ChatGPT로 칼로리를 계산하는 방법

네, ChatGPT는 설명한 음식의 칼로리를 추정할 수 있어요. 하지만 채팅만으로는 믿을 만한 날별 기록을 남길 수 없어요. 음식마다 그램으로 주고, 날것인지 익힌 것인지 말하고, 쓴 기름이나 소스를 밝히고, 항목별 숫자와 합계를 요청하세요. 그다음 한 줄을 USDA FoodData Central 값과 대조해 보세요. 아래 프롬프트는 Claude에서도 작동해요.

핵심 요약

• 쓸 만한 프롬프트에는 다섯 부분이 있어요: 작업, 그램이 적힌 음식 각각, 날것 또는 익힘, 조리 기름과 소스, 가정을 나열하는 응답 형식.
• NutriBench 연구에서 GPT-4o와 GPT-4o mini는 "80 g의 쌀"처럼 미터법으로 쓴 설명에서 "쌀 한 컵"처럼 자연스러운 표현보다 탄수화물 오차가 작았어요.
• 한 줄은 직접 확인하세요: 구운 닭가슴살 140 g x 165 kcal / 100 g = 231 kcal.
• 같은 식사를 새 채팅 세 번에 물어보세요. 한 연구에서는 반복 실행의 에너지 값이 4.74%에서 6.19%까지 달랐어요.
• 채팅은 줄이 많아지면 실수할 수 있어요. 하루 숫자의 합은 직접 한 번 더하세요.

Remembite가 맡는 부분: AI가 계산하고, Remembite가 기록을 보관해요. 어시스턴트가 보낸 식사를 저장하고, 추세를 차트로 보여 주고, 저장되기 전에 많이 벗어나 보이는 숫자를 표시해요. Claude 커넥터는 지금 사용할 수 있고, Remembite는 ChatGPT에서도 작동해요(beta, 개발자 모드 사용). 샘플 대시보드에서 화면 구성을 볼 수 있어요. Remembite가 무엇을 보관하는지 보기.

ChatGPT로 칼로리를 계산하는 방법은?

주방 저울이 읽어 낼 방식으로 식사를 쓰세요. "닭고기와 밥"이라고 쓰면 채팅이 양, 조리 방법, 기름을 추측해야 해요. "구운 닭가슴살 140 g, 익힌 흰쌀 150 g, 올리브유 1 작은술"이라고 쓰면 추측할 것이 거의 없어요. 결과는 여전히 추정치예요. 프롬프트는 추측을 줄일 뿐, 숫자를 정확하게 만들지는 않아요.

좋은 기본 프롬프트는 어떻게 생겼나요?

다음 다섯 줄을 복사하고 괄호 부분을 바꾸세요. 각 줄은 그림의 숫자 하나에 대응해요.

기본 프롬프트:

이 식사의 칼로리와 매크로를 추정해 주세요.

음식: [음식, 그램, 날것 또는 익힌 것]

조리용 기름과 소스: [종류와 양, 또는 없음]

항목마다 한 줄씩 kcal, 단백질 g, 탄수화물 g, 지방 g를 적고, 마지막에 합계 줄을 넣어 주세요.

가정한 내용을 모두 나열해 주세요. 숫자를 크게 바꾸는 부분은 추측하기 전에 저에게 물어봐 주세요.

프롬프트는 평범한 글이에요. 우리는 이것을 어떤 어시스턴트에서도 실행하지 않았으므로, 여기서는 결과를 주장하지 않아요. 아래 확인 방법이 답이 믿을 만한지 알려 줘요.

작업: 숫자를 요청하세요

"이거 좋은 점심이야?"는 평가를 불러요. "이 식사의 칼로리와 매크로를 추정해 줘"는 확인할 수 있는 표를 요청해요.

음식과 그램: 음식마다 한 줄

주방 저울로 재고 각 항목 옆에 그램을 적으세요. 잴 수 없는 것이 있다면 그램으로 추측을 적고 추측이라고 표시하세요. 그래야 채팅이 그 불확실성을 가정 목록에 옮길 수 있어요.

상태: 날것인지 익힌 것인지

USDA는 날것 장립 흰쌀을 100 g당 365 kcal(FDC 168877), 익힌 흰쌀을 100 g당 130 kcal(FDC 168878)로 적어요. 그러니 날것 150 g은 150 x 365 / 100 = 548 kcal이고, 익힌 150 g은 150 x 130 / 100 = 195 kcal예요. 무게가 다른 이유는 날것과 익힌 음식 칼로리 가이드에서 설명해요. 흰쌀 칼로리 페이지에는 컵, 밀리리터, 100 g 단위의 두 행이 모두 있어요.

조리 기름과 소스: 숨은 부분

USDA는 올리브유를 100 g당 884 kcal로 적고, 1큰술은 13.5 g이에요(FDC 171413). 1큰술은 13.5 x 884 / 100 = 119 kcal로, 익힌 흰쌀 약 92 g과 같아요(119 / 1.30).

응답 형식: 항목별, 가정 포함

항목마다 한 줄이면 각 줄을 확인할 수 있어요. "추측하기 전에 물어봐"라고 하면, 조용히 한 추측이 5초면 답할 수 있는 질문이 돼요.

다섯 필드를 나란히 보기

필드	왜 중요한가	나쁜 예	좋은 예
작업	답을 확인할 수 있는 숫자로 제한해요	내 점심 괜찮아?	이 식사의 칼로리와 매크로를 추정해 줘
음식과 그램	합계를 가장 크게 좌우하는 것은 분량이에요	밥 한 그릇	흰쌀 150 g
상태	날것과 익힌 쌀은 약 2.8배 차이가 나요	쌀 150 g	익힌 쌀 150 g
기름과 소스	기름 1큰술은 119 kcal예요	(빠짐)	올리브유 1 작은술
응답 형식	항목별 줄은 하나씩 확인할 수 있어요	합계만 알려 줘	항목마다 한 줄, 가정 나열

ChatGPT에는 컵보다 그램이 나은가요?

NutriBench 연구의 GPT 모델에서는 그렇다고 할 수 있어요. 나머지 열 개 모델에 대해서는 논문의 본문과 그림이 서로 다른 방향을 가리키므로, 안전한 해석은 "그램이 항상 이긴다"보다 좁아요.

NutriBench(Hua et al., arXiv 2407.12843. arXiv 페이지에는 ICLR 2025라고 나와요)에는 탄수화물, 단백질, 지방, 칼로리 라벨이 붙은 식사 설명 11,857개가 있어요. 저자들은 "쌀 한 컵" 같은 자연스러운 1회 분량 설명 5,532개를, 같은 5,532개 식사를 "쌀 80g" 같은 미터법으로 쓴 설명과 비교하고, 탄수화물 추정에서 모델 열두 개를 평가했어요. 논문 그림 4는 모델마다 탄수화물 평균 절대 오차(MAE, 탄수화물 그램) 차이를 보여 줘요. 우리는 공개된 그림 파일에서 막대 길이를 읽었으므로, 값은 읽은 값으로 보세요.

• GPT-4o와 GPT-4o mini는 그림에서 파란색으로 그려진 유일한 두 모델이에요. 논문은 두 모델이 “metric serving category”에서 더 나았다고 쓰고, 미터법 1회 분량과 연결된 영양 데이터가 GPT 학습 데이터에 있었을 것이라고 추측해요.
• 나머지 열 개 모델에 대해서는 논문 내용이 서로 맞지 않아요. 소제목과 그림 설명은 대부분 모델이 자연스러운 1회 분량을 더 선호한다고 말해요. 그 소제목 아래 본문 문장은 대부분 모델이 자연스러운 1회 분량에서 오차가 더 크다고 말해요. 우리는 어느 쪽도 근거로 삼지 않아요.

모델	탄수화물 차이, g	논문 그림의 색
GPT-4o	-2.0	파랑
GPT-4o mini	-1.3	파랑
Gemma2-27B	2.8	주황
Llama3.1-405B-FP8	5.5	주황
Llama3.1-70B	5.9	주황
Llama3-70B	6.7	주황
OpenBioLLM-70B	7.5	주황
Gemma2-9B	8.4	주황
Qwen2-72B	9.6	주황
Llama3-8B	19.4	주황
Llama3.1-8B	22.8	주황
Qwen2-7B	24.9	주황

0의 왼쪽 막대는 논문이 미터법 설명에서 더 나았다고 말하는 두 GPT 모델이에요.

이 결과가 오늘날 ChatGPT에 대해 알려 주는 것은 보기보다 적어요. NutriBench는 칼로리가 아니라 탄수화물 오차를 보고하기 때문이에요. 최고 결과는 생각 사슬 프롬프트를 쓴 GPT-4o였어요. 실제 탄수화물 값의 7.5 g 이내에 든 답이 66.82%였고, MAE는 8.61 g이었어요(논문 표 3). 열두 개 모델 평균으로는 같은 7.5 g 기준에서 기본 프롬프트 43.24%, 생각 사슬 프롬프트 47.46%였어요(논문 표 2). 여기서 탄수화물 7.5 g은 약 30 kcal예요(7.5 x 4).

다른 모델이 어느 쪽으로 기울든, 조언은 공짜예요. 그램으로 주세요. Hoang et al.(JAMA Netw Open 2023)도 ChatGPT가 믿을 만한 일반 가정용 단위를 주지 못한다고 적어요. 컵밖에 없다면 먼저 컵을 그램으로 바꾸는 가이드를 보고 그램으로 환산하세요. 우리 기본 프롬프트는 NutriBench의 생각 사슬 프롬프트가 아니며, 우리는 그것을 측정하지 않았어요.

칼로리 시험에서도 분량이 도움이 됐어요. ChatGPT-5를 요리 195개에 시험한 2025년 Rodriguez-Jimenez 연구에서, 사진만 줬을 때 에너지 평균 오차는 30.51%였고, 사진과 분량이 있는 재료 목록을 함께 줬을 때는 13.92%로 줄었어요. 한 연구, 한 모델, 반복 실행 없음이라는 점을 감안하세요.

채운 프롬프트 다섯 개는 어떻게 생겼나요?

예시 답은 형식을 보여 주려고 우리가 쓴 것이에요. 실제 모델의 출력이 아니에요. USDA 값은 FoodData Central의 SR Legacy 배포본(2018년 4월, 그 데이터 종류의 마지막 배포)에서 왔고, 2026-10-16에 USDA 다운로드에서 읽었어요.

1. 무게를 잰 집밥

붙여 넣을 프롬프트:

이 식사의 칼로리와 매크로를 추정해 주세요. 음식: 껍질 없는 닭가슴살, 140 g, 구운 것. 장립 흰쌀, 150 g, 익힌 것. 조리용 기름: 올리브유 1작은술(4.5 g). 항목마다 한 줄씩 kcal, 단백질 g, 탄수화물 g, 지방 g를 적고, 마지막에 합계 줄을 넣어 주세요. 가정한 내용을 모두 나열해 주세요. 숫자를 크게 바꾸는 부분은 추측하기 전에 저에게 물어봐 주세요.

예시 답, 형식을 보여 주려고 우리가 쓴 것이며 실제 모델 출력이 아니에요: 닭고기 231 kcal, 쌀 195 kcal, 올리브유 40 kcal. 합계 466 kcal, 단백질 47.5 g, 탄수화물 42.3 g, 지방 9.9 g. 가정: 껍질 제거, 그냥 삶은 쌀, 소스 없음.

계산 예시: 집밥을 USDA FoodData Central과 대조하기.

1. 닭고기(FDC 171477, 100 g당 165 kcal): 140 g x 165 / 100 = 231 kcal
2. 쌀(FDC 168878, 100 g당 130 kcal): 150 g x 130 / 100 = 195 kcal
3. 올리브유(FDC 171413, 100 g당 884 kcal): 4.5 g x 884 / 100 = 39.8 kcal
4. 합계: 231 + 195 + 39.8 = 465.8 kcal

답의 466 kcal가 맞아요. 닭가슴살 칼로리 페이지에는 같은 USDA 기록에서 나온 구운 닭고기 165 kcal 행과 날것 120 kcal 행이 있어요. 단백질도 맞아요: 닭고기 140 g x 31.02 / 100 = 43.4 g, 쌀 150 g x 2.69 / 100 = 4.0 g.

2. 무게를 잴 수 없는 식당 한 접시

식당 접시는 무게를 잴 수 없으니, 범위와 그 범위를 좌우하는 것을 물어보세요.

붙여 넣을 프롬프트:

이 식사는 무게를 잴 수 없어요. 앉아서 먹는 식당, 미국식 분량: 구운 닭가슴살, 흰쌀 사이드, 팬 소스. 항목마다, 그리고 전체에 대해 낮은 kcal, 가장 가능성 높은 kcal, 높은 kcal를 주세요. 낮은 값과 높은 값의 차이를 만드는 요인을 나열해 주세요. 답 하나로 범위를 크게 좁힐 수 있다면 질문을 하나만 해 주세요.

예시 답, 형식을 보여 주려고 우리가 쓴 것이며 실제 모델 출력이 아니에요: 닭고기 198 / 248 / 297 kcal, 쌀 260 / 325 / 390, 팬 소스와 지방 119 / 179 / 239. 합계 577 / 752 / 926 kcal. 가장 큰 요인: 소스의 지방, 그다음은 쌀 분량.

계산 예시: 예시 범위가 어디서 왔는지.

1. 닭고기 120, 150, 180 g: 120 x 165 / 100 = 198, 248, 297 kcal
2. 쌀 200, 250, 300 g: 200 x 130 / 100 = 260, 325, 390 kcal
3. 지방 1, 1.5, 2 큰술, 올리브유를 대신 사용: 13.5 x 884 / 100 = 119, 179, 239 kcal
4. 범위의 폭: (926 - 577) / 752 = 46%

46%의 폭은 넓어요. 하지만 아무도 무게를 재지 않은 접시에 대해서는 솔직한 값이에요.

식당이 적은 숫자가 더 안전할까요? 확실하지 않아요. Urban et al.(JAMA 2011;306(3):287-293)은 42개 식당의 음식 269개를 봄베 열량계로 측정했어요. 표시된 값과 측정된 에너지의 평균 차이는 10 kcal였어요(95% CI -15~34). 그런데 269개 중 50개(19%)는 측정값이 표시값보다 100 kcal 이상 높았어요. 평균은 괜찮아 보여도 개별 요리는 크게 빗나갈 수 있으니 범위를 유지하세요.

3. 영양 성분표가 있는 포장 식품

라벨을 프롬프트에 붙여 넣고 곱하기는 채팅에 맡기세요. 라벨의 1회 제공량은 사람들이 한 번에 보통 먹는 양으로 정해지며(21 CFR 101.9(b)), 여러분이 따른 양과 다른 경우가 많아요.

붙여 넣을 프롬프트(라벨 값은 이 가이드를 위해 지어냈어요):

영양성분 표시: 1회 제공량 1컵(55 g), 칼로리 210, 총 지방 3 g, 총 탄수화물 43 g, 단백질 5 g. 저는 80 g을 먹었어요. 80 g 기준의 칼로리와 매크로를 계산하고 곱셈 과정을 보여 주세요. 라벨의 매크로가 반올림 범위 안에서 단백질과 탄수화물은 1 g당 4 kcal, 지방은 1 g당 9 kcal에 맞는지 알려 주세요.

계산 예시: 채팅이 보여 줘야 할 산술.

1. 칼로리: 210 x 80 / 55 = 305 kcal
2. 단백질: 5 x 80 / 55 = 7.3 g. 탄수화물: 43 x 80 / 55 = 62.5 g. 지방: 3 x 80 / 55 = 4.4 g
3. 라벨 적합성: 4 x 5 + 4 x 43 + 9 x 3 = 219 kcal, 표시된 210보다 9 kcal, 4.3% 높음

라벨이 숫자를 반올림하므로 작은 차이는 정상이에요.

21 CFR 101.9(g)(5)에 따르면, 실험실 합성 시료의 칼로리가 표시값보다 20% 넘게 높으면 그 식품은 잘못 표시된 것으로 간주돼요(2026-10-16에 Cornell LII에서 읽음). 라벨은 좋은 입력이지만, 손에 든 상자를 재는 것은 아니에요.

4. 레시피를 1인분으로 나누기

"6인분"은 레시피 계산의 약한 고리예요. 1인분이 무엇인지는 여러분이 뜨는 양에 달려 있기 때문이에요. 완성된 냄비의 무게를 쓰세요: 빈 냄비를 달고, 조리하고, 다시 달아서 빼요.

붙여 넣을 프롬프트:

레시피, 날것 무게 기준: 말린 렌틸콩 300 g, 올리브유 30 g, 양파 200 g, 당근 250 g, 물. 완성된 수프는 냄비를 뺀 무게가 2,600 g이에요. 저는 650 g을 먹었어요. 냄비 전체의 kcal, 수프 100 g당 kcal, 제가 먹은 650 g의 kcal를 주세요. 계산 공식을 보여 주세요. 인분 수로 나누지 마세요.

계산 예시: USDA 값, 날것 무게 기준.

1. 렌틸콩(FDC 172420, 100 g당 352 kcal): 300 x 352 / 100 = 1,056 kcal
2. 올리브유(FDC 171413, 884): 30 x 884 / 100 = 265.2 kcal
3. 양파(FDC 170000, 40): 200 x 40 / 100 = 80 kcal. 당근(FDC 170393, 41): 250 x 41 / 100 = 102.5 kcal
4. 냄비: 1,056 + 265.2 + 80 + 102.5 = 1,503.7 kcal, 따라서 1,503.7 / 2,600 x 100 = 100 g당 57.8 kcal
5. 여러분의 그릇: 650 x 57.8 / 100 = 376 kcal

냄비를 "6인분"으로 나누면 1,503.7 / 6 = 251 kcal가 나와요. 125 kcal가 모자라고, 33% 과소 계산이에요. 여러분이 먹은 650 g이 나눗셈이 가정한 433 g(2,600 / 6)의 1.5배이기 때문이에요.

완성된 무게는 여러분만 알려 줄 수 있는 유일한 숫자예요. 채팅은 얼마나 많은 물이 끓어 날아갔는지 알 수 없어요.

5. 남은 음식과 한꺼번에 조리하기

건조 무게는 한 번 재고, 한 번에 만든 양의 무게를 재고, 남은 날 동안 그램으로 나눠 담으세요.

붙여 넣을 프롬프트:

마른 장립 흰쌀 400 g으로 밥을 지었어요. 빈 냄비 850 g. 밥을 넣은 냄비 1,970 g. 익힌 무게, 익힌 쌀 100 g당 kcal, 180 g 1회분의 kcal를 구해 주세요. 익힌 쌀 100 g당 kcal를 익힌 흰쌀의 USDA 값과 비교해 주세요.

계산 예시: 한 번분 산술.

1. 익힌 무게: 1,970 - 850 = 1,120 g
2. 한 번분 칼로리(FDC 168877, 날것 100 g당 365 kcal): 400 x 365 / 100 = 1,460 kcal
3. 익힌 쌀 100 g당: 1,460 / 1,120 x 100 = 130.4 kcal. USDA는 익힌 쌀에 130을 적어요(FDC 168878).
4. 180 g 1회분: 1,460 x 180 / 1,120 = 235 kcal

냄비 방식과 USDA 값은 0.3% 안에서 일치해요. 남은 음식도 같은 방식으로 계산하세요. 각 1회분은 한 번분과 같은 밀도를 가져요.

세 번 실행하는 일관성 테스트는 어떻게 하나요?

채팅은 같은 질문에 조금씩 다른 답을 줘요. 이 테스트는 그 차이가 얼마나 되는지 보여 줘요.

1. 한 끼에 대한 전체 프롬프트를 쓰세요.
2. 새 채팅 세 개에 붙여 넣으세요. 앞선 답이 나중 답에 영향을 주지 못하게 하려고요.
3. 세 합계를 적으세요.
4. 차이를 계산하세요: (max - min) / mean.

식사	1회차	2회차	3회차	차이
A: 무게를 잰 집밥	462	470	481	4.0%
B: 식당 한 접시	640	780	905	34.2%

예시 숫자이며 측정한 값이 아니에요. 단위는 kcal예요. 식사 A: 평균 (462 + 470 + 481) / 3 = 471, 차이 (481 - 462) / 471 = 4.0%. 식사 B: 평균 (640 + 780 + 905) / 3 = 775, 차이 (905 - 640) / 775 = 34.2%.

실제 기준으로는, Hoang et al.(JAMA Netw Open 2023;6(12):e2350367)이 ChatGPT-3.5와 ChatGPT-4에 음식 222개가 든 메뉴 8개를 각 다섯 번씩 물었어요. 에너지의 평균 변동계수(CV, 표준편차를 평균으로 나눈 값)는 4.74%에서 6.19%였어요. 다량영양소는 더 크게 달라졌고, 한 조건에서 지방은 13.02%까지 달랐어요. 그 모델들은 오늘날 모델보다 오래되었으니, 이 수치는 현재 값이 아니라 실행마다 생기는 잡음의 크기로 읽으세요.

CV와 세 번 실행의 차이는 서로 다른 측정이에요. 값이 세 개일 때 기대되는 범위는 약 1.693 표준편차예요(NIST 핸드북의 계수표에서 우리가 역산한 값). 그래서 CV 4.74%에서 6.19%는 전형적인 차이 8.0%에서 10.5%와 맞아요(4.74 x 1.693, 6.19 x 1.693).

우리의 경험 법칙이에요. 공식 기준값이나 안전 수준이 아니에요. 차이가 평균의 약 10%보다 크면 세부 정보를 더하고 다시 실행하세요. 그램, 날것인지 익힌 것인지, 기름, 아는 소스 정보를 넣으세요.

이 테스트에는 한계가 있어요. 일관된 답이 일관되게 틀릴 수 있어요. 예를 들어 채팅이 쌀을 항상 마른 쌀로 읽는 경우가 그래요. Hoang 연구에서도 에너지 값의 39.2%에서 46.8%만 영양사 값의 10% 이내에 들었어요. 세 번 실행 테스트는 잡음을 보고, USDA 대조는 편향을 보세요. 연구 비교는 ChatGPT나 Claude로 칼로리를 기록할 수 있을까요에, 확인 방법은 AI 칼로리 추정을 확인하는 방법에 있어요.

채팅의 누적 합계는 어디서 틀리나요?

채팅 어시스턴트가 누적 합계를 얼마나 자주 잘못 세는지 측정한 발표된 자료는 찾지 못했어요. 그래서 아래 목록은 살펴볼 실패 유형을 이름만 붙이며, 비율은 주지 않아요.

흔한 용의자: 한 답에 줄이 많이 더해짐, 긴 채팅에서 앞쪽 항목이 빠짐, 한 스레드에 이틀이 섞임, 아침에는 날것으로 읽고 밤에는 익힌 것으로 읽은 같은 음식, 줄을 고친 뒤에도 남은 옛 합계.

다른 채팅이 여러분의 하루를 안다고 기대하지 마세요. Claude Projects 도움말에 따르면, 프로젝트 지식에 추가하지 않는 한 프로젝트 안의 채팅끼리 맥락이 공유되지 않아요(2026-10-16에 읽음). 매번 숫자를 붙여 넣고 이 프롬프트를 쓰세요.

하루 마감 합계 프롬프트:

[날짜]의 제 식사 기록이에요. 항목마다 한 줄인 표로 다시 정리해 주세요. 제 숫자를 그대로 옮기세요. kcal, 단백질, 탄수화물, 지방 열의 합계를 구하고 각 합을 보여 주세요. 제가 준 숫자는 하나도 바꾸지 마세요. 그램이나 날것/익힌 상태가 없는 줄은 추측하지 말고 "누락"으로 따로 나열해 주세요.

식사 기록은 이 형식으로 붙여 넣으세요. 예시 세 줄은 위의 집밥이에요.

식사와 항목	그램, 상태	kcal	P / C / F (g)
점심, 닭가슴살	140 g, 구움	231	43.4 / 0 / 5.0
점심, 흰쌀	150 g, 익힘	195	4.0 / 42.3 / 0.4
점심, 올리브유	4.5 g, 해당 없음	40	0 / 0 / 4.5
하루 합계	(나머지 하루)	(합)	(합)

그다음 kcal 열을 계산기로 한 번 직접 더하세요. 여러분의 합과 채팅의 합이 다르면, 채팅이 어느 줄을 바꿨는지 물어보세요. 그 1분이 이 흐름에서 가장 싼 확인이에요.

주간 평균을 얻으려면 어떤 프롬프트가 필요한가요?

함정은 빠진 날이에요. 6일을 기록했는데 7로 나누면 평균이 낮게 나와요. 프롬프트에 그 규칙을 적으세요.

주간 요약 프롬프트:

아래는 지난 7일 동안의 하루 합계예요. "기록 없음"으로 표시된 날은 데이터가 없어요. 기록된 날마다 평균 kcal를 계산해 주세요. 기록된 날의 합을 기록된 날의 수로 나누세요. 합계를 7로 나눈 값도 보여 주고, 두 값이 왜 다른지 설명해 주세요. 누락된 날은 채우지 마세요.

6일을 기록해 합계가 12,850 kcal라면, 기록된 날의 평균은 12,850 / 6 = 2,142 kcal예요. 7로 나누면 1,836 kcal인데, 빈 날이 하나 있는 한 주의 값이에요. 이유는 주간 칼로리 평균 가이드에 있어요.

Remembite는 어디에 들어맞나요?

AI가 계산하고, Remembite가 기록을 보관해요. 채팅에서 지난 화요일의 합계를 찾으려면 긴 스크롤을 거슬러 읽어야 해요. Remembite는 어시스턴트가 보내는 식사를 저장하고 추세를 그려요. 숫자를 계산하거나 더 맞게 만들지는 않아요. 그리고 이 가이드의 모든 프롬프트는 Remembite 없이도 쓸 수 있어요.

커넥터로 기록하려면:

1. 커넥터를 추가하세요. Remembite는 호스팅된 원격 커넥터라서 여러분의 컴퓨터에서 아무것도 실행되지 않아요. Claude 웹이나 데스크톱에서 "Customize"(사용자 정의)를 열고, "Connectors"(커넥터)를 고른 다음 https://remembite.com/mcp를 추가하세요. Remembite는 ChatGPT에서도 작동해요(beta, 개발자 모드 사용): ChatGPT에 Remembite 연결하기. Claude 단계는 연결 페이지에 있어요.
2. 무엇을 먹었는지 말하세요. 식사를 직접 말로 설명하세요. 어시스턴트가 값을 계산해 보내고, Remembite는 받은 값을 저장해요.
3. 물어보면 답하세요. 한 항목의 단백질, 탄수화물, 지방을 더한 값이 그 항목의 칼로리보다 많거나, 칼로리가 USDA 기반 기준값에서 크게 벗어나면, 아무것도 저장되지 않고 어시스턴트가 먼저 여러분에게 물어봐요.

전체 단계는 식사 기록 가이드에 있어요. 데이터는 언제든 내보내거나 계정을 삭제할 수 있고, Remembite는 시작이 무료예요. 샘플 대시보드는 계정 없이 샘플 데이터를 보여 줘요. 사진 앱, 일반 채팅, 채팅과 기록 중 무엇을 고를지는 AI 칼로리 추적 도구 비교 가이드에서 읽으세요. Remembite는 OpenAI나 Anthropic과 제휴하지 않아요.

자주 묻는 질문

Claude에서도 같은 방식으로 작동하나요?

프롬프트는 평범한 글이라서 Claude에 그대로 붙여 넣을 수 있어요. 우리는 어떤 어시스턴트에서도 시험하지 않았으므로 결과를 주장하지 않아요. Claude Projects는 프롬프트를 프로젝트 지침으로 담을 수 있어요(Anthropic 도움말, 2026-10-16에 읽음).

유료 요금제가 필요한가요?

프롬프트에는 채팅창만 있으면 돼요. Anthropic 도움말은 Projects가 무료 계정을 포함한 모든 사용자에게 제공된다고 말해요(2026-10-16에 읽음). 그날 OpenAI 도움말 페이지를 열 수 없었으므로 ChatGPT 요금제 기능은 확인할 수 없어요. ChatGPT의 한도는 직접 확인하세요.

식사 사진을 읽을 수 있나요?

해 볼 수는 있어요. 요리 195개를 대상으로 한 2025년 ChatGPT-5 연구(Rodriguez-Jimenez et al., Nutrients 2025;17(22):3613)에서, 에너지의 평균 절대 백분율 오차는 이미지만으로 30.51%, 이미지와 재료 목록을 함께 주었을 때 13.92%였어요. 글로 쓴 세부 정보가 도움이 됐어요. 더 보려면 ChatGPT와 Claude 가이드를 보세요.

내 템플릿은 어떻게 저장하나요?

Claude에서는 프로젝트가 지침을 담고, Anthropic 도움말에 따르면 그 지침은 프로젝트의 모든 채팅에 적용돼요(2026-10-16에 읽음). OpenAI 도움말 페이지를 열 수 없었으므로 ChatGPT의 옵션은 설명하지 않아요. 기본 프롬프트를 담은 일반 메모 파일은 어떤 어시스턴트에서도 작동해요.

실행할 때마다 합계가 다른 이유는 무엇인가요?

Hoang et al.은 다섯 번 반복에서 에너지 CV가 4.74%에서 6.19%였다고 밝혔고, 모든 원인을 설명하지는 않아요. 분량, 날것인지 익힌 것인지, 조리 기름에 대한 추측은 적어 두면 제거할 수 있어요. 일관성 테스트를 보세요.

ChatGPT에 무게를 주면 칼로리 계산이 더 가까워지나요?

2025년 Rodriguez-Jimenez 연구에서 에너지의 평균 오차는 30.51%(사진만)에서 13.92%(사진과 분량이 적힌 재료 목록)로 줄었어요. 음식을 익힌 상태나 날것 상태 그대로 재고 어느 쪽인지 말하세요. 이유는 날것과 익힌 음식 칼로리 가이드에 있어요.

AI가 준 숫자를 한곳에 모으려면 무료 계정을 만드세요. 먼저 샘플 대시보드를 보셔도 돼요.

추정치이며 의학적 조언이 아니에요. 숫자가 작동하는 방식.