如何用 AI 设计量化策略
「量化分析师」是「龙虾部署大师」技能市场中的量化研究技能：它面向金融建模、交易策略回测、风险指标计算、组合优化、时间序列预测、期权定价和统计套利，围绕数据质量、交易成本、滑点和样本外验证构建分析，输出向量化策略实现、回测结果、风险报告和敏感性分析。 技能效果 回测配对交易时，它自己模拟了60个交易日的两只蓝筹股行情，按z-score开平仓，算出夏普2.43、最大回撤、胜率和换手率。 量化研究的坑，多半在"严谨"二字 写一段策略代码不难，难的是让回测结果可信。很多研究在回看时收益亮眼，一到样本外或实盘就失效——往往是因为没扣手续费和滑点、没做样本外验证、过拟合了参数，或者把研究代码直接当成了实盘系统。风险这一侧同样容易被忽略：只看收益不看回撤、不算 VaR 和夏普、不做参数敏感性，结论的稳健性无从判断。「量化分析师」要解决的，是把这些容易踩空的严谨性要求前置进流程，让研究结论站得住。 一条可信回测的必经环节 数据清洗 含成本/滑点回测 样本外验证 风险调整收益VaR / Sharpe / 回撤 敏感性分析 这个技能能帮你做什么 它覆盖量化研究的主要环节。策略层面，构建交易策略、回测框架和市场数据的清洗处理流程；风险层面，计算 VaR、夏普比率、最大回撤等风险收益指标；组合层面，执行 Markowitz、Black-Litterman 等组合优化分析；模型层面，研究时间序列预测、期权希腊值和统计套利的模型假设。它会要求先明确执行环境、数据来源、目标市场和用途，再围绕数据质量、交易成本、滑点、样本外验证和风险调整收益展开，并明确区分研究代码与实盘系统的边界。 策略回测向量化实现 风险指标VaR/Sharpe 组合优化Markowitz 模型研究期权/套利 要求明确假设与风险披露 用前须知 该技能无需固定 API Key，但需要你明确市场数据来源；推荐 Python 环境及 pandas、numpy、scipy 等库。它的输出仅作研究与教育用途，要求明确假设与风险披露，区分研究代码与实盘系统，不构成投资建议，也不承诺任何策略在实盘中的表现。 怎么用它 用法是把研究目标、数据来源和约束条件用自然语言说清楚。例如可以这样对它说： 可以这样对它说 "用 CSV 行情回测一个配对交易策略，算夏普、回撤、胜率和换手，要含手续费。" "这个期权组合估一下 Greeks，再做一份风险暴露报告和情景压力测试。" "按 Markowitz 做组合优化，加入交易成本、仓位上限和约束条件。" 它适合这些场景：研究美股、A 股、加密货币或期货策略并验证历史表现；在回测中加入手续费、滑点、仓位限制和样本外测试；评估组合的风险暴露、收益稳定性和参数敏感性；以及实现配对交易、因子模型或期权定价的研究代码。适合量化研究员、金融工程学生、交易策略开发者和数据科学团队，用于研究与教育场景。 大家常问 量化投资里说的 Alpha 和 Beta 有什么区别？ Beta 是承担市场系统性风险换来的收益，只要进入市场就能获得；Alpha 是剥离 Beta 后的超额收益，靠选股或择时跑赢基准。Beta 可被指数化复制，Alpha 难复制且会随资金涌入而衰减，是量化研究真正寻找的目标。 量化回测里的过拟合和幸存者偏差分别是什么意思？ 过拟合是策略把历史噪声当成信号，样本内回测漂亮、样本外立刻失效；幸存者偏差是数据集只含存续标的，把退市破产的"尸体"排除在外，系统性高估收益。两者都让回测与实盘严重背离。 评价一个量化策略时，夏普比率和最大回撤分别衡量什么？ 夏普比率衡量每承担一单位总风险换来多少超额收益，是效率指标；最大回撤衡量净值从峰值跌到谷底的最大幅度，是最坏情况下会亏多少的安全感指标。两者互补，需结合同类策略横向看。 因子模型在量化分析里到底是什么意思？ 因子是能解释资产收益横截面差异的共同特征，如市值、估值、动量、质量。多因子模型把收益分解为各因子暴露乘以因子溢价再加 Alpha，用于收益归因、风险控制和组合构建，本质是一套可检验、可复现的归因决策框架。 想用上这个技能？ 「量化分析师」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
CJ接口怎么对接？管商品库存订单和物流
「CJ Dropshipping 接口助手」是「龙虾部署大师」技能市场中的代发对接技能：它面向 CJ Dropshipping API V2.0 集成，覆盖商品、规格、库存、刊登、订单、物流、Webhook 和 Shopify 配送模板；用 accio-mcp-cli 完成 OAuth 授权并读取令牌，业务调用走 REST API，输出接口路径、参数、请求体、自动化流程和故障修复建议。 技能效果 查一款蓝牙耳机时，它列出各规格变体、中美德三仓库存和多条物流渠道的运费时效，再按美国仓优先筛出运费1.98美金的最划算发货方案。 对接 CJ 代发，繁琐都在接口细节里 把 CJ Dropshipping 接进自己的店铺或系统，难点不在某一步，而在环节多、细节碎：先要走 OAuth 拿令牌，再分别对接商品、规格、库存、刊登、订单、运费、物流多个接口；刊登到 Shopify 还要绑配送模板，报个 7001001 之类的错误码就得翻文档查半天。自己一点点啃 API 文档，进度很慢。 这个技能能帮你做什么 它把 CJ API V2.0 的对接整理成可直接照做的接口指引。授权上，它用 accio-mcp-cli 完成 CJ OAuth 并读取访问令牌（业务调用统一带 CJ-Access-Token 请求头）；业务上，它覆盖商品列表与详情、规格、库存查询、批量刊登、我的商品和评价管理；交易上，它支持创建订单、支付余额、计算运费、查询物流跟踪；配置上，它处理 Shopify 配送模板、仓库位置、Webhook 设置和常见刊登错误码排查。 CJ API对接 商品 / 规格 / 库存 订单 / 运费 / 物流 Shopify 配送模板 / Webhook 错误码排查 最常见的"把 CJ 商品同步刊登到 Shopify"这条链路，它会替你串清楚——从授权、选品到绑定配送模板、处理刊登错误： OAuth 取令牌 查商品库存 刊登+配送模板 下单+物流 用前须知 使用前需用 accio-mcp-cli 完成 CJ OAuth，并用 get_cj_access_token 获取 CJ-Access-Token；业务接口通过 HTTPS REST 调用，需具备 CJ 开发者权限与店铺授权。 怎么用它 用法是把要对接的接口任务用自然语言说清楚即可。例如可以这样对它说： 可以这样对它说 "用 CJ 接口查这批 SKU 的库存、变体和物流价格，按美国仓优先过滤。" "把选中的 CJ 商品刊登到 Shopify，带上配送模板和店铺分类。" "查美国仓可发货的瑜伽垫，返回商品详情、库存、运费和变体，图片也保留。" 它适合这些场景：把 CJ 商品批量刊登到 Shopify 并绑定配送模板；订单产生后创建 CJ 购物订单、确认支付并跟踪物流；按 SKU 或规格 ID 查库存决定是否继续销售；刊登报 7001001、7001003 等错误时自动修复配送模板配置。 大家常问 对接 CJ Dropshipping 时，accio-mcp-cli 的 OAuth 授权和后面的 REST 业务接口是什么关系？ 简单说，OAuth 授权是"门禁"、REST 接口是"房间"。accio-mcp-cli 只负责一次性的身份认证：通过 start_cj_auth 让用户登录授权、再用 get_cj_access_token 读取 accessToken 和 refreshToken，全程不做任何业务操作。之后所有商品查询、下单、物流、Webhook 等都是标准 HTTP 请求，直连 developers.cjdropshipping.com，请求头带上 CJ-Access-Token 即可。授权只做一次（除非令牌过期），业务接口则持续调用。 把 CJ 商品刊登到 Shopify 时报 7001001 或 7001003，一般是什么原因引起的？ 两者都和 Shopify 配送模板（Delivery Profile）配置有关。7001001 是缺少配送模板——店铺开启了配送模板功能，但批量刊登 listedByPids 时没传 templateShopCategoryVOList 或缺有效的 deliveryProfileId；解决办法是先查可用模板再把模板 ID 传入。7001003 是模板里没启用 CJ 仓库位置（fromCj:true），CJ 关联不到发货仓；办法是在模板里勾选 CJ Dropshipping 位置或新建含 CJ 位置的模板。两者多在初次配置 CJ+Shopify 集成时出现，配好后一般不再复现。 CJ 接口里的 CJ-Access-Token 是干什么用的，为什么不能写死在代码里长期复用？ CJ-Access-Token 是 API V2.0 的身份凭证，调用任何业务接口都要在请求头携带它来证明身份与权限，通过 OAuth 流程换取。不能写死有三个原因：它有明确过期时间（accessTokenExpiryDate），过期后写死的 Token 全线返回 401；CJ 配套提供 refreshToken，本就是让你定期刷新而非用户重新授权；写死在代码（尤其前端或公开仓库）会造成 Token 泄露、无法单独吊销的安全隐患。正确做法是运行时动态获取并缓存，临期用 refreshToken 自动续期。 用 CJ 接口做代发，下单前为什么要先查实时库存和仓库位置，而不是只看商品详情？ 因为商品详情页的库存是静态预设、不实时更新，热销规格可能在你浏览后已售罄，只看详情下单本质是赌运气，易超卖引发退款和客诉。要用库存接口按规格（颜色/尺寸）查实时可售量和哪个仓有货。仓库位置同样关键：CJ 在中国、美国、欧洲多地有仓，同一商品从不同仓发货时效与运费差别很大，且 Shopify 配送模板需绑定 fromCj:true 的仓库，不查清楚会刊登报 7001003。正确顺序是详情→查实时库存→查仓库位置加运费→再下单。 想用上这个技能？ 「CJ Dropshipping 接口助手」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
如何用 AI 做 A 股量化分析
「牛牛量化分析」是「龙虾部署大师」技能市场中的 A 股量化技能：它以 Tushare 为数据源，把行情查询、均线及技术策略回测、技术面/基本面选股、买卖信号生成这四类任务统一成可执行的脚本流程，输出价格、涨跌、收益率、回撤、夏普比率、得分与风险提示等结构化结果。 技能效果 查贵州茅台行情时，它拉来近期日线数据，算出MA5、MA20和量能，逐日给出均线信号与综合建议，整理成一张表。 A 股量化分析，难在哪一步 难点不在"想法"，而在"算"这一步：自己用脚本做行情查询、策略回测和选股，要先把数据源接通、把依赖装齐，再为均线、MACD、KDJ、布林带等每一种策略分别写回测逻辑，最后还得把一堆 JSON 结果翻译成能看懂的收益、回撤、夏普比率。环节一多，口径就容易乱——这次用的数据源和上次不一样，回测窗口也对不齐，结果之间没法横向比较。「牛牛量化分析」要解决的，正是把这条链路收敛成一个统一、口径一致的流程。 四类任务，一个统一入口 行情查询 策略回测 智能选股 交易信号 统一脚本Tushare 表格 这个技能能帮你算清什么 它先确认你的意图属于哪一类任务，再走同一套量化脚本处理 A 股数据，最后把结果整理成表格或文字说明。具体覆盖四块：行情查询返回某只股票的价格、涨跌与成交量；策略回测针对均线、MACD、KDJ、布林带等给出收益率、最大回撤、夏普比率；智能选股按技术面、基本面或资金面筛出一批候选股；交易信号基于历史数据给出买、卖或观望的判断，并附上依据和风险提示。 回测一条策略，看这几项指标 收益率 最大回撤 夏普比率 买卖信号 风险提示 维度先拆开看，再综合判断 用前须知 该技能需要 Tushare Token 并配置 TUSHARE_TOKEN，依赖 Python 及 tushare、pandas、python-dotenv、pandas-ta 或 ta。它的数据源限定为 Tushare，不替换为其他来源，口径因此保持一致。回测与信号均基于历史数据，仅供研究参考，不构成投资建议，也不承诺任何收益。 怎么用它 用法是把你要查的股票、要回测的策略或选股条件用自然语言说清楚，不需要记参数，也不用自己决定调哪个脚本。例如可以这样对它说： 可以这样对它说 "用 Tushare 查 600519 的近期行情，再出一个交易信号，按表格呈现。" "回测贵州茅台 250 天均线策略，列出收益、回撤和夏普比率，几个维度先拆开看。" "从 A 股里筛出技术面排名前十的股票，只用沪深北数据源，把样本口径先写清楚。" 它适合这些场景：查询某个 A 股代码的近期价格、涨跌和成交量；投研时回测均线、MACD、KDJ 或布林带策略的历史表现；按技术面、基本面或资金面筛选一批候选股；以及基于历史数据生成买、卖或观望信号并附上风险说明。适用于 A 股量化爱好者、投研人员和希望用脚本化方式做行情查询、回测与选股的用户。 大家常问 量化回测里的夏普比率是什么意思？数值越高就一定越好吗 夏普比率衡量每承担一单位风险能拿到多少超额回报，即收益与波动的比值，越高代表性价比越好。但数值高不一定更好：可能是回测过拟合或样本偏差所致，实盘未必成立，需结合最大回撤等指标一起看。 看一条量化策略的好坏，最大回撤和夏普比率哪个更重要 两者衡量维度不同，不能互相替代。最大回撤反映最坏情况下账户能亏多少，夏普比率反映风险调整后的收益效率。实务中常先用最大回撤做生存门槛筛掉扛不住的策略，再用夏普比率排名，哪个更重要取决于资金属性和承受能力。 量化里说的交易信号是什么？它和买卖点是一回事吗 交易信号是策略在满足设定条件（如均线金叉、指标突破）时发出的可执行指令，回答的是"为什么做"。买卖点是信号触发后具体在什么价格、什么时间下单，回答的是"什么时候做"。两者相关但不等同，信号触发不等于立刻成交。 量化策略的历史回测结果，能直接照搬到实盘吗 不能直接照搬。回测与实盘之间隔着滑点、交易成本、幸存者偏差、前视偏差和过拟合等多重鸿沟，容易高估收益。回测只是策略开发的起点，应再经样本外测试、模拟盘和小资金实盘逐步验证，对结果始终保持怀疑。 想用上这个技能？ 「牛牛量化分析」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
如何用 AI 提高复购率
「客户留存顾问」是「龙虾部署大师」技能市场中的留存策略技能：它强调主动预警而非被动召回，会按产品品类设定预期复购周期、预警触发条件和已流失阈值，围绕早期预警、高价值客户预警和首单买家培育设计自动化流程，并按 VIP、高价值、普通、新买家分层设置干预方式，结合折扣敏感度和预测流失风险控制激励力度，输出留存策略、触发逻辑、KPI 和折扣管控规则。 技能效果 把各品类的复购间隔和活跃人数丢给它，它算出坚果环比掉了26.7%，按复购间隔分层设了流失预警阈值，把坚果点成最该关注的高风险品类。 客户流失，为什么总在事后才发现 留存做不好，多半是动作发生得太晚。等到客户"已经不买了"才去召回，本质是被动救火，成本高、成功率低。常见的三个问题：复购节奏没有基准，分不清客户是正常间隔还是真要流失；不分层，对所有客户用同一套话术和优惠，资源既浪费又打不准；折扣依赖严重，一遇到下滑就发券，毛利被慢慢吃掉，却没想清哪些客户其实根本不需要优惠也会回来。 正常复购 早期预警 这里就该触达 已流失 被动召回，成本高 主动在预警窗口介入，胜过流失后再追 这个技能帮你把留存做在流失之前 它的思路是"先建预警，再分层干预"。第一步按产品品类定义预期复购周期、预警窗口和流失阈值，给"什么时候算异常"立一个基准；第二步围绕三条主线设计自动化流程——早期预警捕捉刚开始疏远的客户、高价值客户预警优先保护贡献大的人、首单买家培育推动二次购买；第三步按 VIP、高价值、普通、新买家分层，结合折扣敏感度和预测流失风险，为每层配不同的触达方式和激励力度；最后给出复购率、流程收入、下单间隔、折扣驱动收入占比等 KPI 和折扣管控规则。 按价值分层 VIP 高价值 普通 新买家 分层后的差异化动作 · VIP / 高价值：个性化关怀，少折扣 · 普通：标准预警 + 适度激励 · 新买家：首单到二单培育路径 它的关键取向是"保护毛利"：折扣不是默认动作，而是按敏感度精准投放，让真正需要优惠的客户拿到，不需要的客户用关怀和内容维系。 用前须知 该技能无需本地依赖或 API Key，只输出策略和流程设计，不直接操作 Klaviyo、Shopify Flow、HubSpot 等平台。要得到贴合实际的方案，需要你提供产品品类和真实业务数据（复购周期、客户分层、销量等）。 怎么用它 用法是把你的留存现状和目标用自然语言交给它。例如可以这样对它说： 可以这样对它说 "复购率最近掉得厉害，按品类重算流失预警阈值，先别上优惠券，重点客户标出来。" "首单买家二次购买很少，设计一套不乱打折的培育流程，邮件和短信分开排。" "把高价值客户分层，做预警、挽回和折扣控制逻辑，保护毛利空间，规则写清楚。" 它适合这些场景：大部分客户只买一次、需要设计首单到第二单的培育路径；高价值客户购买频次下降、要在流失前触发个性化关怀；品牌想减少折扣依赖、要判断哪些客户确实需要优惠；以及在 Klaviyo 或 Shopify Flow 搭建留存流程前，先把触发规则定义清楚。 大家常问 流失预警是什么意思？ 指通过分析用户交易行为数据，在客户停止购买但尚未完全流失时识别风险并干预。核心逻辑是流失不是瞬间发生的，而是购买间隔拉长、互动衰减等可量化信号的渐进过程，越早介入留存成本越低。 客户分层和客户分类有什么区别？ 分类按属性（行业、性别、渠道等）划分，互斥且静态，回答"客户是谁"；分层按行为数据（频率、金额、活跃度）划分，可动态变化，回答"客户现在值多少精力去留"。前者用于差异化服务，后者用于差异化留存投入。 复购率和回购率的区别是什么？ 复购率是截面视角，看固定时间窗口内购买≥2次的客户占比，衡量活跃客户质量；回购率是队列视角，看上一周期的客户在当前周期是否再次购买，衡量留存持续性。复购率高、回购率低意味着短期热闹但长期留不住。 首单复购是什么意思？ 指客户在完成首次购买后再次下单的行为，简单说就是让新客买第二次。首单只是短期结果，复购才是衡量客户是否真正接受产品的关键指标。客户处于探索期最脆弱，复购率=回头客÷总首单客户。 想用上这个技能？ 「客户留存顾问」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
如何用 AI 实现并证明算法正确性
「研究工程师」是「龙虾部署大师」技能市场中的算法实现技能：用于严谨的算法实现、复杂度证明、并发结构和分布式系统等高风险场景，它先定义约束、批判错误前提，再给出无占位符、可编译运行的完整实现，并附复杂度分析、断言、单元测试或形式化验证说明，优先保证可验证的正确性。 技能效果 要它实现 Michael-Scott 无锁队列，它给出基于哨兵结点和 tagged pointer 防 ABA 的完整代码，逐步讲解入队出队的 CAS 协作，并证明两者均为 O(1)。 关键算法的实现，错不起在哪 实现无锁队列、并发哈希表、数值算法或分布式组件这类代码，难点不在"能跑"，而在"真的对"。常见的隐患有三类：前提没核就动手，问题本身可能数学不可能或计算不可行；代码看似完整，却留着占位符、伪实现或被悄悄简化的边界处理；复杂度只凭直觉判断，没有证明，性能瓶颈也没定位准。这类代码一旦在高风险场景出错，调试成本极高，事后排查往往比一开始就证明正确还要费力。 关键实现的三类隐患 前提没核可能本就不可行 占位 / 伪实现边界被悄悄简化 复杂度凭感觉无证明 高风险场景出错 → 调试成本极高 事后排查比事前证明更费力 这个技能用什么标准交付代码 它以科研工程标准处理问题，流程是：先定义约束与目标，必要时批判错误前提、直接指出数学不可能或计算不可行之处；再根据领域选择合适的实现语言（C++、Rust、Python、Julia、Go 等）；然后给出完整、可编译运行、错误处理齐全且没有占位符的实现；最后补上复杂度证明、断言、单元测试或形式化验证说明。它强调零幻觉、反简化、客观批判与正确性证明，把性能优化分层、对准实际瓶颈，整体偏重可验证的正确性而非入门式解释。 批判前提可行性 选型C++/Rust/Go 完整实现无占位 · 可编译 证明 + 测试 + 复杂度分析可验证正确性 用前须知 该技能无固定 API Key，会依任务选择编译器或运行时（如 C++20、Rust、Python、Julia 等）。它生成的代码应在对应工具链中实际编译或测试后再投入使用。该技能定位为"高风险实现前的严肃校验"，偏重正确性，不适合作为入门概念讲解。 怎么用它 用法是把要实现的算法或要审查的方案，连同约束和正确性要求一起交给它。例如可以这样对它说： 可以这样对它说 "实现一个 Michael-Scott 无锁队列，要可编译运行，并证明它的复杂度。" "把这个递归算法的复杂度重新推导一遍，指出错误前提并给出完整证明。" "用 Rust 写一个并发哈希表，别留占位代码和伪实现，把测试也补完整。" 它适合这些场景：实现图算法、数值算法、并发结构或高性能计算组件；需要证明递归、动态规划、数据结构或优化算法的复杂度；审查某个技术方案是否正确、是否过拟合或存在理论缺陷；为研究原型选择最合适的语言、库、测试策略和性能优化路径。 大家常问 为什么 AI 生成的算法代码经常看着完整、实际却留着占位符或伪实现、还跑不起来？ 因为模型学的是"代码长什么样"，不是"代码执行后是否正确"。它没运行过这段代码，遇到中间步骤就容易塞 TODO、pass 或被悄悄简化的边界，API 版本也可能对不上，所以看着完整、实际跑不通。可靠做法是把每段实现拆小、逐步验证再合并。 算法实现里，"能编译跑起来"和"可验证正确"是什么关系？两者差在哪？ 它们是两个层次。能编译跑只说明语法和环境没问题，没说算法本身正确；可验证正确还要求逻辑能复现、与论文或理论一致，并经得起断言、单元测试或形式化验证检验。前者靠跑通判断，后者要靠实验记录、对照实验和证明来支撑。 无锁队列这类并发数据结构，为什么"能跑通"并不等于"实现真的正确"？ 因为并发结构的执行路径随线程交错呈爆炸式增长，一次跑通只覆盖了极小一部分调度。竞态、内存序、ABA 这类 bug 是概率性的，单线程或少量测试根本碰不到，必须靠受控的对照实验、可复现的压力测试和正确性证明，而不是"跑了几次没崩"。 想用上这个技能？ 「研究工程师」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
如何用AI制定饮食计划
「营养教练」是「龙虾部署大师」技能市场中的饮食方案技能：作用是根据你的目标和生活条件，生成一份可落地执行的饮食计划——它收集身体信息、健康状况、口味偏好、烹饪条件、预算和外食频率，计算热量与宏量营养素目标，输出 7 天食谱、购物清单、备餐指导和外食替代方案，兼顾中餐、西餐、素食、生酮、DASH 等模式。 技能效果 让它按减脂目标排上班族的工作日便当，它给出周一到周五的食谱，每餐控制在四五百千卡，主食、蛋白和蔬菜分量都写清。 知道要"吃得健康"，却不知道每天具体怎么吃 难点在于把目标翻译成餐桌上的安排。想吃得健康的人常被三件事卡住：一是不知道吃多少，每天该摄入多少热量、蛋白质怎么分到三餐，全靠估；二是计划脱离生活，网上的食谱要么食材买不到、要么做起来太复杂，工作日根本执行不了；三是外食和预算不被考虑，天天点外卖、预算有限、还有乳糖不耐这类限制，通用菜单完全用不上。能不能坚持，关键看方案是否贴合你的真实生活。 餐盘法则：一餐的结构 ■ 蔬菜（半盘） ■ 蛋白质（1/4） ■ 主食（1/4） 这个技能能帮你做什么 它把"吃得健康"落成一份能照着买、照着做的计划。它先按减脂、增肌、维持、慢性病改善或特殊饮食需求确定方向，再分批收集身体数据、健康状况、口味偏好、烹饪条件、预算和外食频率；接着计算 TDEE、所需的热量缺口或盈余，并设定宏量营养素配比。在此基础上，它生成可执行的 7 天食谱、配套购物清单、备餐步骤，以及外食时的替代选择，覆盖中餐、西餐、素食、生酮、DASH 等模式，并说明餐盘法则、食物选择和长期追踪的方法。与只做分析不同，它的产出是一份可以直接拿去执行的菜单。 定目标与条件 预算/外食/偏好 算热量与配比 TDEE / 宏量 7 天食谱 含购物清单/备餐 外食 替代方案 用前须知 该技能通常无需 API Key，详细方案可调用本地 Python 脚本和食物数据库生成，因此建议具备 Python 环境。需要明确的是，它给出的饮食计划仅作日常健康参考，不能替代医疗建议；高血压、高血脂、糖尿病等慢性病人群或特殊人群，应结合专业医生的意见执行。 怎么用它 用法是把你的目标、饮食限制和生活条件用自然语言交给它，它会排出一周可执行的菜单。例如可以这样对它说： 可以这样对它说 "按减脂目标排一周中餐食谱，预算按普通上班族算，菜别太复杂。" "我乳糖不耐又常点外卖，设计一份工作日能执行的饮食方案和替换餐。" "增肌期每天训练，算好热量和蛋白质，再配一份按三餐分的备餐计划表。" 它适合这些场景：想减脂但不清楚每天热量、蛋白质和三餐结构怎么安排；健身增肌人群需要训练日和休息日都能执行的饮食计划；高血压、高血脂或糖尿病用户需要一份参考性的饮食管理框架和外食选择；以及素食者、外卖党或预算有限的人需要现实、可持续的菜单。 大家常问 个体化饮食方案和通用减脂模板的核心区别是什么？ 通用模板把每天减500千卡、碳水占40%-50%这类人群统计学平均值套到每个人身上；个体化方案则把基础代谢、代谢适应性、激素背景、消化耐受当成专属参数持续更新。一句话区别：模板回答"大多数人怎么做"，个体化回答"你的身体此刻正在发生什么"。 减脂平台期不掉秤的常见生理机制有哪些？ 主要四条：一是代谢适应，每减1kg基础代谢可能额外降20-30千卡/天，超过单纯瘦体重流失所对应的降幅；二是非运动产热NEAT下降，无意识的活动减少；三是瘦素骤降、饥饿素升高的激素重塑；四是瘦体重流失拉低BMR，形成越减越难减的循环。 为什么单纯节食容易反弹？ 不配合运动的节食大约25%减重来自肌肉，基础代谢被拉低；瘦素下降、饥饿素飙升、皮质醇升高、T3下降同时发生。恢复饮食后代谢未回升，但摄入回到从前——基础代谢低、肌肉少、饥饿强、饱腹弱叠加，体重往往超过起点（overshoot）。 宏量营养素配比是怎么从TDEE一步步算出来的？ 三步走：先按Mifflin-St Jeor算BMR，乘活动系数（久坐1.2、轻度1.375、中度1.55）得TDEE；再按目标调缺口/盈余，减脂减300-500千卡；最后蛋白质优先按体重核算（减脂期1.6-2.2g/kg）、脂肪卡20-35%下限、剩余热量除以4得碳水克数。 想用上这个技能？ 「营养教练」就在「龙虾部署大师」的技能市场里，打开 技能市场 就能一键安装使用。 还没装龙虾？先 一键部署「龙虾部署大师」，在本地跑起来后再装技能即可。 注：技能的实际效果与所选用的 AI 模型能力有关，不同模型下的表现可能存在差异。
提示