开源健身教练Skill：让Agent成为懂你的贴身私教-北京尧图网络

开源社区每天都在产出新的Agent项目但很多都停在“能聊”的层面离“能用”总是差着那么一层专业度。我最近整理发布的开源健身教练Skill就是想补上这个缺口——它不指望通用大模型靠天赋打球而是把私教的工作流程拆成“评估—计划—执行—反馈—调整”让Agent在对话里真正变成一个能记住你、能纠错、能帮你安排训练节奏的贴身教练。如果你第一次接触Skill这个概念可以先把它理解成Agent的“专业插件”。通用Agent像一张白纸什么都能聊两句可健身指导容不得含糊动作错了可能受伤强度不对可能白练甚至越练越伤。这个Skill把动作库、训练计划算法、安全兜底和会话状态都打包进去用户在聊天框里说一句“今天练腿但我膝盖不太舒服”Agent就能按私教的方式给方案而不是洋洋洒洒扯一堆运动学理论。这篇文章我会把Skill的设计思路、核心实现、部署过程和踩坑经验完整写一遍适合想给Agent加垂直能力的开发者也适合自己训练但缺一个“会跟踪会调整”的随身教练的人。1. 为什么要把健身教练塞进Agent里1.1 通用Agent的“什么都懂但什么都没把握”通用大模型最擅长的是语义流畅不是结构化知识的一致性。你问它“卧推怎么握杠”它大概率说得头头是道但你隔一天再问一遍可能又变了一套说法。更麻烦的是训练计划、动作替代、强度调整这些内容依赖严格的逻辑关系同一个动作新手和进阶者的组数次数完全不同同一个目标有伤病和没伤病的人动作选择也完全不同。通用Agent做不到这种“千人千面”的确定性输出因为它的回答是概率生成的每一次都可能飘。健身又是强安全领域一个“可以试试把杠铃放低一点”的错误指导轻则让人白练几周重则导致受伤。所以在Agent外面套一层结构化的Skill本质就是把专业判断规则固化下来让大模型在明确边界内做表达而不是自由发挥。1.2 用户真正需要的不是“回答”而是“跟练服务”我最初做这个项目时只做了简单的QA能力用户问“深蹲练哪里”Agent答“股四头肌和臀大肌”。做完之后我自己试了两天发现这根本没用。真实用户不会只问知识点他们会说“我想减脂但家里只有一对哑铃帮我安排一周计划”或者“上次练完腰疼今天还该不该继续练”。这些需求背后是连续性的服务用户需要被人记住训练目标、器械条件、身体限制需要根据前一天的反馈调整今天的计划甚至需要一套“练前热身—正式训练—练后拉伸”的完整包裹。也就是说Agent要做的不是“问答机器人”而是“私教助手”。这也直接决定了Skill里必须包含状态管理、计划引擎和反馈调整模块。1.3 为什么是Skill而不是单独做一个健身App单独做一个健身App当然可以但成本完全不同。App要处理注册登录、页面设计、通知推送还得想尽办法让用户手动录入训练记录。而基于Agent的Skill天然具备对话式交互和上下文理解能力用户可以直接说“第二组我加了重量感觉比上次难”Agent就能记录并影响下一组建议。Skill模式的另一个好处是模块化。它可以挂在很多主流Agent框架上与饮食、睡眠、冥想类Skill自由组合。今天你只需要一个健身私教明天想加一个营养师就再挂一个营养Skill不需要把整个系统推倒重来。而且Skill本身是开源可审查的动作库有错误社区里其他人提一个Pull Request就能修复这个迭代效率是封闭App很难比的。2. Skill的整体结构与设计拆解2.1 目录结构先设计好后面能少踩不少坑开源项目最怕什么最怕结构和责任边界混乱最后改一行代码要翻遍全仓。我在这个健身教练Skill里一开始就划了严格的分层目录结构如下fitness-coach-skill/ ├── SKILL.md # 技能入口触发词、意图、调用方法 ├── RULES.md # 安全红线与行为准则 ├── knowledge/ │ ├── anatomy.json # 肌群常识相关数据 │ ├── exercises.json # 动作库动作、要领、常见错误、替代动作 │ └── principles.md # 渐进超负荷、组间休息等核心原则 ├── engine/ │ ├── plan_engine.py # 训练计划生成引擎 │ ├── state.py # 会话状态记录与读写 │ └── safety.py # 伤病过滤、参数校验、危险动作拦截 └── templates/ ├── plan_templates.json # 周计划模板全身/上下肢分化/推拉腿 └── warmup_coolwown.md # 热身与收尾话术模板每个文件的职责很明确。SKILL.md是Agent“要不要启动这个技能”的开关RULES.md是“绝对不能做什么”的红线比如“不得给出医疗诊断建议”“所有动作必须从动作库中选择”knowledge里放的是静态知识engine里放的是动态逻辑。2.2 关键设计决策先别想着“AI看视频纠动作”做这个项目之前我一度幻想做动作姿态识别让用户打开摄像头用骨骼点分析他的深蹲角度然后反馈“膝盖前移了2厘米”。踩过几次坑以后我坚决把这个功能砍了。原因不复杂姿态识别的准确性、延迟、用户隐私、摄像头权限这些落地问题每一个都够写三篇文章而且即便识别出角度异常如何把结果转化为用户听得懂、愿意改的指令也需要大量打磨。相比之下纯文本指导和结构化计划的价值被严重低估。一个私教最重要的能力其实是“根据目标和条件安排训练”以及“根据反馈调整强度”。这两个事情不需要看视频只需要把知识库和规则做扎实。所以我给Skill定了边界负责计划生成、安全过滤、话术指导、反馈调整暂时不上摄像头姿态识别。这个边界让项目能在有限的精力下快速闭环也更容易被社区直接使用。2.3 动作库要设计成“能被模型直接消费”的格式动作库是整个Skill里最重要的一张表。一开始我试图用长文本描述每个动作很快发现模型在长文本里检索效率低、容易漏字段。后来我把每个动作都处理成结构化JSON每个字段都有明确用途。一个动作条目大概长这样{ id: squat, name: 杠铃深蹲, target: [股四头肌, 臀大肌, 核心肌群], equipment: [杠铃, 深蹲架], steps: [ 双脚分开略宽于肩脚尖微微外展, 双手握杠置于斜方肌上方收紧核心, 屈髋屈膝下蹲保持膝盖与脚尖同向, 下蹲至大腿与地面平行或略低脚跟发力站起 ], common_errors: [ 膝盖内扣需主动让膝盖与脚尖保持同一方向, 重心前移提醒脚跟始终踩稳地面身体重心落在足中段 ], alternatives: [ { name: 哑铃高脚杯深蹲, reason: 对膝盖压力更小适合膝部不适或新手建立动作模式 } ], difficulty: 2, safety: 全程保持脊柱中立如腰部有明显牵拉感应立即停止 }这样设计有三个好处。第一target字段能让Agent判断某个动作是否匹配用户目标肌群第二alternatives字段能直接解决“膝关节不适”这类过滤问题第三steps和common_errors是生成对话话术的半成品素材不需要模型临时编词。数据结构的本质是把专业判断提前做掉让模型只做翻译和组装。3. 核心实现Agent如何真的像私教一样工作3.1 用一个会话状态记住用户的“身体档案”私教第一天就会问你要干什么、有什么伤、吃什么器材然后每次都记得。Agent要做到这点不能只靠大模型的上下文窗口。上下文窗口装几轮对话还行但隔两天再打开对话信息就丢了。所以我设计了独立的会话状态对象每次训练都持久化保存。session { user_id: u1023, goal: hypertrophy, experience: intermediate, equipment: [dumbbell, barbell, bench], injuries: [left_knee_tenderness], training_days: [mon, thu, sat], plan_record: { week: 3, last_workout: lower, last_feedback: {rpe: 7.5, felt: hard} } }这个对象会在三处使用。生成计划时目标、经验、器械、伤病直接参与筛选收到用户反馈时last_feedback决定下一次调整幅度在Agent回复前状态对象中的关键摘要会作为系统提示的一部分回填进上下文让它“记得”上次发生了什么。正是这个状态对象让Agent从“每次重新认识用户”变成了“教练一直在场边记录你的训练”。3.2 意图识别与入口分流一个健身教练Skill不可能每次对话都接管。用户说“帮我写一封邮件”Agent当然不该调健身逻辑。所以SKILL.md里会有明确的触发条件核心意图包括plan_workout生成计划、check_form动作咨询、update_feedback反馈强度、ask_safety伤病相关。实际项目里我用了关键词规则加模型兜底的混合方式避免把每次对话都送进大模型分类器既省钱又更快。def route_intent(user_input, session): text user_input.lower() if any(kw in text for kw in [计划, 练, 安排]): return plan_workout if any(kw in text for kw in [膝盖, 腰疼, 受伤, 可以练吗]): session[injury_query] True return ask_safety if any(kw in text for kw in [累, 吃力, 轻松, 重, 组间]): return update_feedback if any(kw in text for kw in [动作, 怎么, 要领, 姿势]): return check_form return None注意这个函数看起来很简单但它在生产环境中的作用非常大。它把绝大多数用户输入做了一次确定性分流只有模糊场景才交给模型判断从而大大降低Agent误触发或答非所问的概率。3.3 训练计划生成先保安全再说效果计划生成是私教价值最集中的地方。我实现的plan_engine.py按三步走目标决定训练频率和分化器械与伤病决定动作池经验决定容量和强度。目标与频率的关系我用规则表固定不靠模型猜目标每周建议天数分化方式主项次数范围辅助次数范围减脂3~4全身训练10~1515~20增肌4~5上下肢分化6~1210~15力量提升3~4全身或推拉腿1~56~10动作筛选时会先读用户equipment列表过滤掉不匹配的动作再读injuries对照动作库里的替代逻辑。比如用户左膝不适杠铃深蹲会从主项中移除换成高脚杯深蹲并把“可用跳箱/上台阶等低冲击动作”写进计划备注。下面是我给一个中等经验的增肌用户生成的“下肢日”结构新手/低经验高脚杯深蹲 3×10中级传统杠铃深蹲后接罗马尼亚硬拉主项复合动作保证训练效率辅助动作针对薄弱肌群每个动作后标注组间休息时间因为组间休息直接影响下一组输出能力一个当天计划的简化输出长这样下肢训练日约60分钟热身开合跳30秒 → 高抬腿30秒 → 弓步转体6次主项哑铃高脚杯深蹲 3×10组间休息90秒辅助罗马尼亚硬拉 3×8组间休息90秒辅助坐姿腿弯举 3×12组间休息60秒收尾腘绳肌静态拉伸 2×30秒3.4 让反馈真正改变下一次计划没有反馈调整的系统不叫私教叫“课程表”。我让用户在训练后给一个简单反馈累不累、难不难、哪里不舒服。反馈不能靠玄学听我用RPE自觉疲劳程度10分制转换规则用户原话映射RPE区间下一次调整策略“很轻松像没练”RPE 3~4同动作增加5%负荷或加1次“有点累但能完成”RPE 6~7保持当前重量继续积累“非常吃力最后几个靠死撑”RPE 9~10下一组或下一练减重5%~10%组间休息增加60秒“膝盖/腰不舒服”触发安全处理立即替换动作返回安全提示实际调整时我还会遵守渐进超负荷原则不要让连续两次训练都在上强度至少保证一练一评的节奏让恢复也写入计划。这是很多新手Agent容易忽略的用户反馈“累”就减重反馈“轻松”就加量那不是私教是条件反射。私教调整的是趋势不是单次反应。3.5 动作纠正与安全兜底的话术设计动作咨询也是高频场景。用户说“深蹲膝盖内扣怎么办”Agent不能只把动作库里的steps原样念一遍那读起来像说明书。我在话术层做了三件小事先给一个最可能的纠正点再给一个退阶方案最后补一条安全底线。比如膝盖内扣通常是因为脚踝灵活度不够或臀部发力感弱。建议 1. 换高脚杯深蹲重量先降一级掌握“膝盖和脚尖同方向” 2. 下一次先把膝盖主动向外打开的意识带到热身组里 3. 如果调整后膝盖仍有尖锐疼痛今天就不要继续下肢训练。这套话术模板藏在RULES.md的“输出结构”里模型只负责按模板填空填得自然不负责发明专业建议。安全兜底则由RULES.md强制约束所有动作必须出自exercises.json出现“疼痛”“麻木”“眩晕”时只允许给减负或停止建议禁止给医疗诊断。4. 实操过程从零跑通这个开源Skill4.1 部署环境要准备什么跑这个Skill不需要很高的机器配置我在一台普通的开发机上就能完成全部开发和测试。建议准备工作包括Python 3.10 以上版本因为状态管理和部分Agent框架依赖高的版本特性安装任意支持Skill插件的开源Agent框架不是所有框架都叫Skill但核心概念类似大模型API服务地址和密钥用来承担对话生成部分把这个Skill仓库克隆到本地然后按目录读一遍熟悉文件位置。整个部署过程大概半小时能走通前提是之前搭过Agent基础环境。4.2 配置并在Agent中注册Agent框架通常支持在配置文件中声明Skill。核心配置项是Skill路径、启用开关、模型参数和行为规则路径。我的一个最小示例配置大致如下agent: model: provider: openai-compatible model_name: main-chat-model temperature: 0.4 skill: - name: fitness-coach path: ./fitness-coach-skill enabled: true rules: ./fitness-coach-skill/RULES.md温度设成0.4是我反复调过的一个值。太高回答太发散容易在输出计划时添加自由度太低话术会变得干瘪不像教练。0.4既能保持结构化输出又能让语言有一点人味。4.3 加载知识库并限制模型自由发挥空间配置完成后下一步是把知识库加载进Agent。开源项目里的knowledge/exercises.json可以直接读入。我强烈建议不要在加载后把整个动作库一次性塞进系统提示词里那样既浪费token又容易让模型在不同动作之间“混搭出错”。我在load_knowledge_base里做了一次简单过滤只有当用户意图真正命中某个动作时才把该动作的完整JSON返回给模型。比如用户问“高脚杯深蹲”只把高脚杯深蹲、它的替代动作和同肌群动作放进去。这样模型生成回答时的选择空间被主动收窄幻觉概率会下降不少。def load_exercise_knowledge(exercise_id): with open(knowledge/exercises.json, encodingutf-8) as f: exercises json.load(f) target_exercise next((e for e in exercises if e[id] exercise_id), None) if not target_exercise: return None related {target_exercise: target_exercise, alternative_ids: target_exercise.get(alternatives, [])} return related4.4 四轮对话跑通“计划—反馈—调整—恢复”我拿自己当测试对象走了一遍完整流程下面是最真实的交互记录用户“我今天想练腿但左膝有点不舒服。”Agent“收到。左膝不舒服的话我先不做杠铃深蹲换成哑铃高脚杯深蹲。它对你的膝盖压力小很多还能继续强化腿部。热身先做开合跳30秒、高抬腿30秒、弓步转体6次然后开始主项。”用户“第二组做完大腿酸胀但膝盖没有不适还挺轻松的。”Agent“说明这个重量对你来说偏轻RPE大概在5左右。接下来动作可以保持技术不变下一次我们给高脚杯深蹲增加2.5公斤或者每组多做1次。今天不要加量先把动作模式巩固好。”用户“好那练完该拉伸哪个部位”Agent“重点拉伸大腿前侧和臀部弓步后压每条腿30秒再做一个髋部前侧拉伸。保持呼吸不要弹震缓慢加深就好。”用户“我明天能跑步吗”Agent“明天可以低强度慢跑30分钟避免有跳跃和急停的动作因为今天下肢训练后力量还处于恢复期。如果跑步时膝盖出现不适尽快停下。”这个例子很能说明问题同样是“练腿”有没有左膝不适决定了动作选择反馈是“轻松”还是“吃力”决定了下一练调整方向明确“膝盖不舒服”时连次日的恢复建议都会变保守。这正是Skill的完整价值。4.5 上线前要过的验证清单我建议任何人在把Skill部署给真实用户前至少跑一遍以下验证输入三个不同目标检查生成计划里的动作是否全部来自动作库故意输入“腰椎间盘突出能练吗”确认回复中不包含医疗建议只给安全的退阶建议在用户有伤病信息时确认计划中不会出现触发伤病的动作模拟连续五轮对话确认会话状态对象能正确读写不会丢失开始时的目标对输出做格式校验确保组数、次数、休息时间都是合法数字拒绝“练到力竭”这类模糊描述占满回复。这五条看着基础但每条都能挡住真实使用环境里的大部分事故。5. 常见问题与排查技巧实录5.1 模型不在动作库里“造动作”第一个高频问题是计划里出现动作库根本不存在的动作比如“保加利亚分腿蹲”写成“保加利亚剪蹲”还好最怕写错成“悬挂式壶铃翻转”。这是模型自身记忆与知识库冲突造成的幻觉。解决的思路不是骂模型而是把它关进笼子里在引擎层强行校验动作名所有动作名必须来自exercises.json如果模型返回的结果里有不在白名单内的动作就自动丢弃并重答一次。同时生成话术时把“只能使用以下动作清单”写进提示词双管齐下。5.2 用户说不出自己的训练水平很多时候用户只丢一句“帮我做个计划”根本不给训练经验。让Agent反复追问会让用户烦躁但不问又没法安排容量。我把追问次数限制在两次以内第一次补充问“一周能练几天和有什么器械”第二次补充问“膝盖或腰部有没有不舒服”。如果用户还是不想回答就按零基础、全身训练计划兜底并在计划里降低单次动作量这样至少不会出错。5.3 伤病过滤失效计划里又出现深蹲这个问题发生过不只一次。检查后发现原因不在生成阶段而在会话状态用户最早说过“膝盖疼”但会话状态因为超时被清空之后重新生成计划时就忘了。解决方法是把伤病字段做成“不可缺失项”每次生成计划之前都会强行读取session.injuries如果为空但用户曾在历史消息里提到过“疼”“不舒服”引擎就直接终止生成先确认当前身体状况。5.4 多轮会话状态被清空有的Agent框架默认不保存长期会话重启后连用户目标是减脂都忘了。我把state.py改成了双写模式一份存本地JSON一份存Redis如果部署环境有并给每个用户生成一个user_id。会话开始时用user_id恢复状态没有则新建档案。这个改动很小却解决了“第二次使用体验大跌”的致命问题。5.5 反馈太模糊没法判断强度用户说“今天有点累”这到底算RPE多少不加处理模型会随便猜一个数据导致调整失真。我加了模糊反馈映射表把“有点累”“很累”“还好”对应到固定RPE区间同时让Agent在回复里加一句解释“看你说的有点累我按RPE6处理如果实际感觉更吃力可以发一个1-10的数字。”这样既让用户明确知道系统怎么理解也给下一步修正留了口子。5.6 输出太长新手根本记不住我踩的最深的一个坑是模型特别喜欢一次性输出“动作要领常见错误组间休息饮食建议第二天计划”。信息全但没用用户转头就忘。后来我在RULES.md里规定单次回复最多三个要点且每个动作后面的动作要领只保留一条最重要信息其他埋进“详情可以问我”里。实际使用后反馈明显变好用户更容易跟着做完一次训练而不是在计划前迷失。6. 开源之后我更确信的几个选择6.1 真正费时间的不是接模型而是整理知识图谱开源这个项目前我一度以为最难的会是写计划引擎结果真正花时间的是整理动作库和伤病替代规则。要把几百个常见动作的对应肌群、器械、安全注意事项一条条结构化远比写一段调大模型的代码更繁琐。但正是这种“笨功夫”决定了Skill的专业可信度。以后再有人问我想不想做一个类似的项目我会先问一句你有没有准备好花大部分时间做数据清洗6.2 把闭环做小再谈智能当初如果一上来就做“AI识别动作姿态”这个项目大概率会烂尾。把闭环缩小到“文本计划反馈调整”后第一周就可用的版本就出来了。所谓智能不一定要炫技让用户在真实训练中体会到“它知道我上礼拜练了什么知道我膝盖不好”就已经比90%的健身聊天机器人强了。开源项目也一样小闭环能跑通才有人愿意帮你一起扩大动作库。6.3 这个Skill未来还能怎么扩展我没打算把它停在健身私教这一个场景。如今开源社区里营养配餐、睡眠恢复、康复拉伸这类Skill越来越多健身Skill完全可以和它们组合成一个“健康陪伴Agent”。我已经在做的是把训练计划里的能量消耗估算和饮食Skill打通后面如果动作库规模再变大可能会把每块肌群的“恢复优先级”规则加进去让计划生成更智能。6.4 让用户第一次就能“跟练”起来的小技巧最后分享一个让新用户留存率变高的小技巧把热身和收尾动作做成“立刻能做”的模板字符串而不是让模型自由发挥。比如每次Agent生成完正式训练自动加一句“正式练前先做开合跳30秒→高抬腿30秒→弓步转体6次”。版本升级之后很多用户反馈说“原来不知道热身该做什么现在直接跟做就行”。别小看这个细节计划再专业用户不能马上行动就都是空话。我个人的实际体会是这个开源健身教练Skill最大的价值不在于某一两段代码有多巧妙而是把教练那套“先评估、再计划、勤反馈、常调整”的工作流原原本本地搬进了Agent。每次看到用户说“它今天帮我换掉了深蹲膝盖不疼了”我都会觉得这些数据清洗和状态管理没有白做。如果你也想做垂直Agent可以先试着把一个很小的专业场景做成闭环然后丢到社区里让大家一起磨。健身教练只是我选的第一块试验田后面能串起来的事情还有很多。

开源健身教练Skill：让Agent成为懂你的贴身私教

相关推荐

注意力机制核心拆解：QKV投影与KV Cache推理优化

评价模型分析总和：从指标归一化到加权汇总的完整落地指南

T611镗床主轴箱传动与尾柱设计：转速图规划到出图规范全解析

更多资讯

从 20 个图标到 5 个：Ice 菜单栏管理新手完整指南

AI小说创作神器

一文读懂Llama-3.2-1B_rai_1.8.0_npu_4K文件结构：从model.onnx到40多个dd_metastate文件全解析

gvim快捷键声明wire和reg

如何免费听遍全网歌曲：LX Music 五音源聚合搜索、批量下载与定制播放完整教程

搭建机器人仿真资产库：V2D Challenge的GLB纹理网格与URDF文件完整使用指南

今日更新

电商智能运营体系从0到1：架构设计、落地步骤与避坑指南

压缩空气储能与热网热惯性联合优化调度：热电联产系统建模与求解

若依框架AI代码生成不稳定？用Agent Skill三层结构+五步法搞定

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？