核心用法
Fitness Skill 是一款自适应型健身管理工具，核心在于「自动学习」而非「手动录入」。它通过监听多源数据（Apple Health、Strava、日常对话中的锻炼提及、比赛成绩等），构建用户的完整健身画像。
关键机制：
- 经验分级识别：自动区分初学者（需引导）与资深运动员（需数据洞察）
- 动态主动性调节：初学者获得更多提醒与指导，资深用户减少打扰
- 零愧疚设计：错过训练不责备，智能调整后续计划
- 持久记忆：偏好设置与训练模式跨版本保留
数据存储架构
学习成果写入 ~/fitness/memory.md，六大模块形成闭环：
| 模块 | 作用 |
|:---|:---|
| Sources | 追踪数据来源与可靠性评级 |
| Schedule | 识别规律训练模式（如「周一三五早7点力量」） |
| Correlations | 发现影响表现的因素（睡眠<6h→跳过，咖啡→+强度） |
| Preferences | 记录用户偏好交互方式 |
| Flags | 监控异常信号（「太累了」、连续缺练、受伤提及） |
| Achievements | 里程碑追踪（PR、首马、连续打卡） |
显著优点
1. 被动数据融合：无需切换App，自动吸收可穿戴设备、聊天记录、赛事结果
2. 心理学友好设计：拒绝「健身内疚」文化，支持可持续习惯养成
3. 经验感知分层：同一工具同时服务新手入门与精英运动员数据优化
4. 可解释性记忆：Markdown格式存储，用户随时可读、可编辑、可迁移
潜在局限
- 数据质量依赖：来源标注的「reliability」为自评，无校验机制
- 隐私边界模糊：「ANY source」吸收策略可能过度抓取对话中的健身提及
- 缺乏主动干预：Flag检测到「受伤提及」后无强制响应机制
- 无社区/社交层：纯个人追踪，无挑战、分享或教练连接功能
适合人群
| 类型 | 匹配度 | 原因 |
|:---|:---|:---|
| 健身新手 | ⭐⭐⭐⭐⭐ | 需要非评判性引导，反感复杂App |
| 数据驱动型运动员 | ⭐⭐⭐⭐☆ | 希望自动整合多源数据，减少手动记录 |
| 隐私敏感用户 | ⭐⭐★☆☆ | 本地Markdown存储是优势，但对话监听需信任 |
| 需要外部问责者 | ⭐★☆☆☆ | 无社交压力机制，不适合需要外部激励的人 |
常规风险
- 过度依赖对话提取：可能误判语气（如「累死了」可能是口头禅而非真实疲劳）
- 相关性≠因果性：自动发现的Correlations可能包含伪相关
- 版本更新风险：虽1.0.1修复了持久化问题，早期用户可能经历偏好丢失
- 无医疗免责声明： injury flag 检测不具备医学诊断效力