식사 단위 개인 맞춤형 영양 관리를 위한 LLM 구동 폐루프 멀티 에이전트 시스템

A Closed-Loop Multi-Agent System Driven by LLMs for Meal-Level Personalized Nutrition Management

개인 맞춤형 영양 관리는 개인의 섭취량과 표현형에 맞춘 식이 지침 제공을 목표로 하지만, 대부분의 기존 시스템은 음식 기록, 영양 분석, 추천 기능을 개별적으로 처리합니다. 본 연구에서는 이미지 기반 식사 기록과 LLM 구동 멀티 에이전트 제어기를 결합하여 식사 단위의 폐루프(closed-loop) 지원을 제공하는 차세대 모바일 영양 어시스턴트를 제안합니다. 이 시스템은 비전, 대화, 상태 관리 에이전트를 조율하여 사진으로부터 영양소를 추정하고 일일 섭취 예산을 갱신합니다. 이후 사용자의 선호도와 식이 제약 사항에 맞춰 다음 식사 계획을 조정합니다. SNAPMe 식사 이미지와 시뮬레이션된 사용자를 이용한 실험을 통해 경쟁력 있는 영양소 추정 정확도, 개인화된 식단 제공, 효율적인 작업 계획 능력을 확인했습니다. 이러한 결과는 개인 맞춤형 영양 관리에 있어 멀티 에이전트 LLM 제어의 실현 가능성을 입증하며, 동시에 이미지 기반 미량 영양소 추정과 대규모 실사용 연구에 있어 해결해야 할 과제들을 시사합니다.

Personalized nutrition management aims to tailor dietary guidance to an individual's intake and phenotype, but most existing systems handle food logging, nutrient analysis and recommendation separately. We present a next-generation mobile nutrition assistant that combines image based meal logging with an LLM driven multi agent controller to provide meal level closed loop support. The system coordinates vision, dialogue and state management agents to estimate nutrients from photos and update a daily intake budget. It then adapts the next meal plan to user preferences and dietary constraints. Experiments with SNAPMe meal images and simulated users show competitive nutrient estimation, personalized menus and efficient task plans. These findings demonstrate the feasibility of multi agent LLM control for personalized nutrition and reveal open challenges in micronutrient estimation from images and in large scale real world studies.