Food Tracker

核心功能与用法

Food Tracker 是一款多模态食物管理技能，支持通过照片、营养标签、菜谱文本、菜单、自然语言等多种方式输入食物信息。系统会自动分类（#meal、#recipe、#product、#restaurant、#inventory），提取关键信息（食材、份量、营养数据可见时），并构建结构化的个人饮食数据库。

用户数据持久存储于 ~/food/memory.md，涵盖五大维度：饮食偏好与禁忌（过敏、不耐受、个人选择）、已扫描产品（含热量/份量信息）、饮食模式（用餐时间规律）、常去餐厅、收藏菜谱。系统主动学习用户习惯，提供每周多样性评分、用餐时间模式、外食比例、营养估算等洞察。

显著优点

• 零摩擦输入：无需手动选择分类，AI 自动识别输入类型
• 长期记忆：偏好与禁忌永久保存，主动冲突预警
• 渐进式分析：营养估算按需触发，不强制打扰
• 模块化设计：可与 calories 技能联动实现深度宏量营养素追踪

潜在局限

• 营养估算依赖可见标签或AI推断，非医疗级精度
• 复杂混合菜肴的自动拆分准确度有限
• 餐厅菜品无标准化营养数据时估算偏差较大
• 多语言菜单/标签的识别能力未明确说明

适合人群

• 希望建立饮食觉知但反感繁琐记录的健康关注者
• 有特定饮食禁忌（过敏、素食等）需要系统管理的用户
• 外食频繁、需要追踪餐厅选择的都市人群
• 希望发现个人饮食模式而非单纯计算热量的用户

常规风险

• 非医疗建议：明确声明不提供医疗诊断或治疗方案
• 营养估算可能低估隐藏成分（油脂、酱料）
• 过敏标识依赖用户主动更新，系统仅作辅助提醒

核心用法

Food Tracker 是一款纯文档型 Agent Skill，通过自然语言交互实现全类型食物输入的智能处理。用户可通过拍照、文字描述、营养成分表扫描、菜谱输入或餐厅菜单等多种方式记录饮食，系统自动识别输入类型并结构化提取关键信息（食物名称、份量、场景、可见营养数据）。所有记录按 #meal、#recipe、#product、#restaurant、#inventory 等标签分类归档，逐步构建个人专属饮食知识库。用户可随时查询饮食模式分析，包括每周食物多样性评分、用餐时间规律、外食比例统计，以及在需要时获取营养估算建议。

显著优点

该 Skill 的最大优势在于零依赖的极简架构——纯 Markdown 实现，无可执行代码、无第三方依赖、无网络请求，从根本上杜绝了代码注入和数据泄露风险。数据完全本地存储于 ~/food/memory.md，用户拥有完整的数据主权，可随时审阅、编辑或删除。智能标签系统和渐进式数据库设计让饮食记录从负担变为轻松习惯，自动化的模式识别（早餐时间、零食习惯、周末外食规律）将原始记录转化为可行动的洞察。对饮食限制和过敏信息的永久记忆与主动冲突预警，有效守护用户健康安全。

潜在缺点与局限性

作为纯文档型 Skill，Food Tracker 不具备真正的图像识别能力，餐食照片的分析依赖底层 Agent 的多模态能力，体验一致性可能因平台而异。营养估算为推测性建议，非医疗级精准数据，需配合专业工具使用。缺乏跨设备同步机制，多终端用户需手动管理数据文件。T3 来源的个人开发者维护，长期更新承诺存在不确定性。此外，本地文件存储在共享计算机或开启云同步的目录中可能存在隐私暴露风险。

适合的目标群体

• 健康意识用户：希望建立饮食觉察、改善饮食习惯，但抗拒复杂卡路里计算工具
• 过敏/忌口管理者：需要系统化记录饮食限制并获取智能冲突预警
• 美食记录爱好者：热爱探索餐厅、收藏食谱、记录饮食故事
• 隐私敏感用户：拒绝将个人饮食数据上传云端，坚持本地化处理
• 极简主义践行者：偏好轻量、透明、无广告的工具体验

使用风险

数据持久化风险：~/food/memory.md 文件若未加密，在多用户系统或云同步环境中可能被他人访问，建议敏感环境用户加密主目录或定期清理。维护不确定性：T3 来源技能，功能迭代和安全补丁依赖开发者个人精力，建议关注 ClawHub 更新动态。营养估算局限：非医疗级数据，不可替代专业营养师或医学诊断。平台能力依赖：图像解析、自然语言理解质量取决于底层 Agent 能力，不同环境体验差异较大。