Hawks @hawks0x 在 X 上发了一个健身营养的 Claude Prompt，核心逻辑是让 AI 扮演一个 30 年经验的营养师，通过结构化对话收集你的数据，然后生成完整的减脂饮食计划。这条帖子目前 1.7M 播放，是他的系列第二篇。

Prompt 的 8 步结构

这个 Prompt 最有参考价值的不是内容，是结构——它示范了怎么做多轮对话式的个性化内容生成：

SECTION 1 — MY STATS 收集：年龄、性别、身高、体重、目标体重、减重速度偏好

SECTION 2 — MY LIFESTYLE 收集：工作类型、运动频率、睡眠、压力水平、饮酒量

SECTION 3 — MY FOOD PREFERENCES 收集：最喜欢的 5 道菜、绝对不吃的食物、饮食限制、烹饪习惯、对新食物的开放度

SECTION 4 — MY SNACK HABITS 收集：常吃零食类型、吃零食的原因（饿/无聊/习惯）、喜欢甜还是咸、是否夜宵

收集完所有数据后，Claude 执行 8 步生成：

  1. 热量计算 — 用 Mifflin-St Jeor 公式算 BMR，结合活动和运动综合计算 TDEE，指出在线计算机的常见误差
  2. 宏量营养素目标 — 蛋白质/碳水/脂肪的克数，用通俗语言解释为什么这么设置
  3. 7 天饮食计划 — 每天有主题（如 Mediterranean Monday），含热量和宏量营养素，2 顿"感觉像作弊但实际低卡"的餐
  4. 零食替换 — 甜的换甜的、咸的换咸的，保留满足感但降低热量
  5. 个人减脂规则 — 根据你的具体情况生成 5 条个性化规则，不是通用废话
  6. 真实时间线 — 诚实地告诉你每周/每月能期待什么
  7. 水分目标 — 基于体重和运动量计算，并解释和减脂的关联
  8. 补剂建议 — 只推荐有证据支持的：乳清蛋白、肌酸、咖啡因、维生素D、Omega-3、镁

这个 Prompt 的设计亮点

分步收集而不是一次性灌输：传统 form 是用户自己填完所有字段，这个 Prompt 是 Claude 逐个 section 问，等待用户回答，再进入下一步。这减少了用户认知负担，同时确保每一步都获得真实输入。

反"楚门"设计：提前警告通用在线热量计算机的误差（特别是体力劳动者），这让 Claude 的建议显得更可信，也展示了 prompt 设计里加入预警和例外说明的价值。

保留愉悦感：零食替换的逻辑是"保留相同的 itch"，而不是单纯说"别吃那个"——这是行为改变设计，不是简单的热量减法。

同系列第一篇：7 个健身 Claude Prompts

Hawks 之前发的第一篇有 1.7M 播放，包含了训练计划、体态拍照姿势、训练日志等 7 个 Prompts。他做了完整的 fitness AI prompts 系列，这个框架本身值得做生产力工具的人参考。