muscle-gain

muscle-gain 是一款专注于科学增肌的本地数据追踪技能，由 clawd-team 开发，旨在将健身过程转化为数据驱动的精准管理。该工具通过系统化的指标记录，帮助用户建立可持续的肌肉增长循环，特别适合追求 measurable gains 的严肃训练者。

核心用法

该技能提供多维度的健身数据追踪体系。用户可每日记录晨起体重，每周测量臂围、胸围、肩围、腰围及大腿围度，通过趋势分析区分瘦体重增长与水分波动。蛋白质追踪模块允许记录每日膳食，自动计算蛋白质摄入量并与个性化目标（0.7-1g/磅体重）对比。力量训练方面，支持记录深蹲、硬拉、卧推、推举和杠铃划船等核心动作的组数、重量及主观用力感（RPE）。用户可设定体重增长、蛋白质摄入和极限重量（PR）等目标，系统会在接近目标或进度滞后时提醒。此外，还支持上传进度照片并关联当日身体数据，形成可视化对比。

显著优点

首要优势是极致的隐私保护，所有训练日志、体重历史和照片均加密存储于本地，无云端上传，彻底杜绝数据泄露风险。其次，指标设计科学全面，涵盖身体成分、营养摄入与力量表现三大维度，避免单一指标误导。自动化的趋势分析帮助用户识别真实增长与临时波动，减少焦虑。目标提醒功能增强了 accountability，确保用户按计划执行。纯文档架构确保零代码执行风险，使用极为安全。

潜在缺点

作为 T3 来源的社区项目，缺乏大型机构的长期维护背书。纯本地存储虽保障隐私，但也意味着无跨设备同步功能，换机或系统重装时数据迁移依赖手动备份。此外，所有数据需手动输入，对于训练频率高的用户可能产生记录负担。缺乏社交分享功能，不适合需要社群激励或教练远程指导的用户。营养建议基于通用公式，未考虑个体代谢差异。

适合的目标群体

特别适合严肃的力量训练者、健美爱好者及重视数据隐私的健身人群。对于追求精确周期化训练（periodization）的进阶训练者，其详细的 RPE 记录和趋势分析极具价值。同时，对云端存储有安全顾虑的用户可完全放心使用。也适合刚开始系统训练、希望建立数据记录习惯的新手。

使用风险

主要风险在于数据管理：本地存储意味着设备损坏或误删可能导致训练历史永久丢失，用户必须建立定期备份习惯。其次，作为纯文档型技能，其功能依赖于宿主应用的解析与渲染，若客户端实现不完善可能影响体验。营养计算基于通用公式（0.7-1g/磅），特殊体质用户需咨询专业人士调整。最后，缺乏自动同步功能意味着多设备用户需要手动合并数据。

Muscle Gain 深度评估

核心用法

Muscle Gain 是一款面向增肌人群的数据追踪 Skill，采用纯文档架构（T-MD），无需执行任何代码即可运行。核心功能覆盖三大维度：身体围度追踪（体重、胸围、臂围等六项周测指标）、蛋白质摄入管理（每日克数记录与个性化目标对比，基于 0.7–1g/磅体重标准）、以及力量进阶可视化（深蹲、硬拉、卧推等复合动作的重量×次数趋势图）。用户可通过自然语言触发「log weight」「protein today」「check gains」等指令，系统自动生成趋势分析与里程碑提醒，并支持进度照片与训练数据的时间戳关联。

显著优点

1. 隐私优先架构：明确承诺数据本地加密存储，零云端上传、零第三方访问，符合 GDPR 数据最小化原则。
2. 零依赖零风险：无可执行代码、无外部 API、无第三方库，从根本上消除供应链攻击与数据泄露风险。
3. 科学训练方法论：内置行业共识的最佳实践（晨起称重、蛋白质优先、周测固定条件），降低用户试错成本。
4. 轻量无感运行：3.2 秒扫描完成，69 行纯 Markdown，资源占用趋近于零，适合长期后台驻留。

潜在局限

1. 功能天花板：纯文档形态决定了无法执行复杂计算或实时同步，趋势分析依赖外部工具渲染。
2. T3 来源风险：维护者「clawd-team」为社区项目，无企业背书，长期更新与漏洞响应能力存疑。
3. 社交属性缺失：无内置分享或社区激励，自律型用户友好，但依赖外部反馈的群体可能动力衰减。
4. 数据孤岛：本地存储虽安全，却增加了跨设备迁移与备份的复杂度，需用户自行管理文件。

适合人群

• 注重数据主权的隐私敏感型健身者
• 已有训练基础、无需教学指导的自主训练者
• 厌恶订阅制与云服务绑定的「离线优先」用户

常规风险

• 人为误操作：测量时间/条件不统一导致趋势失真（Skill 已内置提醒，但无法强制约束）。
• 目标设定偏差：新手可能高估蛋白质需求或增重速度，建议结合专业营养师意见校准。
• 长期维护真空：若 clawd-team 停止更新，用户需自行 Fork 维护元数据文件。