Nutrition

核心用法

Nutrition Skill 构建了一套基于本地 Markdown 文件的个人营养管理系统。用户通过自然语言描述餐食，系统自动估算份量、计算卡路里与宏量营养素（蛋白质、碳水、脂肪），并记录至按日期组织的日志文件中。核心工作流包括：

1. 即时记录：输入餐食内容 → 估算营养 → 写入 ~/nutrition/daily/YYYY-MM/YYYY-MM-DD.md
2. 目标追踪：在 targets.md 中设定每日卡路里与营养素目标，系统实时对比进度
3. 缺口提示：自动识别微量营养素（维生素D、铁、Omega-3等）摄入不足，推荐食物来源
4. 趋势洞察：通过 insights.md 积累长期数据，发现饮食模式并优化策略

显著优点

• 完全离线：所有数据以纯 Markdown 存储于本地，无云端依赖，隐私零泄露
• 渐进式增强：从基础宏量追踪扩展到微量营养素、补剂管理，降低入门门槛
• 智能估算：接受自然语言输入，自动推断份量与营养值，减少记录摩擦
• 双向参考：foods/common.md 建立个人食物数据库，加速未来记录
• 非评判性设计：明确禁止对食物选择进行道德评判，支持可持续的健康习惯

潜在局限

• 估算误差：依赖通用营养数据库，实际烹饪方式、品牌差异可能导致 10-30% 偏差
• 手动依赖：无图像识别或条码扫描，高频记录仍需一定自律
• 微量营养素覆盖有限：仅追踪「显著来源」的维生素/矿物质，非全面谱系
• 无医疗整合：不能与血糖仪、连续血糖监测等设备联动
• 目标设定需自主：系统不提供基于年龄、性别、活动量的个性化算法建议

适合人群

• 希望建立饮食意识但抗拒复杂 App 的轻量用户
• 对数据隐私敏感、拒绝云端同步的隐私优先者
• 正在进行特定饮食实验（如增肌、低碳、间歇性禁食）的自我量化爱好者
• 需要记录补剂摄入与食物相互作用的长期健康管理者

常规风险

• 营养焦虑：过度追踪可能诱发或加剧饮食失调倾向，系统内置「不追求完美精确」的防护性提示
• 数据孤岛：本地文件格式虽开放，但迁移至其他平台需手动转换
• 目标设定失当：用户可能设定过高/过低的卡路里目标，建议定期对照体检数据调整
• 微量营养素误判：「富含某营养素」不等于「已满足日需量」，需理解提示的参考性质

核心功能

Nutrition 是一款纯文档型个人营养管理系统，通过结构化 Markdown 文件实现膳食记录、营养素追踪与长期趋势分析。用户只需自然语言描述餐食，系统即可自动估算份量、计算宏量营养素（蛋白质、碳水、脂肪）与热量，并持续追踪微量营养素缺口。

显著优点

隐私优先设计：所有数据存储于本地 ~/nutrition/ 目录，零外部网络调用，无云端上传风险，特别适合对数据主权敏感的用户。

渐进式复杂度：从简单的三餐记录起步，逐步引入微量营养素关注、补充剂追踪、常见食物速查表等高级功能，降低使用门槛。

智能洞察提示：主动推送如"今日蛋白质还差 70g""本周铁摄入偏低——建议增加菠菜或红肉"等 actionable 建议，将 raw data 转化为可执行的健康决策。

非评判性理念：明确声明"不评判食物选择""不推崇限制性饮食"，聚焦数据 awareness 而非控制，心理安全性优于主流 calorie-counting 应用。

潜在局限

无自动化集成：不支持连接智能秤、食品数据库 API 或健康平台（如 Apple Health），所有数据依赖手动录入，长期 adherence 挑战较大。

估算误差累积：营养数据基于通用参考值与用户目测份量，实际摄入可能与记录存在 10-20% 偏差，不适合临床级营养干预场景。

宏量营养素为主：微量营养素追踪仅覆盖常见维生素/矿物质（D、铁、C、Omega-3），未覆盖全谱系营养素数据库。

适合人群

• 希望建立饮食觉察习惯、不依赖订阅制应用的自律型用户
• 健身爱好者进行周期性 bulk/cut 热量管理
• 对第三方健康 App 数据隐私存疑的保守型用户
• 愿意投入每日 3-5 分钟手动记录的量化生活实践者

常规风险

• 数据丢失风险：本地文件无自动云备份，设备故障或误删可能导致历史记录丢失
• 共享设备隐私：~/nutrition/ 目录默认可见，多用户设备需注意文件权限管理
• 营养信息误读：缺乏专业背景的用户可能过度解读数据，建议重大饮食调整前咨询注册营养师

安全评估

经 CLS-Certify v2.1.0 扫描认证：纯 Markdown 无代码执行（T-MD 分类），零外部 API 调用，无敏感信息泄露。唯一注意事项为本地数据存储的隐私披露已完整，符合 GDPR/CCPA 合规要求。