AI私教训练与饮食追踪

基于Epley公式的智能健身追踪技能，通过自然语言记录训练与饮食，本地隐私存储并提供PR检测与每周复盘，让健身管理像对话一样简单。

基本信息

• 技能名称?lofy-fitness
• 中文名称?AI私教训练与饮食追踪
• 作者?harrey401
• 分类?效率
• 版本?v1.0.0
• 标签?healthcare-life-sciences, productivity, data-analytics

使用方法

使用说明
Lofy Fitness 是一款专为 Lofy AI 助手设计的健身 accountability 技能，核心价值在于将繁琐的健身记录转化为自然对话。用户无需填写复杂表单，只需用日常语言描述训练（如"bench 185x5"或"跑了5公里28分钟"）和饮食（如"中午吃了Chipotle"），系统即可自动解析并结构化存储到本地 fitness.json 文件中。
核心用法 涵盖四大模块：力量训练记录支持多组数重量解析，自动通过 Epley 公式（1RM = weight × (1 + reps/30)）计算最大重量并检测个人记录（PR）；有氧运动记录时长与距离；餐食追踪提供卡路里与蛋白质的AI估算；每周生成趋势报告分析训练Consistency（一致性）与进展。系统还具备智能提醒功能，当用户周目标完成度落后时，每日最多发送一次温和的健身房提醒。
显著优点 体现在用户体验与隐私保护的双重优化。零摩擦记录方式大幅降低记账门槛，特别适合在组间休息时快速语音记录。数据完全本地存储，解决健身App常见的隐私顾虑。PR检测算法自动识别突破并给予正向反馈，强化训练动机。设计理念强调"showing up matters more"（坚持比强度更重要），通过追踪连续性而非单纯追求大重量，帮助用户建立可持续的健身习惯。
潜在缺点 主要涉及数据精度与生态封闭。营养估算完全依赖 Claude 的AI判断，与专业食物秤或认证营养数据库相比存在误差，不适合严格备赛或医疗饮食管理。作为纯文档型Skill，所有逻辑依赖底层模型对健身术语的理解，可能因表述模糊导致解析错误（如"做了腿"这类模糊描述）。缺乏与 Apple Health、MyFitnessPal 等主流平台的API集成，数据孤岛问题明显，迁移成本较高。
适合人群 包括需要 accountability 伴侣的健身爱好者、厌恶复杂界面的极简主义者、重视数据隐私的本地存储倡导者，以及进行力量训练需要追踪渐进超负荷的举铁人群。对于仅需基础记录功能、不愿为健身App付费或担心云端数据泄露的用户尤为合适。
使用风险 方面，首先营养数据仅供参考，重大饮食决策应咨询营养师。其次，本地JSON文件如未定期备份，设备损坏可能导致数据丢失。虽然Skill建议在疼痛时休息，但AI无法替代专业医疗诊断，带伤训练风险需用户自负。此外，长期依赖AI估算可能导致对真实摄入量的认知偏差，建议定期用专业工具校准。
healthcare-life-sciences productivity data-analytics