ai-analyzer

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

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

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：

// 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