核心用法
Healthy Eating 是一款以引导健康饮食习惯为核心的技能，主打无压力的饮食记录与智能营养洞察。用户可以通过自然语言记录餐食内容、份量和身体感受，技能会自动解析食材并提供蛋白质、脂肪、碳水等宏观营养的概览。此外，它支持基于现有食材生成健康餐食灵感、提供高热量食物的轻量替换建议、以及根据深夜、忙碌或社交等场景进行上下文感知的推荐。该技能还包含周度膳食规划与批量备餐建议功能，并能以日、周维度追踪饮食模式，帮助用户发现习惯与改进点。所有数据均声称保留在本地设备上。
显著优点
该技能最大的优势在于其行为设计理念：它明确指出不进行卡路里计算（no calorie counting required），这降低了用户的心理负担。通过关注食物质量、饱腹感和身体信号，它提供了一种更可持续的健康管理方式。技术层面上，该 Skill 为纯 Markdown 模板，不包含任何可执行代码、脚本或第三方库，这保证了极低的系统资源占用和几乎为零的启动延迟。安全性方面，它不发起任何网络请求，无外部 API 调用，完全在本地运行，隐私性极强。
潜在缺点或局限性
作为一个纯文本提示词模板，其能力上限完全受限于绑定的大语言模型本身的营养学知识和推理能力，无法接入权威营养数据库进行精确计算。它缺乏图像识别能力，无法通过拍照自动记录餐食。由于没有持久化后端，其"跟踪模式"和"历史记录"依赖于调用环境的对话持久化能力，如果会话丢失，过往记录将无法找回。同时，它无法与可穿戴设备或第三方健康应用（如 Apple Health）同步数据。
适合的目标群体
本技能非常适合以下人群：
1. 讨厌传统卡路里计算的健康新手：希望改善饮食但畏惧繁琐记录的人群。
2. 已经具备一定健康知识的基础者：希望追踪宏量营养素平衡，但不想使用复杂 Apps 的用户。
3. 忙碌的上班族和家庭备餐者：需要快速、无摩擦的周度膳食规划和基于现有食材的灵感建议。
4. 重视隐私的用户：拒绝将饮食数据上传至云端营养类 App 的用户。
使用该技能可能存在的常规风险
虽然技术安全性极高（无代码、无网络），但仍存在功能风险：
- 健康建议准确性风险：所有建议均来自 LLM 的知识，可能存在过时、不准确或与个人过敏史/慢性病冲突的建议（无医疗免责声明机制）。
- 依赖项风险：其"智能"完全依赖于底层的大语言模型，若模型能力不足，可能给出单调或乏味的建议。
- 数据持久性风险：由于无内置专用数据库，如果用户没有稳定的对话存档环境，长期积累的饮食记录容易丢失，无法形成真正有价值的长期健康报告。