管理多种慢性疾病的饮食需要在每日和每餐层面同时满足疾病和药物的特定要求，同时保持已有的饮食习惯。这些要求在临床指南和药品说明书中是公开的，但将它们转化为个人可执行的计划对语言模型仍然困难。我们基于 NHANES 构建了营养师批准的周计划评估，测试了 13 种模型（从医学微调的 8B 模型到 GPT‑6.1 Sol），直接生成的完整计划通过率不足 3%。即使加入显式规则、更多推理或模型驱动的工具，GPT‑6.1 Sol 的通过率也不超过 8%。
我们提出 Noura，它将 LLM 规划与可执行的个人规范相结合，规范来源于公开的临床指导和个人健康、饮食档案。规划过程中，规范负责食物映射、份量优化、完整多日计划检查以及修正引导。核心思路是：规范不仅可以拒绝不合格计划，还能指示从中学习的方向。Noura 将执行过的计划及其上下文相关的修正转化为紧凑模型的监督信号，即使整个轨迹从未完整成功，也能恢复目标。
同一规范还能为后训练提供监督目标、偏好和奖励。对 4,993 名未见参与者的实验表明，Noura‑SFT 将 Qwen3‑14B 的完整计划通过率从 24.0% 提升至 72.5%，规则违背率下降 97.5%，且未出现关键失败，饮食质量得到提升。该本地部署的 14B 规划器的违规次数甚至少于其 GPT‑6 Luna 教师。匹配比较显示，执行得到的目标比模型自行写的提案降低了 41% 的违规。跨 Qwen、Phi、Llama 三种骨干模型的自训练在 1,249 人子集上将违规率降低了 41%‑61%。
点评：Noura 通过将公开规范转化为可执行监督，实现了对大型语言模型的高效微调，显著提升了多疾病饮食规划的可行性和安全性，为个性化健康管理提供了可复制的技术路径。