技能介绍

它在解决什么问题

把一句话描述的饮食变成可核对的营养结论，难点不在「算」，而在「别算错」。模型自己估算热量和蛋白质，数字看着合理却无法复现，用户也无从校验。这个技能把这件事拆成两段：确定性计算交给本地脚本，语义翻译交给模型，所有数字只认脚本输出。

它是怎么工作的

核心是一次包内本地计算，流程如下：

scripts/review-meal.mjs 从 stdin 读 JSON，结果 JSON 写 stdout；参数或输入错误退出码 2，未预期错误退出码 1，失败信息写 stderr。
计算模块在 lib/workbuddy/，食物数据在 data/food-database.json（373 条）。运行时不依赖网络、Token、环境变量、外部后端或本机仓库路径，部署后端不是前置条件。
输入分两部分：profile 只需最少字段（gender、age、heightCm、weightKg、activityLevel、goal），缺项时用最少追问补齐；mealText 保留用户原话中的份量词（碗、份、克、两）。
提供了 todayBefore 才按全天累计评估（scope = "day"），否则只评价当前这一餐（scope = "meal"）。
输出解读只转述 assessment.mainIssue 这一条主要问题和 action.principle 这一个行动重点，示例取自 action.examples，并交代 assumptions 与 confidence；unrecognizedSegments 非空时说明哪些部分没算进去。

适用边界

不处理图片识别，也不做诊断治疗、用药或减重处方。儿童、孕哺、进食障碍等专业场景一律按 safety.level = "refer" 转介，此时 dailyTargets、assessment.status 为 null，action.examples 为空，需停止营养建议。meal scope 下 proteinG/carbsG/fiberG 为 null 表示「单餐不评估不足」，不要当成数据缺失后自行补判。