Food Database Query

食物数据库查询技能

技能名称: Food Database Query 技能类型: 数据查询与分析 创建日期: 2026-01-06 版本: v1.0

技能概述

本技能提供全面的营养食物数据库查询功能,支持食物营养信息查询、比较、推荐和自动营养计算。

核心功能:

• ✅ 食物营养信息查询
• ✅ 食物比较分析
• ✅ 智能食物推荐
• ✅ 自动营养计算
• ✅ 分类浏览和搜索
• ✅ 份量转换和估算

数据源

主数据库

• 文件: data/food-database.json
• 内容: 50种常见食物的详细营养数据
• 结构: 每种食物包含30+营养素指标

分类体系

• 文件: data/food-categories.json
• 分类: 10大类,30+子类
• 支持: 按分类浏览和筛选

功能模块

1. 食物查询 (Food Query)

1.1 精确查询

用途: 根据食物名称查询营养信息

支持输入:

• 中文名称: "燕麦", "西兰花", "三文鱼"
• 英文名称: "Oats", "Broccoli", "Salmon"
• 别名: "燕麦片", "broccoli", "三文鱼肉"

查询流程:

1. 接收食物名称
2. 在数据库中搜索匹配项
3. 支持模糊匹配和别名匹配
4. 返回完整营养信息

返回信息:

• 基本信息 (名称、分类、标准份量)
• 宏量营养素 (卡路里、蛋白质、碳水、脂肪、纤维)
• 微量营养素 (维生素、矿物质)
• 特殊营养素 (Omega-3/6、胆碱等)
• 升糖指数数据
• 健康标签和适用人群
• 常见份量
• 营养优势说明

示例:

# 用户输入: "燕麦"
# 返回:
{
  "name": "燕麦",
  "name_en": "Oats",
  "category": "谷物类",
  "nutrition_per_100g": {
    "calories": 389,
    "protein_g": 16.9,
    "carbs_g": 66.3,
    "fat_g": 6.9,
    "fiber_g": 10.6,
    # ... 更多营养素
  },
  "health_tags": ["高纤维", "低GI"],
  "glycemic_index": {"value": 55, "level": "低"}
}

1.2 模糊搜索

用途: 根据营养特征搜索食物

搜索条件:

• 营养素含量: "高蛋白", "高纤维", "低GI"
• 营养素组合: "高蛋白 低卡路里", "高纤维 低GI"
• 分类筛选: "谷物类", "蔬菜", "蛋白质"
• 适用人群: "素食友好", "高血压", "糖尿病"

搜索逻辑:

# 示例: 搜索"高蛋白 低卡路里"
def search_foods(criteria):
    results = []
    for food in database:
        protein = food.nutrition_per_100g.protein_g
        calories = food.nutrition_per_100g.calories

        # 定义阈值
        high_protein = protein >= 15  # 每100g≥15g蛋白质
        low_calorie = calories <= 150  # 每100g≤150卡

        if high_protein and low_calorie:
            results.append(food)

    return sorted(results, key=lambda x: x.protein_g, reverse=True)

返回格式:

• 按匹配度排序
• 显示关键营养素
• 标注匹配标签

1.3 分类浏览

用途: 按食物分类浏览所有食物

分类层级:

蛋白质来源
├── 肉类
├── 禽类
├── 鱼虾贝类
├── 蛋类
├── 豆类
├── 坚果种子
└── 乳制品

浏览模式:

• 列出某分类下所有食物
• 按营养素排序
• 按GI值排序
• 按健康标签筛选

2. 食物比较 (Food Comparison)

2.1 双食物比较

功能: 比较两种食物的营养差异

比较维度:

• 宏量营养素: 卡路里、蛋白质、碳水、脂肪、纤维
• 微量营养素: 主要维生素和矿物质
• 升糖指数: GI值、升糖负荷
• 营养密度: 综合评分

计算逻辑:

def compare_foods(food1, food2):
    comparison = {}

    # 宏量营养素差异
    for nutrient in ["calories", "protein_g", "fiber_g"]:
        val1 = food1.nutrition_per_100g[nutrient]
        val2 = food2.nutrition_per_100g[nutrient]
        diff = val1 - val2
        percent = (diff / val2) * 100

        comparison[nutrient] = {
            "food1": val1,
            "food2": val2,
            "difference": diff,
            "percent_change": percent,
            "better": "food1" if diff > 0 else "food2"
        }

    return comparison

输出格式:

• 对比表格
• 差异百分比
• 优势标注
• 推荐建议

2.2 多维度比较

支持模式:

• 全方位营养比较
• 仅比较特定营养素
• 仅比较GI值
• 仅比较特定健康标签

示例: /nutrition compare 三文鱼 鸡胸肉 营养素

3. 食物推荐 (Food Recommendation)

3.1 基于营养素推荐

推荐逻辑:

def recommend_by_nutrient(nutrient, min_value=None, max_value=None):
    recommendations = []

    for food in database:
        value = food.nutrition_per_100g[nutrient]

        # 筛选符合条件
        if min_value and value < min_value:
            continue
        if max_value and value > max_value:
            continue

        recommendations.append({
            "food": food,
            "value": value,
            "rda_percent": (value / RDA[nutrient]) * 100
        })

    # 按含量排序
    return sorted(recommendations, key=lambda x: x["value"], reverse=True)

推荐类别:

• 高蛋白: ≥15g/100g
• 高纤维: ≥5g/100g
• 低GI: ≤55
• 富含维生素C: ≥50mg/100g
• 富含Omega-3: ≥1g/100g
• 高钙: ≥100mg/100g
• 高铁: ≥3mg/100g

3.2 多条件推荐

支持组合条件:

• "高蛋白 低卡路里"
• "高纤维 低GI"
• "富含铁 素食友好"

排序策略:

1. 按第一优先级排序
2. 筛选符合第二条件的
3. 综合评分排序

3.3 基于健康状况推荐

高血压 (DASH饮食):

• 低钠食物
• 高钾食物
• 高镁、高钙食物

糖尿病:

• 低GI食物
• 高纤维食物
• 低碳水化合物

高血脂:

• 高Omega-3食物
• 低饱和脂肪
• 高纤维食物

骨质疏松:

• 高钙食物
• 富含维生素D
• 高镁、高锌

贫血:

• 富含铁
• 富含叶酸
• 富含维生素B12

4. 自动营养计算 (Auto Nutrition Calculation)

4.1 食物识别

输入解析:

def parse_food_input(text):
    # 示例: "燕麦粥 1杯 + 鸡蛋 1个 + 牛奶 250ml"

    foods = []
    portions = []

    # 识别食物名称
    for item in text.split("+"):
        food_name = extract_food_name(item)  # "燕麦粥"
        portion = extract_portion(item)      # "1杯"

        # 标准化食物名称
        standard_name = normalize_food_name(food_name)  # "燕麦"

        # 查询数据库
        food_data = query_database(standard_name)

        foods.append(food_data)
        portions.append(parse_portion(portion))

    return foods, portions

4.2 份量转换

常见份量:

• "1杯": 240ml (液体) 或 重量依据食物
• "1个": 鸡蛋50g, 苹果150g
• "1片": 面包30g
• "100g": 直接使用

份量数据库:

{
  "common_portions": [
    {
      "amount": 1,
      "unit": "个",
      "weight_g": 50,
      "description": "1个大号鸡蛋"
    },
    {
      "amount": 1,
      "unit": "杯",
      "weight_g": 240,
      "description": "1杯牛奶"
    }
  ]
}

4.3 营养计算

计算公式:

def calculate_nutrition(food, portion_grams):
    nutrition = {}

    for nutrient, value_per_100g in food.nutrition_per_100g.items():
        # 按100g比例计算
        nutrition[nutrient] = (value_per_100g * portion_grams) / 100

    return nutrition

4.4 烹饪影响修正

考虑因素:

• 煮熟后重量变化
• 维生素损失
• 营养素保留率

示例:

• 燕麦生:100g → 煮熟:约300g (3倍重量)
• 维生素保留: 煮熟保留60-80%

5. 智能搜索 (Smart Search)

5.1 别名匹配

支持同义词:

• "燕麦" = "燕麦片" = "oats" = "rolled oats"
• "西兰花" = "绿花菜" = "broccoli"

匹配算法:

def find_food(name):
    # 1. 精确匹配主名称
    if name in database:
        return database[name]

    # 2. 匹配别名
    for food in database:
        if name in food.aliases:
            return food

    # 3. 模糊匹配
    matches = fuzzy_search(name)
    if matches:
        return matches[0]

    return None

5.2 拼写纠错

编辑距离算法:

def fuzzy_search(name, max_distance=2):
    matches = []

    for food in database:
        # 计算编辑距离
        distance = levenshtein_distance(name, food.name)

        if distance <= max_distance:
            matches.append((food, distance))

    # 按距离排序
    return sorted(matches, key=lambda x: x[1])

数据结构

食物数据结构

{
  "id": "FD_001",
  "name": "燕麦",
  "name_en": "Oats",
  "aliases": ["燕麦片", "oats", "rolled oats"],
  "category": "grains",
  "subcategory": "whole_grains",

  "standard_portion": {
    "amount": 100,
    "unit": "g",
    "description": "100克"
  },

  "nutrition_per_100g": {
    "calories": 389,
    "protein_g": 16.9,
    "carbs_g": 66.3,
    "fat_g": 6.9,
    "fiber_g": 10.6,
    "sugar_g": 0.99,
    "saturated_fat_g": 1.4,
    "monounsaturated_fat_g": 2.5,
    "polyunsaturated_fat_g": 2.9,
    "trans_fat_g": 0,
    "water_g": 8.9,

    "vitamin_a_mcg": 0,
    "vitamin_c_mg": 0,
    "vitamin_d_mcg": 0,
    "vitamin_e_mg": 1.1,
    "vitamin_k_mcg": 1.9,
    "thiamine_mg": 0.763,
    "riboflavin_mg": 0.139,
    "niacin_mg": 6.921,
    "vitamin_b6_mg": 0.165,
    "folate_mcg": 56,
    "vitamin_b12_mcg": 0,
    "pantothenic_acid_mg": 1.349,
    "biotin_mcg": 0,

    "calcium_mg": 54,
    "iron_mg": 4.72,
    "magnesium_mg": 177,
    "phosphorus_mg": 523,
    "potassium_mg": 429,
    "sodium_mg": 2,
    "zinc_mg": 3.97,
    "copper_mg": 0.526,
    "manganese_mg": 4.916,
    "selenium_mcg": 2.8,
    "iodine_mcg": 0
  },

  "special_nutrients": {
    "omega_3_g": 0.685,
    "omega_6_g": 1.428,
    "choline_mg": 43.4,
    "beta_carotene_mcg": 0,
    "lutein_mcg": 0,
    "zeaxanthin_mcg": 0
  },

  "glycemic_index": {
    "value": 55,
    "level": "低",
    "glycemic_load": 11
  },

  "common_portions": [
    {
      "amount": 30,
      "unit": "g",
      "description": "1/4杯",
      "approximate_volume": "1/4 cup"
    },
    {
      "amount": 40,
      "unit": "g",
      "description": "1/3杯",
      "approximate_volume": "1/3 cup"
    },
    {
      "amount": 200,
      "unit": "ml",
      "description": "煮熟1杯",
      "notes": "煮熟后体积增加"
    }
  ],

  "cooking_effects": {
    "boiling": {
      "weight_change_percent": 200,
      "nutrient_changes": {
        "vitamin_c_retention": 0,
        "b_vitamins_retention": 60
      }
    }
  },

  "health_tags": ["高纤维", "低GI", "无麸质选项", "心脏健康"],

  "suitable_for": ["素食者", "高血压", "糖尿病", "高血脂"],

  "notes": "富含β-葡聚糖,有助于降低胆固醇"
}

RDA参考值

成年男性 (19-50岁)

RDA = {
  # 宏量营养素
  "calories": 2500,  # 中等活动水平
  "protein_g": 56,
  "carbs_g": 130,  # 最低值
  "fiber_g": 38,

  # 维生素
  "vitamin_a_mcg": 900,
  "vitamin_c_mg": 90,
  "vitamin_d_mcg": 15,
  "vitamin_e_mg": 15,
  "vitamin_k_mcg": 120,
  "thiamine_mg": 1.2,
  "riboflavin_mg": 1.3,
  "niacin_mg": 16,
  "vitamin_b6_mg": 1.3,
  "folate_mcg": 400,
  "vitamin_b12_mcg": 2.4,
  "pantothenic_acid_mg": 5,
  "biotin_mcg": 30,

  # 矿物质
  "calcium_mg": 1000,
  "iron_mg": 8,
  "magnesium_mg": 400,
  "phosphorus_mg": 700,
  "potassium_mg": 3400,
  "sodium_mg": 1500,  # 上限
  "zinc_mg": 11,
  "copper_mg": 0.9,
  "manganese_mg": 2.3,
  "selenium_mcg": 55
}

成年女性 (19-50岁)

RDA_FEMALE = {
  "calories": 2000,  # 中等活动水平
  "protein_g": 46,
  "fiber_g": 25,
  "iron_mg": 18,  # 育龄期
  # ... 其他略有差异
}

集成功能

与营养模块集成

1. 记录饮食: 自动查询营养数据
2. 营养分析: 基于数据库的精确计算
3. 营养建议: 数据驱动的食物推荐

与健康模块集成

1. 高血压: 推荐DASH饮食友好食物
2. 糖尿病: 筛选低GI食物
3. 高血脂: 推荐高Omega-3食物

与运动模块集成

1. 运动前后: 推荐合适的食物
2. 增肌: 高蛋白食物推荐
3. 减脂: 低卡路里高蛋白食物

使用示例

示例1: 记录早餐

用户输入:

/nutrition record breakfast 燕麦粥 1杯 + 鸡蛋 1个 + 牛奶 250ml

系统处理:

1. 识别食物: 燕麦、鸡蛋、牛奶
2. 查询营养数据
3. 计算份量营养
4. 汇总整餐营养
5. 记录到日志

返回结果:

✅ 早餐已记录

**食物**: 燕麦粥(1杯) + 鸡蛋(1个) + 牛奶(250ml)

**营养汇总**:
- 卡路里: 417 卡
- 蛋白质: 25.1g
- 碳水化合物: 48.5g
- 脂肪: 15.2g
- 膳食纤维: 8.2g

**微量营养素亮点**:
- 维生素D: 3.1 μg (21% RDA)
- 钙: 332 mg (33% RDA)
- 维生素B12: 1.3 μg (54% RDA)

示例2: 查询食物

用户输入:

/nutrition food 三文鱼

返回结果:

# 三文鱼 营养信息

## 基本信息
- **名称**: 三文鱼 (Salmon)
- **分类**: 蛋白质来源 > 鱼虾贝类
- **标准份量**: 100克

## 宏量营养素 (每100克)
- **卡路里**: 208 卡
- **蛋白质**: 20g ✅
- **碳水化合物**: 0g
- **脂肪**: 13g
- **Omega-3**: 2.5g ✅✅✅

## 营养亮点
- ✅✅✅ 富含Omega-3脂肪酸 (EPA+DHA)
- ✅✅ 高质量蛋白质
- ✅ 富含维生素D (11μg)
- ✅ 富含维生素B12 (3.2μg)

## 健康标签
- ✅ 高蛋白
- ✅ 富含Omega-3
- ✅ 心脏健康
- ✅ 大脑健康

## 推荐份量
- 100-150g/餐 (每周2-3次)

示例3: 比较食物

用户输入:

/nutrition compare 鸡胸肉 三文鱼

返回结果:

# 食物比较: 鸡胸肉 vs 三文鱼

## 营养对比 (每100克)

| 营养素 | 鸡胸肉 | 三文鱼 | 差异 |
|--------|--------|--------|------|
| 卡路里 | 165 | 208 | +26% |
| 蛋白质 (g) | 31 | 20 | -35% ✅ |
| 脂肪 (g) | 3.6 | 13 | +261% |
| Omega-3 (g) | 0.1 | 2.5 | +2400% ✅✅✅ |

## 推荐建议

**选择鸡胸肉更适合**:
- ✅ 减脂期间 (低卡高蛋白)
- ✅ 控制脂肪摄入
- ✅ 蛋白质需求高

**选择三文鱼更适合**:
- ✅ 心脏健康 (高Omega-3)
- ✅ 大脑健康 (DHA)
- ✅ 抗炎需求

扩展计划

短期 (1-2个月)

• ✅ 完成50种常见食物
• ⏳ 扩展至100种食物
• ⏳ 添加更多常见份量
• ⏳ 优化搜索算法

中期 (3-6个月)

• ⏳ 扩展至300种食物
• ⏳ 添加品牌食品
• ⏳ 支持用户自定义食物
• ⏳ 添加食物照片

长期 (持续)

• ⏳ 持续更新数据库
• ⏳ 添加季节性食物
• ⏳ 集成条形码扫描
• ⏳ AI食物识别

质量保证

数据准确性

• 来源: 《中国食物成分表(第6版)》+ USDA
• 验证: 交叉验证多个来源
• 更新: 定期更新数据

功能测试

• 查询准确性测试
• 计算精度测试
• 边界条件测试
• 性能测试

注意事项

⚠️ 重要限制

1. 数据范围: 当前仅覆盖50种常见食物
2. 烹饪影响: 数据基于生食/标准烹饪
3. 个体差异: 实际营养吸收因人而异
4. 地域差异: 不同地区食物营养可能不同

⚠️ 使用建议

1. 均衡饮食: 不要依赖单一食物
2. 多样化选择: 轮换不同食物
3. 适量原则: 即使健康食物也需适量
4. 专业指导: 特殊需求咨询营养师

技术实现

文件位置

• 数据库: data/food-database.json
• 分类: data/food-categories.json
• 命令: .claude/commands/nutrition.md
• 技能: .claude/skills/food-database-query/SKILL.md

性能优化

• 数据库索引 (食物名称、分类)
• 缓存常用查询
• 模糊搜索优化

技能版本: v1.0 最后更新: 2026-01-06 维护者: WellAlly Tech

AGI Framework Integration

Adapted for @techwavedev/agi-agent-kit Original source: antigravity-awesome-skills

Memory-First Protocol

Retrieve prior API design decisions, database schema choices, and error handling patterns. Cache API response templates for consistent error formatting.

# Check for prior backend/API context before starting
python3 execution/memory_manager.py auto --query "API design patterns and architecture decisions for Food Database Query"

Storing Results

After completing work, store backend/API decisions for future sessions:

python3 execution/memory_manager.py store \
  --content "API architecture: REST with HATEOAS, JWT auth, rate limiting at 100 req/min per tenant" \
  --type decision --project <project> \
  --tags food-database-query backend

Multi-Agent Collaboration

Share API contract changes with frontend agents so they update their client code, and with QA agents for test coverage.

python3 execution/cross_agent_context.py store \
  --agent "<your-agent>" \
  --action "Implemented API endpoints — 5 new routes with OpenAPI spec and integration tests" \
  --project <project>

Agent Team: Code Review

After implementation, dispatch code_review_team for two-stage review (spec compliance + code quality) before merging.