运动健康数据接入后如何让Agent输出可靠建议

完成运动健康数据采集后，直接让Agent分析文件，往往只能得到外观精美但实用性有限的HTML报告。它擅长描述训练趋势、恢复状态和训练日历，却未必能回答“下一次该增加多少重量”这类具体问题。要获得可执行建议，用户必须明确目标并引导分析流程。本文的方法仅适合辅助日常运动训练，不应用于排查身体症状或处理医疗情况。

这套系统使用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单独记录抗阻训练的训练容量和组数，避免与手表重复计算。Apple Health和Oura数据通过第三方服务Freddy接入，后者经Oura官方接口授权，因此也能读取Readiness等算法指标。预先编写的Python脚本通过Freddy和训记API拉取数据，保存到NAS上的SQLite数据库；体重、体脂和训练感受等低频或主观信息，则由Agent从文字、图片中整理后录入。

NAS会定时更新数据，网页看板可通过局域网访问。训练前，用户用手机或电脑触发常规任务按钮，复杂任务则通过CLI与Agent交互。Agent读取最新生理数据和训练记录后，先由两个“教练”提出动作、组数和重量建议，再由“循证教练”核查训练量与强度，用户确认后，计划通过API写入训记。训练时按计划执行，并记录每组余量和主观感受，结束后再回传给Agent，形成闭环。

真正关键的不是把数据接通，而是为Agent制定稳定的行为规范，作者选择通过定制Skill实现。现成方案中，Coach Paddy有21个Star，支持多种设备和训记，能做准备度评分、训练计划、复盘和周回顾，数据缺失时改用1至5分的精力评分，并以个人近28天HRV均值和标准差作参照；但它偏耐力训练和赛事备战。health-skill有13个Star，侧重健康档案和数据来源冲突提示；Claude Coach有204个Star，面向铁人三项、马拉松和超马；health-self-investigation-skill有86个Star，设计低风险自我对照实验；Health OS、training-log-analyzer、google-health-sleep-skill、gym-training-expert和workout-program-designer分别覆盖分化排课、训练日志、睡眠、训练知识和计划生成。由于个人目标、器械、作息和训练体系差异很大，且多数项目反馈有限，现成Skill通常难以完全适配。表中统计时间为2026年10月16日，“-”表示子文档没有独立Star，类型为主观分类。

作者最终决定让Agent吸收这些项目的优点，再生成符合自身习惯的Skill。定制过程中最难的是梳理需求，因此先使用开源的grill-me技能，让Agent持续追问训练目标、数据、限制条件和输出方式，直到形成明确方案，虽然过程可能需要回答大量问题。

在第一轮对话中，Agent提出了一个关键问题：统计计算与训练决策应分别由谁负责。这个问题意味着，数据汇总、指标计算等工作最好交给代码完成，而Agent主要负责结合上下文解释结果、比较方案并辅助决策。