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