分类：AI动态 标签：人工智能、大模型、开源项目、健康管理

在之前的文章中，我们探讨了如何通过各种渠道获取运动健康数据。当你顺利拿到存储在 SQLite、Markdown 或 JSON 中的健康数据时，多数人会忍不住直接把文件丢给大模型：「这是我的健康数据，帮我详细分析一下。」

然而，直接让 AI 自由发挥往往只能得到一份排版精美但实用价值有限的图表。AI 擅长描述现象，但若想让它针对下一次训练给出精准建议（例如「下一次该加多少重量」），必须配合用户的个性化需求与适当引导。

本文将深入探讨在拿到数据后，如何让 AI Agent 正确处理这些数据，以及我们该如何看待并利用它给出的结论。

构建本地化的个人健康数据流

以日常的运动训练辅助为例，整个数据流转的链路可以拆解为几个核心环节：

  1. 数据采集：
    • 使用 Apple Watch 记录有氧和抗阻训练。
    • 使用 Oura Ring 记录睡眠、夜间恢复及日常活动。
    • 使用「训记 App」专门记录抗阻训练的容量和组数。
  2. 同步与存储：
    • 通过第三方服务 Freddy 聚合 Apple Health 与 Oura 的官方接口数据（包含准备指数等算法指标）。
    • 编写 Python 脚本定时通过 API 将数据拉取并存入本地 NAS 的 SQLite 数据库中。
  3. 交互与决策：
    • 网页看板提供快捷按钮一键触发分析任务，复杂任务则通过终端 CLI 与 AI 对话。
    • AI Agent 读取最新生理和训练数据 -> 多个「教练」给出动作、组数与重量建议 -> 「循证教练」核查训练量与强度。
    • 用户确认后，将计划通过 API 写回训记 App，在健身房执行并回传训练感受，完成闭环。

为什么不直接使用现成的 Skill？

在软件开发中提倡「不要重复发明轮子」，但在构建个人健康 Agent 时，现成的开源 Skill 往往很难直接套用。

通过对比社区中多款健康与训练相关的开源 Skill（如 Coach Paddy、health-skill、Claude Coach 等），可以发现它们普遍存在以下局限：

  • 场景不匹配：例如部分 Skill 侧重于耐力训练、马拉松备战或宏观疾病风险筛查，而力量训练者更关注肌群分化和渐进超负荷。
  • 极度个性化：训练目标、可用器械、作息习惯以及个人身体基线千差万别，现成方案很难完美适配。

与其勉强套用社区里 Star 较少、验证不足的现成项目，不如吸取它们的优秀设计（例如缺乏数据时自动降级、采用主观精力与酸痛自评替补、设定严格的统计边界等），结合自身习惯定制一套专属于自己的 Skill。

定制专属 Skill 的核心法则

在定制个人训练 Skill 时，最关键的原则可以归纳为两点：

1. 深度梳理需求

可以借助类似 grill-me 这种通过反问来明确需求的工具，让 AI 针对你的训练目标、约束条件进行连续追问，从粗略的想法逐步推导并沉淀为详细、可落地的行为规范。

2. 统计交给代码，决策交给 AI

在人机协作的过程中，必须明确分工：所有的数学统计、均值计算、标准差以及数据清洗应当完全交由底层的 Python 脚本去完成；而 AI Agent 应当专注于基于清洗后的干净数据进行逻辑推理、状态评估与训练计划的编排。

注：本文介绍的方法与流程仅适用于辅助日常的运动训练参考，不建议用于排查身体的实际症状或应对医疗情况。