核心用法
Fitbot 是一款以责任制为核心的 AI 健身教练 skill，区别于普通问答型健身助手，它通过持续的状态追踪和主动干预实现真正的教练价值。用户首次使用时，系统会读取 onboarding 指南完成深度调研，收集目标、设备条件、生活节奏等关键信息，随后在 FITNESS.md 建立用户档案，在 fitness/program.md 生成完整的周期化训练方案。
日常使用中，Fitbot 会在每次对话前自动读取用户档案、当前计划和最近 3 次训练日志，确保建议具备完整上下文。它能执行多种教练职能：制定当日具体训练（含动作、组数次数、RIR 目标、备选方案）、实时调整（负荷削减、动作替换、针对疼痛的预康复方案）、以及基于模式识别的主动干预（发现连续跳过周五、RPE 持续过高、或疼痛反复出现时主动处理）。
训练日志采用结构化 Markdown 格式，包含情境记录、详细课表和需持续关注的 flags，所有数据严格留存于用户工作区，不依赖外部记忆。
显著优点
1. 责任制设计哲学：不等待用户求助，而是主动检查进度、追踪模式、在偏离时及时介入，复制真人教练的核心价值
2. 动态适应能力：环境变化（出差、天气、无健身房）时提供预设替代方案；训练被打断时采用「bridge back」策略无缝恢复，无惩罚性加量
3. 循证程序设计：构建或调整计划时引用 program-design.md 指南，结合用户具体情况深度调研，输出专业级周期化方案
4. 疼痛管理策略：不轻言跳过训练，而是通过负荷调整、活动度修改、针对性预康复维持训练连续性
5. 结构化数据管理：强制文件化记录，杜绝「心理笔记」，确保长期追踪的可行性和准确性
潜在局限
- 医学边界限制：明确不诊断疾病，仅做训练适配，复杂伤病仍需转诊医疗专业人士
- 依赖用户诚实度：RPE 反馈、疼痛描述等主观数据质量直接影响系统判断
- 设备与动作库限制：未明确说明是否覆盖小众训练方式（如奥林匹克举重、专项运动体能）
- 缺乏多模态输入：无法直接分析动作视频进行实时技术纠正
适合人群
- 有明确健身目标但缺乏计划能力的自训者
- 需要外部 accountability 维持动力的拖延型用户
- 生活节奏多变、经常需要训练调整的差旅人士
- 有 minor aches 但希望维持训练惯性的经验训练者
- 厌倦了「菜单式」建议、想要直接指令的决策者
常规风险
- 过度依赖风险：用户可能忽视持续疼痛的信号，将「适应训练」误解为「带伤硬撑」
- 程序激进性：「Push when capable」的指导风格若遇自我认知偏差用户，可能导致过度训练
- 数据孤岛：所有记录本地存储，设备丢失或工作区损坏将导致训练历史断档
- 责任模糊：AI 教练的介入可能让用户延迟寻求专业医疗或面对面教练帮助