每次去健身房都會有一個共同問題：我今天到底該練什麼？
就算前幾天已經記錄了飲食、重量、次數，打開紀錄頁面還是會想：「那接下來呢？」
這就是今天要講的重點——如何讓 AI 幫你做出「個人化健身建議」。

為什麼要做「個人化建議」

前面的系統已經能記錄飲食與運動，但 AI 排課表還是偏「模板式」——
例如週一胸、週二背、週三腿，這樣的邏輯雖然簡單，但不夠「懂使用者」。
一個真正的 AI 教練，應該要能看懂你的：

• 最近的訓練部位分佈（避免重複練到同個肌群）
• 飲食熱量與蛋白質攝取量
• 睡眠與恢復天數
• 過去表現趨勢（重量是否有進步）

然後根據這些資料，主動提出建議。
像是：「你這週推的量太多了，明天建議休息或改練腿。」
或「你今天熱量攝取偏低，不建議高強度訓練。」

⚙️ 系統構想：AI 如何學會給建議

分析器會根據 MongoDB 裡的資料去算出幾個關鍵數據，例如：

• 每個肌群訓練頻率
• 最近七天訓練總量
• 飲食與攝取比例
• 上一次訓練距今的天數

這些數據會被包成一個 userProfile 物件，
再送進 AI 模型（不論是 LLM prompt 還是自訂邏輯）中，生成個人化建議。

技術挑戰

這個功能看似單純，但實際上有幾個挑戰：

1. 資料整合困難：飲食、運動、休息等資料分散在不同 collection。
2. 建議邏輯複雜：不同人目標不同（減脂 vs 增肌），AI 要能動態調整。
3. 即時性問題：要在每次使用者紀錄後即時更新建議，不然體驗會斷層。

目前我打算用一個簡單的 pipeline：

// 假設我們有 userProfile 已包含運動與飲食統計const prompt = ` 根據使用者資料提供建議： - 過去七天胸部訓練 3 次 - 平均睡眠 6 小時 - 飲食蛋白質偏低 請用一句話給出明日訓練建議 `; const suggestion = await openai.createCompletion({ model: "gpt-4o-mini", prompt, }); 

未來可以擴充成「建議卡片系統」，讓建議更視覺化，例如：

• 🔵 明日建議：改練腿部
• 🍗 熱量提醒：蛋白質攝取偏低
• ⏱️ 恢復建議：建議多睡 1 小時

實際應用想像

想像一下，早上打開 APP，它會自動說：

「Tom，你昨天練完背，今天建議練胸或休息。根據飲食分析，你昨天碳水稍高，可以安排高強度訓練。」

這就是我想做的「AI 教練」。
不只是幫你記錄，而是真的懂你的狀況、陪你訓練。

結語

AI 的強大不是在於能寫程式，而是在於能「理解脈絡」。
健身的過程其實就像開發一個系統——
你必須持續輸入資料、觀察結果、再依據回饋調整策略。
而 AI 的角色，就是那個幫你看清全局、提醒你不要過度訓練的好夥伴。

下一篇，我會開始實作這個「建議系統」的邏輯，
讓它真的能根據資料去給出每日訓練提案。
AI 不只是寫程式的幫手，它也能是你的健身夥伴。