一份健身训练计划,从人工48小时到AI生成90秒
业务痛点
健身应用的个性化训练计划,是个典型的“人工贵、AI香”场景。
独立开发者老陈的健身App上线半年,用户量到三万时遇到了瓶颈:用户填完身体数据、训练目标和器械条件后,系统只能返回十几套模板计划,按标签粗筛。用户抱怨“千人一面”,付费转化率长期低于4%。
想做好个性化,只有两条路:
- 人工教练审核:雇认证教练,一份计划按30分钟算,日活500人提交需求,需要4-5个全职教练,月成本4万起,且高峰期响应延迟到48小时;
- 纯规则引擎:条件分支写到几百条,维护不动,且无法理解“我膝盖旧伤但想练腿”这种自然语言诉求。
对三五人的小团队来说,这个矛盾几乎无解——直到把大模型接进来。
架构设计
整体架构分四层,核心原则是:AI只负责“生成与解释”,安全和确定性逻辑留在代码层。
用户输入(表单 + 自然语言)
│
▼
┌─────────────────────┐
│ 输入结构化层 │ ← 表单数据直接结构化;
│ (意图解析+校验) │ 自然语言交给小模型抽取
└─────────┬───────────┘
▼
┌─────────────────────┐
│ 约束校验层 │ ← 伤病禁忌、年龄上限、
│ (规则引擎,硬约束) │ 训练量上限等硬性规则
└─────────┬───────────┘
▼
┌─────────────────────┐
│ 计划生成层 │ ← 大模型基于结构化输入
│ (LLM + JSON输出) │ 生成8周计划,强制JSON Schema
└─────────┬───────────┘
▼
┌─────────────────────┐
│ 安全校验与落库 │ ← 二次校验动作库白名单、
│ (白名单过滤) │ 去重、难度归一化
└─────────────────────┘两个关键设计决策:
- 动作库白名单:LLM输出的每个训练动作必须匹配本地动作库(约600个带视频的动作)。模型幻觉出的“水下深蹲跳”直接过滤替换,绝不给用户看。
- 模型分工:意图抽取用便宜的小模型(每千次约0.8元),计划生成用强模型。混合调度后,单次生成总成本压到约0.11元,而人工成本摊到每份约8-10元。
关键实现步骤
第一步:把需求变成机器可读的约束(第1周)
定义输入Schema:身高体重、训练经验、每周可练天数、器械条件、伤病标签、目标(增肌/减脂/体能)。伤病标签是重中之重,直接进硬约束规则,不依赖模型判断。
第二步:搭提示词与输出Schema(第1-2周)
计划生成Prompt的核心结构:
系统角色:你是一名力量与体能教练,基于以下结构化输入,
生成8周渐进式训练计划。
输入约束:
{structured_input}
硬性规则:
1. 所有动作必须从下面动作库中选取:{动作白名单摘要}
2. 有伤病标签的部位,禁止出现相关动作
3. 每周训练量增幅不超过10%
输出要求:严格按JSON Schema输出,包含
week/days/exercises/sets/reps/rest/notes字段第三步:生成后校验流水线(第2-3周)
流程清单:
- [ ] JSON解析失败 → 自动重试一次(重试率约2%)
- [ ] 动作名模糊匹配动作库(编辑距离+向量相似度)
- [ ] 校验伤病禁忌冲突,冲突则替换为安全替代动作
- [ ] 校验训练量合理区间(组数、RPE)
- [ ] 通过 → 落库并附"计划说明"自然语言解读
- [ ] 未通过 → 记录样本,回溯修正Prompt或规则
第四步:反馈闭环(持续)
用户可对单个动作"换一个”,每次替换作为微调数据沉淀。上线三个月后,直接替换率从初期的18%降到7%。
效率对比账本
| 指标 | 改造前(模板+人工) | 改造后(AI流水线) |
|---|---|---|
| 单份计划生成时间 | 24-48小时 | 约90秒 |
| 单份成本 | 8-10元 | 0.11元 |
| 教练人力 | 4-5人 | 1人做抽检 |
| 付费转化率 | <4% | 提升至约11% |
一次性的开发投入:3人×4周,约12万元。按当时日均500份计划算,两个月多一点就收回了成本。更重要的是,人工48小时的响应延迟曾直接劝退冲动付费用户,压缩到90秒后,"填完问卷立刻看到计划”成了转化链路里最有效的一环。
为什么统一AI API网关能降低维护成本
这套架构跑起来后,老陈团队很快撞上新的维护问题:小模型走A家SDK,大模型走B家SDK,认证、重试、计费格式各不相同;有一次想换个更便宜的抽取模型,光改适配代码就花了两天,还顺手引入一个重试逻辑bug。
后来统一收敛到AI API网关,维护成本的变化体现在三处:
- 一套SDK对接所有模型:换模型从“两天改代码”变成“改一个模型名参数”,十分钟验证完。他们后来切了两次抽取模型降本,零代码改动。
- 统一的重试、限流、降级:不用在每个调用点各自写一遍。生成层超时自动降级到备用模型,用户侧无感知。
- 统一账单和监控:三万日活下每天数万次调用,按模型、按接口的用量一目了然,成本核算从“月底看好几家后台拼Excel”变成看一张报表,每月省下约一天的对账时间。
对小团队来说,这类网关的本质是把"模型接入”这件重复且易错的事,变成配置问题而非工程问题——人少,就该把工程精力花在校验流水线和提示词这些真正形成差异的地方。
结语
个性化训练计划的本质,是把“教练的经验判断”翻译成“约束条件+生成能力”。健身、营养、康复、旅行规划……凡是“结构化输入+专家式输出”的场景,都可以复用这套四层流水线。如果你正打算动手接入模型,可以试试统一AI API网关,注册即用,几分钟就能跑通第一个请求:https://api.thistoken.ai/register
---
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。