一份训练计划的人工成本是40分钟，AI版只要8秒 —— 健身应用的个性化生成改造记

一、业务痛点：个性化=人力黑洞

我朋友小团队做了一款健身App，主打“私教级训练计划”。早期模式很传统：用户填问卷（目标、经验、可用器械、伤病史、每周可训练天数），后台教练人工撰写计划，一份计划平均耗时 35-45分钟，一单人工成本约 30-50 元。

用户量到 3000 时问题爆发了：

• 响应慢：用户付费后平均等 18 小时才拿到计划，差评集中在“等太久了”；
• 人力线性扩张：每新增 500 付费用户就要多招一名兼职教练，毛利被吃光；
• 质量不稳定：不同教练产出风格差异大，复购率上不去；
• 改计划更贵：用户中途想调整（换了健身房、膝盖不适），改版又是一次人工往返，占掉了 40% 的客服工时。

结论很清楚：个性化的边际成本必须趋近于零，这件事只能靠 AI 生成 + 规则校验来解决。

二、架构设计：AI 负责生成，规则负责兜底

核心原则：不要让大模型裸奔输出训练计划——幻觉一个不存在的动作名称、给膝盖术后用户安排跳跃动作，都是事故。架构分四层：

用户问卷 → 结构化画像(Profile JSON)
    ↓
[规则引擎] 硬约束过滤：禁忌动作、器械可用性、时长上限
    ↓
[LLM 生成层] 通过统一 AI API 网关调用
    ├── 计划生成：通用大模型（长上下文、推理强）
    ├── 动作说明改写：轻量模型（便宜、快）
    └── 用户追问回复：对话模型（带流式）
    ↓
[校验层] 动作库白名单匹配 + 强度合理性检查
    ↓
计划落库 → 推送用户

三个关键设计决策：

1. 模型分工：主计划用强模型保证专业度，动作详情、FAQ 这类高频低难度任务用小模型，token 成本降到原来的 1/8 左右；
2. 动作白名单：模型只能从 500 个经过教练审核的动作库中选，输出后逐项校验，不通过就走重试或降级到模板计划；
3. 统一网关接入：所有模型调用走同一个 OpenAI 兼容网关，而不是每家模型厂商各接一套 SDK。

三、关键实现步骤

步骤清单

1. 动作库结构化（第 1 周）：把教练的动作知识整理成 JSON——名称、肌群、器械要求、禁忌标签（如 contraindications: ["knee"]）、强度等级；
2. 画像 Schema 定义（2 天）：问卷答案转成结构化 JSON，作为 prompt 的一部分，避免自由文本解析；
3. Prompt 模板 + 网关接入（3 天）：主生成 prompt 要求模型只输出 JSON，动作从白名单 ID 中选；
4. 校验与降级（第 2 周）：校验失败自动重试一次，再失败降级到规则模板（保证永远有产出）；
5. 灰度上线：先对 10% 新用户开放 AI 计划，教练抽检 5%，通过率达标后全量。

核心生成调用示例

from openai import OpenAI

# 统一网关：换模型只改 model 名，不改 SDK 和鉴权
client = OpenAI(
    api_key=GATEWAY_KEY,
    base_url="https://api.thistoken.ai/v1"
)

def generate_plan(profile: dict) -> dict:
    resp = client.chat.completions.create(
        model="gpt-4o",          # 强模型出主计划
        response_format={"type": "json_object"},
        messages=[
            {"role": "system", "content": PLAN_SYSTEM_PROMPT},  # 含动作白名单与禁忌规则
            {"role": "user", "content": json.dumps(profile, ensure_ascii=False)}
        ]
    )
    plan = json.loads(resp.choices[0].message.content)
    invalid = validate_against_action_lib(plan, profile)
    if invalid:
        plan = retry_or_fallback(profile, invalid)  # 重试/降级
    return plan

改写动作说明时只需把 model 换成轻量模型，代码其余部分完全复用。

四、效率账：改造前后对比

教练的角色从“写计划”转为“审核动作库 + 抽检质量”，2 个人撑起了原来 6 个人的产能。个性化的边际成本从 30 元降到几分钱，商业模式才真正跑通。

五、为什么统一 AI API 网关能省维护成本

这是整个方案里最容易被低估的一环。一开始我们也想过直接接各家官方 API，算过账后放弃了：

• 多 SDK 维护：接 3 家厂商就要维护 3 套 SDK、3 套鉴权、3 套错误处理。某次某厂商 SDK 大版本升级，我们花了一整天适配——这天本可以用来做产品。走统一网关后只有一套 OpenAI 兼容协议，换模型 = 改一个字符串，5 分钟完成；
• 模型可替换性：健身计划生成对模型价格敏感，今天用 A 家、下个月 B 家降价就切换。统一网关让“模型选型”变成运营决策而非开发任务，不用重新走发版流程；
• 预算与限流集中管控：所有调用走一个入口，实时看 token 消耗、按功能维度设限额，避免某个功能异常刷爆账单——这在月底才发现账单超标的时代是救命的；
• 重试与降级统一实现：超时、限流、内容审核失败的兜底逻辑写一次，所有模型调用共享，不用在每个业务代码里重复。

对小团队来说，这意味着一个人可以维护 3-5 个模型依赖的功能，而不是每个模型消耗半个工程师。

六、落地建议

如果你也想做类似的个性化生成功能，记住三点：让 AI 做生成、让规则做安全、让网关做统一。先从最小的白名单 + 单一模型跑通闭环，再逐步引入模型分工和降级链路，两周内就能看到效果。

如果你正在寻找一个支持多家模型、OpenAI 兼容协议、带实时额度管控的统一 AI API 网关来快速落地这类场景，可以看看 https://api.thistoken.ai/register ，注册即可开始接入。

---

想直接跑通示例？访问 https://api.thistoken.ai/register 注册 ThisToken.AI，获取 API Key 后即可开始。