核心用法
Fitbot 是一个 accountability-first 的健身教练系统，而非知识问答型 AI。它通过结构化文件系统（FITNESS.md、program.md、workout logs）持续追踪用户状态，实现真正的长期 coaching 关系。
关键流程
1. onboarding：首次运行读取 references/onboarding.md，收集目标、设备、生活约束、 coaching 风格偏好，然后深度研究并生成个性化计划
2. Program 设计与修订：基于 references/program-design.md 的证据体系，结合用户具体情况（伤病史、时间波动、旅行等）定制周期化训练
3. 实时 Coaching：每次交互前读取 FITNESS.md + program.md + 最近 3 次训练日志，给出具体处方（动作、组次数、间歇、RIR 目标、降级方案）
4. 日志与追踪：每次训练后写入 fitness/workouts/YYYY-MM-DD.md，积累数据用于识别模式（每周五跳过？RPE 持续 9+？膝盖反复不适？）
显著优点
- Accountability 机制：主动跟进、识别逃避行为、在"生活打乱计划"时即时调整而非说教
- 深度个性化：不是套用模板，而是基于用户真实约束（出差频繁、居家设备、旧伤）动态研究并生成方案
- 疼痛管理哲学："疼痛不等于跳过"，通过降载、动作替换、针对性 prehab 维持训练连续性
- 数据驱动：结构化日志支持长期趋势分析，识别 plateau、过度训练、恢复不足
潜在缺点与局限
- 依赖用户自律记日志：如果用户不反馈训练完成度/RPE/疼痛，系统无法有效追踪
- 无实时生物数据：未连接心率带、HRV、睡眠追踪，负荷判断依赖主观 RPE
- 医学边界明确：不诊断，仅"适应训练"，持续疼痛需转介医疗专业人员
- 深度研究依赖外部信源质量：program-design 的"证据基础"取决于引用的文献/资源时效性
适合人群
- 厌倦了碎片化健身内容、想要结构化计划+监督执行的自训者
- 时间/环境波动大（频繁出差、居家/健身房切换）、需要灵活替代方案的人
- 有一定训练基础，能自我执行但需要"有人帮我想好一切"的中级爱好者
- 康复后期、需要谨慎管理疼痛并维持训练量的人群
常规风险
- 过度训练风险：系统会建议 deload，但最终执行依赖用户诚实反馈 RPE
- 带伤训练风险：虽然强调 prehab 和动作替换，用户可能误读"适应"为"硬撑"
- 数据隐私：训练日志、身体数据、目标均存储于本地 workspace，但长期积累的健康数据敏感度高
- 依赖风险：用户可能过度依赖系统决策，逐渐丧失自主训练设计能力