分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目]
在上一篇文章《让 Agent 读懂你的身体：数据获取篇》中，我们探讨了如何通过各种途径获取运动健康数据。当你顺着指引拿到存储着运动指标的 SQLite、Markdown 或 JSON 文件时，很多人都会忍不住向 AI 抛出类似的问题：「Claude，这是我的健康运动数据，帮我做一下详细的分析。」
然而，实际体验往往不尽如人意。AI 能够生成排版精美、图表丰富的 HTML 页面，展示训练趋势和恢复状态，但研究一下就会发现，它们除了好看并没有太多实质性帮助。根本原因在于：AI 擅长描述现状，而如果想让它分析实际问题并给出精准建议（例如下一次训练该加多少重量），则需要用户进行明确的需求判断与适当引导。
本文将结合实际经验，深入探讨拿到数据后如何让 Agent 正确处理，以及其结论的可信度边界。
一、 个人健康数据处理的整体方案
以实际应用为例，整套个人运动数据流可以这样搭建：
- 数据记录端：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 记录抗阻训练的容量和组数。
- 数据汇聚与存储：Apple Health 与 Oura 数据通过第三方服务 Freddy 接入，读取官方接口的准备指数（Readiness）等算法数据。通过本地部署的 Python 脚本，定时经 API 将数据拉取并存入 SQLite 数据库。体脂、体重等低频指标则通过文字或图片直接发给 Agent 录入。
- 交互与执行端：整套系统搭建在本地 NAS 上。去健身房前，通过局域网访问网页看板一键触发常规任务，或通过终端 CLI 与 Agent 对话。AI 读取最新数据后，由多位「虚拟教练」协同给出动作、组数和重量建议，并经「循证教练」核查训练量与强度。
把这些环节串起来并不复杂，真正核心的是为 Agent 建立一套行为规范（Skill），让它稳定地分析数据并输出建议。
二、 为什么不直接使用现成的 Skill
在开源社区中，存在许多现成的健身与健康类 Skill（例如 Coach Paddy、health-skill、Claude Coach 等）。它们各自具备准备度评分、训练复盘、健康档案汇聚或跑步数据汇总等功能。
然而，经过实际比对会发现，现成的 Skill 往往难以完美适配个人需求：
- 场景不匹配：许多 Skill 的分析重心在耐力训练和赛事备战（如马拉松、铁人三项），而力量训练或个性化分化训练的需求则无法完全覆盖。
- 训练的极高个性化：训练目标、关注指标、可用器械、作息习惯和运动体系千差万别，且相关健康 Skill 的社区关注度普遍较低，实际效果缺乏大规模验证。
因此，与其盲目套用现成模板，不如汲取优秀开源项目的可取之处（如数据缺失时的降级评分机制、主观精力与酸痛自评替补等），为自己定制一个高度适配的 Skill。
三、 定制专属 Skill 的核心方法
定制 Skill 最关键的一步在于将需求梳理清楚。可以借助开源工具（如 grill-me 等技能），让 Agent 反过来向你提问 -> 从粗略的想法出发 -> 一步步追问到形成确定而详细的方案。
在与 AI 交互的过程中，必须明确划分一个核心原则：计算交给代码，决策交给 AI。
- 统计与数据运算（如均值、标准差、趋势计算）应当交由确定性的 Python 脚本或代码完成，严禁让大模型直接进行复杂的数学统计。
- 大模型（Agent）的核心职责在于结合结构化的统计结论、个人档案以及行为规范，进行定性分析与训练计划的决策推荐。
只有将「确定性计算」与「生成式决策」各司其职，才能让 Agent 真正成为懂你身体、给出靠谱建议的智能教练。