
关于
分析营养数据、识别营养模式、评估营养状况,并提供个性化营养建议。支持与运动、睡眠、慢性病数据的关联分析。
name: nutrition-analyzer description: 分析营养数据、识别营养模式、评估营养状况,并提供个性化营养建议。支持与运动、睡眠、慢性病数据的关联分析。 allowed-tools: Read, Grep, Glob, Write risk: unknown source: community
营养分析器技能
分析饮食和营养数据,识别营养模式,评估营养状况,并提供个性化营养改善建议。
适用场景
- 需要分析营养摄入、饮食模式或营养素达标情况时使用。
- 任务涉及宏量/微量营养素评估、RDA 对比、饮食趋势或膳食改进建议。
- 需要把营养数据与运动、睡眠或慢性病数据关联分析时使用。
功能
1. 营养趋势分析
分析营养素摄入的变化趋势,识别改善或需要关注的方面。
分析维度:
- 宏量营养素趋势(蛋白质、碳水、脂肪、纤维、卡路里)
- 微量营养素趋势(维生素、矿物质)
- 热量来源分布变化
- 餐食模式(饮食时间、频率)
- 食物类别偏好
输出:
- 趋势方向(改善/稳定/下降)
- 变化幅度和百分比
- 趋势显著性
- 改进建议
2. 营养素摄入评估
评估营养素摄入是否达到推荐标准(RDA/AI)。
评估内容:
-
宏量营养素评估:
- 蛋白质摄入量和质量
- 碳水化合物类型分布(精制 vs 复杂碳水)
- 脂肪类型分布(饱和/单不饱和/多不饱和/反式脂肪)
- 膳食纤维摄入量
-
维生素评估:
- 维生素A、C、D、E、K
- 维生素B族(B1、B2、B3、B6、B12、叶酸、泛酸、生物素)
- 与RDA对比
- 缺乏风险评估
-
矿物质评估:
- 常量矿物质:钙、磷、镁、钠、钾、氯、硫
- 微量矿物质:铁、锌、铜、锰、碘、硒、铬、钼
- 与RDA对比
- 缺乏风险评估
-
特殊营养素评估:
- Omega-3脂肪酸(EPA、DHA、ALA)
- 胆碱
- 辅酶Q10
- 植物化学物(类黄酮、类胡萝卜素等)
输出:
- 每种营养素的达成率
- 缺乏/不足/充足/过量分级
- 缺乏风险识别
- 优先改善建议
3. 营养状况评估
综合评估用户的营养状况。
评估内容:
-
整体营养质量评分:
- 营养密度评分
- 食物多样性评分
- 均衡饮食评分
-
营养模式识别:
- 饮食模式类型(地中海式、DASH、素食等)
- 饮食时间模式(进食频率、进食窗口)
- 零食和加餐模式
-
营养风险识别:
- 营养缺乏风险(如维生素D缺乏、铁缺乏)
- 营养过量风险(如维生素A过量、钠过量)
- 不健康饮食习惯(高糖、高脂、高钠)
输出:
- 营养状况等级(优秀/良好/一般/较差)
- 主要营养问题识别
- 风险因素列表
- 改善优先级
4. 相关性分析
分析营养与其他健康指标的相关性。
支持的相关性分析:
-
营养 ↔ 体重:
- 卡路里摄入与体重变化的关系
- 宏量营养素比例与体重管理
- 进食时间与代谢关系
-
营养 ↔ 运动:
- 营养摄入对运动表现的影响
- 运动日vs休息日的营养需求
- 蛋白质摄入与肌肉恢复
-
营养 ↔ 睡眠:
- 咖啡因摄入与睡眠质量
- 晚餐时间与入睡时间
- 特定营养素(如镁、色氨酸)与睡眠
-
营养 ↔ 血压:
- 钠摄入与血压
- 钾/钠比值与血压
- DASH饮食依从性与血压控制
-
营养 ↔ 血糖:
- 碳水化合物类型与血糖波动
- 膳食纤维与血糖控制
- 进食时间与血糖曲线
输出:
- 相关系数(-1到1)
- 相关性强度(弱/中/强)
- 统计显著性
- 因果关系推断
- 实践建议
5. 个性化建议生成
基于用户数据生成个性化营养改善建议。
建议类型:
-
营养素调整建议:
- 增加缺乏的营养素
- 减少过量的营养素
- 优化营养素比例
-
食物选择建议:
- 推荐特定食物类别
- 食物替换建议(更健康的选择)
- 食物搭配建议(促进吸收)
-
饮食习惯建议:
- 进食时间调整
- 餐食频率调整
- 烹饪方式建议
-
补充剂建议(仅供参考):
- 基于缺乏风险的补充剂建议
- 补充剂剂量和时机
- 相互作用警示
建议依据:
- DRIs/RDA标准
- 用户营养历史数据
- 用户健康状况和目标
- 循证营养学证据
使用说明
触发条件
当用户请求以下内容时触发本技能:
- 营养趋势分析
- 营养素摄入评估
- 营养状况评估
- 营养改善建议
- 营养与其他健康指标的关联分析
执行步骤
步骤 1: 确定分析范围
明确用户请求的分析类型和时间范围:
- 分析类型:趋势/评估/相关性/建议
- 时间范围:周/月/季度/自定义
- 分析深度:宏量营养素/微量营养素/全面分析
步骤 2: 读取数据
主要数据源:
data-example/nutrition-tracker.json- 营养追踪主数据data-example/nutrition-logs/YYYY-MM/YYYY-MM-DD.json- 每日饮食记录
关联数据源:
data-example/profile.json- 体重、BMI等基础数据data-example/fitness-tracker.json- 运动数据data-example/sleep-tracker.json- 睡眠数据data-example/hypertension-tracker.json- 血压数据data-example/diabetes-tracker.json- 血糖数据
步骤 3: 数据分析
根据分析类型执行相应的分析算法:
趋势分析算法:
- 线性回归计算趋势斜率
- 移动平均平滑波动
- 统计显著性检验
RDA达成率计算:
rda_achievement = (actual_intake / rda_value) * 100
status_classification:
- < 50%: 严重缺乏
- 50-75%: 不足
- 75-100%: 接近目标
- 100-150%: 充足(理想范围)
- > 150%: 过量(注意安全上限UL)
营养密度评分:
nutrient_density_score = (
(vitamins_achieved / total_vitamins) * 40 +
(minerals_achieved / total_minerals) * 30 +
(fiber_achieved / fiber_rda) * 30
)
相关性分析算法:
- Pearson相关系数计算
- 滞后相关性分析(考虑时间延迟效应)
- 多变量回归分析
步骤 4: 生成报告
按照标准格式输出分析报告(见"输出格式"部分)
兼容工具
Claude CodeCursor
标签
AI与机器学习