产品少数派··AI 生成
让 Agent 读懂你的身体：数据处理篇
作者在拿到可穿戴设备与训记导出的运动健康数据后，发现让 Claude 直接分析只会产出「好看但没用」的 HTML 报告。文章给出他自己的解法：用 Apple Watch + Oura Ring + Freddy + 训记拼出数据管线，在家用 NAS 上定时拉取 SQLite，再让 Agent 按定制 Skill 出训练建议。他逐一评析了 Coach Paddy、Claude Coach、Health OS 等 11 个现成开源 Skill 的取长补短之处，并强调统计数字必须交给 Python 脚本算而不是让模型算。适合有开发基础、想搭个人训练 Agent 的读者。原文 ↗原文 ↗
核心观点
- ▍AI Agent 擅长描述，真正要它给出可执行建议（如下次训练加多少重量），关键不在换更强模型，而在于用户自己把需求判断清楚，并用一套定制的 Skill 行为规范去约束它。
- ▍训练是极度个人化的事，训练目标、关注指标、可用器械、作息与运动体系人人不同，因此现成 Skill 很难直接套用，最优路径是吸收各家可取之处后自建。
- 01作者的数据管线是：Apple Watch 记有氧与抗阻训练，Oura Ring 记睡眠与恢复，训记 App 专门记录抗阻容量和组数；Apple Health 与 Oura 数据经 Freddy 授权接入，再用 Agent 预写的 Python 脚本拉进本地 SQLite。
- 02整套服务跑在家里的 NAS 上，定时拉取数据、网页看板经局域网访问，去健身房前用手机触发任务，训练后再把计划与组间感受经 API 写回训记，形成闭环。
- 03他调研的 11 个相关 Skill 中 Star 最高的是 Claude Coach（204），多数在 0-86 之间，而健康训练类 Skill 中他找到的最高也不过 200 多个 Star，使用反馈普遍不足。
- 04Coach Paddy 有一个可借鉴机制：数据缺失时准备度评分降级，替换为 1 到 5 分的主观精力评分；HRV 则对照本人近 28 天的均值和标准差。
- 05他借 Matt Pocock 的 grill-me 技能做需求梳理，让 Agent 反过来追问，从粗略想法一直问到形成确定而详细的结论，代价是问题数量常常超出预期。
- 06第一轮对话中 AI 就抛出了关键设计问题：计算和决策分别由谁来做——作者的回答倾向是统计口径交给代码，模型只负责判断与建议生成。
反方 / 局限
- — 文章承认这套方法只适用于辅助日常运动训练，不用于排查身体实际症状，也不应处理医疗情况，适用范围有明确边界。
- — 作者对现成 Skill 的否定部分依据是 Star 数与 Fork 数，而非实际使用验证，其可靠性判断本身缺乏测试证据。
58 分钟 · 6 卡片 · 13 资料
读原文 →概念锚点
前置背景
论证骨架
平行视角
未来推演
延伸追问