分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目]

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。当你辛辛苦苦将这些数据汇聚到 SQLite、Markdown 或 JSON 文件中时，很多人可能会忍不住直接将文件丢给 AI ：“这是我的健康运动数据，帮我做个详细分析。”

然而实际体验往往是：AI 能生成精美好看的图表和排版满满的网页，但除了好看之外，对于下一次训练到底该加多少重量等实际问题，却并没有实质性的指导意义。AI 擅长描述，但如何让它真正理解并给出可靠建议？本文将带你探索如何正确处理并利用这些数据。

注：本文方法仅适用于辅助日常运动训练，不建议用于排查实际身体症状或应对医疗情况。

搭建本地数据处理流

以个人的实际场景为例，整个数据流转和处理的架构如下：

  • 数据采集：使用 Apple Watch 记录有氧和抗阻训练，Oura Ring 记录睡眠、夜间恢复与日常活动，训记 App 专门记录抗阻训练的容量和组数。
  • 数据同步：借助第三方服务 Freddy 读取 Apple Health 和 Oura 数据，同时利用 Python 脚本定时通过 API 将数据拉取到本地 NAS 的 SQLite 数据库中。
  • Agent 介入：去健身房前，通过局域网访问 NAS 触发任务。AI Agent 读取最新生理和训练数据后，由多个「教练」协同给出动作、组数与重量建议。训练完成后，备注的余量和感受会通过 API 再次回传给 AI，形成完整的闭环。

为什么不直接使用现成的 Skill

在软件开发中提倡不要重复造轮子，但在个性化训练领域，情况则有所不同。

社区中虽然存在一些健康与训练相关的 Skill（例如专注耐力备战的 Coach Paddy、偏向健康档案管理的 health-skill 等），但它们往往存在局限性。训练是一件高度个性化的事情，每个人的训练目标、关注指标、可用器械、作息习惯都大不相同。现成的 Skill 很难完美契合个人的具体需求。

与其盲目套用，不如吸取开源社区中优秀 Skill 的可取之处（如缺失数据时的降级机制、多维度的自评替补等），然后结合自身习惯进行定制。

让 Agent 反向提问与统计外包

在定制专属 Skill 时，最关键的一步是梳理清楚核心需求。可以借助开源工具（如 grill-me 技能），让 Agent 反过来对你进行深度追问，从粗略的想法一步步引导出确定且详细的方案。

此外，在人机协作的边界划分上，核心原则非常明确：复杂的统计与计算交给代码去算，而决策与洞察则交给大模型来做。 只有将数据处理与大模型的推理能力进行合理分工，才能让 Agent 真正成为懂你身体的私人训练专家。