target}$，钠含量不超过 $S_{max}$，总成本不超过预算 $B$。软约束则通过惩罚项融入目标函数，如优先选择用户历史偏好食材，或避免连续多日重复相同组合。
数据工程：营养数据库与约束矩阵构建
优化的准确性高度依赖底层数据质量。Chipotle 官方营养计算器提供了标准化的营养成分数据，涵盖每种配料的单位重量营养含量。参考类似项目 meal-plan-optimization 的工程实践，数据预处理阶段需完成三项关键工作：
单位标准化：将所有营养成分统一转换为每克基准值，消除不同配料份量差异带来的计算误差。例如，若某配料的营养数据以 "每份" 为单位，需根据标准份量换算为每克含量。
约束矩阵构建：将营养约束转化为矩阵形式 $Ax \leq b$。矩阵 $A$ 的每一行对应一种营养成分（卡路里、蛋白质、脂肪等），每一列对应一种配料；向量 $b$ 存储各营养成分的上下界。对于同时存在上下界的约束（如卡路里 $[2000, 2500]$），需拆分为两个不等式分别加入约束矩阵。
数据清洗与过滤：剔除异常值（如营养数据缺失或明显错误的配料），并根据业务逻辑过滤不合理组合（如同时选择两种蛋白质主菜时触发互斥约束）。
求解策略：从精确算法到 LLM 增强
对于规模适中的菜单（配料种类 < 100），开源求解器如 PuLP 或 Google OR-Tools 可在毫秒级返回最优解。以 meal-plan-optimization 项目为例，使用 lpSolve 求解含 35 个营养约束、1100 种食材的 7 日饮食计划，单次迭代耗时约 0.02 秒，7 天循环总耗时不足 0.2 秒。
然而，精确求解面临两个工程挑战：一是组合爆炸，当允许配料多份选择（如双份鸡肉）时，决策变量从二元变为整数，问题复杂度显著提升；二是软约束权衡，多目标优化往往不存在唯一最优解，而是形成帕累托前沿，需要额外的决策逻辑从候选解中筛选最符合用户偏好的方案。
LLM 在此场景中的价值体现在约束理解与解释生成。用户可能以自然语言输入 "我想增肌但预算有限，不要太咸"，LLM 负责解析意图并映射为具体参数：蛋白质目标≥40g、预算 <$12、钠 < 800mg。求解完成后，LLM 还可生成可解释的建议："推荐选择鸡肉碗配糙米和黑豆，这份组合提供 42g 蛋白质，仅含 750mg 钠，总价 $11.50。若接受增加 $0.80 预算，可升级为双份鸡肉将蛋白质提升至 56g。"
工程落地：边界处理与监控要点
生产环境部署需关注三类边界情况：
无解场景：当用户约束过于严格（如 "预算 $8 但要求 50g 蛋白质"）时，求解器返回 infeasible。工程上应实现约束松弛机制，自动识别冲突约束并按优先级逐步放宽（如先放宽预算，再降低蛋白质目标），同时向用户解释调整原因。
数值稳定性：营养数据中的极小值（如维生素含量以微克计）与极大值（如卡路里以千卡计）量级差异悬殊，可能导致求解器数值溢出。建议对约束矩阵进行归一化处理，或采用对数变换压缩数值范围。
结果多样性：纯优化倾向于重复选择 "性价比最高" 的少数组合，导致用户体验单调。可通过添加多样性约束（如强制每日至少包含一种新食材）或随机扰动（在目标函数中加入微小噪声）来丰富推荐结果。
监控层面，建议追踪三类指标：求解成功率（反映约束合理性）、平均求解耗时（评估算法效率）、用户采纳率（衡量推荐质量）。当求解成功率持续低于阈值时，提示约束设置可能存在系统性问题，需审查营养数据或调整默认约束边界。
扩展思考：从快餐订单到通用推荐
Chipotle 订单优化是约束满足问题在个性化推荐中的典型应用，其工程模式可迁移至更广泛的场景：健身餐配送的宏量营养素配比、企业团餐的预算与口味平衡、甚至电商购物车的优惠券最优使用组合。核心抽象始终是：定义决策空间→建立约束体系→选择优化目标→求解并解释结果。
随着 LLM 推理能力的提升，未来系统可能实现更复杂的交互式优化：用户以对话形式动态调整约束（"能不能再便宜点？"→自动求解预算减少 $2 后的次优解），系统实时反馈权衡关系（"降价 $2 将导致蛋白质减少 8g，是否接受？"）。这种人机协同的约束求解模式，将传统运筹学方法与现代自然语言交互相结合，为 C 端智能推荐开辟新的工程路径。
参考来源
- GitHub - timkiely/meal-plan-optimization: 基于线性规划的饮食优化项目，展示约束矩阵构建与 lpSolve 求解完整流程
- Chipotle Nutrition Calculator: 官方营养数据，提供配料级营养成分与价格信息
内容声明：本文无广告投放、无付费植入。
如有事实性问题，欢迎发送勘误至 i@hotdrydog.com。