USP

Unlike typical health apps, this system offers entirely local, file-based data storage ensuring complete privacy, combined with advanced AI for medical report image recognition and a unique multi-specialty consultation system. It provides…

Use cases

• 01Managing personal medical records locally
• 02Getting AI-driven health risk assessments
• 03Tracking medication, allergies, and radiation exposure
• 04Consulting AI specialists for health insights
• 05Generating emergency medical information cards

Detected files (8)

• .claude/skills/ai-analyzer/SKILL.mdskill
  Show content (7394 bytes)

  ---
  name: ai-analyzer
  description: AI驱动的综合健康分析系统，整合多维度健康数据、识别异常模式、预测健康风险、提供个性化建议。支持智能问答和AI健康报告生成。
  allowed-tools: Read, Grep, Glob, Write
  ---
  
  # AI健康分析器
  
  基于AI技术的综合健康分析系统，提供智能健康洞察、风险预测和个性化建议。
  
  ## 核心功能
  
  ### 1. 智能健康分析
  - **多维度数据整合**: 整合基础指标、生活方式、心理健康、医疗历史等4类数据源
  - **异常模式识别**: 使用CUSUM、Z-score等算法检测异常值和变化点
  - **相关性分析**: 计算不同健康指标之间的相关性（皮尔逊、斯皮尔曼）
  - **趋势预测**: 基于历史数据进行趋势分析和预测
  
  ### 2. 健康风险预测
  - **高血压风险**: 基于Framingham风险评分模型
  - **糖尿病风险**: 基于ADA糖尿病风险评分标准
  - **心血管疾病风险**: 基于ACC/AHA ASCVD指南
  - **营养缺乏风险**: 基于RDA达成率和饮食模式分析
  - **睡眠障碍风险**: 基于PSQI和睡眠模式分析
  
  ### 3. 个性化建议引擎
  - **基础个性化**: 基于年龄、性别、BMI、活动水平等静态档案
  - **建议分级**: Level 1（一般性）、Level 2（参考性）、Level 3（医疗建议）
  - **循证依据**: 基于医学指南和循证医学证据
  - **可操作性**: 提供具体、可行的改进建议
  
  ### 4. 自然语言交互
  - **智能问答**: 支持健康数据查询、趋势分析、相关性查询等
  - **上下文理解**: 维护对话历史，支持多轮对话
  - **意图识别**: 识别用户查询意图，提供精准回复
  
  ### 5. AI健康报告生成
  - **综合报告**: 包含所有维度健康数据、AI洞察、风险评估
  - **快速摘要**: 关键指标概览、异常警示、主要建议
  - **风险评估报告**: 各类疾病风险、风险因素分析、预防措施
  - **趋势分析报告**: 多维度趋势、变化点识别、预测分析
  - **HTML交互式报告**: ECharts图表、Tailwind CSS样式
  
  ## 使用说明
  
  ### 触发条件
  
  当用户提到以下场景时，使用此技能：
  
  **通用询问**:
  - ✅ "AI分析我的健康状况"
  - ✅ "我的健康有什么风险？"
  - ✅ "生成AI健康报告"
  - ✅ "AI分析所有数据"
  
  **风险预测**:
  - ✅ "预测我的高血压风险"
  - ✅ "我有糖尿病风险吗？"
  - ✅ "评估我的心血管风险"
  - ✅ "AI预测健康风险"
  
  **智能问答**:
  - ✅ "我的睡眠怎么样？"
  - ✅ "运动对我的健康有什么影响？"
  - ✅ "我应该如何改善健康状况？"
  - ✅ "AI健康助手问答"
  
  **报告生成**:
  - ✅ "生成AI健康报告"
  - ✅ "创建综合分析报告"
  - ✅ "AI风险评估报告"
  
  ### 执行步骤
  
  #### 步骤 1: 读取AI配置
  
  ```javascript
  const aiConfig = readFile('data/ai-config.json');
  const aiHistory = readFile('data/ai-history.json');
  ```
  
  检查AI功能是否启用，验证数据源配置。
  
  #### 步骤 2: 读取用户档案
  
  ```javascript
  const profile = readFile('data/profile.json');
  ```
  
  获取基础信息：年龄、性别、身高、体重、BMI等。
  
  #### 步骤 3: 读取健康数据
  
  根据配置的数据源读取相关数据：
  
  ```javascript
  // 基础健康指标
  const indexData = readFile('data/index.json');
  
  // 生活方式数据
  const fitnessData = readFile('data-example/fitness-tracker.json');
  const sleepData = readFile('data-example/sleep-tracker.json');
  const nutritionData = readFile('data-example/nutrition-tracker.json');
  
  // 心理健康数据
  const mentalHealthData = readFile('data-example/mental-health-tracker.json');
  
  // 医疗历史
  const medications = exists('data/medications.json') ? readFile('data/medications.json') : null;
  const allergies = exists('data/allergies.json') ? readFile('data/allergies.json') : null;
  ```
  
  #### 步骤 4: 数据整合和预处理
  
  整合所有数据源，进行数据清洗、时间对齐和缺失值处理。
  
  #### 步骤 5: 多维度分析
  
  **相关性分析**: 计算睡眠↔情绪、运动↔体重、营养↔生化指标等关联
  
  **趋势分析**: 使用线性回归、移动平均等方法识别趋势方向
  
  **异常检测**: 使用CUSUM、Z-score算法检测异常值和变化点
  
  #### 步骤 6: 风险预测
  
  基于Framingham、ADA、ACC/AHA等标准进行风险预测：
  
  - 高血压风险（10年概率）
  - 糖尿病风险（10年概率）
  - 心血管疾病风险（10年概率）
  - 营养缺乏风险
  - 睡眠障碍风险
  
  #### 步骤 7: 生成个性化建议
  
  根据分析结果生成三级建议：
  
  - **Level 1**: 一般性建议（基于标准指南）
  - **Level 2**: 参考性建议（基于个人数据）
  - **Level 3**: 医疗建议（需医生确认，包含免责声明）
  
  #### 步骤 8: 生成分析报告
  
  **文本报告**: 包含总体评估、风险预测、关键趋势、相关性发现、个性化建议
  
  **HTML报告**: 调用 `scripts/generate_ai_report.py` 生成包含ECharts图表的交互式报告
  
  #### 步骤 9: 更新AI历史记录
  
  记录分析结果到 `data/ai-history.json`
  
  ## 数据源
  
  | 数据源 | 文件路径 | 数据内容 |
  |--------|---------|---------|
  | 用户档案 | `data/profile.json` | 年龄、性别、身高、体重、BMI |
  | 医疗记录 | `data/index.json` | 生化指标、影像检查 |
  | 运动追踪 | `data-example/fitness-tracker.json` | 运动类型、时长、强度、MET值 |
  | 睡眠追踪 | `data-example/sleep-tracker.json` | 睡眠时长、质量、PSQI评分 |
  | 营养追踪 | `data-example/nutrition-tracker.json` | 饮食记录、营养素摄入、RDA达成率 |
  | 心理健康 | `data-example/mental-health-tracker.json` | PHQ-9、GAD-7评分 |
  | 用药记录 | `data/medications.json` | 药物名称、剂量、用法、依从性 |
  | 过敏史 | `data/allergies.json` | 过敏原、严重程度 |
  
  ## 算法说明
  
  ### 相关性分析
  - **皮尔逊相关系数**: 连续变量（如睡眠时长与情绪评分）
  - **斯皮尔曼相关系数**: 有序变量（如症状严重程度）
  
  ### 异常检测
  - **CUSUM算法**: 时间序列变化点检测
  - **Z-score方法**: 统计异常值检测（|z| > 2）
  - **IQR方法**: 四分位数异常值检测
  
  ### 风险预测
  - **Framingham风险评分**: 高血压、心血管疾病风险
  - **ADA风险评分**: 2型糖尿病风险
  - **ASCVD计算器**: 动脉粥样硬化心血管病风险
  
  ## 安全与合规
  
  ### 必须遵循
  - ❌ 不给出医疗诊断
  - ❌ 不给出具体用药剂量建议
  - ❌ 不判断生死预后
  - ❌ 不替代医生建议
  - ✅ 所有分析必须标注"仅供参考"
  - ✅ Level 3建议必须包含免责声明
  - ✅ 高风险预测必须建议咨询医生
  
  ### 隐私保护
  - ✅ 所有数据保持本地
  - ✅ 无外部API调用
  - ✅ HTML报告独立运行
  
  ## 相关命令
  
  - `/ai analyze` - AI综合分析
  - `/ai predict [risk_type]` - 健康风险预测
  - `/ai chat [query]` - 自然语言问答
  - `/ai report generate [type]` - 生成AI健康报告
  - `/ai status` - 查看AI功能状态
  
  ## 技术实现
  
  ### 工具限制
  此Skill仅使用以下工具：
  - **Read**: 读取JSON数据文件
  - **Grep**: 搜索特定模式
  - **Glob**: 按模式查找数据文件
  - **Write**: 生成HTML报告和更新历史记录
  
  ### 性能优化
  - 增量读取：仅读取指定时间范围的数据文件
  - 数据缓存：避免重复读取同一文件
  - 延迟计算：按需生成图表数据
  

• .claude/skills/emergency-card/SKILL.mdskill
  Show content (17069 bytes)

  ---
  name: emergency-card
  description: 生成紧急情况下快速访问的医疗信息摘要卡片。当用户需要旅行、就诊准备、紧急情况或询问"紧急信息"、"医疗卡片"、"急救信息"时使用此技能。提取关键信息（过敏、用药、急症、植入物），支持多格式输出（JSON、文本、二维码），用于急救或快速就医。
  ---
  
  # 紧急医疗信息卡生成器
  
  生成紧急情况下快速访问的医疗信息摘要，用于急救或就医。
  
  ## 核心功能
  
  ### 1. 紧急信息提取
  从用户的健康数据中提取最关键的信息：
  - **严重过敏**：优先提取4级（过敏性休克）和3级过敏
  - **当前用药**：活跃药物的名称、剂量、频率
  - **急症情况**：需要紧急处理的医疗状况
  - **植入物**：心脏起搏器、支架等（影响检查和治疗）
  - **紧急联系人**：快速联系的家属信息
  
  ### 2. 信息优先级排序
  按照医疗紧急程度对信息排序：
  1. **P0 - 危急信息**：过敏性休克、严重药物过敏、危及生命的疾病
  2. **P1 - 重要信息**：当前用药、慢性病、植入物
  3. **P2 - 一般信息**：血型、年龄、体重、最近检查
  
  ### 3. 多格式输出
  支持多种输出格式以适应不同场景：
  - **HTML格式**：可打印网页，使用Tailwind CSS和Lucide图标（推荐）
  - **JSON格式**：结构化数据，便于系统集成
  - **文本格式**：简洁可读，适合打印携带
  - **PDF格式**：专业打印，适合长期保存
  
  #### HTML格式（新增）
  生成独立的HTML文件，包含：
  - Tailwind CSS样式（通过CDN）
  - Lucide图标（通过CDN）
  - 响应式设计
  - 打印优化
  - 多种尺寸变体（A4、钱包卡、大字版）
  - 自动卡片类型检测（标准、儿童、老年、严重过敏）
  
  使用方式：
  ```bash
  # 生成标准卡片
  python scripts/generate_emergency_card.py
  
  # 指定卡片类型
  python scripts/generate_emergency_card.py standard
  python scripts/generate_emergency_card.py child
  python scripts/generate_emergency_card.py elderly
  python scripts/generate_emergency_card.py severe
  
  # 指定打印尺寸
  python scripts/generate_emergency_card.py standard a4       # A4标准
  python scripts/generate_emergency_card.py standard wallet   # 钱包卡
  python scripts/generate_emergency_card.py standard large    # 大字版（老年）
  ```
  
  输出文件：`emergency-cards/emergency-card-{variant}-{YYYY-MM-DD}.html`
  
  ### 4. 离线可用
  - 支持手机保存（相册、文件）
  - 支持打印携带（钱包、包）
  - 支持云端备份（可选）
  
  ## 使用说明
  
  ### 触发条件
  当用户提到以下场景时，使用此技能：
  - ✅ "生成紧急医疗信息卡"
  - ✅ "我需要旅行，如何快速提供医疗信息"
  - ✅ "把我的过敏信息整理成卡片"
  - ✅ "紧急情况急救信息"
  - ✅ "就医准备资料"
  - ✅ "医疗信息摘要"
  
  ### 执行步骤
  
  #### 步骤 1: 读取用户基础数据
  从以下数据源读取信息：
  
  ```javascript
  // 1. 用户档案
  const profile = readFile('data/profile.json');
  
  // 2. 过敏史
  const allergies = readFile('data/allergies.json');
  
  // 3. 当前用药
  const medications = readFile('data/medications/medications.json');
  
  // 4. 辐射记录
  const radiation = readFile('data/radiation-records.json');
  
  // 5. 手术记录（查找植入物）
  const surgeries = glob('data/手术记录/**/*.json');
  
  // 6. 出院小结（查找急症）
  const dischargeSummaries = glob('data/出院小结/**/*.json');
  ```
  
  #### 步骤 2: 提取关键信息
  
  ##### 2.1 基础信息
  ```javascript
  const basicInfo = {
    name: profile.basic_info?.name || "未设置",
    age: calculateAge(profile.basic_info?.birth_date),
    gender: profile.basic_info?.gender || "未设置",
    blood_type: profile.basic_info?.blood_type || "未知",
    weight: `${profile.basic_info?.weight} ${profile.basic_info?.weight_unit}`,
    height: `${profile.basic_info?.height} ${profile.basic_info?.height_unit}`,
    bmi: profile.calculated?.bmi,
    emergency_contacts: profile.emergency_contacts || []
  };
  ```
  
  #### 2.2 严重过敏
  ```javascript
  // 过滤出3-4级严重过敏
  const criticalAllergies = allergies.allergies
    .filter(a => a.severity_level >= 3 && a.current_status.status === 'active')
    .map(a => ({
      allergen: a.allergen.name,
      severity: `过敏${getSeverityLabel(a.severity_level)}（${a.severity_level}级）`,
      reaction: a.reaction_description,
      diagnosed_date: a.diagnosis_date
    }));
  ```
  
  #### 2.3 慢性疾病诊断（新增）
  ```javascript
  // 从慢性病管理数据中提取诊断信息
  const chronicConditions = [];
  
  // 高血压
  try {
    const hypertensionData = readFile('data/hypertension-tracker.json');
    if (hypertensionData.hypertension_management?.diagnosis_date) {
      chronicConditions.push({
        condition: '高血压',
        diagnosis_date: hypertensionData.hypertension_management.diagnosis_date,
        classification: hypertensionData.hypertension_management.classification,
        current_bp: hypertensionData.hypertension_management.average_bp,
        risk_level: hypertensionData.hypertension_management.cardiovascular_risk?.risk_level
      });
    }
  } catch (e) {
    // 文件不存在或读取失败，跳过
  }
  
  // 糖尿病
  try {
    const diabetesData = readFile('data/diabetes-tracker.json');
    if (diabetesData.diabetes_management?.diagnosis_date) {
      chronicConditions.push({
        condition: diabetesData.diabetes_management.type === 'type_1' ? '1型糖尿病' : '2型糖尿病',
        diagnosis_date: diabetesData.diabetes_management.diagnosis_date,
        duration_years: diabetesData.diabetes_management.duration_years,
        hba1c: diabetesData.diabetes_management.hba1c?.history?.[0]?.value,
        control_status: diabetesData.diabetes_management.hba1c?.achievement ? '控制良好' : '需改善'
      });
    }
  } catch (e) {
    // 文件不存在或读取失败，跳过
  }
  
  // COPD
  try {
    const copdData = readFile('data/copd-tracker.json');
    if (copdData.copd_management?.diagnosis_date) {
      chronicConditions.push({
        condition: '慢阻肺（COPD）',
        diagnosis_date: copdData.copd_management.diagnosis_date,
        gold_grade: `GOLD ${copdData.copd_management.gold_grade}级`,
        cat_score: copdData.copd_management.symptom_assessment?.cat_score?.total_score,
        exacerbations_last_year: copdData.copd_management.exacerbations?.last_year
      });
    }
  } catch (e) {
    // 文件不存在或读取失败，跳过
  }
  ```
  
  #### 2.4 当前用药
  ```javascript
  // 只包含活跃的药物
  const currentMedications = medications.medications
    .filter(m => m.active === true)
    .map(m => ({
      name: m.name,
      dosage: `${m.dosage.value}${m.dosage.unit}`,
      frequency: getFrequencyLabel(m.frequency),
      instructions: m.instructions,
      warnings: m.warnings || []
    }));
  ```
  
  ##### 2.4 医疗状况
  从出院小结中提取诊断信息：
  ```javascript
  const medicalConditions = dischargeSummaries
    .flatMap(ds => {
      const data = readFile(ds.file_path);
      return data.diagnoses || [];
    })
    .map(d => ({
      condition: d.condition,
      diagnosis_date: d.date,
      status: d.status || "随访中"
    }));
  ```
  
  ##### 2.5 植入物
  从手术记录中提取植入物信息：
  ```javascript
  const implants = surgeries
    .flatMap(s => {
      const data = readFile(s.file_path);
      return data.procedure?.implants || [];
    })
    .map(i => ({
      type: i.type,
      implant_date: i.date,
      hospital: i.hospital,
      notes: i.notes
    }));
  ```
  
  ##### 2.6 近期辐射暴露
  ```javascript
  const recentRadiation = {
    total_dose_last_year: calculateTotalDose(radiation.records, 'last_year'),
    last_exam: radiation.records[radiation.records.length - 1]
  };
  ```
  
  #### 步骤 3: 生成信息卡片
  
  按照优先级组织信息：
  ```javascript
  const emergencyCard = {
    version: "1.0",
    generated_at: new Date().toISOString(),
    basic_info: basicInfo,
    critical_allergies: criticalAllergies.sort(bySeverityDesc),
    current_medications: currentMedications,
    medical_conditions: [...medicalConditions, ...chronicConditions], // 合并急症和慢性病
    implants: implants,
    recent_radiation_exposure: recentRadiation,
    disclaimer: "此信息卡仅供参考，不替代专业医疗诊断",
    data_source: "my-his个人健康信息系统",
    chronic_conditions: chronicConditions // 单独字段便于访问
  };
  ```
  
  #### 步骤 4: 格式化输出
  
  ##### JSON格式
  直接输出结构化JSON数据。
  
  ##### 文本格式
  生成易读的文本卡片：
  ```
  ╔═══════════════════════════════════════════════════════════╗
  ║                  紧急医疗信息卡                          ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 姓名：张三                      年龄：35岁               ║
  ║ 血型：A+                       体重：70kg                ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 🆘 严重过敏                                              ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ • 青霉素 - 过敏性休克（4级）🆘                          ║
  ║   反应：呼吸困难、喉头水肿、意识丧失                     ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 💊 当前用药                                              ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ • 氨氯地平 5mg - 每日1次（高血压）                      ║
  ║ • 二甲双胍 1000mg - 每日2次（糖尿病）                    ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 🏥 慢性疾病                                              ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ • 高血压（2023-01-01诊断，1级，控制中）                 ║
  ║   平均血压：132/82 mmHg                                 ║
  ║ • 2型糖尿病（2022-05-10诊断，HbA1c 6.8%）              ║
  ║   控制状态：良好                                        ║
  ║ • 慢阻肺（2020-03-15诊断，GOLD 2级）                    ║
  ║   CAT评分：18分                                        ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 🏥 其他疾病                                              ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ （其他急症或手术诊断，如有）                            ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 📿 植入物                                                ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ • 心脏起搏器（2022-06-10植入）                           ║
  ║   医院：XX医院                                           ║
  ║   注意：定期复查，避免MRI检查                            ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ 📞 紧急联系人                                            ║
  ║ ─────────────────────────────────────────────────────── ║
  ║ • 李四（配偶）- 138****1234                              ║
  ╠═══════════════════════════════════════════════════════════╣
  ║ ⚠️  免责声明                                            ║
  ║ 此信息卡仅供参考，不替代专业医疗诊断                     ║
  ║ 生成时间：2025-12-31 12:34:56                            ║
  ╚═══════════════════════════════════════════════════════════╝
  ```
  
  ##### 二维码格式
  将JSON数据转换为二维码图片：
  ```javascript
  const qrCode = generateQRCode(JSON.stringify(emergencyCard));
  emergencyCard.qr_code = qrCode;
  ```
  
  #### 步骤 5: 保存文件
  
  根据用户选择的格式保存文件：
  ```javascript
  // JSON格式
  saveFile('emergency-card.json', JSON.stringify(emergencyCard, null, 2));
  
  // 文本格式
  saveFile('emergency-card.txt', generateTextCard(emergencyCard));
  
  // 二维码格式
  saveFile('emergency-card-qr.png', emergencyCard.qr_code);
  ```
  
  #### 步骤 6: 输出确认信息
  
  ```
  ✅ 紧急医疗信息卡已生成
  
  文件位置：data/emergency-cards/emergency-card-2025-12-31.json
  生成时间：2025-12-31 12:34:56
  
  包含信息：
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  ✓ 基础信息（姓名、年龄、血型）
  ✓ 严重过敏（1项4级过敏）
  ✓ 当前用药（2种药物）
  ✓ 医疗状况（2种疾病）
  ✓ 植入物（1项）
  ✓ 紧急联系人（1人）
  
  💡 使用建议：
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  • 将JSON文件保存到手机云盘
  • 将二维码保存到手机相册
  • 打印文本版随身携带
  • 旅行前更新信息
  
  ⚠️  注意事项：
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  • 此信息卡仅供参考，不替代专业医疗诊断
  • 定期更新（建议每3个月或健康信息变化后）
  • 如有严重过敏，请随身携带过敏急救卡
  ```
  
  ## 数据源
  
  ### 主要数据源
  - **data/profile.json**：用户基础信息、血型、紧急联系人
  - **data/allergies.json**：过敏史和严重程度分级
  - **data/medications/medications.json**：当前用药计划和剂量
  
  ### 慢性病数据源（新增）
  - **data/hypertension-tracker.json**：高血压管理数据（诊断日期、分级、血压控制、靶器官损害、心血管风险）
  - **data/diabetes-tracker.json**：糖尿病管理数据（类型、HbA1c、血糖控制、并发症筛查）
  - **data/copd-tracker.json**：COPD管理数据（GOLD分级、CAT评分、急性加重史、肺功能）
  
  ### 辅助数据源
  - **data/radiation-records.json**：近期辐射暴露记录
  - **data/手术记录/**/*.json**：手术植入物信息
  - **data/出院小结/**/*.json**：医疗诊断信息
  
  ### 可选数据源
  - **data/index.json**：全局数据索引
  
  ## 安全性原则
  
  ### 必须遵循
  - ❌ 不添加用药建议（仅列出当前用药）
  - ❌ 不提供诊断结论（仅列出已知诊断）
  - ❌ 不给出治疗建议（不替代医生）
  - ❌ 标注免责声明（仅供参考）
  
  ### 信息准确度
  - ✅ 仅提取已记录的信息（不推测或推断）
  - ✅ 标注信息来源和更新时间
  - ✅ 建议定期更新信息
  
  ### 隐私保护
  - ✅ 敏感信息可选隐藏
  - ✅ 电话号码部分隐藏（如：138****1234）
  - ✅ 所有数据仅保存在本地
  
  ## 错误处理
  
  ### 数据缺失
  - **过敏数据缺失**：输出"未记录过敏史"
  - **用药数据缺失**：输出"未记录当前用药"
  - **植入物数据缺失**：输出"无植入物"
  
  ### 文件读取失败
  - **无法读取profile.json**：使用默认值（姓名：未设置）
  - **无法读取allergies.json**：跳过过敏信息
  - **继续生成其他信息**：不因单个文件失败而中断
  
  ### 二维码生成失败
  - 降级为文本格式输出
  - 提示用户手动记录信息
  
  ## 示例输出
  
  完整示例请参考 [examples.md](examples.md)。
  
  ## 测试数据
  
  测试数据文件位于 [test-data/emergency-example.json](test-data/emergency-example.json)。
  
  ## 格式说明
  
  详细的输出格式说明请参考 [formats.md](formats.md)。
  

• .claude/skills/family-health-analyzer/SKILL.mdskill
  Show content (2875 bytes)

  ---
  name: family-health-analyzer
  description: 分析家族病史、评估遗传风险、识别家庭健康模式、提供个性化预防建议
  allowed-tools: Read, Write, Grep, Glob
  ---
  
  # 家庭健康分析技能
  
  ## 技能概述
  
  本技能提供家庭健康数据的深度分析,包括:
  - 遗传风险评估
  - 家族疾病模式识别
  - 家庭共同问题分析
  - 个性化预防建议
  - 可视化报告生成
  
  ## 触发条件
  
  当用户请求以下内容时,使用此技能:
  - "家庭健康报告"
  - "家族病史分析"
  - "遗传风险评估"
  - "家庭健康趋势"
  - 执行 `/family report` 命令
  - 执行 `/family risk` 命令
  
  ## 分析步骤
  
  ### 步骤1: 确定分析目标
  
  识别用户请求类型:
  - 家族病史分析
  - 遗传风险评估
  - 家庭健康趋势
  - 家庭健康报告
  
  ### 步骤2: 读取家庭数据
  
  **数据源:**
  1. 主数据文件: `data/family-health-tracker.json`
  2. 集成模块数据:
     - `data/hypertension-tracker.json`
     - `data/diabetes-tracker.json`
     - `data/profile.json`
  
  ### 步骤3: 数据验证与清洗
  
  **验证项目:**
  - 关系完整性
  - 年龄合理性
  - 数据一致性
  
  ### 步骤4: 遗传模式识别
  
  **识别算法:**
  1. 家族聚集性分析
  2. 遗传模式识别
  3. 早发病例识别(通常<50岁)
  
  ### 步骤5: 风险计算算法
  
  **加权计算:**
  ```python
  遗传风险评分 = (一级亲属患病数 × 0.4) +
                (早发病例数 × 0.3) +
                (家族聚集度 × 0.3)
  
  风险等级:
  - 高风险: ≥70%
  - 中风险: 40%-69%
  - 低风险: <40%
  ```
  
  ### 步骤6: 生成预防建议
  
  **建议分类:**
  - 筛查建议:定期检查项目
  - 生活方式建议:饮食、运动、作息
  - 就医建议:何时就医、咨询专科
  
  **示例:**
  ```json
  {
    "category": "screening",
    "action": "定期血压监测",
    "frequency": "每周3次",
    "start_age": 35,
    "priority": "high"
  }
  ```
  
  ### 步骤7: 生成可视化报告
  
  **HTML报告组件:**
  1. 家谱树(ECharts树图)
  2. 遗传风险热力图
  3. 疾病分布饼图
  4. 预防建议时间线
  
  ### 步骤8: 输出结果
  
  **输出格式:**
  1. 文本报告(简洁版):命令行输出
  2. HTML报告(完整版):可视化图表
  
  ## 安全原则
  
  ### 医学安全边界
  - ✅ 仅基于家族病史进行统计分析
  - ✅ 提供预防建议和筛查提醒
  - ✅ 明确标注不确定性
  - ❌ 不进行遗传疾病诊断
  - ❌ 不预测个体发病概率
  - ❌ 不推荐具体治疗方案
  
  ### 免责声明
  每次分析输出必须包含:
  ```
  ⚠️ 免责声明:
  1. 本分析基于家族病史统计,仅供参考
  2. 遗传风险评估不预测个体发病
  3. 所有医疗决策请咨询专业医师
  4. 遗传咨询建议咨询专业遗传咨询师
  ```
  
  ## 集成现有模块
  
  - 读取高血压管理数据
  - 读取糖尿病管理数据
  - 关联用药记录
  
  ---
  
  **技能版本**: v1.0
  **最后更新**: 2025-01-08
  **维护者**: WellAlly Tech
  

• .claude/skills/fitness-analyzer/SKILL.mdskill
  Show content (9896 bytes)

  ---
  name: fitness-analyzer
  description: 分析运动数据、识别运动模式、评估健身进展，并提供个性化训练建议。支持与慢性病数据的关联分析。
  allowed-tools: Read, Grep, Glob, Write
  ---
  
  # 运动分析器技能
  
  分析运动数据，识别运动模式，评估健身进展，并提供个性化训练建议。
  
  ## 功能
  
  ### 1. 运动趋势分析
  分析运动量、频率、强度的变化趋势，识别改善或需要调整的方面。
  
  **分析维度**：
  - 运动量趋势（时长、距离、卡路里）
  - 运动频率趋势（每周运动天数）
  - 强度分布变化（低/中/高强度占比）
  - 运动类型偏好变化
  
  **输出**：
  - 趋势方向（改善/稳定/下降）
  - 变化幅度和百分比
  - 趋势显著性
  - 改进建议
  
  ### 2. 运动进步追踪
  追踪特定运动类型的进步情况，量化健身效果。
  
  **支持的进步追踪**：
  - **跑步进步**：配速提升、距离增加、心率改善
  - **力量训练进步**：重量增加、容量提升、RPE变化
  - **耐力进步**：运动时长增加、距离延长
  - **柔韧性进步**：关节活动度改善
  
  **输出**：
  - 开始值 vs 当前值
  - 改善百分比
  - 进步可视化
  - 达成的里程碑
  
  ### 3. 运动习惯分析
  识别用户的运动习惯和模式。
  
  **分析内容**：
  - 常用运动时间（早晨/下午/晚上）
  - 运动频率模式（每周几天）
  - 运动类型偏好
  - 休息日分布
  - 运动一致性评分
  
  **输出**：
  - 习惯总结
  - 一致性评分（0-100）
  - 优化建议
  - 习惯养成建议
  
  ### 4. 相关性分析
  分析运动与其他健康指标的相关性。
  
  **支持的相关性分析**：
  - **运动 ↔ 体重**：运动消耗与体重变化的关系
  - **运动 ↔ 血压**：运动对血压的长期影响
  - **运动 ↔ 血糖**：运动对血糖控制的效果
  - **运动 ↔ 情绪/睡眠**：运动对情绪和睡眠的影响
  
  **输出**：
  - 相关系数（-1到1）
  - 相关性强度（弱/中/强）
  - 统计显著性
  - 因果关系推断
  - 实践建议
  
  ### 5. 个性化建议生成
  基于用户数据生成个性化运动建议。
  
  **建议类型**：
  - **运动频率建议**：是否需要增加/减少运动频率
  - **运动强度建议**：强度调整建议
  - **运动类型建议**：推荐尝试的运动类型
  - **运动时间建议**：最佳运动时间
  - **恢复建议**：休息和恢复建议
  
  **建议依据**：
  - WHO/ACSM/AHA运动指南
  - 用户运动历史数据
  - 用户健康状况
  - 用户健身目标
  
  ## 输出格式
  
  ### 趋势分析报告
  
  ```markdown
  # 运动趋势分析报告
  
  ## 分析周期
  2025-03-20 至 2025-06-20（3个月）
  
  ## 运动量趋势
  
  ### 运动时长
  - 趋势：⬆️ 上升
  - 开始：平均120分钟/周
  - 当前：平均180分钟/周
  - 变化：+50%（+60分钟/周）
  - 解读：运动量显著增加，表现优秀
  
  ### 卡路里消耗
  - 趋势：⬆️ 上升
  - 开始：平均960卡/周
  - 当前：平均1440卡/周
  - 变化：+50%
  - 解读：运动消耗增加，有助于体重管理
  
  ### 运动距离
  - 趋势：⬆️ 上升
  - 开始：平均10公里/周
  - 当前：平均20公里/周
  - 变化：+100%
  - 解读：耐力显著提升
  
  ## 运动频率
  
  - 当前频率：4天/周
  - 目标频率：4-5天/周
  - 状态：✅ 达标
  - 建议：保持当前频率
  
  ## 强度分布
  
  | 强度 | 占比 | 变化 |
  |------|------|------|
  | 低强度 | 25% | +5% |
  | 中等强度 | 55% | -10% |
  | 高强度 | 20% | +5% |
  
  **分析**：强度分布合理，中等强度占主导，符合有氧运动建议。
  
  ## 运动类型分布
  
  | 运动类型 | 占比 |
  |---------|------|
  | 跑步 | 50% |
  | 瑜伽 | 25% |
  | 力量训练 | 25% |
  
  **建议**：可以适当增加力量训练比例至30-40%。
  
  ## 洞察与建议
  
  ### 优势
  1. ✅ 运动量稳定增长，(+50%)
  2. ✅ 运动频率稳定，每周4天
  3. ✅ 休息日充足，恢复良好
  
  ### 改进建议
  1. 📈 每周增加2次力量训练
  2. 📈 尝试不同运动类型避免单调
  3. 📈 适当增加高强度间歇训练(HIIT)
  
  ### 警示
  1. ⚠️ 注意运动强度不宜过高，控制在中等强度为主
  ```
  
  ### 相关性分析报告
  
  ```markdown
  # 运动与血压相关性分析
  
  ## 数据来源
  - 运动数据：fitness-logs (2025-03-20 至 2025-06-20)
  - 血压数据：hypertension-tracker (同期)
  
  ## 分析结果
  
  ### 相关系数
  - 变量：每周运动时长 ↔ 收缩压
  - 相关系数：r = -0.68
  - 相关性强度：**强负相关**
  - 统计显著性：p < 0.01 **高度显著**
  
  ### 解读
  运动时长与收缩压呈强负相关，意味着：
  - 运动越多，血压越低
  - 每增加30分钟运动，收缩压平均下降3-5 mmHg
  
  ### 实践建议
  1. ✅ 继续保持规律运动，每周5-7天
  2. ✅ 每次运动30-60分钟，中等强度
  3. ✅ 优先选择有氧运动（快走、慢跑、骑行）
  4. ⚠️ 避免憋气动作和突然爆发性运动
  
  ### 医学参考
  - AHA声明：规律有氧运动可降低收缩压5-7 mmHg
  - 您的运动效果：降低约10 mmHg，效果显著！
  ```
  
  ### 进步追踪报告
  
  ```markdown
  # 跑步进步追踪
  
  ## 分析周期
  2025-01-01 至 2025-06-20（6个月）
  
  ## 配速进步
  
  | 指标 | 开始 | 当前 | 改善 |
  |------|------|------|------|
  | 平均配速 | 7:30 min/km | 6:00 min/km | +20% ⬆️ |
  | 最快配速 | 7:00 min/km | 5:30 min/km | +22% ⬆️ |
  | 5公里用时 | 37:30 | 30:00 | +20% ⬆️ |
  
  **趋势**：配速持续稳定提升，进步显著！
  
  ## 距离进步
  
  | 指标 | 开始 | 当前 | 改善 |
  |------|------|------|------|
  | 最长单次距离 | 3 km | 12 km | +300% ⬆️ |
  | 月度总距离 | 40 km | 86 km | +115% ⬆️ |
  | 平均距离 | 5 km | 6 km | +20% ⬆️ |
  
  **趋势**：耐力大幅提升，可以完成更长距离。
  
  ## 心率改善
  
  | 指标 | 开始 | 当前 | 改善 |
  |------|------|------|------|
  | 静息心率 | 78 bpm | 72 bpm | -6 bpm ⬇️ |
  | 相同配速心率 | 155 bpm | 145 bpm | -10 bpm ⬇️ |
  
  **分析**：心肺功能显著改善，相同配速下心率降低。
  
  ## 里程碑
  
  - ✅ 2025-03-15：首次完成5公里跑
  - ✅ 2025-05-20：首次完成10公里跑
  - ✅ 2025-06-10：配速突破6:00 min/km
  
  ## 下一步目标
  
  - 🎯 完成半程马拉松（21公里）
  - 🎯 配速提升至5:30 min/km
  - 🎯 尝试间歇训练提升速度
  ```
  
  ## 数据源
  
  ### 主要数据源
  
  1. **运动日志**
     - 路径：`data/fitness-logs/YYYY-MM/YYYY-MM-DD.json`
     - 内容：运动记录（类型、时长、强度、心率、距离等）
     - 频率：每次运动后更新
  
  2. **用户档案**
     - 路径：`data/fitness-tracker.json`
     - 内容：用户档案、健身目标、统计数据
     - 更新：定期更新
  
  3. **健康数据关联**
     - `data/hypertension-tracker.json`（血压数据）
     - `data/diabetes-tracker.json`（血糖数据）
     - `data/profile.json`（体重、BMI等）
  
  ### 数据质量检查
  
  - 数据完整性：检查必要字段是否存在
  - 数据合理性：检查数值是否在合理范围内
  - 时间一致性：检查时间戳是否合理
  - 重复数据：检测并处理重复记录
  
  ## 算法说明
  
  ### 1. 线性回归趋势分析
  
  使用线性回归分析运动数据的时间趋势。
  
  **公式**：
  y = a + bx
  
  其中：
  - y：运动指标（时长、卡路里、距离等）
  - x：时间
  - a：截距
  - b：斜率（趋势方向和速度）
  
  **解释**：
  - b > 0：上升趋势
  - b < 0：下降趋势
  - b ≈ 0：稳定
  
  ### 2. Pearson相关系数
  
  用于分析两个变量之间的线性相关性。
  
  **公式**：
  r = Σ[(xi - x̄)(yi - ȳ)] / √[Σ(xi - x̄)² × Σ(yi - ȳ)²]
  
  **范围**：-1 ≤ r ≤ 1
  
  **解释**：
  - r = 1：完全正相关
  - r = -1：完全负相关
  - r = 0：无线性相关
  
  **强度判断**：
  - |r| < 0.3：弱相关
  - 0.3 ≤ |r| < 0.7：中等相关
  - |r| ≥ 0.7：强相关
  
  ### 3. 配速计算
  
  **配速** = 运动时长 / 距离
  
  单位：min/km 或 min/mile
  
  **示例**：
  - 30分钟跑5公里
  - 配速 = 30 / 5 = 6 min/km
  
  ### 4. MET能量代谢计算
  
  **卡路里消耗** = MET × 体重(kg) × 时间(小时)
  
  **常见运动的MET值**：
  - 走路（3-5 km/h）：3.5-5 MET
  - 慢跑（8 km/h）：8 MET
  - 快跑（10 km/h）：10 MET
  - 游泳：6-10 MET
  - 骑行（休闲）：4 MET
  - 力量训练：5 MET
  - 瑜伽：3 MET
  
  ## 医学安全边界
  
  ⚠️ **重要声明**
  本分析仅供健康参考，不构成医疗建议。
  
  ### 分析能力范围
  
  ✅ **能做到**：
  - 运动数据统计和分析
  - 趋势识别和可视化
  - 相关性计算和解释
  - 一般性运动建议
  
  ❌ **不做到**：
  - 疾病诊断
  - 运动风险评估
  - 具体运动处方设计
  - 运动损伤诊断和治疗
  
  ### 危险信号检测
  
  在分析过程中检测以下危险信号：
  
  1. **心率异常**
     - 运动心率 > 95%最大心率
     - 静息心率 > 100 bpm
  
  2. **血压异常**
     - 收缩压 ≥ 180 mmHg
     - 舒张压 ≥ 110 mmHg
  
  3. **过度训练迹象**
     - 连续7天高强度运动
     - 运动感受持续下降（RPE > 17）
  
  4. **体重快速下降**
     - 每周减重 > 1kg（可能不健康）
  
  ### 建议分级
  
  **Level 1: 一般性建议**
  - 基于WHO/ACSM指南
  - 适用于一般人群
  
  **Level 2: 参考性建议**
  - 基于用户数据
  - 需结合个人情况
  
  **Level 3: 医疗建议**
  - 涉及疾病管理
  - 需医生确认
  
  ## 使用示例
  
  ### 示例1：生成运动趋势报告
  
  ```bash
  /fitness trend 3months
  ```
  
  输出：
  - 3个月运动趋势分析
  - 运动量、频率、强度变化
  - 洞察和建议
  
  ### 示例2：追踪跑步进步
  
  ```bash
  /fitness analysis progress running
  ```
  
  输出：
  - 配速进步
  - 距离进步
  - 心率改善
  - 里程碑达成
  
  ### 示例3：分析运动与血压相关性
  
  ```bash
  /fitness analysis correlation blood_pressure
  ```
  
  输出：
  - 相关系数
  - 相关性强度
  - 显著性检验
  - 实践建议
  
  ---
  
  **技能版本**: v1.0
  **最后更新**: 2026-01-02
  **维护者**: WellAlly Tech
  

• .claude/skills/food-database-query/SKILL.mdskill
  Show content (15880 bytes)

  # 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**:
  ```python
  # 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**:
  ```python
  # 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**:
  ```python
  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**:
  ```python
  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**:
  ```python
  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**:
  ```json
  {
    "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**:
  ```python
  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**:
  ```python
  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**:
  ```python
  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
  
  ```json
  {
    "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)
  
  ```python
  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)
  
  ```python
  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**:
  ```markdown
  ✅ 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**:
  ```markdown
  # 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**:
  ```markdown
  # 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
  

• .claude/skills/goal-analyzer/SKILL.mdskill
  Show content (14109 bytes)

  ---
  name: goal-analyzer
  description: 分析健康目标数据、识别目标模式、评估目标进度,并提供个性化目标管理建议。支持与营养、运动、睡眠等健康数据的关联分析。
  allowed-tools: Read, Grep, Glob, Write
  ---
  
  # 健康目标分析器技能
  
  分析健康目标数据,识别目标模式和进度,评估目标达成情况,并提供个性化目标管理建议。
  
  ## 功能
  
  ### 1. SMART目标验证
  
  验证设定的新目标是否符合SMART原则。
  
  **验证维度**:
  - **S**pecific(具体性)
    - 目标是否明确具体
    - 是否有清晰的定义
    - 是否避免模糊表述
  
  - **M**easurable(可衡量性)
    - 是否有可量化的指标
    - 是否有明确的衡量标准
    - 是否可以追踪进度
  
  - **A**chievable(可实现性)
    - 目标是否现实可行
    - 是否考虑了当前状况
    - 是否在合理时间范围内
    - 减重目标:建议每周0.5-1公斤
    - 运动目标:建议每周3-5次,每次30-60分钟
  
  - **R**elevant(相关性)
    - 目标是否与健康相关
    - 是否符合用户整体健康计划
    - 是否与现有目标协调
  
  - **T**ime-bound(有时限)
    - 是否有明确的截止日期
    - 时间框架是否合理
    - 是否有阶段性里程碑
  
  **输出**:
  - SMART评分(每个维度1-5分)
  - 总体评分和等级(S级/A级/B级/C级)
  - 改进建议
  - 目标优化方案
  
  **示例评估**:
  ```json
  {
    "goal": "6个月内减重5公斤",
    "smart_scores": {
      "specific": 5,
      "measurable": 5,
      "achievable": 4,
      "relevant": 5,
      "time_bound": 5
    },
    "overall_score": 4.8,
    "grade": "A",
    "assessment": "优秀的SMART目标",
    "suggestions": [
      "建议设定阶段性里程碑(每2个月减重1.5-2公斤)",
      "建议配合运动计划和饮食调整"
    ]
  }
  ```
  
  ---
  
  ### 2. 目标进度追踪
  
  追踪和分析目标的完成进度。
  
  **追踪内容**:
  - **当前进度**
    - 完成百分比
    - 当前数值vs目标数值
    - 剩余差距
  
  - **时间进度**
    - 已用时间占比
    - 剩余时间
    - 进度超前/落后判断
  
  - **速度分析**
    - 平均进度速度(每周/每月)
    - 预计完成时间
    - 是否需要调整计划
  
  - **趋势识别**
    - 进度趋势(加速/稳定/减速)
    - 周期性模式
    - 异常波动检测
  
  **输出**:
  - 进度可视化(进度条、百分比)
  - 完成概率预测
  - 时间预估(乐观/中性/悲观)
  - 调整建议
  
  **进度评级**:
  - 🟢 **优秀** - 进度超前,预计提前完成
  - 🟡 **正常** - 进度符合预期
  - 🟠 **落后** - 进度略慢,需要加快
  - 🔴 **严重落后** - 进度严重滞后,建议调整目标
  
  ---
  
  ### 3. 习惯养成分析
  
  分析习惯的养成情况和连续性。
  
  **分析内容**:
  - **连续天数追踪**
    - 当前连续天数
    - 历史最长连续天数
    - 平均连续天数
  
  - **完成率统计**
    - 总体完成率
    - 每周完成率
    - 每月完成率
    - 特定星期几完成率
  
  - **习惯强度评估**
    - 习惯固化程度(1-10分)
    - 习惯稳定性评分
    - 自动化程度评估
  
  - **习惯模式识别**
    - 最佳触发时间
    - 常见中断原因
    - 成功因素识别
  
  **习惯养成阶段**:
  - **第1-7天** - 启动期(最容易放弃)
  - **第8-21天** - 形成期(逐渐稳定)
  - **第22-30天** - 巩固期(接近自动化)
  - **第31-66天** - 习惯期(基本养成)
  - **第67天+** - 自动化期(完全自动化)
  
  **输出**:
  - 习惯热图(日历视图)
  - 连续天数统计
  - 完成率趋势图
  - 习惯强度评分
  - 习惯堆叠建议
  
  **示例分析**:
  ```json
  {
    "habit": "morning-stretch",
    "current_streak": 21,
    "longest_streak": 21,
    "completion_rate": 95.2,
    "strength_score": 7.5,
    "stage": "巩固期",
    "assessment": "习惯即将形成,继续保持!",
    "next_milestone": 30,
    "suggestions": [
      "继续保持,即将达到30天里程碑",
      "可以尝试添加新的相关习惯"
    ]
  }
  ```
  
  ---
  
  ### 4. 动机评估与管理
  
  评估和管理用户的动机水平。
  
  **评估内容**:
  - **动机评分追踪**
    - 当前动机水平(1-10分)
    - 动机变化趋势
    - 动机波动周期
  
  - **动机因素分析**
    - 内在动机(健康、自我实现)
    - 外在动机(奖励、认可)
    - 社会支持(家人朋友鼓励)
  
  - **动机低谷识别**
    - 动机下降信号
    - 常见低谷时间点
    - 风险时段预警
  
  **动机提升策略**:
  - **第2-3周** - 动机下降,需要强调已完成进度
  - **第1-2个月** - 疲劳期,需要调整目标和奖励
  - **3个月后** - 倦怠期,需要新鲜感和挑战
  
  **输出**:
  - 动机趋势图
  - 动机低谷预警
  - 个性化激励建议
  - 奖励机制建议
  
  **激励建议示例**:
  - 当动机<5分:回顾初心,降低短期目标
  - 当动机5-7分:强调进步,设置小奖励
  - 当动机>7分:设定挑战,追求卓越
  
  ---
  
  ### 5. 成就系统管理
  
  管理基础成就系统的解锁和进度。
  
  **成就类型**:
  - **目标相关成就**
    - 🏆 首次目标 - 完成第一个健康目标
    - 🎯 半程达成 - 任意目标完成50%
    - 🎉 目标达成 - 完成一个健康目标
    - ⚡ 提前完成 - 提前完成目标
    - 📈 超额完成 - 超额完成目标
  
  - **习惯相关成就**
    - 🔥 连续7天 - 任意习惯连续7天打卡
    - 💪 连续21天 - 任意习惯连续21天打卡
    - ⭐ 连续30天 - 任意习惯连续30天打卡
    - 🌟 连续66天 - 任意习惯连续66天打卡(完全养成)
  
  - **综合成就**
    - 🏅 多目标并行 - 同时完成3个目标
    - 💎 完美坚持 - 30天习惯完成率100%
    - 🚀 快速进步 - 单周进步最大
    - 👑 长期坚持 - 持续追踪180天
  
  **成就追踪**:
  - 已解锁成就列表
  - 未解锁成就进度
  - 成就解锁时间
  - 成就相关建议
  
  **输出**:
  - 成就徽章展示
  - 成就完成进度
  - 下一个可解锁成就
  - 成就达成建议
  
  ---
  
  ### 6. 障碍识别与建议
  
  识别阻碍目标达成的因素,提供解决方案。
  
  **障碍类型**:
  - **时间障碍**
    - 忙碌、时间不足
    - 建议:缩短单次时长,增加频率;利用碎片时间
  
  - **动机障碍**
    - 缺乏动力、拖延
    - 建议:设置提醒;寻找伙伴;调整目标
  
  - **环境障碍**
    - 缺乏支持、诱惑过多
    - 建议:改变环境;寻找替代方案;建立支持系统
  
  - **能力障碍**
    - 目标太难、缺乏知识
    - 建议:降低难度;学习知识;寻求专业帮助
  
  - **身体障碍**
    - 疲劳、不适、受伤
    - 建议:休息恢复;调整计划;咨询医生
  
  **输出**:
  - 主要障碍识别
  - 障碍频率统计
  - 个性化解决方案
  - 预防性建议
  
  ---
  
  ### 7. 数据关联分析
  
  将健康目标与其他健康数据进行关联分析。
  
  **关联维度**:
  - **减重目标关联**
    - 营养摄入(卡路里、宏量营养素)
    - 运动消耗(频率、强度、时长)
    - 睡眠质量(时长、深度)
    - 体重变化趋势
  
  - **运动目标关联**
    - 睡眠质量(恢复情况)
    - 营养摄入(蛋白质、碳水)
    - 身体指标(体重、体脂率)
  
  - **饮食目标关联**
    - 营养素摄入(维生素、矿物质)
    - 身体指标(血压、血糖)
    - 运动表现
  
  - **睡眠目标关联**
    - 运动时间(晚间运动影响)
    - 饮食时间(晚餐时间、咖啡因)
    - 屏幕时间(蓝光影响)
  
  **分析方法**:
  - 相关性分析(Pearson相关系数)
  - 回归分析(预测模型)
  - 趋势匹配(趋势同步性)
  - 因果推断(潜在因果关系)
  
  **输出**:
  - 关联强度(强/中/弱)
  - 正/负相关关系
  - 因果关系推断
  - 优化建议
  
  **示例关联**:
  ```json
  {
    "goal": "weight-loss",
    "correlations": [
      {
        "factor": "daily_calories",
        "correlation": -0.75,
        "strength": "强负相关",
        "insight": "每日卡路里摄入与减重进度呈强负相关,降低摄入加速进度"
      },
      {
        "factor": "exercise_frequency",
        "correlation": 0.68,
        "strength": "强正相关",
        "insight": "运动频率与减重进度呈强正相关,建议保持每周4次以上"
      },
      {
        "factor": "sleep_duration",
        "correlation": 0.45,
        "strength": "中等正相关",
        "insight": "睡眠时长影响减重,建议保证7-8小时睡眠"
      }
    ],
    "recommendations": [
      "重点控制卡路里摄入,保持当前运动频率",
      "优化睡眠时长,以提升减重效果"
    ]
  }
  ```
  
  ---
  
  ### 8. 可视化报告生成
  
  生成包含ECharts图表的HTML交互式报告。
  
  **报告类型**:
  
  #### A. 进度趋势报告
  - 折线图展示目标进度随时间变化
  - 里程碑标注
  - 预测完成时间区间
  - 进度速度分析
  
  #### B. 习惯热图报告
  - 日历热图展示习惯完成情况
  - 颜色深浅表示完成频率
  - 连续天数标注
  - 完成率统计
  
  #### C. 多目标对比报告
  - 环形图展示多个目标完成率
  - 优先级排序
  - 资源分配建议
  - 进度同步性分析
  
  #### D. 动机趋势报告
  - 折线图展示动机变化
  - 动机与进度相关性
  - 动机低谷预警
  - 激励建议
  
  #### E. 综合报告
  - 包含以上所有图表
  - 整体健康状况评估
  - 综合改进建议
  - 下阶段目标建议
  
  **报告特点**:
  - 响应式设计,支持移动端
  - 深色/浅色主题切换
  - 交互式图表(缩放、筛选)
  - 数据表格展示
  - 导出PDF功能
  - 完全本地化,无需联网
  
  **ECharts图表配置**:
  ```javascript
  // 进度趋势折线图
  {
    type: 'line',
    xAxis: { type: 'category', data: ['1月', '2月', '3月', ...] },
    yAxis: { type: 'value', name: '完成%' },
    series: [{
      name: '目标进度',
      type: 'line',
      data: [0, 15, 35, 50, 70, 85, 100],
      smooth: true,
      markLine: {
        data: [{ yAxis: 50, name: '50%里程碑' }]
      }
    }]
  }
  
  // 习惯热图
  {
    type: 'heatmap',
    xAxis: { type: 'category', data: ['周一', '周二', ...] },
    yAxis: { type: 'category', data: ['第1周', '第2周', ...] },
    visualMap: {
      min: 0, max: 1,
      inRange: { color: ['#ebedf0', '#216e39'] }
    },
    series: [{
      type: 'heatmap',
      data: [[0, 0, 1], [1, 0, 1], [2, 0, 0], ...]
    }]
  }
  
  // 目标达成率环形图
  {
    type: 'pie',
    radius: ['50%', '70%'],
    series: [{
      type: 'pie',
      radius: ['50%', '70%'],
      data: [
        { value: 70, name: '已完成' },
        { value: 30, name: '未完成' }
      ],
      label: { formatter: '{b}: {c}%' }
    }]
  }
  ```
  
  **输出**:
  - HTML文件(包含完整的CSS、JS、ECharts)
  - 图表交互功能
  - 数据表格
  - 分析文本
  - 建议列表
  
  ---
  
  ## 医学安全边界
  
  ### 能力范围声明
  - ✅ 辅助设定健康目标
  - ✅ 追踪和分析目标进度
  - ✅ 识别健康行为模式
  - ✅ 提供一般性健康改善建议
  - ✅ 生成可视化报告
  
  - ❌ 不提供医疗诊断
  - ❌ 不开具治疗处方
  - ❌ 不替代专业医疗建议
  - ❌ 不处理进食障碍或强迫行为
  
  ### 危险信号识别
  **极端目标警告**:
  - 减重目标>每周1公斤
  - 增重目标>每周0.5公斤
  - 极端卡路里限制(<1200卡/天)
  - 过度运动(>2小时/天,7天/周)
  
  **不健康行为迹象**:
  - 完成率<30%持续3周
  - 动机评分<3分持续2周
  - 身体不适报告
  - 强迫性行为模式
  
  **转介建议**:
  - 出现危险信号时,建议咨询医生
  - 有慢性疾病时,建议咨询相关专科
  - 设定饮食目标时,建议咨询营养师
  - 设定运动目标时,建议咨询健身教练
  
  ---
  
  ## 输出格式
  
  ### 目标分析报告
  ```markdown
  # 健康目标分析报告
  
  ## 目标概览
  - 目标: 6个月内减重5公斤
  - 开始日期: 2025-01-01
  - 目标日期: 2025-06-30
  - 当前日期: 2025-03-20
  
  ## SMART评估
  - 具体性: ⭐⭐⭐⭐⭐ (5/5)
  - 可衡量性: ⭐⭐⭐⭐⭐ (5/5)
  - 可实现性: ⭐⭐⭐⭐ (4/5)
  - 相关性: ⭐⭐⭐⭐⭐ (5/5)
  - 有时限: ⭐⭐⭐⭐⭐ (5/5)
  
  **总体评分: A (4.8/5)**
  
  ## 进度分析
  - 当前进度: 70%
  - 已完成: 3.5公斤 / 5.0公斤
  - 时间进度: 27% (79天/180天)
  - 进度评级: 🟢 优秀 (进度超前)
  
  ### 趋势分析
  - 平均速度: 0.77公斤/月
  - 预计完成: 2025-05-20 (提前40天)
  - 进度趋势: 稳定上升
  
  ## 习惯追踪
  ### 早上拉伸习惯
  - 当前连续: 21天 🔥
  - 历史最长: 21天
  - 完成率: 95.2%
  - 习惯阶段: 巩固期
  - 下一个里程碑: 30天 ⭐
  
  ## 动机评估
  - 当前动机: 8/10
  - 动机趋势: 稳定
  - 动机状态: 良好
  
  ## 数据关联分析
  ### 强相关因素(影响度>60%)
  1. 每日卡路里摄入 (负相关 -0.75)
  2. 每周运动频次 (正相关 +0.68)
  3. 睡眠时长 (正相关 +0.45)
  
  ### 建议
  - 保持当前卡路里摄入水平
  - 继续保持每周4次运动频率
  - 优化睡眠时长至7-8小时
  
  ## 障碍识别
  主要障碍: 社交活动饮食控制
  
  解决方案:
  - 社交活动前提前规划饮食
  - 选择健康餐厅
  - 适量控制份量
  
  ## 成就解锁
  🔥 连续21天 - 早上拉伸习惯达成!
  🎯 半程达成 - 减重目标完成50%!
  
  ## 下一步行动
  1. 保持当前进度
  2. 关注社交活动饮食控制
  3. 继续养成早操习惯
  4. 准备达成30天里程碑
  ```
  
  ---
  
  ## 技术实现要点
  
  ### 数据读取
  - 读取主数据文件: `data-example/health-goals-tracker.json`
  - 读取日志文件: `data-example/health-goals-logs/YYYY-MM/YYYY-MM-DD.json`
  - 关联数据: `data-example/nutrition-tracker.json`, `fitness-tracker.json` 等
  
  ### 数据处理
  - 计算完成百分比: `(current_value / target_value) * 100`
  - 计算时间进度: `(days_elapsed / total_days) * 100`
  - 计算连续天数: 遍历日志,统计连续完成天数
  - 计算完成率: `(completed_days / total_days) * 100`
  - 计算习惯强度: 基于完成率和连续天数的复合评分
  
  ### SMART验证算法
  ```python
  def validate_smart_goal(goal):
      scores = {
          'specific': check_specificity(goal),
          'measurable': check_measurability(goal),
          'achievable': check_achievability(goal),
          'relevant': check_relevance(goal),
          'time_bound': check_time_bound(goal)
      }
      overall = sum(scores.values()) / len(scores)
      grade = get_grade(overall)
      return scores, overall, grade
  ```
  
  ### HTML报告生成
  - 使用ECharts 5.x CDN
  - 响应式CSS布局
  - JavaScript处理图表交互
  - 支持深色/浅色主题切换
  - 数据从JSON文件动态加载
  
  ---
  
  **使用此技能时,始终优先考虑用户的健康和安全!**
  

• .claude/skills/health-trend-analyzer/SKILL.mdskill
  Show content (13723 bytes)

  ---
  name: health-trend-analyzer
  description: 分析一段时间内健康数据的趋势和模式。关联药物、症状、生命体征、化验结果和其他健康指标的变化。识别令人担忧的趋势、改善情况，并提供数据驱动的洞察。当用户询问健康趋势、模式、随时间的变化或"我的健康状况有什么变化？"时使用。支持多维度分析（体重/BMI、症状、药物依从性、化验结果、情绪睡眠），相关性分析，变化检测，以及交互式HTML可视化报告（ECharts图表）。
  allowed-tools: Read, Grep, Glob, Write
  ---
  
  # 健康趋势分析器
  
  分析一段时间内健康数据的趋势和模式，识别变化、相关性，并提供数据驱动的健康洞察。
  
  ## 核心功能
  
  ### 1. 多维度趋势分析
  - **体重/BMI 趋势**：追踪体重和BMI随时间的变化，评估健康趋势
  - **症状模式**：识别反复出现的症状、频率变化、潜在诱因
  - **药物依从性**：分析用药规律，识别漏服模式和改善空间
  - **化验结果趋势**：追踪生化指标变化（胆固醇、血糖、血压等）
  - **情绪与睡眠**：关联情绪状态与睡眠质量，识别心理健康趋势
  
  ### 2. 相关性分析引擎
  - **药物-症状相关性**：识别新药物是否与症状变化相关
  - **生活方式影响**：关联饮食/睡眠与症状和情绪
  - **治疗效果评估**：衡量治疗是否导致改善
  - **周期-症状相关性**：女性健康追踪中的周期相关性
  
  ### 3. 变化检测
  - **显著变化**：警告快速体重变化、新症状、药物变化
  - **恶化模式**：早期识别健康状况下降
  - **改善识别**：强调积极的健康变化
  - **阈值警报**：接近危险水平时警告（辐射、BMI极值）
  
  ### 4. 预测性洞察
  - **风险评估**：基于趋势识别风险因素
  - **预防建议**：基于模式建议预防措施
  - **早期预警**：在问题变得严重之前预测
  
  ## 使用说明
  
  ### 触发条件
  
  当用户提到以下场景时，使用此技能：
  
  **通用询问**：
  - ✅ "过去一段时间我的健康有什么变化？"
  - ✅ "分析我的健康趋势"
  - ✅ "我的身体状况有什么变化？"
  - ✅ "健康状况总结"
  
  **具体维度**：
  - ✅ "我的体重/BMI有什么趋势？"
  - ✅ "分析我的症状模式"
  - ✅ "我的用药依从性怎么样？"
  - ✅ "我的化验指标有什么变化？"
  - ✅ "我的情绪和睡眠趋势"
  
  **相关性分析**：
  - ✅ "我的症状和什么相关？"
  - ✅ "我的药物有效吗？"
  - ✅ "睡眠和我的情绪有什么关系？"
  
  **时间范围**：
  - 默认分析**过去3个月**的数据
  - 支持："过去1个月"、"过去6个月"、"过去1年"
  - 支持："2025年1月至今"、"最近90天"
  
  ### 执行步骤
  
  #### 步骤 1：确定分析时间范围
  
  从用户输入中提取时间范围，或使用默认值（3个月）。
  
  #### 步骤 2：读取健康数据
  
  读取以下数据源：
  
  ```javascript
  // 1. 个人档案（BMI、体重）
  const profile = readFile('data/profile.json');
  
  // 2. 症状记录
  const symptomFiles = glob('data/symptoms/**/*.json');
  const symptoms = readAllJson(symptomFiles);
  
  // 3. 情绪记录
  const moodFiles = glob('data/mood/**/*.json');
  const moods = readAllJson(moodFiles);
  
  // 4. 饮食记录
  const dietFiles = glob('data/diet/**/*.json');
  const diets = readAllJson(dietFiles);
  
  // 5. 用药日志
  const medicationLogs = glob('data/medication-logs/**/*.json');
  
  // 6. 女性健康数据（如适用）
  const cycleData = readFile('data/cycle-tracker.json');
  const pregnancyData = readFile('data/pregnancy-tracker.json');
  const menopauseData = readFile('data/menopause-tracker.json');
  
  // 7. 过敏史
  const allergies = readFile('data/allergies.json');
  
  // 8. 辐射记录
  const radiation = readFile('data/radiation-records.json');
  ```
  
  #### 步骤 3：数据过滤
  
  根据时间范围过滤数据：
  
  ```javascript
  function filterByDate(data, startDate, endDate) {
    return data.filter(item => {
      const itemDate = new Date(item.date || item.created_at);
      return itemDate >= startDate && itemDate <= endDate;
    });
  }
  ```
  
  #### 步骤 4：趋势分析
  
  对每个数据维度进行趋势分析：
  
  **4.1 体重/BMI 趋势**
  - 提取历史体重数据
  - 计算BMI变化
  - 识别趋势方向（上升/下降/稳定）
  - 评估变化幅度
  
  **4.2 症状模式**
  - 统计症状频率
  - 识别高频症状
  - 分析症状时间模式
  - 检测症状诱因
  
  **4.3 药物依从性**
  - 计算总体依从率
  - 分析各药物依从性
  - 识别漏服模式
  - 评估改善建议
  
  **4.4 化验结果**
  - 追踪多次报告中的生化指标
  - 与参考范围对比
  - 识别改善/恶化
  - 标记异常指标
  
  **4.5 情绪与睡眠**
  - 关联情绪评分与睡眠时长
  - 识别情绪波动模式
  - 检测压力水平
  - 评估心理健康趋势
  
  #### 步骤 5：相关性分析
  
  使用统计方法识别相关性：
  
  ```javascript
  // 皮尔逊相关系数
  function pearsonCorrelation(x, y) {
    // 计算相关系数
    // 返回值范围：-1（负相关）到 1（正相关）
  }
  
  // 应用场景
  - 药物开始日期 vs 症状频率
  - 睡眠时长 vs 情绪评分
  - 体重变化 vs 饮食记录
  - 运动量 vs 情绪状态
  ```
  
  #### 步骤 6：变化检测
  
  识别显著变化：
  
  ```javascript
  // 变化点检测
  function detectChangePoints(timeSeries) {
    // 使用统计方法检测显著变化点
    // 例如：体重突然下降、症状突然增加
  }
  
  // 阈值警报
  function checkThresholds(value, thresholds) {
    // 检查是否接近或超过危险阈值
    // 例如：BMI > 30、辐射剂量 > 安全限
  }
  ```
  
  #### 步骤 7：生成洞察
  
  基于分析结果生成预测性洞察：
  
  ```javascript
  // 风险评估
  function assessRisks(trends) {
    // 识别高风险趋势
    // 例如：快速体重下降、频繁症状
  }
  
  // 预防建议
  function generateRecommendations(trends, correlations) {
    // 基于模式建议预防措施
    // 例如：改善睡眠、提高用药依从性
  }
  
  // 早期预警
  function earlyWarnings(trends) {
    // 在问题变得严重之前预测
    // 例如：症状频率上升、情绪持续低落
  }
  ```
  
  #### 步骤 8：生成可视化报告
  
  生成交互式HTML报告：
  
  1. **数据汇总**：生成JSON格式的分析结果
  2. **HTML模板渲染**：将数据注入HTML模板
  3. **ECharts图表配置**：配置6种交互式图表
  4. **保存文件**：保存为独立HTML文件
  
  详细输出格式参见：[数据源说明](data-sources.md)
  
  ## 输出格式
  
  ### 文本报告（简洁版）
  
  ```
  健康趋势分析报告
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  生成时间: 2025-12-31
  分析周期: 过去3个月 (2025-10-01 至 2025-12-31)
  
  📊 总体评估
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  改善中: 体重管理、胆固醇水平
  稳定: 血糖控制、情绪状态
  需关注: 用药依从性、睡眠质量
  
  📊 体重/BMI 趋势
  ├─ 当前体重: 68.5 kg
  ├─ 当前 BMI: 23.1（正常范围）
  ├─ 3个月变化: -2.3 kg（-3.2%）
  ├─ 趋势: 📉 逐渐减重
  └─ 评估: ✅ 积极趋势，在健康范围内
  
  💊 药物依从性
  ├─ 当前药物: 3种
  ├─ 总体依从率: 78%
  ├─ 漏服次数: 8次
  ├─ 最好: 阿司匹林 (95%)
  └─ 需改进: 氨氯地平 (65%)
  
  ⚠️ 症状模式
  ├─ 最频繁: 头痛（过去3个月 12次）
  ├─ 趋势: 📉 频率下降（较上期减少4次）
  ├─ 潜在诱因: 与睡眠质量识别出中等相关（r=0.62）
  └─ 建议: 继续改善睡眠模式
  
  🧪 化验结果趋势
  ├─ 胆固醇: 240 → 210 mg/dL（改善 ✅）
  ├─ 血糖: 5.6 → 5.4 mmol/L（稳定）
  ├─ 上次检查: 30天前
  └─ 建议: 3个月后复查
  
  😊 情绪与睡眠
  ├─ 平均情绪评分: 6.8/10
  ├─ 平均睡眠时长: 6.5小时
  ├─ 趋势: 情绪稳定，睡眠略有改善
  └─ 相关性: 睡眠时长与情绪评分强相关（r=0.78）
  
  🔗 相关性分析
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  • 睡眠时长 ↔ 情绪评分: 强正相关 (r=0.78)
  • 体重变化 ↔ 饮食记录: 中等相关 (r=0.55)
  • 用药依从性 ↔ 症状频率: 中等负相关 (r=-0.62)
  
  💡 风险评估与建议
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  
  🟢 继续保持
  • 当前体重管理方法有效
  • 胆固醇水平改善明显
  
  🟡 需要关注
  • 提高氨氯地平依从性（设置提醒）
  • 增加睡眠时长至7-8小时
  
  📅 复查计划
  • 3个月后复查血脂四项
  • 1个月后评估用药依从性改善
  
  ━━━━━━━━━━━━━━━━━━━━━━━━━━
  ⚠️ 免责声明
  本分析仅供参考，不替代专业医疗诊断。
  请咨询医生获取专业建议。
  ```
  
  ### HTML可视化报告（完整版）
  
  生成包含ECharts交互式图表的独立HTML文件，包含：
  
  1. **总体评估卡片**：关键指标一目了然
  2. **体重/BMI趋势图**：双Y轴折线图（体重 + BMI）
  3. **症状频率图**：颜色编码的柱状图（高频红/中频黄/低频绿）
  4. **药物依从性仪表盘**：总体依从率 + 各药物详情
  5. **化验结果趋势图**：多系列折线图 + 参考线
  6. **相关性热图**：热力图展示变量间相关性
  7. **情绪与睡眠面积图**：双Y轴面积图
  
  **HTML文件特点**：
  - ✅ 完全独立（所有依赖通过CDN）
  - ✅ 交互式图表（缩放、导出、图例切换）
  - ✅ 响应式设计（移动端适配）
  - ✅ 可打印（打印优化样式）
  - ✅ 可分享（发送给医生）
  
  ## 数据源
  
  ### 主要数据源
  
  | 数据源 | 文件路径 | 数据内容 |
  |--------|---------|---------|
  | 个人档案 | `data/profile.json` | 体重、身高、BMI历史 |
  | 症状记录 | `data/symptoms/**/*.json` | 症状名称、严重程度、持续时间 |
  | 情绪记录 | `data/mood/**/*.json` | 情绪评分、睡眠质量、压力水平 |
  | 饮食记录 | `data/diet/**/*.json` | 餐次、食物、卡路里、营养素 |
  | 用药日志 | `data/medication-logs/**/*.json` | 用药时间、依从性记录 |
  | 化验结果 | `data/medical_records/**/*.json` | 生化指标、参考范围 |
  
  ### 辅助数据源
  
  | 数据源 | 文件路径 | 数据内容 |
  |--------|---------|---------|
  | 女性周期 | `data/cycle-tracker.json` | 周期长度、症状记录 |
  | 孕期追踪 | `data/pregnancy-tracker.json` | 孕周、体重、检查记录 |
  | 更年期 | `data/menopause-tracker.json` | 症状、HRT使用 |
  | 过敏史 | `data/allergies.json` | 过敏原、严重程度 |
  | 辐射记录 | `data/radiation-records.json` | 累积辐射剂量 |
  
  详细数据结构说明请参考：[data-sources.md](data-sources.md)
  
  ## 分析算法
  
  ### 时间序列分析
  - 趋势检测（线性回归）
  - 季节性分析
  - 异常值检测
  
  ### 相关性分析
  - 皮尔逊相关系数（连续变量）
  - 斯皮尔曼相关系数（有序变量）
  - 交叉相关分析（时间序列）
  
  ### 变化点检测
  - CUSUM算法
  - 滑动窗口t检验
  - 贝叶斯变化点检测
  
  ### 统计指标
  - 均值、中位数、标准差
  - 百分位数（25%, 50%, 75%）
  - 变化率（环比、同比）
  
  详细算法说明请参考：[algorithms.md](algorithms.md)
  
  ## 安全与隐私
  
  ### 必须遵循
  
  - ❌ 不给出医疗诊断
  - ❌ 不给出具体用药建议
  - ❌ 不判断生死预后
  - ❌ 标注免责声明（仅供参考）
  
  ### 信息准确度
  
  - ✅ 仅基于已记录的数据进行分析
  - ✅ 不推测或推断缺失信息
  - ✅ 明确标注数据来源和时间范围
  - ✅ 建议应由医疗专业人员审查
  
  ### 隐私保护
  
  - ✅ 所有数据保持本地
  - ✅ 无外部API调用
  - ✅ 分析结果仅保存在本地
  - ✅ HTML报告独立运行（无数据传输）
  
  ## 错误处理
  
  ### 数据缺失
  - **无数据**：输出"暂无数据，建议先记录[数据类型]"
  - **数据不足**：输出"数据不足（需要至少1个月数据才能进行趋势分析）"
  - **数据范围窄**：使用现有数据，提示"建议延长记录时间以获得更准确的趋势"
  
  ### 分析失败
  - **无法计算趋势**：输出"无法计算趋势，数据点不足"
  - **相关性分析失败**：输出"相关性分析需要更多数据"
  - **图表渲染失败**：降级为文本报告
  
  ## 使用示例
  
  ### 示例 1：一般健康趋势
  **用户**："过去3个月我的健康有什么变化？"
  **输出**：生成完整的HTML报告，包含所有维度的趋势分析
  
  ### 示例 2：症状分析
  **用户**："分析我的症状模式"
  **输出**：重点分析症状频率、诱因、趋势
  
  ### 示例 3：体重趋势
  **用户**："我的体重有什么趋势？"
  **输出**：重点分析体重/BMI变化、与饮食/运动的相关性
  
  ### 示例 4：药物有效性
  **用户**："我的降压药有效吗？"
  **输出**：关联药物开始日期与血压读数、症状改善
  
  更多完整示例请参考：[examples.md](examples.md)
  
  ## 相关命令
  
  - `/symptom`：记录症状
  - `/mood`：记录情绪
  - `/diet`：记录饮食
  - `/medication`：管理药物和用药记录
  - `/query`：查询特定数据点
  
  ## 技术实现
  
  ### 工具限制
  
  此Skill仅使用以下工具（无需额外权限）：
  - **Read**：读取JSON数据文件
  - **Grep**：搜索特定模式
  - **Glob**：按模式查找数据文件
  - **Write**：生成HTML报告（保存到`data/health-reports/`）
  
  ### 性能优化
  
  - 增量读取：仅读取指定时间范围的数据文件
  - 数据缓存：避免重复读取同一文件
  - 延迟计算：按需生成图表数据
  
  ### 扩展性
  
  - 支持添加新的数据维度
  - 支持自定义图表类型
  - 支持自定义分析算法
  

• .claude/skills/mental-health-analyzer/SKILL.mdskill
  Show content (25780 bytes)

  ---
  name: mental-health-analyzer
  description: 分析心理健康数据、识别心理模式、评估心理健康状况、提供个性化心理健康建议。支持与睡眠、运动、营养等其他健康数据的关联分析。
  allowed-tools: Read, Grep, Glob, Write, Edit
  ---
  
  # 心理健康分析技能
  
  ## 核心功能
  
  心理健康分析技能提供全面的心理健康数据分析功能，帮助用户追踪心理状态、识别情绪模式、监测危机风险和优化应对策略。
  
  **主要功能模块：**
  
  1. **心理健康评估分析** - PHQ-9/GAD-7等量表评分趋势分析
  2. **情绪模式识别** - 识别常见情绪、触发因素和应对方式效果
  3. **心理治疗进展追踪** - 治疗目标达成和症状改善评估
  4. **危机风险评估** - 多级危机风险检测（高/中/低）和预警
  5. **睡眠-心理关联分析** - 睡眠质量与心理状态的关联性分析
  6. **运动-情绪关联分析** - 运动与情绪改善的关系分析
  7. **营养-心理关联分析** - 饮食对情绪和焦虑的影响分析
  8. **慢性病-心理关联分析** - 慢性疾病与心理健康的关系分析
  
  ## 触发条件
  
  技能在以下情况下自动触发：
  
  1. 用户使用 `/mental trend` 查看心理状况趋势
  2. 用户使用 `/mental pattern` 分析情绪模式
  3. 用户使用 `/mental therapy progress` 查看治疗进展
  4. 用户使用 `/crisis assessment` 进行危机风险评估
  5. 用户使用 `/mental report` 生成心理健康报告
  
  ## 医学安全边界
  
  **本技能不能做的事：**
  - ❌ 不进行心理疾病诊断
  - ❌ 不开具精神药物处方
  - ❌ 不预测自杀风险或自伤行为
  - ❌ 不替代专业心理治疗
  - ❌ 不处理急性精神危机
  
  **本技能能做的事：**
  - ✅ 识别心理健康趋势和模式
  - ✅ 评估危机风险等级并发出预警
  - ✅ 提供应对策略建议（非治疗性）
  - ✅ 追踪治疗进展和目标达成
  - ✅ 提供就医建议和专业资源信息
  - ✅ 分析心理健康与其他健康因素的关联
  
  ## 执行步骤
  
  ### 第1步：数据读取
  
  读取心理健康数据文件：
  - `data-example/mental-health-tracker.json` - 主心理健康档案
  - `data-example/mental-health-logs/.index.json` - 日志索引
  - `data-example/mental-health-logs/YYYY-MM/YYYY-MM-DD.json` - 每日情绪日记
  
  **数据验证：**
  - 检查文件是否存在
  - 验证数据结构完整性
  - 确认有足够的数据点进行分析（建议至少3次PHQ-9/GAD-7评估，或7天情绪日记）
  
  ### 第2步：心理健康评估趋势分析
  
  **PHQ-9抑郁评分趋势分析：**
  ```
  - 分析不同时间点的PHQ-9评分
  - 计算评分变化速率（分/月）
  - 识别严重程度变化（无/轻度/中度/重度）
  - 检测PHQ-9第9项（自伤意念）的变化
  - 预测未来趋势（改善/稳定/恶化）
  - 与治疗进展关联分析
  ```
  
  **GAD-7焦虑评分趋势分析：**
  ```
  - 分析GAD-7评分时序变化
  - 识别焦虑症状变化模式
  - 关联触发因素与焦虑水平
  - 评估应对方式效果
  - 预测焦虑趋势
  ```
  
  **PSQI睡眠质量与心理状态关联：**
  ```
  - PSQI评分与PHQ-9/GAD-7评分的相关性
  - 睡眠障碍对情绪的影响
  - 睡眠改善与心理状态改善的关系
  ```
  
  **严重程度变化检测：**
  ```
  - 识别严重程度升级（需要关注）
  - 识别严重程度降级（积极信号）
  - 检测快速恶化（≥5分/月，危机预警）
  - 检测快速改善（强化有效策略）
  ```
  
  ### 第3步：情绪模式识别
  
  **常见情绪统计：**
  ```
  - 统计最常见的主要情绪（top 5）
  - 计算平均情绪强度
  - 识别情绪分布模式
  - 分析情绪多样性
  ```
  
  **时间模式分析：**
  ```
  - 一天中的情绪变化模式（早/中/晚）
  - 一周中的情绪变化模式（周一至周日）
  - 情绪波动程度（方差/标准差）
  - 情绪稳定性评估
  ```
  
  **触发因素分析：**
  ```
  - 统计高频触发因素（top 10）
  - 计算每个触发因素的平均影响
  - 识别高危触发因素（高影响+高频）
  - 触发因素与情绪类型的关联
  ```
  
  **应对方式效果评估：**
  ```
  - 计算每种应对方式的有效性（有帮助/没帮助的比例）
  - 识别高效应对策略（>80%有效）
  - 识别低效应对策略（<50%有效）
  - 应对方式与情绪类型的匹配分析
  ```
  
  ### 第4步：心理治疗进展追踪
  
  **治疗目标达成评估：**
  ```
  - 计算每个目标的完成百分比
  - 评估症状改善程度（基线→当前→目标）
  - 预估目标达成时间
  - 识别滞后目标（需要调整）
  ```
  
  **治疗过程分析：**
  ```
  - 治疗频率和依从性
  - 作业完成率和质量
  - 治疗联盟强度
  - 咨询前后情绪变化
  ```
  
  **症状改善评估：**
  ```
  - PHQ-9/GAD-7评分变化（治疗前→治疗后）
  - 症状缓解百分比
  - 功能水平改善
  - 生活质量变化
  ```
  
  ### 第5步：危机风险评估（优先级：最高）
  
  **多级风险检测机制：**
  
  ```
  风险等级计算（总分0-20+）：
  
  1. PHQ-9第9项检测（最高优先级）
     - 得分=2（经常）：+10分，直接判定高风险
     - 得分=1（有时）：+5分
     - 得分=0（完全不会）：+0分
  
  2. 症状快速恶化检测
     - 快速恶化（≥5分/月）：+5分
     - 恶化（2-4分/月）：+3分
     - 稳定（-1至1分/月）：+0分
     - 改善（≤-2分/月）：-2分
  
  3. 高强度负面情绪占比检测
     - 占比>70%：+3分
     - 占比50-70%：+2分
     - 占比<50%：+0分
  
  4. 情绪波动检测
     - 方差>6（波动大）：+2分
     - 方差4-6（波动中）：+1分
     - 方差<4（波动小）：+0分
  
  5. 危机计划预警信号检测
     - 每出现一个预警信号：+2分
  
  6. 社会退缩检测
     - 严重退缩（独处时间>80%）：+3分
     - 中度退缩（独处时间50-80%）：+2分
     - 轻度/无退缩：+0分
  
  7. 功能受损检测
     - 严重受损（≥5天/周）：+4分
     - 中度受损（3-4天/周）：+2分
     - 轻度/无受损：+0分
  
  风险等级判定：
  - 高风险（≥10分）：立即就医，启动危机干预
  - 中风险（5-9分）：密切关注，考虑就医（48小时内）
  - 低风险（0-4分）：继续监测，定期评估
  ```
  
  **危机预警信号检测：**
  ```
  - 绝望感（hopelessness）
  - 社会退缩（social_withdrawal）
  - 极端情绪波动（extreme_mood_swings）
  - 谈论死亡（talk_of_death）
  - 送走财物（giving_away_possessions）
  - 自伤意念（self_harm）
  - 自杀想法（suicidal_thoughts）
  - 物质滥用（substance_abuse）
  ```
  
  **紧急行动触发条件：**
  ```
  立即就医（24小时内）：
  - PHQ-9第9项得分≥2
  - 总风险评分≥10分
  - 出现幻觉或妄想
  - 有自伤或自杀计划
  
  尽快就医（48小时内）：
  - PHQ-9≥15分或GAD-7≥15分
  - 总风险评分5-9分
  - 症状快速恶化（≥5分/月）
  - 严重影响功能
  
  定期就医（1个月内）：
  - PHQ-9 10-14分或GAD-7 10-14分
  - 总风险评分<5分但症状持续
  - 需要专业支持
  ```
  
  ### 第6步：睡眠-心理关联分析
  
  **数据来源：**
  - 读取 `data-example/sleep-tracker.json`
  - 提取睡眠时长、睡眠质量（PSQI）、入睡时间等数据
  
  **关联分析：**
  ```
  - 睡眠时长与PHQ-9评分的相关性
  - 睡眠质量与GAD-7评分的相关性
  - 失眠症状与情绪稳定性的关系
  - 睡眠改善与心理状态改善的时间关系
  - 睡眠障碍类型与特定心理症状的关联
  ```
  
  **分析输出：**
  ```
  - 相关性系数和统计显著性
  - 睡眠对心理状态的影响程度（高/中/低）
  - 睡眠改善建议
  - 睡眠与情绪的双向关系分析
  ```
  
  ### 第7步：运动-情绪关联分析
  
  **数据来源：**
  - 读取 `data-example/fitness-tracker.json`
  - 提取运动频率、运动类型、运动强度、运动时长等数据
  
  **关联分析：**
  ```
  - 运动频率与平均情绪强度的关系
  - 运动类型与情绪改善效果的关系
  - 运动强度与焦虑水平的关系
  - 运动时长与情绪持续时间的关系
  - 运动后的情绪变化模式
  - 运动习惯与抑郁症状的关系
  ```
  
  **分析输出：**
  ```
  - 运动对情绪的积极影响程度
  - 最有效的运动类型推荐
  - 最佳运动频率建议
  - 运动与应对方式的关系
  ```
  
  ### 第8步：营养-心理关联分析
  
  **数据来源：**
  - 读取 `data-example/nutrition-tracker.json`
  - 提取咖啡因摄入、糖分摄入、饮食习惯等数据
  
  **关联分析：**
  ```
  - 咖啡因摄入量与GAD-7焦虑评分的关系
  - 糖分摄入与情绪波动的关联
  - 饮食规律性与情绪稳定性的关系
  - 特定营养素缺乏（维生素D、Omega-3）与抑郁症状
  - 饮食模式与整体心理健康
  ```
  
  **分析输出：**
  ```
  - 饮食对心理状态的影响程度
  - 营养建议（如减少咖啡因、均衡饮食）
  - 可能的营养缺乏提示
  - 饮食调整建议
  ```
  
  ### 第9步：慢性病-心理关联分析
  
  **数据来源：**
  - 读取相关慢性病数据文件（如 `diabetes-tracker.json`, `hypertension-tracker.json`）
  - 提取疾病控制情况、症状负担、功能受限等数据
  
  **关联分析：**
  ```
  - 慢性疼痛与抑郁症状的关系
  - 疾病控制情况与心理状态的关系
  - 功能受限与心理健康的关系
  - 疾病负担与焦虑水平的关系
  - 共病模式识别
  - 药物副作用对情绪的影响
  - 药物依从性与症状改善的关系
  ```
  ```
  
  **分析输出：**
  ```
  - 慢性疾病对心理健康的影响程度
  - 需要特别关注的心理问题
  - 整体健康管理建议
  - 心理支持对疾病管理的益处
  ```
  
  ### 第10步：生成报告
  
  输出包括：
  - 心理健康状况摘要
  - 评估量表趋势分析
  - 情绪模式和触发因素
  - 治疗进展评估
  - 危机风险等级和建议
  - 与其他健康因素的关联分析
  - 个性化建议和行动计划
  
  ## 输出格式
  
  ### 心理健康分析报告结构
  
  ```markdown
  # 心理健康分析报告
  
  **报告日期**: YYYY-MM-DD
  **分析周期**: YYYY-MM-DD 至 YYYY-MM-DD
  **数据完整性**: 良好
  
  ⚠️ **重要提示**：本报告仅供参考，不构成医学诊断。如有严重心理困扰，请寻求专业心理医生帮助。
  
  ---
  
  ## 危机风险预警
  
  **当前风险等级**: 🟢 低风险 | 🟡 中风险 | 🔴 高风险
  
  **风险评分**: X/20
  
  **风险因素**:
  - [列出检测到的风险因素]
  
  **建议行动**:
  - [根据风险等级提供具体建议]
  
  ---
  
  ## 1. 心理健康状况摘要
  
  [整体评价：优秀/良好/一般/需改进/危机]
  - PHQ-9评分：X分（严重程度）
  - GAD-7评分：X分（严重程度）
  - 睡眠质量：X分（PSQI）
  - 整体趋势：改善/稳定/恶化
  
  ## 2. 心理评估趋势分析
  
  ### PHQ-9抑郁评分趋势
  - 当前评分：X分
  - 基线评分：X分
  - 变化：±X分
  - 变化速率：X分/月
  - 趋势：改善/稳定/恶化
  - 严重程度变化：[严重程度1] → [严重程度2]
  
  **图表描述**：
  - [折线图展示PHQ-9评分变化]
  - [标记严重程度分界线：5, 10, 15]
  
  **特别关注**：
  - 第9项（自伤意念）得分：X
  - 最高分项：[条目名称]
  - 持续存在问题：[列出条目]
  
  ### GAD-7焦虑评分趋势
  - 当前评分：X分
  - 基线评分：X分
  - 变化：±X分
  - 变化速率：X分/月
  - 趋势：改善/稳定/恶化
  
  **图表描述**：
  - [折线图展示GAD-7评分变化]
  - [标记严重程度分界线：5, 10, 15]
  
  **主要焦虑症状**：
  - 最高分项：[条目名称]
  - 主要触发因素：[列出]
  
  ### PSQI睡眠质量
  - 总分：X分
  - 睡眠质量：[评价]
  - 主要问题：[列出问题成分]
  
  ## 3. 情绪模式分析
  
  ### 常见情绪
  1. [情绪1] - 占比X%，平均强度X/10
  2. [情绪2] - 占比X%，平均强度X/10
  3. [情绪3] - 占比X%，平均强度X/10
  
  **图表描述**：
  - [饼图展示情绪分布]
  - [雷达图展示多维度情绪]
  
  ### 时间模式
  - 早晨：主要情绪[情绪]，平均强度X/10
  - 下午：主要情绪[情绪]，平均强度X/10
  - 晚上：主要情绪[情绪]，平均强度X/10
  
  ### 周模式
  - 周一至周五：主要情绪[情绪]，平均强度X/10
  - 周末：主要情绪[情绪]，平均强度X/10
  
  ### 情绪稳定性
  - 波动程度：高/中/低
  - 情绪方差：X
  
  **图表描述**：
  - [折线图展示情绪强度时序变化]
  - [波动范围可视化]
  
  ## 4. 触发因素分析
  
  ### 高频触发因素（Top 10）
  | 排名 | 触发因素 | 频次 | 平均影响 |
  |------|----------|------|----------|
  | 1 | [触发因素1] | X次 | 高/中/低 |
  | 2 | [触发因素2] | X次 | 高/中/低 |
  | ... |
  
  ### 高危触发因素（高影响+高频）
  - [触发因素1] - 频次X，影响高，建议：[应对建议]
  - [触发因素2] - 频次X，影响高，建议：[应对建议]
  
  **图表描述**：
  - [柱状图展示触发因素频次]
  - [热图展示触发因素与情绪类型的关联]
  
  ## 5. 应对方式效果评估
  
  ### 应对方式排名（按效果）
  | 应对方式 | 有效次数 | 无效次数 | 有效率 | 排名 |
  |----------|----------|----------|--------|------|
  | [应对方式1] | X次 | X次 | XX% | 1 |
  | [应对方式2] | X次 | X次 | XX% | 2 |
  | ... |
  
  ### 高效应对策略（>80%有效）
  - [策略1] - 有效率XX%，推荐使用
  - [策略2] - 有效率XX%，推荐使用
  
  ### 低效应对策略（<50%有效）
  - [策略1] - 有效率XX%，建议调整或停止
  - [策略2] - 有效率XX%，建议调整或停止
  
  **图表描述**：
  - [条形图展示应对方式效果排名]
  - [饼图展示有效/无效比例]
  
  ## 6. 心理治疗进展
  
  ### 治疗概况
  - 治疗类型：[CBT/心理动力学/人本主义等]
  - 治疗频率：[每周/每两周等]
  - 已进行咨询次数：X次
  - 治疗时长：X个月
  
  ### 治疗目标进展
  | 目标 | 基线 | 当前 | 目标 | 进展 | 预计达成时间 |
  |------|------|------|------|------|--------------|
  | [目标1] | X分 | X分 | X分 | XX% | YYYY-MM-DD |
  | [目标2] | X分 | X分 | X分 | XX% | YYYY-MM-DD |
  
  **整体进展评价**：[优秀/良好/一般/需改进]
  
  ### 症状改善
  - PHQ-9评分变化：X分 → X分，改善XX%
  - GAD-7评分变化：X分 → X分，改善XX%
  - 整体功能水平：[改善/稳定/恶化]
  
  ### 作业完成情况
  - 平均完成率：XX%
  - 高质量完成：XX%
  - 需要加强的方面：[列出]
  
  ## 7. 危机风险评估
  
  ### 风险等级
  **当前风险等级**: 🟢 低风险 | 🟡 中风险 | 🔴 高风险
  
  **风险评分**: X/20
  
  ### 风险因素分析
  | 风险因素 | 得分 | 详情 |
  |----------|------|------|
  | PHQ-9第9项 | X分 | 得分X，[详情] |
  | 症状变化 | X分 | [快速恶化/恶化/稳定/改善] |
  | 情绪强度 | X分 | 高强度负面情绪占比XX% |
  | 情绪波动 | X分 | 波动[大/中/小] |
  | 预警信号 | X分 | 出现X个预警信号：[列出] |
  | 社会退缩 | X分 | [严重/中度/轻度/无]退缩 |
  | 功能受损 | X分 | [严重/中度/轻度/无]受损 |
  
  ### 检测到的预警信号
  - [如有列出]
  
  ### 建议行动
  - [根据风险等级提供具体行动建议]
  
  ### 紧急资源
  - 心理危机热线：400-xxx-xxxx（24小时）
  - 精神科急诊：就近三甲医院
  - 急救电话：120
  
  ## 8. 与其他健康因素的关联分析
  
  ### 睡眠-心理关联
  **关联强度**: 高/中/低
  
  **主要发现**:
  - 睡眠时长与PHQ-9评分的相关性：r=X.XX
  - 睡眠质量与情绪稳定性的关系：[描述]
  - 主要睡眠问题：[列出]
  - 改善睡眠对心理状态的潜在益处：[描述]
  
  **建议**:
  - [具体的睡眠改善建议]
  
  ### 运动-情绪关联
  **关联强度**: 高/中/低
  
  **主要发现**:
  - 运动频率与情绪改善的关系：[描述]
  - 最有效的运动类型：[列出]
  - 运动后的情绪变化：[描述]
  
  **建议**:
  - [具体的运动建议]
  
  ### 营养-心理关联
  **关联强度**: 高/中/低
  
  **主要发现**:
  - 咖啡因摄入与焦虑的关系：[描述]
  - 糖分摄入与情绪波动的关系：[描述]
  - 可能的营养缺乏：[列出]
  
  **建议**:
  - [具体的营养建议]
  
  ### 慢性病-心理关联
  **关联强度**: 高/中/低
  
  **主要发现**:
  - [慢性病]与心理状态的关系：[描述]
  - 疾病负担对心理健康的影响：[描述]
  - 功能受限与情绪的关系：[描述]
  
  **建议**:
  - [具体的整体健康管理建议]
  
  ## 9. 综合建议
  
  ### 立即行动（如适用）
  - [如有紧急问题，列出立即需要采取的行动]
  
  ### 本周行动计划
  1. [行动项1] - 优先级：高/中/低
  2. [行动项2] - 优先级：高/中/低
  3. ...
  
  ### 本月目标
  1. [目标1]
  2. [目标2]
  3. ...
  
  ### 继续保持的方面
  - [列出做得好的方面，鼓励继续保持]
  
  ### 需要改进的方面
  - [列出需要改进的方面，提供具体建议]
  
  ### 推荐资源
  - [书籍/APP/支持团体/在线资源等]
  
  ## 10. 数据质量说明
  
  - 数据完整性：[优秀/良好/一般/需改进]
  - PHQ-9评估次数：X次
  - GAD-7评估次数：X次
  - 情绪日记条目：X条
  - 时间跨度：X天
  
  ---
  
  **报告生成时间**: YYYY-MM-DD HH:MM:SS
  **下次评估建议时间**: YYYY-MM-DD
  
  ⚠️ **免责声明**：本报告由心理健康分析技能自动生成，仅供参考，不构成医学诊断或治疗建议。如有任何心理健康问题，请寻求专业心理医生或精神科医生的帮助。
  ```
  
  ## 使用示例
  
  ### 示例1：趋势分析
  
  **用户输入**：
  ```
  /mental trend 3months
  ```
  
  **技能执行**：
  1. 读取最近3个月的PHQ-9和GAD-7评估数据
  2. 计算评分变化速率和趋势
  3. 分析严重程度变化
  4. 检测PHQ-9第9项变化
  5. 生成趋势报告
  
  **输出**：
  ```markdown
  # 心理健康趋势分析（近3个月）
  
  ## 整体趋势
  - PHQ-9：14分 → 8分，改善6分，趋势：改善 ✓
  - GAD-7：12分 → 6分，改善6分，趋势：改善 ✓
  - 变化速率：约2分/月
  
  ## 严重程度变化
  - PHQ-9：中度抑郁 → 轻度抑郁 ✓
  - GAD-7：中度焦虑 → 轻度焦虑 ✓
  
  ## 积极信号
  - 症状持续改善
  - PHQ-9第9项得分：1 → 0 ✓
  - 治疗效果良好
  
  ## 建议
  - 继续当前治疗
  - 保持运动和睡眠习惯
  - 下次评估：1个月后
  ```
  
  ### 示例2：情绪模式分析
  
  **用户输入**：
  ```
  /mental pattern
  ```
  
  **技能执行**：
  1. 读取情绪日记数据
  2. 统计常见情绪和时间模式
  3. 分析触发因素和应对方式
  4. 生成模式识别报告
  
  **输出**：
  ```markdown
  # 情绪模式分析
  
  ## 常见情绪（Top 3）
  1. 焦虑 - 占比35%，平均强度7/10
  2. 疲劳 - 占比25%，平均强度6/10
  3. 平静 - 占比20%，平均强度7/10
  
  ## 时间模式
  - 早晨：平静（强度7/10）😌
  - 下午：焦虑（强度7/10）😰
  - 晚上：疲劳（强度6/10）😴
  
  ## 主要触发因素（Top 5）
  1. 工作压力 - 12次，影响高
  2. 睡眠不足 - 8次，影响中
  3. 运动 - 6次，影响积极
  4. 社交 - 5次，影响积极
  5. 交通拥堵 - 4次，影响中
  
  ## 高效应对策略
  1. 运动 - 有效率90% ✓
  2. 冥想 - 有效率85% ✓
  3. 深呼吸 - 有效率75% ✓
  
  ## 建议
  - 下午工作压力大时，可使用深呼吸或短暂散步
  - 保持规律运动，对情绪改善效果显著
  - 改善睡眠有助于减轻焦虑和疲劳
  ```
  
  ### 示例3：危机风险评估
  
  **用户输入**：
  ```
  /crisis assessment
  ```
  
  **技能执行**：
  1. 读取最近的PHQ-9/GAD-7评估
  2. 读取最近的情绪日记
  3. 执行危机风险检测算法
  4. 计算风险评分和等级
  5. 生成危机风险报告
  
  **输出**：
  ```markdown
  # 危机风险评估
  
  ## 当前风险等级：🟢 低风险
  
  **风险评分**: 3/20
  
  ## 风险因素分析
  | 风险因素 | 得分 | 详情 |
  |----------|------|------|
  | PHQ-9第9项 | 0分 | 得分0，无自伤意念 ✓ |
  | 症状变化 | -2分 | 改善趋势 ✓ |
  | 情绪强度 | 2分 | 高强度负面情绪占比45% |
  | 情绪波动 | 1分 | 波动中等 |
  | 预警信号 | 0分 | 未检测到 ✓ |
  | 社会退缩 | 0分 | 社交活动良好 ✓ |
  | 功能受损 | 0分 | 功能正常 ✓ |
  | **总分** | **3分** | **低风险** ✓ |
  
  ## 建议行动
  - 继续监测心理状态
  - 保持健康的生活习惯
  - 定期进行心理评估（每月1次）
  - 继续心理治疗（如有）
  
  ## 紧急资源（备用）
  - 心理危机热线：400-xxx-xxxx（24小时）
  - 精神科急诊：就近三甲医院
  - 急救电话：120
  
  ⚠️ 如出现以下情况，请立即寻求专业帮助：
  - 有自伤或自杀想法或计划
  - 幻觉、妄想
  - 完全失去功能
  - 无法控制的情绪爆发
  ```
  
  ### 示例4：治疗进展分析
  
  **用户输入**：
  ```
  /mental therapy progress
  ```
  
  **技能执行**：
  1. 读取治疗记录和目标
  2. 计算目标完成百分比
  3. 分析症状改善程度
  4. 评估作业完成情况
  5. 生成治疗进展报告
  
  **输出**：
  ```markdown
  # 心理治疗进展分析
  
  ## 治疗概况
  - 治疗类型：CBT（认知行为治疗）
  - 治疗频率：每周1次
  - 已进行咨询：24次
  - 治疗时长：5个月
  
  ## 治疗目标进展
  | 目标 | 基线 | 当前 | 目标 | 进展 | 预计达成时间 |
  |------|------|------|------|------|--------------|
  | 降低焦虑水平 | 14分 | 8分 | 5分 | 57% | 2025-08-01 |
  | 改善睡眠质量 | 10分 | 6分 | 4分 | 60% | 2025-07-15 |
  | 增加愉快活动 | 2次/周 | 5次/周 | 7次/周 | 50% | 2025-07-01 |
  
  **整体进展评价**: 良好 ✓
  
  ## 症状改善
  - PHQ-9评分：14分 → 8分，改善43% ✓
  - GAD-7评分：14分 → 6分，改善57% ✓
  - 整体功能水平：显著改善 ✓
  
  ## 作业完成情况
  - 平均完成率：85%
  - 高质量完成：60%
  - 需要加强：认知重构练习
  
  ## 治疗亮点
  - 焦虑症状显著改善
  - 睡眠质量明显提升
  - 行为激活效果良好
  - 认知扭曲识别能力提升
  
  ## 继续保持
  - 每周心理咨询
  - 每日放松练习
  - 行为激活（运动、社交）
  - 思维记录
  
  ## 需要加强
  - 认知重构练习
  - 应对技巧应用
  - 睡眠卫生维持
  ```
  
  ### 示例5：关联分析
  
  **用户输入**：
  ```
  /mental analysis correlations
  ```
  
  **技能执行**：
  1. 读取心理健康、睡眠、运动、营养、慢性病数据
  2. 计算相关性系数
  3. 分析影响程度
  4. 生成关联分析报告
  
  **输出**：
  ```markdown
  # 心理健康关联分析
  
  ## 睡眠-心理关联（关联强度：高）
  
  ### 主要发现
  - 睡眠时长与PHQ-9评分呈负相关（r=-0.72, p<0.01）
  - 睡眠质量与情绪稳定性呈正相关（r=0.68, p<0.01）
  - PSQI评分每改善1分，PHQ-9评分平均降低1.2分
  
  ### 睡眠问题影响
  - 入睡困难 → 次日焦虑增加40%
  - 夜间易醒 → 次日情绪低落增加35%
  - 睡眠不足 → 注意力不集中，情绪波动加大
  
  ### 建议
  - 保持规律作息，每晚23:00前入睡
  - 改善睡眠卫生：避免咖啡因下午摄入
  - 继续放松练习，促进睡眠
  
  ## 运动-情绪关联（关联强度：高）
  
  ### 主要发现
  - 运动频率与积极情绪占比呈正相关（r=0.75, p<0.01）
  - 运动日情绪平均强度比非运动日高1.5分
  - 运动后焦虑感平均降低50%
  
  ### 最有效的运动类型
  1. 有氧运动（跑步、游泳）- 改善率85%
  2. 瑜伽 - 改善率80%
  3. 户外散步 - 改善率75%
  
  ### 建议
  - 保持每周3-5次运动，每次30分钟以上
  - 优先选择有氧运动
  - 焦虑时可进行户外散步
  
  ## 营养-心理关联（关联强度：中）
  
  ### 主要发现
  - 咖啡因摄入与GAD-7评分呈正相关（r=0.52, p<0.05）
  - 高糖饮食与情绪波动呈正相关（r=0.48, p<0.05）
  - Omega-3摄入不足可能与抑郁症状相关
  
  ### 建议
  - 减少咖啡因摄入（每天≤2杯）
  - 减少添加糖摄入
  - 考虑补充Omega-3（咨询医生）
  
  ## 综合建议
  基于关联分析，以下生活方式对改善心理健康最有效：
  1. **规律运动**（每周3-5次，30分钟+）
  2. **充足睡眠**（7-8小时，23:00前入睡）
  3. **均衡饮食**（减少咖啡因和糖分）
  4. **持续治疗**（CBT心理治疗）
  
  这4个方面的综合干预对您的心理健康改善贡献率为**75%**。
  ```
  
  ### 示例6：完整报告生成
  
  **用户输入**：
  ```
  /mental report
  ```
  
  **技能执行**：
  1. 读取所有相关数据
  2. 执行完整分析流程
  3. 生成交互式HTML报告
  4. 包含危机警告和建议
  
  **输出**：
  生成完整的心理健康分析报告HTML文件，包含：
  - 所有图表（ECharts交互式图表）
  - 危机风险警告（如适用）
  - 详细分析和建议
  - 可下载或打印
  
  ---
  
  ## 错误处理
  
  ### 数据文件不存在
  ```
  错误：未找到心理健康数据文件
  建议：请先使用 /mental assess 或 /mental mood 命令创建数据
  ```
  
  ### 数据不足
  ```
  警告：数据不足以进行趋势分析
  建议：至少需要3次PHQ-9/GAD-7评估或7天情绪日记
  当前数据：PHQ-9评估X次，情绪日记X条
  ```
  
  ### 危机风险高
  ```
  🔴 危机警告：检测到高风险因素
  
  立即行动：
  1. 联系心理危机热线：400-xxx-xxxx（24小时）
  2. 前往最近的精神科急诊
  3. 拨打急救电话：120
  4. 联系家人或朋友陪伴
  
  检测到的风险因素：
  - [列出高风险因素]
  
  不要犹豫，立即寻求专业帮助！
  ```
  
  ## 数据源说明
  
  **主要数据源**：
  - `data-example/mental-health-tracker.json` - 心理健康主数据
  - `data-example/mental-health-logs/` - 情绪日记日志
  
  **关联数据源**：
  - `data-example/sleep-tracker.json` - 睡眠数据
  - `data-example/fitness-tracker.json` - 运动数据
  - `data-example/nutrition-tracker.json` - 营养数据
  - `data-example/diabetes-tracker.json` - 糖尿病数据（如适用）
  - `data-example/hypertension-tracker.json` - 高血压数据（如适用）
  - `data-example/medication-tracker.json` - 用药数据
  
  ## 性能优化
  
  对于大量数据（如>6个月的情绪日记），采用以下优化策略：
  - 数据聚合：按周/月聚合情绪数据
  - 抽样分析：随机抽样代表性数据点
  - 增量分析：仅分析新增数据
  - 缓存中间结果
  
  ---
  
  **技能版本**: v1.0.0
  **最后更新**: 2025-01-06
  **维护者**: WellAlly Tech
  

README

my-his/
├── .claude/
│   ├── commands/
│   │   ├── save-report.md    # Save medical report command
│   │   ├── query.md          # Query records command
│   │   ├── profile.md        # User profile settings command
│   │   ├── radiation.md      # Radiation exposure management command
│   │   ├── surgery.md        # Surgery history record command
│   │   ├── discharge.md      # Discharge summary management command
│   │   ├── medication.md     # Medication record management command
│   │   ├── interaction.md    # Drug interaction detection command
│   │   ├── consult.md        # Multi-disciplinary consultation command
│   │   └── specialist.md     # Single specialist consultation command
│   └── specialists/
│       ├── cardiology.md            # Cardiology specialist Skill
│       ├── endocrinology.md         # Endocrinology specialist Skill
│       ├── gastroenterology.md      # Gastroenterology specialist Skill
│       ├── nephrology.md            # Nephrology specialist Skill
│       ├── hematology.md            # Hematology specialist Skill
│       ├── respiratory.md           # Respiratory medicine specialist Skill
│       ├── neurology.md             # Neurology specialist Skill
│       ├── oncology.md              # Oncology specialist Skill
│       ├── general.md               # General practice specialist Skill
│       └── consultation-coordinator.md # Consultation coordinator
├── data/
│   ├── profile.json          # User basic profile
│   ├── radiation-records.json # Radiation exposure records
│   ├── allergies.json        # Allergy history records
│   ├── interactions/         # Drug interaction database
│   │   ├── interaction-db.json      # Interaction rules main database
│   │   └── interaction-logs/        # Check history records
│   ├── medications/          # Medication record data
│   ├── 生化检查/             # Biochemical test data
│   │   └── YYYY-MM/
│   │       └── YYYY-MM-DD_test_name.json
│   ├── 影像检查/             # Medical imaging data
│   │   └── YYYY-MM/
│   │       ├── YYYY-MM-DD_test_name_body_part.json
│   │       └── images/       # Original image backup
│   ├── 手术记录/             # Surgery history data
│   │   └── YYYY-MM/
│   │       └── YYYY-MM-DD_surgery_name.json
│   ├── 出院小结/             # Discharge summary data
│   │   └── YYYY-MM/
│   │       └── YYYY-MM-DD_main_diagnosis.json
│   └── index.json            # Global index file
└── README.md

# Check interactions for current medications
/interaction check

# List all interaction rules
/interaction list

# View absolute contraindication rules
/interaction list X