food-database-query
Food Database Query
- risk
- unknown
- source
- community
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:
- 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