数据叙事方法，把原始指标整理成决策故事线，以关键洞察开头
「数据叙事」是「龙虾部署大师」技能市场中的汇报沟通技能：它面向分析汇报、经营复盘、投资人材料和高管沟通场景，把原始指标整理成有决策指向的故事线。它先确认数据、受众、目标和输出格式，再按"问题解决、趋势变化或方案比较"选择叙事框架，套用幻灯片、执行摘要或一页报告模板，输出强调先给关键洞察、再用数字与上下文支撑、最后落到行动项。 技能效果 把季度经营数据讲给老板听时，它先列原始指标，再翻译成不堆术语、突出关键变化的口语汇报。 数据都对，为什么老板还是没听懂 问题往往不在数据本身，而在表达顺序。常见的汇报是把图表和指标按统计逻辑一股脑铺开，留给听众自己去拼"所以呢、然后该怎么办"。对非技术的管理层、董事会或投资人来说，他们要的不是"发生了什么"的全量罗列，而是"关键变化是什么、为什么、接下来该做什么"。当结论被埋在第十页、术语盖过含义时，再扎实的分析也推不动决策。 堆指标 结论藏在最后 先讲洞察 关键变化 + 原因 下一步行动 这个技能怎么把数据讲成决策 它把"整理数据"换成"组织叙事"。第一步，它确认数据、受众、目标和交付格式，让内容始终对着决策场景而非泛泛分析；第二步，按场景在"问题解决、趋势变化、方案比较"三类框架中选一个合适的叙事骨架；第三步，套用执行摘要、数据故事流或一页仪表盘模板来组织内容；第四步，生成以关键洞察开头的标题、段落过渡语和行动建议。它的核心取向很明确：先给结论，再用数字、上下文和可视化建议支撑，最后把"发生了什么"转成"接下来该做什么"。 确认数据 / 受众 选框架问题/趋势/比较 套模板摘要/一页报告 洞察 + 行动先结论后支撑 用前须知 该技能无需 API Key。使用时需要你提供可分析的数据、受众和目标；如需套用具体框架或模板，会依赖技能目录内的 references 文件。它负责把数据组织成叙事，结论是否成立仍取决于你给的数据本身。 怎么用它 用法是把数据、对象和这次汇报要达成的目的用自然语言交给它。例如可以这样对它说： 可以这样对它说 "把这份季度数据改成老板能听懂的汇报，先讲关键变化，别堆术语。" "这组留存曲线做成一页故事，说明为什么要改定价，让管理层能拍板。" "投资人会前需要一版数据叙事，突出增长和风险，也解释现金压力。" 它适合这些场景：为季度经营复盘提炼指标变化原因并形成高管可读的结论页；把产品、增长或财务数据整理成董事会或投资人材料；将复杂分析报告改写成非技术团队能看懂的一页摘要；以及基于多个方案的指标差异，输出可支撑业务决策的推荐理由。 大家常问 数据叙事是什么意思 数据叙事是把数据、图表与上下文按逻辑线串起来，先抛关键洞察、再用证据支撑、最后落到行动建议，让受众听懂"发生了什么、为什么重要、接下来该做什么"。 数据可视化和数据叙事的区别是什么 可视化是把数据画成图表的表达手段，受众自行解读；叙事是在可视化之上加入上下文、逻辑线和行动指向，结论由叙事者预先明示。可视化是"画图"，叙事是"用图讲道理"。 为什么数据汇报要先讲关键变化、再讲数字 人脑先收"框架"再填"细节"。先讲变化等于告诉听众该关注什么，数字只作佐证；反过来要让听众自己拼结论，既慢又易错。倒金字塔结构能在前30秒锁定关键信息。 经营复盘汇报怎么让管理层听懂数据背后的业务含义 把数据当论据而非论点：先抛核心判断、再用数字支撑。每个关键变化做"发生什么—哪块导致—为何这样"三层归因，配同比环比等对比维度，结尾给出需决策事项与建议。 想用上这个技能？ 「数据叙事」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 审查合同
「合同审查助手」是「龙虾部署大师」技能市场中的合同审查技能：作用是在签约前帮你把一份现成合同的条款风险逐项查出来——它基于合同审核方法论，支持买卖、租赁、借款、担保、建设工程、服务、股权转让、合伙、劳动等 18 类合同，先确认你代表哪一方、交易地位和审核深度，再按风险等级输出审核意见书与批注说明。 技能效果 拿一份全款预付的采购合同请它把关，它逐条点出付款、交期、违约的坑，标出哪些条款对买方极不利，并提示该留哪些证据。 签约前看合同，最怕漏掉哪些风险 最怕的不是看不懂条款，而是不知道该重点盯哪几条。合同审查的难点在于：风险点分散，付款、违约、责任限制、知识产权归属、押金退还往往散落在不同章节，逐字读一遍也未必能识别哪条对自己不利；立场不同、风险也不同，同一条款对买方和卖方、出租方和承租方的意义并不一样，通用清单套不上去；轻重难分，一份合同里几十处可改之处，哪些是必须改的致命风险、哪些只是无关痛痒的措辞，缺乏统一口径就容易抓小放大。 同一份合同，风险按四级分清 致命 · 责任无上限、押金不退 重要 · 违约金过高、验收模糊 一般 · 通知方式、争议管辖 轻微 · 措辞、错别字 这个技能能帮你查清什么 它把合同审查变成一套有方法、可配置的流程。开始前，它会先确认四件事：你代表哪一方、在交易中的地位、有无过往交易背景、以及希望按快速、标准还是深度模式审查、重点关注什么。随后它针对你的合同类型，从对应的审核要点、核心风险和检查清单出发逐条比对，并以致命、重要、一般、轻微四级风险给出评估。交付物包括法律审核意见书、风险汇总、逐条条款审核意见，以及一份带批注说明的合同审查稿，让你清楚知道哪条该改、为什么改。 确认代表方 立场 / 审核深度 按类型比对 18 类审核要点 四级风险分级 致命 / 重要 / 一般 意见书 + 批注稿 用前须知 该技能需要 Python 依赖 pandas、python-docx、jieba，可选 hanlp 用于 NLP 增强，审查数据由 CSV 模板驱动；无需 API Key。需要明确的是，它输出的审核意见用于在正式咨询前梳理风险、准备材料，不构成正式法律意见；涉及重大交易或高风险条款，仍应由执业律师确认。 怎么用它 用法是把合同交给它，并说清你的立场、关注点和审核深度，它会按对应方法论比对并分级。例如可以这样对它说： 可以这样对它说 "这份采购合同先看付款和违约条款有没有坑，我是买方、金额较大，要留证据。" "我是乙方，深度审查这份技术开发合同的风险，尤其是知识产权归属，证据要留好。" "先查一下租赁合同的审核要点，重点看押金、提前解约和维修责任，把责任边界讲清。" 它适合这些场景：签约前要快速识别合同里的重大风险和关键修改点；企业法务按标准模式审查日常买卖、服务或劳动合同；律师处理复杂交易、需要深度逐条审查并形成意见书；以及学习合同审查时，想先查看某类合同的风险点和检查清单。 大家常问 合同审查重点关注哪些条款类型？ 实务里最容易藏雷的有九类：违约责任（违约金比例与免责范围是否对等）、管辖与争议解决（法院/仲裁条款是否规范、有没有"或裁或审"的无效约定）、付款与对价（付款节点是否与验收挂钩、有无隐藏续费）、知识产权归属、保密与数据保护、终止与解除（单方解除权与终止后义务）、不可抗力、转让与分包、以及格式条款与免责条款。AI 审查时会先做条款分类，再按这些类别套硬性规则和模式规则识别风险。 合同里不平等条款常见的几种表述是什么？ 六种最高频的不平等表述：免责绝对化（"任何情况下不承担任何责任"）、单方变更权（"甲方有权随时修改本协议，不另行通知"）、缩短权利主张期限（"7 日内未提异议视为放弃"）、单方确定管辖（"争议由甲方所在地法院管辖"）、权利义务不对等（同一行为对双方后果不同，或"最终解释权归甲方"）、以及"包括但不限于""一切"这类兜底扩大解释。识别要点是看双方义务是否对称、表述边界是否量化。 法律审查与商务审查的区别是什么？ 法律审查回答"这份合同有没有法律漏洞"，重点是主体资格、条款合法性、违约责任、争议解决，属防御性视角，输出像"违约金过高可能被认定无效"。商务审查回答"这笔交易划不划算"，重点是价格、付款周期、交付标准、保密范围，属进攻性视角，输出像"预付比例过高建议分阶段付款"。两者风险类型不同：前者抓法律漏洞与条款冲突，后者抓利益失衡与履约障碍。 签字盖章前最容易忽略的形式风险是什么？ 最常漏掉的不是"写错"，而是"对不上"。三类典型：引用断链——条款引用了已被修改或删除的另一条款（如"按第 12.3 条执行"但 12.3 条已被删且未重编号）；定义冲突——同一术语在正文与附件中定义不同，或正文用了"产品"但定义部分没有"产品"一词；数字逻辑矛盾——付款总和与单价×数量不符，或分期付款各期百分比加总不等于 100%。AI 通过跨条款关系抽取和算术解析能直接抓到。 想用上这个技能？ 「合同审查助手」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。
公众号文章怎么写发？生成草稿配AI封面转HTML建草稿
「微信公众号写作」是「龙虾部署大师」技能市场中的内容生产技能：它把公众号文章从策划、正文写作、封面与配图生成、Markdown 排版到草稿箱发布串成一条流程，可按需要只写正文、写作加配图，或一直做到生成公众号草稿，输出策划文档、文章 Markdown、封面图、正文配图和发布报告。 技能效果 写「AI办公落地」公众号长文时，它产出了带真实企业案例的全文，分出四个落地方向、五个坑和五步实操法，还附上了封面图和正文配图。 写一篇公众号，为什么总要在几个工具间来回倒 一篇成形的公众号文章，背后是好几道彼此割裂的工序：先想选题和结构，再写正文，然后找封面和配图，接着把 Markdown 排成公众号能用的版式，最后还要登录后台贴进草稿箱。每道工序换一个工具，图片路径、摘要截断、主题样式、作者信息反复要手动对齐，稍有遗漏排版就乱。流程一长，真正写内容的精力反而被这些搬运和拼接吃掉。 想选题 ⤏ 写正文 ⤏ 找配图 ⤏ 排版 ⤏ 贴草稿箱 每换一步都要手动对齐图片、摘要、样式 这个技能把哪些环节接到了一起 它把上面那条割裂的流程接成一条可选的闭环。核心做四件事：按主题、读者、核心观点和案例数据先生成一份策划文档，把结构想清楚；据此撰写短句、有故事感、观点明确的公众号 Markdown 草稿；生成封面图和正文配图，并自动替换成正斜杠绝对路径的图片语法，避免排版时图裂；最后通过微信 API 上传图片、把内容转成公众号 HTML 并创建草稿。整个过程同时帮你处理偏好配置、摘要截断和主题样式选择。 主题 / 读者 观点 / 数据 策划 + 正文 封面 + 配图 绝对路径 HTML 排版 草稿箱 这条流程是可裁剪的：可以只让它写正文，也可以让它写作加配图，或者一路做到把内容存进公众号草稿箱，按当下需要选择停在哪一步。 用前须知 只做写作时无需任何微信凭证。配图功能需要 Python 环境以及 openai、pillow 和对应的 AI agent 配置；发布到草稿箱需要微信公众号的 AppID、AppSecret，并通过 npx -y bun 执行。配图与发布是可选项，不用的话不影响纯写作。 怎么用它 用法是把主题、读者和你要它做到哪一步用自然语言交代清楚。例如可以这样对它说： 可以这样对它说 "写一篇公众号长文讲 AI 办公落地，要配封面图和正文配图，内容别空。" "把这篇 Markdown 排成公众号草稿，作者、摘要和封面也一并补上。" "公众号文章只写正文，口语一点，不要生成图片，段落按手机阅读来排。" 它适合这些场景：运营团队要从选题开始产出一篇能直接排版的公众号文章；文章需要自动配上风格一致的封面和多张正文配图；手里已有 Markdown 稿件，只想转成公众号 HTML 并存为草稿；团队希望统一默认的主题样式、作者和发布凭证，减少每次的重复配置。 大家常问 公众号文章的"阅读完成率"是什么意思，为什么很多编辑说它比阅读量更能反映内容质量？ 阅读完成率指读到文章末尾的独立用户数占打开用户数的比例，公式是完整阅读用户数 ÷ 打开用户数 × 100%。它直接回答"愿意为这篇内容投入注意力的人有多少"，能过滤标题党点开即关、转发裂变带来的虚高阅读量，比阅读量更能反映内容本身和排版结构的质量。 公众号文章里"在看"和点赞在算法分发和读者心理上有什么不同，为什么运营会更看重"在看"数？ 点赞是文章页里的常规反馈按钮，信号只留在文末，不外传；"在看"会把文章推送到"看一看"，让作者的微信好友在信息流里看到。在看是用户愿意为内容做社交背书，会触发微信社交推荐分发，所以运营把它当成破圈和算法权重的核心指标。 写公众号文章时，订阅号和服务号在排版结构和内容节奏上有什么本质区别？ 订阅号被折叠进"订阅号消息"列表、按时间倒序展示，标题和首图决定打开，正文适合分段式短段落、高频更新；服务号每月仅 4 次群发、直接出现在对话列表，标题即文章，需要前 120 字摘要承载核心，正文按递进式整篇组织、信息密度更高。 公众号文章的"标题党"和"钩子标题"怎么区分，为什么钩子标题能用而标题党会被限流？ 标题党是"骗人的承诺"——标题夸张耸动，正文兑现不了；钩子标题是"勾人的真相"——标题制造好奇，正文确实给出对应价值。算法看打开率与完读率、在看的反差，标题党打开高完读低会被识别为低质降权，钩子标题完读和互动正常则权重上升。 想用上这个技能？ 「微信公众号写作」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。
天猫商品信息怎么查询？按链接批量采集输出JSON
「天猫商品信息查询」是「龙虾部署大师」技能市场中的商品详情采集技能：给定含商品 ID 的天猫或淘宝详情链接，它按单个或多个链接批量采集标题、价格、主图、视频、SKU、优惠、活动、保障和店铺等字段，输出结构化 JSON 与成功失败统计，替代人工逐页复制。 技能效果 演示天猫商品信息查询时，它列出能从商品页抓取的标题、价格、SKU、优惠等十多个字段，并用五个示例商品演示了批量查询后汇总成的表格长什么样。 逐条复制天猫详情页，问题在哪 做竞品监控、价格记录或商品调研时，常要从天猫详情页里把标题、价格、主图、SKU、优惠活动这些信息整理出来。人工做这件事既慢又散：一条链接一条链接地打开、把价格抄进表、把主图地址逐个复制，几十个商品下来，不仅耗时，不同人整理出的字段口径还不统一，难以直接拿去做分析。一旦碰到 SKU 多、优惠活动复杂的商品，手动整理更容易抄漏抄错。 人工：一条条点开复制；技能：批量转结构化 链接 1 链接 2 … 逐条手抄 批量采集 按链接分组 结构化 JSON 这个技能能帮你拿到什么 它把天猫详情页转成可直接处理的结构化数据。采集范围上，它按单个或多个链接批量取标题、价格和店铺信息，同时提取主图、视频、优惠活动、保障服务和基础属性；SKU 维度上，它既能获取全部关联 SKU 的价格、库存和预售状态，也能只取当前 SKU，按需选择；结果形态上，它返回结构化 JSON，并附上成功失败数量、抓取状态和错误原因——成功的归成功，失败的也说清为什么失败。当页面出现验证码、弹窗或 JS 提取失败时，它会给出明确的排查方向，而不是默默返回空数据。 天猫/淘宝详情链接 取全部 SKU 价格/库存/预售 仅取当前 SKU 按需选择 JSON + 成功失败统计 + 抓取状态 用前须知 该技能需要 Python 运行同目录的 run.py，执行前要确保 AI agent gateway 与 skillcore 服务可用（默认 127.0.0.1:10027），浏览器需能打开天猫页面；文档未要求 API Key。它做的是页面采集，受天猫反爬与页面加载状态影响，遇到验证码或提取失败时会返回明确的状态和排查方向，而非保证每条都成功。 怎么用它 用法是把要采集的天猫链接和想要的字段范围用自然语言交给它，说明导出方式即可。例如可以这样对它说： 可以这样对它说 "把这五个天猫链接的标题、价格、SKU 和优惠都抓出来，主图也要。" "这个商品页只看当前规格的库存，别把关联 SKU 都展开。" "采集天猫详情时把主图、视频和保障信息一起带上，按链接分组导出。" 它适合这些场景：运营团队要批量整理竞品详情页里的价格、主图和促销信息；采购或选品人员要比较同类商品的 SKU 组合、库存和预售状态；数据分析任务要把天猫详情页转换成可处理的结构化记录；以及页面出现验证码、弹窗或提取失败时，需要拿到明确的排查方向。 大家常问 采集天猫商品详情时，获取全部关联 SKU 和只取当前 SKU 有什么区别？分别适合什么场景？ 获取全部关联 SKU 会返回该商品所有规格组合（如颜色×尺码）的价格和库存，形成完整的价格-库存矩阵，适合竞品分析、跨规格比价、价格监控和商品建库；只取当前 SKU 只返回链接默认选中的那一个，更快，适合单品核价、链接有效性快速验证、SKU 不重要的大批量采集。本技能默认取全部，更完整。 为什么批量采集天猫商品详情时容易遇到验证码、或者页面没加载完就抓不到数据？ 天猫风控成熟，同 IP 短时间高频访问、自动化工具浏览器指纹未伪装、登录态失效都会触发滑块或图形验证码。抓不到数据多因详情页是异步渲染，标题、价格、SKU 走 XHR 动态加载，脚本在 DOM 就绪前就提取会抓空，重定向或结构变动也会失败。本技能等异步数据加载完再提取，并以 fetchStatus 标识验证码/弹窗状态。 天猫商品详情页里说的保障服务、优惠活动这些字段一般包含什么？对做竞品监控有什么用？ 保障服务含 7 天无理由、运费险、极速退款、品质保障、发货时效、全国联保等；优惠活动含满减、店铺券、平台大促、限时折扣、多件多折、包邮等。竞品监控里，保障齐全度反映行业标准与品牌定位，优惠节奏可做价格战预警和到手价对比。本技能能把这些字段连同价格、店铺一起结构化采集，便于按周期跟踪变化。 天猫商品的预售和现货在采集时怎么区分？预售商品的库存和价格状态有什么不一样？ 最直接看 SKU 的 isPresale 字段：false 为现货、付款即发，true 为预售、需等发货日。库存上现货 quantity 一般大于 0、代表实物可售，预售常为 0 或表示名额上限；价格上现货 price 是实付价，预售 price 多为定金加尾款的总价，实际优惠体现在定金膨胀等活动里。本技能建议预售与现货分开处理，避免比价失真。 想用上这个技能？ 「天猫商品信息查询」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 制定健身计划
「健身教练」是「龙虾部署大师」技能市场中的训练计划技能：作用是根据你的目标、身体状况、训练条件和时间，生成个性化、可执行的训练方案——它先确认你是要减脂、增肌、塑形、提升体能还是康复，再收集器械、地点、频率等条件，输出 4 周渐进计划，含动作组数次数、休息、动作要点、替代动作、进阶安排，并附热身拉伸、安全原则和免责声明。 技能效果 说明一周只能练三天、家里只有哑铃后，它排出练一休一的三天计划，写明每个动作的组数次数，还给出护膝护腰的几条铁律。 自己安排训练，为什么常常练不下去或练错 问题往往出在计划本身。零基础或居家训练时常遇到三种情况：一是不知道练什么、练几组，照搬网上的计划，结果不是太难就是不对路；二是不管身体条件，膝盖、腰有旧伤却照做跳跃和大重量，反而越练越伤；三是没有渐进结构，每天都练同样的强度，身体适应后就停滞，或者一开始上量太猛、几天就放弃。训练有没有效果，七分看计划是否匹配自己的条件。 4 周渐进，强度逐周抬升 第1周 第2周 第3周 第4周 适应 进阶 这个技能能帮你做什么 它把训练计划拆成"先匹配方向、再适配条件、最后给出可执行安排"。它先根据减脂、增肌、塑形、体能、康复或特定部位匹配训练方向；再分批收集你的年龄、身高体重、运动水平、伤病情况、可用器械、训练地点、每周频率和偏好；然后生成一个 4 周训练周期，写明每个动作的组数、次数、休息时间和动作要点，并为关节不适或器械受限的情况提供替代动作，给出周期化的进阶方式。每份计划都附带热身拉伸建议、安全原则、过度训练的预警信号和一张进度追踪表，方便你记录进步、按反馈调整强度。 匹配目标 减脂/增肌/康复 适配条件 器械/伤病/频率 4 周计划 动作/组数/替代 进度 追踪表 用前须知 该技能无需 API Key，生成计划依赖 Python 脚本和本地动作库。需要明确的是，它输出的是一般性训练建议，仅供参考，不构成医疗诊断或治疗方案；有慢性病、伤病或明显不适者，应先咨询医生或专业教练，再决定是否开始训练。训练中如出现疼痛或不适，请立即停止。 怎么用它 用法是把你的目标、可训练的时间、器械和身体限制用自然语言说清楚，它会据此排出计划。例如可以这样对它说： 可以这样对它说 "我一周只能练三天，家里有哑铃，安排减脂训练，注意保护膝盖和腰。" "膝盖不太舒服但想恢复跑步，做一套低冲击的康复计划，先别安排跳跃。" "想重点练胸和背，按四周周期写动作、组数和进阶方式，休息时间也写清。" 它适合这些场景：零基础用户想按居家或健身房条件制定可执行的训练计划；增肌或塑形人群需要推拉腿、上下肢这类分化训练安排；久坐或有轻微不适的人想要体态改善和低风险的一般性康复训练建议；以及训练者想记录进步、调整强度、避免过度训练和动作错误。 大家常问 为什么自己排的健身计划常常坚持不下来或练错？ 多数自排计划是直接套网上模板，没考虑你每周能练几天、状态差时的退路、动作是否匹配你的关节活动度和肢体比例。AI 把训练视为多约束求解：先按时间预算、恢复能力、伤病和器械建模，再生成可执行计划并保留减载冗余，所以更走得下去。 减脂和增肌的训练计划，本质区别是什么？ 增肌靠机械张力累积驱动肌肥大，动作偏拉伸位张力大、容量优先、可容忍较高疲劳；减脂目标是制造热量赤字同时保留肌肉，动作偏多关节高耗氧、密度优先（缩短间歇），疲劳容忍度更低，减载频率也更密。两者训练结构和疲劳管理粒度都不同。 4 周渐进训练计划里，渐进的到底是什么？ 渐进不只是加重量。AI 同时调节五个维度：负荷（重量）、容量（组×次）、密度（缩短组间休息）、技术复杂度（从器械到自由重量到单侧）、以及节奏（控制离心）。典型四周节奏是适应—强度—容量高峰—减载，让身体完成"适应→刺激→超适应→恢复"完整循环。 有膝盖旧伤还能练腿吗？怎么挑替代动作？ 多数情况下能练，关键是把旧伤转成动作约束：避开膝关节剪切力大、深屈曲下负重和冲击落地的动作。AI 在功能图谱里找肌群贡献相近但更安全的替代——例如用高脚杯深蹲或腿举替代杠铃深蹲，或把发力转移到髋主导动作如臀推、罗马尼亚硬拉，先在无痛幅度内积累强度再扩大范围。 想用上这个技能？ 「健身教练」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。
如何用AI分析营养成分
「营养成分分析」是「龙虾部署大师」技能市场中的饮食数据分析技能：作用是读取你的连续饮食记录，评估宏量营养素、维生素、矿物质和饮食模式的摄入情况——它计算 RDA 达成率、营养密度评分和趋势变化，识别营养素的不足与过量信号，并能把饮食与体重、睡眠、血糖等健康数据关联，输出营养趋势、风险分级和分优先级的行动建议。 技能效果 把一周的饮食记录交给它，它对照膳食推荐量逐天算出蛋白质、纤维和钠的趋势，标出哪几天达标、哪几天钠严重超标。 记了一堆饮食日志，为什么还是看不出问题 困难在于原始记录本身不会说话。把每天吃了什么记下来之后，常遇到三种障碍：一是看不出趋势，单看一天的数据没意义，要判断这一个月蛋白质、纤维、钠的摄入是在改善还是恶化，需要按周聚合、算出趋势斜率；二是不知道够不够，维生素 D、铁、钙到底达没达到推荐量，要对照 RDA/AI 标准才说得清；三是关联看不到，咖啡因、晚餐时间和睡眠、血糖之间有没有关系，靠翻日志根本对不上。零散的记录要变成有用的判断，缺的正是这套分析。 按 RDA 达成率给营养素亮灯 蛋白质 充足 纤维 偏低 维生素D 缺乏 钠 过量 这个技能能帮你分析什么 它把分散的饮食日志转成连续、可复盘的营养分析。流程是先确认分析范围，再读取你的每日记录，然后做四类计算：分析热量、蛋白质、脂肪、纤维等摄入随时间的趋势变化；按 RDA/AI 标准评估各类维生素、矿物质和特殊营养素的达成率；识别整体饮食模式、营养缺乏风险和营养质量等级；并把饮食与体重、运动、睡眠、血压、血糖等健康指标关联起来，找出相关性。它同时会检测能量异常、营养素过量与缺乏信号，最终输出营养趋势、风险分级和按优先级排好的行动建议。 读连续日志 每日饮食记录 算达成率/趋势 RDA / 斜率 / 相关 识别风险信号 不足 / 过量 风险分级 + 行动 用前须知 该技能无需 API Key，但需要你提供 nutrition-tracker、每日饮食日志及可选的健康 JSON 数据；若要落地完整的计算算法，建议具备 Python 数据分析环境。需要明确的是，它输出的营养评估仅作健康参考，不构成医疗诊断或治疗建议；涉及疾病、用药或异常指标时，应咨询医生或注册营养师。 怎么用它 用法是把你的饮食日志和想关联的健康数据交给它，并说清要看哪段时间、哪些营养素。例如可以这样对它说： 可以这样对它说 "分析我这个月蛋白质、纤维和钠的摄入有没有偏差，按周看趋势。" "把饮食记录和睡眠数据放一起，看看晚餐时间是不是影响了睡眠质量。" "评估最近两周维生素 D 和铁的达成率，标出缺乏风险和处理优先级。" 它适合这些场景：基于连续饮食日志评估近一个月的营养结构是否在改善；检查维生素 D、铁、钙、钠等关键营养素的不足或过量风险等级；分析咖啡因、晚餐时间、纤维与睡眠或血糖变化之间的关系；以及为减重、控压或改善饮食质量列出分优先级的行动计划。 大家常问 为什么营养标签上的热量数字和实测会有偏差？ 标签基于Atwater固定系数折算（蛋白碳水4、脂肪9、纤维2 kcal/g），忽略了食物基质的细胞壁完整性、加工后的酶解效率以及个人肠道菌群差异，法规也允许±20%误差，所以与实测往往不一致。 餐厅菜肴热量估算最容易出错在哪几个环节？ 误差最集中在三处：用油量与烹饪吸油率不可见、勾芡淀粉与酱汁糖分等隐形碳水被漏算、酱料份量随师傅手感波动。AI看到的是成品，而热量取决于过程，总热量通常被低估20%-45%。 GI 与 GL 在饮食控制里的核心区别是什么？ GI只衡量碳水升高血糖的速度，是定性指标；GL=GI×碳水克数÷100，把实际摄入量纳入计算，是定量指标。GI告诉你这个碳水快不快，GL告诉你这一口下去对血糖的真实冲击有多大。 隐性热量通常藏在哪几类食物里？ 最常见有五类：烹饪用油与沙拉酱、奶茶果汁等液态糖、谷物棒坚果酱等"健康光环"零食、卤味腌制品、火锅底料浓汤宝等复合调味。它们体积小或被当作调味品，但能量密度极高，单次少累积多。 想用上这个技能？ 「营养成分分析」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。
提示