readme_rag

README.md

@@ -7,395 +7,414 @@ sdk: docker
 app_port: 7860
 ---
 
-# 銀髮餐桌助手 Backend API
-
-專為台灣銀髮族設計的AI營養飲食顧問服務後端，提供REST API接口和Gradio聊天界面。
-
-## 項目概述
-
-銀髮餐桌助手是一個結合AI技術的智能營養顧問系統，專為台灣銀髮族（65歲以上）提供個性化飲食建議和營養諮詢。系統採用FastAPI框架構建，提供完整的API接口和用戶友好的Gradio聊天界面。
-
-## 核心功能
-
-### 🔐 身份驗證與授權
-- 基於Supabase Auth的JWT身份驗證
-- 支持多種用戶角色（user、family、admin）
-- 角色基礎的訪問控制（RBAC）
-
-### 👤 用戶資料管理
-- 用戶檔案創建與更新
-- 健康狀況和飲食偏好管理
-- 個人化營養建議基礎
-
-### 💬 AI聊天諮詢
-- 智能營養飲食對話
-- 基於RAG的知識檢索增強生成
-- 支持個人化回應（基於用戶檔案）
-- Gradio無登入聊天界面
-
-### 🍽️ 菜單管理
-- 台灣在地銀髮友善餐點
-- 營養成分分析
-- 飲食標籤分類
-- 季節性和健康條件適配
-
-### 🛒 訂單管理
-- 餐點訂購功能
-- Stripe支付集成
-- 訂單狀態追蹤
-- 營養統計分析
-
-### 💰 捐款系統
-- 匿名和實名捐款支持
-- Stripe支付處理
-- 捐款記錄管理
-
-### 📊 營養儀表板
-- 個人營養攝取統計
-- 飲食習慣分析
-- 家庭成員健康監控
-
-## 技術架構
-
-### 核心技術棧
-- **FastAPI** - 高性能異步API框架
-- **SQLModel** - Python ORM與數據建模
-- **PostgreSQL** - 主數據庫（通過Supabase）
-- **pgvector** - 向量搜索支持
-- **Supabase** - 認證、數據庫和向量存儲
-- **OpenAI** - AI模型和向量嵌入
-- **LangChain** - RAG實現框架
-- **Stripe** - 支付處理
-- **Gradio** - 聊天界面
-
-### 系統架構
-```
-┌─────────────────┐    ┌─────────────────┐    ┌─────────────────┐
-│   Frontend      │    │   Backend API   │    │   External      │
-│   (React/Vue)   │◄──►│   (FastAPI)     │◄──►│   Services      │
-└─────────────────┘    └─────────────────┘    └─────────────────┘
-                              │
-                              ▼
-                       ┌─────────────────┐
-                       │   Database      │
-                       │   (Supabase     │
-                       │   PostgreSQL)   │
-                       └─────────────────┘
-```
+# 銀髮餐桌助手 - RAG 系統
 
-## 快速開始
+本文件描述銀髮餐桌助手的 RAG（Retrieval-Augmented Generation）系統架構與實作細節。
 
-### 前置要求
+## RAG 系統概述
 
-- Python 3.8+
-- PostgreSQL 13+ (通過Supabase)
-- Supabase項目
-- OpenAI API Key
-- Stripe賬戶
+銀髮餐桌助手採用 RAG 技術為台灣銀髮族（65歲以上）提供智能營養飲食諮詢服務。RAG 系統透過檢索相關知識庫文檔，增強 AI 回應的準確性和可靠性，確保所有營養建議基於權威來源。
 
-### 環境變量配置
+### 核心功能
 
-複製 `.env.example` 到 `.env` 並填入以下配置：
+- **知識檢索**：基於用戶問題從知識庫中檢索相關文檔
+- **相似性搜索**：使用向量嵌入實現語義級相似性匹配
+- **文檔增強生成**：將檢索到的文檔作為上下文，提升 AI 回應品質
+- **個人化回應**：結合用戶健康檔案提供客製化建議
 
-```bash
-# Supabase Configuration
-SUPABASE_URL=your_supabase_project_url
-SUPABASE_SERVICE_ROLE_KEY=your_supabase_service_role_key
-SUPABASE_ANON_KEY=your_supabase_anon_key
+## 知識庫來源
 
-# Database URL for pgvector (Supabase PostgreSQL)
-DATABASE_URL=postgresql+asyncpg://postgres:[YOUR_PASSWORD]@db.[YOUR_PROJECT_ID].supabase.co:5432/postgres
+知識庫位於 [`backend/data/`](backend/data/) 目錄，包含以下類型的文檔：
 
-# OpenAI Configuration
-OPENAI_API_KEY=your_openai_api_key
+### 主要文檔
 
-# Stripe Configuration
-STRIPE_SECRET_KEY=sk_test_your_stripe_secret_key
-STRIPE_PUBLISHABLE_KEY=pk_test_your_stripe_publishable_key
-STRIPE_WEBHOOK_SECRET=whsec_your_stripe_webhook_secret
+| 文件 | 內容 |
+|------|------|
+| `慢性病飲食原則.md` | 糖尿病、高血壓、高脂血症等慢性病飲食指南 |
 
-# JWT Secret (if using custom JWT handling)
-JWT_SECRET=your_jwt_secret_key
+### 文檔格式支援
 
-# Environment
-ENVIRONMENT=development
+- **Markdown (.md)**：主要知識庫格式
+- **PDF (.pdf)**：支援 PDF 文件載入
 
-# CORS Origins (comma-separated)
-CORS_ORIGINS=http://localhost:3000,http://localhost:5173
+所有文檔經過處理後存入向量資料庫，供相似性搜索使用。
 
-# Frontend URL for redirects
-FRONTEND_URL=http://localhost:5173
+## 系統架構流程圖
 
-# Server Configuration
-HOST=0.0.0.0
-PORT=8000
+```
+┌─────────────────┐     ┌─────────────────┐     ┌─────────────────┐
+│   User Query    │────►│   Chat Service  │────►│   RAG Service   │
+│   (問題輸入)    │     │   (聊天服務)    │     │   (RAG服務)     │
+└─────────────────┘     └────────┬────────┘     └────────┬────────┘
+                                 │                      │
+                                 │                      ▼
+                                 │            ┌─────────────────┐
+                                 │            │   Embeddings    │
+                                 │            │   (向量化)      │
+                                 │            └────────┬────────┘
+                                 │                      │
+                                 │                      ▼
+                                 │            ┌─────────────────┐
+                                 │            │  Supabase       │
+                                 │            │  pgvector       │
+                                 │            │  (向量資料庫)   │
+                                 │            └────────┬────────┘
+                                 │                      │
+                                 │                      ▼
+                                 │            ┌─────────────────┐
+                                 │            │   Similarity    │
+                                 │            │   Search        │
+                                 │            │   (相似性搜索)  │
+                                 │            └────────┬────────┘
+                                 │                      │
+                                 │                      ▼
+                                 │            ┌─────────────────┐
+                                 │            │ Relevant Docs   │
+                                 │            │ (相關文檔)      │
+                                 │            └────────┬────────┘
+                                 │                      │
+                                 ▼                      ▼
+                        ┌─────────────────┐     ┌─────────────────┐
+                        │   LLM Response  │◄────│   Context       │
+                        │   (AI回應)      │     │   Integration   │
+                        └─────────────────┘     └─────────────────┘
 ```
 
-### 安裝依賴
+## 核心組件說明
+
+### RAG 服務 ([`rag.py`](backend/rag.py))
+
+RAG 服務是系統的核心模組，負責文檔處理和向量搜索。
+
+```python
+class RAGService:
+    """RAG service for document management and similarity search."""
+    
+    def __init__(self):
+        # 初始化 OpenAI 向量化模型
+        self.embeddings = OpenAIEmbeddings(...)
+        # 初始化 Supabase 向量存儲
+        self.vector_store = SupabaseVectorStore(...)
+        # 初始化文檔分塊器
+        self.text_splitter = RecursiveCharacterTextSplitter(
+            chunk_size=1000,
+            chunk_overlap=200
+        )
+```
 
-```bash
-# 克隆項目
-git clone <repository-url>
-cd silver-table-assistant/backend
+### 聊天服務 ([`chat_service.py`](backend/chat_service.py))
 
-# 創建虛擬環境
-python -m venv venv
-source venv/bin/activate  # Linux/Mac
-# 或 venv\Scripts\activate  # Windows
+聊天服務整合 RAG 能力，提供 AI 對話功能。
 
-# 安裝依賴
-pip install -r requirements.txt
+```python
+class ChatService:
+    """Chat service for AI-powered conversations with RAG integration."""
+    
+    def __init__(self):
+        # 初始化 LLM 模型
+        self.llm = ChatOpenAI(...)
+        # 整合 RAG 服務
+        self.rag_service = get_rag_service()
 ```
 
-### 啟動服務
+### 資料庫設置 ([`setup_rag_db.py`](backend/setup_rag_db.py))
 
-#### 開發模式
-```bash
-# 啟動FastAPI服務（自動重載）
-python app.py
+設置 pgvector 擴展和文檔表結構。
 
-# 或使用uvicorn
-uvicorn app:app --reload --host 0.0.0.0 --port 8000
-```
+## 文檔處理流程
 
-#### 生產模式
-```bash
-# 使用uvicorn生產配置
-uvicorn app:app --host 0.0.0.0 --port 8000 --workers 4
+### 流程步驟
+
+```
+┌─────────��───┐    ┌─────────────┐    ┌─────────────┐    ┌─────────────┐
+│   載入文檔   │───►│   文檔分塊   │───►│   向量化     │───►│   存入資料庫 │
+│   Loader    │    │   Chunker   │    │ Embedding   │    │   Storage   │
+└─────────────┘    └─────────────┘    └─────────────┘    └─────────────┘
 ```
 
-### 訪問應用
+### 1. 文檔載入
 
-- **API文檔**: http://localhost:8000/api/docs
-- **ReDoc文檔**: http://localhost:8000/api/redoc
-- **Gradio聊天界面**: http://localhost:8000/
-- **健康檢查**: http://localhost:8000/health
+支援多種文檔載入器：
+
+```python
+# PDF 載入
+loader = PyPDFLoader(str(file_path))
+documents = loader.load()
+
+# Markdown 載入
+loader = UnstructuredMarkdownLoader(str(file_path))
+documents = loader.load()
+```
+
+### 2. 文檔分塊
 
-## API文檔
+使用 [`RecursiveCharacterTextSplitter`](backend/rag.py:66) 進行智慧分塊：
 
-### 身份驗證
+- **chunk_size**：1000 字元
+- **chunk_overlap**：200 字元重疊
+- **is_separator_regex**：false（使用純文字分隔）
 
-所有需要認證的端點都需要在請求頭中包含JWT token：
+每個區塊包含以下元數據：
 
-```http
-Authorization: Bearer <your-jwt-token>
+```python
+chunk.metadata = {
+    "source": "文件路徑",
+    "file_name": "檔案名稱",
+    "chunk_id": "唯一識別碼"
+}
 ```
 
-### 主要端點
+### 3. 向量化
 
-#### 用戶資料
-- `GET /api/profiles` - 獲取用戶資料列表
-- `POST /api/profiles` - 創建或更新用戶資料
+使用 OpenAI Embeddings 模型將文本轉換為向量：
 
-#### 聊天諮詢
-- `POST /api/chat` - AI聊天諮詢（需要認證）
-- `GET /` - Gradio聊天界面（無需認證）
+```python
+embeddings = OpenAIEmbeddings(
+    model="azure-text-embedding-3-large",
+    openai_api_key=api_key
+)
+# 支援 LiteLLM 相容端點
+```
 
-#### 菜單管理
-- `GET /api/menu` - 獲取完整菜單
+向量維度：**3072**
 
-#### 訂單管理
-- `POST /api/orders` - 創建新訂單（需要認證）
+### 4. 向量存儲
 
-#### 捐款系統
-- `POST /api/donations` - 創建捐款（支持匿名）
+存入 Supabase pgvector 向量資料庫：
 
-#### 支付處理
-- `POST /api/webhook` - Stripe支付回調
+```python
+vector_store = SupabaseVectorStore(
+    client=supabase_client,
+    embedding=embeddings,
+    table_name="documents",
+    query_name="match_documents"
+)
+```
 
-#### 儀表板
-- `GET /api/dashboard/{profile_id}` - 獲取營養統計（需要family角色）
+## 相似性搜索
 
-### 請求/響應範例
+### 基本搜索
 
-#### 創建用戶資料
-```bash
-curl -X POST "http://localhost:8000/api/profiles" \
-  -H "Authorization: Bearer <token>" \
-  -H "Content-Type: application/json" \
-  -d '{
-    "display_name": "張爺爺",
-    "age": 75,
-    "health_condition": "高血壓",
-    "dietary_restrictions": "低鈉飲食"
-  }'
+```python
+async def get_relevant_documents(self, query: str, k: int = 8) -> List[Document]:
+    """執行相似性搜索檢索相關文檔"""
+    results = await self.vector_store.asimilarity_search(query, k=k)
+    return results
 ```
 
-#### AI聊天諮詢
-```bash
-curl -X POST "http://localhost:8000/api/chat" \
-  -H "Authorization: Bearer <token>" \
-  -H "Content-Type: application/json" \
-  -d '{
-    "message": "請問銀髮族應該如何補充蛋白質？",
-    "profile_id": "uuid-string"
-  }'
+### 帶分數的搜索
+
+```python
+async def get_relevant_documents_with_scores(
+    self, 
+    query: str, 
+    k: int = 8, 
+    score_threshold: float = 0.7
+) -> List[Document]:
+    """執行帶分數閾值的相似性搜索"""
 ```
 
-## 數據庫架構
+### 分頁搜索
+
+```python
+async def get_relevant_documents_paginated(
+    self, 
+    query: str,
+    page: int = 1,
+    page_size: int = 10,
+    score_threshold: Optional[float] = None
+) -> Dict[str, Any]:
+    """執行分頁相似性搜索"""
+```
+
+### 搜索結果快取
 
-### 主要數據表
+系統使用文檔快取機制（TTL: 30 分鐘）優化效能：
 
-#### profiles
-用戶資料表，存儲個人信息和健康狀況。
+```python
+@cache_result(document_cache, "rag_documents", ttl=1800)
+async def get_relevant_documents(self, query: str, k: int = 8):
+    ...
+```
 
-#### orders
-訂單表，記錄食物訂購和支付信息。
+## AI 對話整合
 
-#### donations
-捐款表，管理捐款信息和狀態。
+### 對話流程
 
-#### menu_items
-菜單項目表，存儲餐點信息和營養數據。
+1. 接收用戶問題
+2. 檢索相關文檔（k=6）
+3. 獲取用戶健康檔案
+4. 格式化上下文資訊
+5. 組合系統提示詞
+6. 串流回應生成
 
-#### chat_conversations
-聊天記錄表，存儲用戶與AI的對話歷史。
+### 系統提示詞
 
-### 數據庫初始化
+```python
+system_prompt = """你是「銀髮餐桌助手」，專為台灣銀髮族設計的AI營養飲食顧問助手。
 
-系統會在啟動時自動創建所需的數據表結構。確保Supabase項目已啟用pgvector擴展：
+角色定位：
+- 溫暖、耐心、專業的營養飲食顧問
+- 專門為台灣銀髮族（65歲以上）提供飲食建議
+- 熟悉台灣在地食材、飲食文化和生活習慣
 
-```sql
--- 在Supabase SQL Editor中執行
-CREATE EXTENSION IF NOT EXISTS vector;
+核心原則：
+1. 嚴格遵循台灣衛福部(MOHW)的營養指導原則
+2. 僅提供營養建議，絕不進行醫療診斷
+3. 針對銀髮族的特殊營養需求
+4. 考慮台灣在地飲食文化"""
 ```
 
-## 部署指南
+### 上下文整合
 
-### Hugging Face Spaces 部署
+```python
+def format_context_information(self, user_context, relevant_docs) -> str:
+    """格式化用戶上下文和相關文檔"""
+    # 組合用戶背景資訊
+    # 組合相關營養指南文檔
+    return formatted_context
+```
 
-1. **準備部署文件**
-   ```bash
-   # 創建部署所需文件
-   touch README.md
-   echo "fastapi>=0.104.0" > requirements.txt
-   echo "uvicorn[standard]>=0.24.0" >> requirements.txt
-   # 添加其他必要依賴
-   ```
+## API 端點
 
-2. **配置環境變量**
-   在Hugging Face Spaces設置中添加所有必要的環境變量。
+### RAG 相關端點
 
-3. **創建入口文件**
-   確保項目根目錄有適當的啟動配置。
+| 端點 | 方法 | 說明 |
+|------|------|------|
+| `/api/chat` | POST | AI 聊天諮詢（含 RAG） |
+| `/rag/load` | POST | 載入知識庫 |
+| `/rag/search` | GET | 相似性搜索 |
+| `/rag/count` | GET | 獲取文檔數量 |
+| `/rag/clear` | DELETE | 清除知識庫 |
+| `/` | GET | Gradio 聊天界面 |
 
-### Docker 部署
+### 聊天請求範例
 
-#### Dockerfile
-```dockerfile
-FROM python:3.9-slim
+```bash
+curl -X POST "http://localhost:8000/api/chat" \
+  -H "Authorization: Bearer <token>" \
+  -H "Content-Type: application/json" \
+  -d '{
+    "message": "請問銀髮族應該如何補充蛋白質？",
+    "profile_id": "uuid-string"
+  }'
+```
+
+### 知識庫載入請求
 
-WORKDIR /app
+```bash
+curl -X POST "http://localhost:8000/rag/load" \
+  -H "Authorization: Bearer <token>"
+```
 
-COPY requirements.txt .
-RUN pip install --no-cache-dir -r requirements.txt
+## 快速開始
 
-COPY . .
+### 前置要求
 
-EXPOSE 8000
+- Python 3.8+
+- PostgreSQL 13+（通過 Supabase，啟用 pgvector）
+- Supabase 專案
+- OpenAI API Key 或 LiteLLM API Key
 
-CMD ["uvicorn", "app:app", "--host", "0.0.0.0", "--port", "8000"]
-```
+### 環境變數配置
 
-#### docker-compose.yml
-```yaml
-version: '3.8'
-services:
-  backend:
-    build: .
-    ports:
-      - "8000:8000"
-    environment:
-      - ENVIRONMENT=production
-    env_file:
-      - .env
-```
+複製 `.env.example` 到 `.env` 並填入以下配置：
 
-#### 構建和運行
 ```bash
-docker-compose up --build
-```
+# Supabase Configuration
+SUPABASE_URL=your_supabase_project_url
+SUPABASE_SERVICE_ROLE_KEY=your_supabase_service_role_key
 
-### 雲平台部署
+# Database URL for pgvector (Supabase PostgreSQL)
+DATABASE_URL=postgresql+asyncpg://postgres:[YOUR_PASSWORD]@db.[YOUR_PROJECT_ID].supabase.co:5432/postgres
 
-#### Railway
-1. 連接GitHub倉庫
-2. 配置環境變量
-3. 設置啟動命令：`uvicorn app:app --host 0.0.0.0 --port $PORT`
+# OpenAI Configuration (or LiteLLM)
+OPENAI_API_KEY=your_openai_api_key
+OPENAI_BASE_URL=your_openai_base_url  # Optional, for LiteLLM/Azure
 
-#### Render
-1. 連接GitHub倉庫
-2. 設置構建命令：`pip install -r requirements.txt`
-3. 設置啟動命令：`uvicorn app:app --host 0.0.0.0 --port $PORT`
+# Or use LiteLLM directly
+LITELLM_API_KEY=your_litellm_api_key
+LITELLM_BASE_URL=https://your-litellm-endpoint/
+
+# Server Configuration
+HOST=0.0.0.0
+PORT=8000
+```
+
+### 安裝依賴
 
-#### Heroku
 ```bash
-# 創建Procfile
-echo "web: uvicorn app:app --host 0.0.0.0 --port \$PORT" > Procfile
+# 創建虛擬環境
+python -m venv venv
+source venv/bin/activate  # Linux/Mac
+# 或 venv\Scripts\activate  # Windows
 
-# 部署
-git add .
-git commit -m "Deploy to Heroku"
-git push heroku main
+# 安裝依賴
+pip install -r requirements.txt
 ```
 
-## 監控與日誌
+### 資料庫設置
 
-### 日誌配置
+```bash
+# 設置 pgvector 和文檔表
+python setup_rag_db.py
+```
 
-系統使用Python標準日誌庫，日誌級別可通過環境變量配置：
+### 啟動服務
 
 ```bash
-LOG_LEVEL=INFO  # DEBUG, INFO, WARNING, ERROR
+# 啟動 FastAPI 服務
+python app.py
+
+# 或使用 uvicorn
+uvicorn app:app --reload --host 0.0.0.0 --port 8000
 ```
 
-### 健康檢查
+### 載入知識庫
 
-- `GET /health` - 服務健康狀態檢查
-- 返回服務狀態、版本信息和數據庫連接狀態
+知識庫會在服務啟動時自動載入，或可手動觸發：
 
-### 監控建議
+```bash
+# 通過 API
+curl -X POST "http://localhost:8000/rag/load"
 
-- 使用Prometheus + Grafana監控API性能
-- 設置Supabase數據庫性能監控
-- 配置Stripe支付監控和告警
+# 或直接運行
+python -m rag
+```
 
-## 安全考量
+### 測試 RAG 系統
 
-### 身份驗證
-- JWT token過期機制
-- Supabase Auth集成
-- 角色基礎訪問控制
+```bash
+python -m rag
+python -m chat_service
+```
 
-### 數據保護
-- 敏感數據加密存儲
-- HTTPS強制使用
-- CORS配置優化
+### 訪問應用
 
-### API安全
-- 請求頻率限制
-- 輸入數據驗證
-- SQL注入防護
+- **API 文檔**: http://localhost:8000/api/docs
+- **Gradio 聊天界面**: http://localhost:8000/
+- **健康檢查**: http://localhost:8000/health
 
 ## 故障排除
 
 ### 常見問題
 
-1. **數據庫連接失敗**
-   - 檢查Supabase URL和密鑰
-   - 確認pgvector擴展已啟用
+1. **pgvector 擴展未啟用**
+   ```sql
+   CREATE EXTENSION IF NOT EXISTS vector;
+   ```
 
-2. **OpenAI API錯誤**
-   - 驗證API密鑰有效性
-   - 檢查API配額限制
+2. **向量維度不匹配**
+   - 確保 embedding 向量維度為 3072
+   - 檢查資料庫表結構：`embedding vector(3072)`
 
-3. **Stripe支付問題**
-   - 確認Webhook URL配置正確
-   - 驗證Stripe密鑰設置
+3. **SupabaseVectorStore 兼容性問題**
+   - 系統已內建手動 RPC 回退機制
+   - 使用 `match_documents` 函數直接執行相似性搜索
 
-4. **Gradio界面無法訪問**
-   - 檢查端口配置
-   - 確認CORS設置
+4. **知識庫載入失敗**
+   - 檢查 `backend/data/` 目錄存在且包含文件
+   - 確認文件格式為支援的類型（.md, .pdf）
 
 ### 調試模式
 
@@ -404,42 +423,31 @@ LOG_LEVEL=INFO  # DEBUG, INFO, WARNING, ERROR
 export LOG_LEVEL=DEBUG
 python app.py
 
-# 或使用uvicorn
+# 或使用 uvicorn
 uvicorn app:app --reload --log-level debug
 ```
 
-## 貢獻指南
+## 監控與日誌
 
-### 開發流程
-1. Fork項目
-2. 創建功能分支
-3. 提交變更
-4. 創建Pull Request
+### 日誌配置
 
-### 代碼規範
-- 遵循PEP 8 Python代碼風格
-- 添加適當的文檔字符串
-- 編寫單元測試
+系統使用 Python 標準日誌庫：
 
-### 測試
 ```bash
-# 運行測試
-pytest tests/
-
-# 測試覆蓋率
-pytest --cov=app tests/
+LOG_LEVEL=INFO  # DEBUG, INFO, WARNING, ERROR
 ```
 
-## 許可證
+### 健康檢查
 
-本項目採用MIT許可證 - 查看 [LICENSE](LICENSE) 文件了解詳情。
+- `GET /health` - 服務健康狀態檢查
+- 返回服務狀態、版本信息和資料庫連接狀態
 
-## 聯繫方式
+## 安全考量
 
-- 項目作者：銀髮餐桌助手團隊
-- 技術支持：通過GitHub Issues
-- 文檔更新：歡迎提交PR
+- 知識庫搜索無需認證（匿名用戶也可使用）
+- 用戶健康檔案相關操作需要 JWT 認證
+- 向量資料庫連接使用服務層級密鑰
 
 ---
 
-**重要提醒**：本系統僅提供營養建議，無法替代專業醫療諮詢。如有健康問題，請諮詢專業醫師。
+**重要提醒**：本系統僅提供營養建議，無法替代專業醫療諮詢。如有健康問題，請諮詢專業醫師。