大多数人第一次尝试让 AI 制定健身计划时，得到的结果往往都还不错。只要告诉 AI，你的身高、体重、训练经验和目标，它很快就能列出一份结构完整的方案。
一周训练几次，每次做哪些动作，每个动作安排多少组，甚至连休息时间和饮食建议都能一并给出。
但问题通常不是计划写得不好，而是它和网上随处可见的模板一样，生成以后便停在了那个时刻。
真正的训练却不会停在那里。某一天睡眠不足，原本轻松的重量会突然变得吃力；膝盖在一次深蹲后出现不适，接下来几周的动作选择都需要调整；连续训练一段时间后，有些部位进步明显，有些部位却始终没有变化。计划只是一个起点，真正有价值的教练必须根据这些反馈不断修正判断，并且记得过去发生过什么。
传统自媒体上传播的训练计划和大多数 AI 对话其实有一个相似的问题：
警告 它们都是静态的。
对于使用AI的用户来说，每当开启一个新会话，都需要重新介绍自己的身体情况、训练经历、旧伤和目标。即使上一次对话已经做过相当深入的分析，新会话里的 AI 依然对那些经历一无所知。
所以，如果想要用AI作为你的健身教练，并不是要怎样写出一条更好的提示词，也不是怎样让 AI 一次生成更专业的训练计划。更重要是需要一个能够随着训练经历不断成长、在新的对话中依然保留判断依据的 AI 教练。
先把目的地设计清楚
“减脂”和“增肌”听起来像是明确的目标，实际用于制定长期计划时却非常模糊。减到什么程度，增加哪些部位的肌肉，最终希望身体呈现怎样的比例，这些问题如果没有答案，AI 只能根据一个宽泛的标签给出通用建议。
我最初也只是用语言描述自己的目标，但很快发现，视觉信息比抽象形容更容易形成共识。于是，我把自己的当前状态、不同体脂率下的身体参考图，以及希望达到的体型方向放在一起，再让 AI 根据这些材料生成一个未来状态的视觉参考。
这里真正重要的并不是生成图片本身，更不是相信一张 AI 图片能够准确预测未来。它的作用更像一张设计稿，让我可以评估未来我想要自己变成什么样，也可以和 AI 对“目标”拥有相对一致的理解。
当目标只是一句“我想练得更好”时，许多训练方向都可以被解释为正确。当目标具体到体脂水平、身体比例和需要重点改善的部位后，训练计划才有了取舍的依据。
对我而言，这意味着在控制体脂的同时保留并增加肌肉，尤其改善胸部的整体表现，而不是单纯追求体重下降或某个动作所能推动的重量数字增长。
换句话说，我不是让 AI 决定我应该变成什么样，而是先把目的地说明白，再让它帮助我规划到达那里的路径。
在制定计划之前，先让 AI 了解我
很多关于 AI 的讨论把注意力放在提示词上，仿佛只要找到一个足够精巧的句式，就能稳定得到高质量答案。但在实际使用中，我发现决定结果的往往不是措辞，而是上下文是否充分。
真人教练在安排训练之前，需要先了解运动者本人，AI 也一样。
所以我向 AI 提供的并不只有身高和体重，还包括年龄、过去的训练经历、目前的身体状态、曾经出现过的伤病、每周可以训练的时间，以及我希望通过身体重组达到的目标。
我特别说明了自己想改善胸部形态，同时也要求计划把安全放在优先位置，避免为了短期进度放大旧伤风险。
这些信息之间并不是彼此独立的，年龄和恢复速度会影响训练频率，旧伤会改变动作选择，可支配时间决定计划能否长期执行，而身体重组的目标又意味着不能只看体重变化。只有把它们放在一起，AI 才能做出具有约束条件的判断。
这也是我后来不再把这套方法称为“用 AI 生成健身计划”的原因。生成动作列表只是最容易的部分，真正有价值的是让 AI 在具体背景下做什么选择。
- 今天是否应该继续增加重量。
- 某个动作是否值得保留。
- 训练量是否已经超出恢复能力。
- 下一阶段应该优先解决哪个问题。
与其说这是提示词工程，不如说是上下文工程。提示词决定 AI 如何回答一次问题，上下文则决定它是否真正理解这个问题。
每一次训练，都应该成为下一次判断的依据
最初的计划只能说明我打算做什么，训练记录才说明实际发生了什么。
每次训练结束后，我把训练日记写进 Obsidian，记录当天完成的动作、重量、次数和组数，也补充那些无法被数字完整表达的信息，例如某一组从第几次开始明显力竭、膝盖是否出现不适、动作控制是否稳定，以及当天的睡眠和精神状态。
然后，我把记录再交给 AI 分析，让它对我的训练情况进行总结，并让它结合之前的历史调整下一次训练。
这套循环非常简单：
它看起来并非一套复杂的系统，却改变了 AI 在整个过程中的角色。AI 不再只是开头出现一次，为我生成一张以后很少变化的计划表，而是持续参与每一轮反馈和判断。
训练日志之所以重要，并不是因为记录本身能让人进步，而是因为判断需要证据。没有日志时，我很容易凭印象认为自己最近状态不错，或者误以为某个部位长期没有增长；有了连续记录之后，AI 可以把单次表现放在更长的时间范围内观察，区分偶然波动和持续趋势。
传统健身应用很擅长储存数字，它们可以告诉我某一天完成了 57.5 kg × 10，也可以画出重量变化曲线，但数字本身并不会解释为什么会出现变化。
同一条记录放在历史上下文中，可能代表完全不同的事情。
注意 如果此前几次训练的表现持续上升，那么它也许意味着可以尝试增加负荷。
如果最近睡眠不足、手臂训练量偏高，相同重量的完成次数会连续下降，那么更合理的解释可能是恢复尚未完成。
如果膝盖的不适在某一类动作后反复出现，下一次训练的重点就不应该是突破，而应该是降低风险并重新选择动作。
健身应用看到的是：
57.5 kg × 10
拥有历史上下文的 AI 看到的则可能是：
最近几次训练的恢复并不完整，今天不适合继续增加手臂训练量。
膝盖的不适需要继续观察，并暂时避免使用容易诱发症状的动作。
拉类动作的进展相对稳定，下周可以小幅增加训练要求。
两者使用的是同一批数字，但后者开始接近教练的思考方式。它不仅知道发生了什么，还会尝试理解这件事为什么发生，以及它应该怎样影响下一次决定。
当然，AI 的分析不应该被当成医疗诊断，也很难替代专业教练的现场观察。它可能误读数据，也可能给出不适合个人情况的建议。
涉及持续疼痛和伤病时，我会把安全和专业意见放在第一位，会向 AI 强调我的身体感受，也会让它优先考虑旧伤的恢复情况。在日常训练的记录、回顾和渐进调整上，完整的历史已经足以让 AI 的回答从通用建议变成与我有关的判断。
这也是整套工作流里最关键的一点：
重要 数字描述了发生过什么，记忆则让这些数字获得了原因和意义。
对话会结束，但知识不应该消失
随着训练记录不断增加，任何一个 AI 会话因为上下文长度的限制，最终都会变得难以继续使用。问题不只在于对话越来越长，更在于重要信息被分散在大量往返内容之中。
某次训练后的关键调整、对旧伤风险的判断，以及一个阶段内形成的训练原则，都可能被埋在很久以前的消息里。
我的解决方式不是强行维持同一个会话，而是在每个月结束时生成一份阶段报告，把重要信息整理出来，再交给新的 AI 会话继续使用。
这份报告不是简单统计本月完成了多少次训练，而是把值得延续到下一个阶段的上下文整理出来，包括身体状态的变化、主要动作的进展、恢复情况、出现过的不适、已经验证有效或无效的调整，以及下个月应该继续关注的问题。
进入新月份后，我会开启一个新的 AI 会话，把基础背景和上个月的报告交给它，再继续后面的训练。新会话继承了旧会话沉淀出的知识，就像一位经验丰富的教练留下的训练手册。
整个过程可以概括为：
我把它看作一种记忆转移。旧对话会结束，但它形成的经验不会随之消失。每个月的报告既压缩了历史记录，也保留了连续性，让新的 AI 不必重新从零认识我。
如果没有这一步，每次更换会话都像换了一位完全不了解情况的教练，我必须重新解释过去发生了什么。
有了阶段报告之后，更像是上一位教练留下了完整的交接材料，新教练虽然不同，却可以沿着已有判断继续工作。
为什么我选择 Obsidian 和 Markdown
我使用 Obsidian，并不是因为它本身拥有某种神奇的 AI 能力，而是因为它以本地 Markdown 文件为基础。
Markdown 足够简单，我可以直接阅读它们，AI 也很容易处理。训练记录、月度报告和长期目标都以普通文本保存在自己的设备上，不依赖某个健身应用的数据库，也不必担心产品停止维护后无法迁移。即使未来我不再使用 Obsidian，这些文件依然可以被其他编辑器打开，也可以交给不同的 AI 模型继续分析。
所有权在这里非常重要，许多应用确实可以记录训练，但数据通常被锁在产品内部。它们也许支持导出，但是往往会比较复杂，并且很难完整保留我的备注，以及历史判断信息。相比之下，Markdown 没有复杂结构，我可以自由修改、搜索、建立链接，也可以决定哪些内容应该交给 AI。
在这套系统中，Obsidian 并不是教练，AI 也不再是数据库。两者承担了不同的角色：
- Markdown 笔记保存长期事实和训练历史；
- Obsidian帮助我组织、连接并检索这些内容；
- AI 负责阅读上下文、发现模式和辅助判断。
笔记本成为稳定而持久的记忆，AI 则成为可以随时更换的推理引擎。把这两个部分拆开以后，我就不再需要依赖某个产品同时做好存储、分析和交互，也不用把全部历史困在一次对话里。
系统比模型更重要
我曾经在 Google AI Studio 中处理这些训练信息，现在则切换为使用 WorkBuddy 读取 Obsidian 中的训练记录，并使用不同的 AI 模型进行分析。不同模型的表达方式、上下文能力和分析侧重点会有所不同，但只要训练历史仍然掌握在我自己手中，更换模型就不意味着重新开始。
这让我重新理解了 AI 工作流中什么才是真正值得长期维护的部分。
现在，各种模型会快速变化，今天表现最好的模型，几个月甚至几周后就被另一个模型取代。常用的AI工具产品可能会调整价格、限制功能，甚至改变数据政策。如果整个系统建立在某个模型的会话历史上，那么每次迁移都会付出很高的成本。
但如果记忆独立存在，模型就只是读取并解释这段记忆的工具。新的模型可以接手同一组 Markdown 文件，理解过去的训练情况，并从上一次留下的位置继续分析。它可能给出不同的建议，却不需要我重新讲述自己的经历，也不必担心因为模型更换而丢失重要的判断依据。
因此，真正不可替代的不是某个模型，而是逐步积累下来的个人上下文。
重要 模型可以替换，记忆不应该跟着消失。
这个结论也不只适用于健身，任何需要长期反馈的事情，例如学习、写作、健康管理和个人项目，都面临相同的问题：
重要 一次回答也许很聪明，但如果下一次仍然要从头介绍背景，AI 的价值就会停留在临时助手的层面。只有当历史能够持续积累，它才有机会参与更长周期的判断。
还没有完全自动化的工作流
虽然前面的介绍看起来很美好，但是目前这套流程仍然需要一些手工操作。
训练结束后，我会在 Obsidian 中整理记录，再把相关内容拷贝粘贴给 AI。每个月结束时，也需要让 AI 根据当月材料生成阶段报告，然后将报告保存回 Obsidian。
理想中的流程应该更加连贯：
未来，我计划通过插件、脚本或 API 减少复制和粘贴，让新的训练记录在保存后自动进入分析流程。不过，我并不认为自动化的目标是让 AI 接管所有决定，对于训练这样的事情，人仍然需要感受身体状态，识别疼痛和疲劳，并对建议保持判断。
如果记录一次训练需要经过太多步骤，这个系统我可能很难长期坚持。如果每次更换模型都需要重新整理全部背景，历史信息也无法真正流动起来。所以我心目中理想的自动化应该让信息自然地进入长期历史记忆中，同时保留我对数据、结论和最终决定的控制。
我真正搭建的并不是一套训练计划
最初，我只是想让 AI 帮我制定一份更适合自己的健身计划。做了一段时间以后，我才发现训练动作和组数并不是这件事最有意思的部分。
AI 很擅长生成答案，但答案通常只属于当下。如果它不知道昨天发生了什么，也不知道上个月为什么调整计划，那么无论单次回答多么完整，它仍然只是一个反应迅速的聊天工具。
当每一次训练都被记录，每一个阶段都留下报告，新的 AI 可以继承之前积累的经验时，事情就开始发生变化了。
每次训练都有了记忆，每个月都有了历史，经验得以延续，我不再一次次回到起点。
直到这时我才意识到，我做的并不是一条更好的提示词，而是搭建了一个能够持续记住我的教练。