thedixitjain 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
When to Use
- 需要查询食物营养成分、比较食物差异或做营养计算时使用。
- 任务涉及食物数据库检索、食物推荐、份量换算或分类筛选。
- 需要基于结构化食物数据生成分析结果而不是自由文本建议时使用。
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:
- 接收食物名称
- 在数据库中搜索匹配项
- 支持模糊匹配和别名匹配
- 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:
- 按第一优先级排序
- 筛选符合第二条件的
- 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
- 记录饮食: 自动查询营养数据
- 营养分析: 基于数据库的精确计算
- 营养建议: 数据驱动的食物推荐
与健康模块集成
- 高血压: 推荐DASH饮食友好食物
- 糖尿病: 筛选低GI食物
- 高血脂: 推荐高Omega-3食物
与运动模块集成
- 运动前后: 推荐合适的食物
- 增肌: 高蛋白食物推荐
- 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:
- 识别食物: 燕麦、鸡蛋、牛奶
- 查询营养数据
- 计算份量营养
- 汇总整餐营养
- 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
- 数据范围: 当前仅覆盖50种常见食物
- 烹饪影响: 数据基于生食/标准烹饪
- 个体差异: 实际营养吸收因人而异
- 地域差异: 不同地区食物营养可能不同
⚠️ 使用建议
- 均衡饮食: 不要依赖单一食物
- 多样化选择: 轮换不同食物
- 适量原则: 即使健康食物也需适量
- 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
Limitations
- Use this skill only when the task clearly matches the scope described above.
- Do not treat the output as a substitute for environment-specific validation, testing, or expert review.
- Stop and ask for clarification if required inputs, permissions, safety boundaries, or success criteria are missing.
Source: sickn33/agentic-awesome-skills → skills/food-database-query/SKILL.md
Also appears in: sickn33/agentic-awesome-skills/plugins/agentic-awesome-skills/skills/food-database-query/SKILL.md, sickn33/agentic-awesome-skills/plugins/agentic-awesome-skills-claude/skills/food-database-query/SKILL.md