营养分析器
来自Claude-Ally-Health的营养分析器提供全面的营养和饮食数据分析,帮助用户追踪营养摄入、评估营养状况并获得个性化饮食建议。
核心功能
1. 营养趋势分析
- 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
- 餐食模式(时间、频率)
- 食物类别偏好
2. 营养素摄入评估
- 宏量营养素:蛋白质质量、碳水类型、脂肪分布
- 维生素:A、C、D、E、K、B族与RDA对比
- 矿物质:钙、铁、镁、锌等与RDA对比
- 特殊营养素:Omega-3、胆碱、辅酶Q10、植物化学物
- 缺乏风险识别
3. 营养状况评估
- 整体营养质量评分
- 食物多样性评估
- 均衡饮食评估
- 饮食模式识别(地中海式、DASH、素食)
- 营养风险检测
4. 相关性分析
- 营养 ↔ 体重:卡路里摄入与体重变化
- 营养 ↔ 运动:对表现和恢复的影响
- 营养 ↔ 睡眠:咖啡因、进食时间影响
- 营养 ↔ 血压:钠、钾比例
- 营养 ↔ 血糖:碳水类型、纤维效应
5. 个性化建议
- 营养素调整建议
- 食物选择建议
- 进食时间优化
- 烹饪方式建议
- 补充剂建议(仅供参考)
适用场景
- 运动员优化营养以提升表现
- 体重管理者
- 慢性病患者管理饮食
- 任何寻求更健康饮食习惯的人
医学安全边界
❌ 不能诊断营养缺乏 ❌ 不能开具补充剂或饮食处方 ✅ 可以识别饮食模式和趋势 ✅ 可以推荐循证营养改善 ✅ 可以建议在需要时咨询专业人员
集成
与健身分析器、睡眠分析器、慢性病追踪器和AI健康分析器配合使用。
相关:Agent Messaging Skill、Agent Ops Incident Notifier,分类见 skills。
评论
还没有评论。成为第一个评论的人!
相关工具
Month Visit1000DR: 65AS: 60
Month Visit1000DR: 65AS: 60
相关洞察

Anthropic Subagent:多智能体时代的架构革命
深入解析 Anthropic 的多智能体架构设计。了解如何通过 Subagent 突破上下文窗口限制,实现性能提升 90%,以及多智能体系统在 Claude Code 中的实际应用。
7 款 AI 编程 CLI 用了半年,我悟出一个道理:模型再强,干活也要有监督
Claude Code、Codex、opencode、pi、omp、DeepSeek Harness 各有性格。半年深度使用后我总结出一套分工矩阵:pi 做最省事的 CR、omp 审复杂 PR、DeepSeek Harness 配 V4 Flash 高频低成本审查、Claude Code 与 Qoder 写代码。模型再强,干活也要有监督,而且最好是独立第三方。
Skills + Hooks + Plugins:Anthropic 如何重新定义 AI 编程工具的扩展性
深入解析 Claude Code 的 Skills、Hooks 和 Plugins 三位一体架构,探讨为什么这种设计比 GitHub Copilot 和 Cursor 更先进,以及它如何通过开放标准重新定义 AI 编程工具的扩展性。