分类：[AI动态] 标签：[人工智能]、[大模型]、[开源项目]、[数据分析]
在之前的文章中，我们探讨了如何通过各种途径获取运动健康数据。当你把这些零散的数据存入 SQLite、Markdown 或 JSON 文件后，大多数人可能会直接把文件扔给 AI，期待它能像私人教练一样给出完美的分析报告。
然而现实往往是：AI 能够生成看似精美且排版满档的图表，但除了「好看」之外，对于下一次训练到底该加多少重量这类实际问题，却很难给出真正有价值的建议。
究其原因，AI 擅长描述，而缺乏对真实需求的深度判断。要如何让 AI 真正读懂并处理好这些健康数据，进而输出可靠的训练指导？本文将带你一探究竟。
搭建本地化数据处理流水线
以个人的实际运动场景为例，日常的数据流转可以通过多端协作来完成：
- 数据采集：使用 Apple Watch 记录有氧与抗阻训练，Oura Ring 追踪睡眠、夜间恢复及日常活动，同时通过训记 App 专门记录抗阻训练的容量和组数。
- 聚合与存储：借助第三方服务 Freddy 读取 Oura 与 Apple Watch 的官方接口数据。随后，通过本地 NAS 上的 Python 定时脚本，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同步给 Agent。
- 交互与执行：去健身房前，通过局域网访问 NAS 上的网页看板或终端 CLI 工具触发任务。AI Agent 读取最新的身体与训练数据后，经过多维度的教练模型核查，最终生成训练计划并通过 API 写入训记。
为什么不直接使用现成的 Skill？
在软件开发中，「不要重复发明轮子」是金科玉律。社区中确实存在不少优秀的健康与训练类 Skill（例如 Coach Paddy、health-skill 等），它们提供了准备度评分、训练复盘、数据源管理等丰富功能。
但实际体验后会发现，训练是一件极具个性化的事情。每个人的训练目标、关注指标、可用器械、作息习惯以及运动体系都不尽相同：
- 现成的 Skill 往往偏向耐力训练（如马拉松、铁人三项备战），与力量训练的需求存在偏差。
- 健康类 Skill 的关注度普遍较低，社区反馈和验证相对不足。
与其削足适履去适配一个通用的公开 Skill，不如吸取它们的可取之处，利用顶级大模型定制一个完全符合个人习惯的专属 Skill。
定制专属 Skill 的核心方法
定制 Skill 最关键的一步在于梳理清楚真实需求。可以借助诸如 grill-me 这类开源引导技能，让 Agent 反过来对你进行持续追问，从粗略的想法逐步推演，直至形成确定且详细的实施方案。
在人机协作的过程中，必须明确划分计算与决策的边界：
- 统计交给代码：复杂的均值、标准差、趋势变化等数学统计，应当交由底层的 Python 脚本去精确计算。
- 决策交由 AI：将清洗后的结构化数据与统计结果喂给大模型，由其结合个人行为规范和领域知识，完成训练方案的调整与建议。
注：本文方法仅适用于辅助日常的运动训练，不应用于排查身体实际症状或应对医疗紧急情况。