核心用法
「半饱」是一款面向久坐办公人群的轻量饮食记录工具，核心交互围绕照片记录 + 自然语言反馈展开。用户通过简单指令初始化档案后，可通过拍照、语音描述或模糊输入记录每餐，系统基于 USDA 营养数据库自动识别并估算摄入量。关键指令包括 profile.py init 初始化、log.py add 记录餐食、log.py today/week 查看周期反馈，以及 profile.py expenditure 估算每日消耗（含基础代谢、活动系数与独创的脑力消耗加成）。
显著优点
1. 反焦虑设计理念：明确拒绝卡路里倒计时、BMI 追踪、运动强制等传统健康管理工具的焦虑制造模式，用"一碗米饭/两杯拿铁"等食物类比替代冰冷数字，降低心理负担。
2. 隐性关怀机制：经期感知系统通过饮食模式识别静默调整反馈策略，不主动询问敏感信息，仅在用户提及后切换显性关怀，兼顾隐私与温度。
3. 生活方式轻推：结合天气、节气、星座运势（使用一周后解锁）提供低频、非强制的生活建议，如"樱花开了去走走""大暑喝碗绿豆汤"，强化陪伴感而非教练感。
4. 脑力消耗建模：独特地将认知负荷纳入热量消耗计算，承认会议、决策等脑力活动同样耗能，贴合办公人群真实场景。
潜在缺点与局限性
- 数据精度妥协：为降低记录门槛，接受模糊输入和估算，对需要精确宏量营养素追踪的用户（如健身进阶者）可能不足。
- 依赖本地 Python 环境：需预装 Python3，对非技术用户存在一定部署门槛。
- USDA 数据库局限：主要面向西方食材，中餐常见食物（如特定烹饪方式的菜肴）识别准确度待验证。
- 经期推断准确性：基于饮食模式的周期推测可能存在误判，且缺乏医学级验证。
适合人群
久坐办公、有轻量减脂或饮食管理需求但厌恶传统健身 App 焦虑氛围的用户；追求"记录但不较劲"的正念饮食践行者；对数据精度要求不高、重视情绪价值的健康管理者。
常规风险
- 隐私：饮食照片与体重数据本地存储于
data/目录，无加密说明，需用户自行保障设备安全。 - 健康建议边界：经期关怀、节气饮食建议属生活化引导，非医学建议，用户需自主判断。
- 营养信息误差：估算模型与 USDA 数据可能存在偏差，不适合糖尿病患者等需严格控制摄入的群体作为单一管理工具。