OpenClaw+千问3.5-9B健身助手：训练计划生成与饮食建议

1. 为什么需要AI健身助手？

去年冬天体检报告上的几项异常指标让我意识到，碎片化的健身尝试根本无效。作为程序员，我试过各种健身App，但总遇到三个痛点：

1. 计划僵化：大多数App提供的训练方案要么太激进要么太保守，很难匹配我的体能基础和时间碎片化特点
2. 饮食空泛：所谓"个性化建议"只是根据体重推荐热量值，没有考虑我的乳糖不耐受和素食偏好
3. 数据割裂：运动记录在Keep，饮食记录在薄荷健康，体测数据在Excel，永远看不到完整视图

直到发现OpenClaw可以对接本地部署的千问3.5-9B模型，我决定用周末时间搭建一个真正的个性化健身助手。这个方案的核心优势在于：

• 数据隐私：所有身体指标和运动记录都留在本地
• 动态调整：模型能根据每周体测数据修正计划
• 全链路整合：从训练动作到营养计算再到健康数据同步，形成完整闭环

2. 系统搭建实战

2.1 基础环境准备

我的开发环境是M1 MacBook Pro，先通过Homebrew完成基础依赖安装：

brew install node@22 python@3.11
npm install -g openclaw@latest

OpenClaw的配置文件位于~/.openclaw/openclaw.json，关键是要正确配置模型端点。由于我本地已经通过星图平台部署了千问3.5-9B镜像，配置如下：

{
  "models": {
    "providers": {
      "qwen-local": {
        "baseUrl": "http://localhost:5000/v1",
        "apiKey": "NULL",
        "api": "openai-completions",
        "models": [
          {
            "id": "qwen3.5-9b",
            "name": "千问3.5-9B本地版",
            "contextWindow": 32768
          }
        ]
      }
    }
  }
}

验证模型连接时遇到一个坑：必须确保OpenClaw网关和模型服务使用不同端口。我的解决方案是：

openclaw gateway --port 18789 &
python3 -m llama_cpp.server --model ./qwen3.5-9b-q4_0.gguf --port 5000

2.2 健康数据接入层

为了让模型理解我的身体状况，需要建立数据采集管道。通过OpenClaw的插件系统实现了三类数据接入：

1. 手动输入数据（基础指标）

   # 示例输入数据结构
   health_profile = {
       "height": 175,  # cm
       "weight": 72,   # kg 
       "body_fat": 18, # %
       "allergies": ["lactose"],
       "diet_preference": "vegetarian"
   }
   

2. Apple Health自动同步（动态指标） 使用@openclaw/health-connect插件获取历史数据：

   clawhub install health-connect
   

3. 智能设备实时数据（运动监测） 通过蓝牙连接小米手环，需要额外配置：

   {
     "devices": {
       "mi_band": {
         "mac_address": "XX:XX:XX:XX:XX",
         "polling_interval": 60
       }
     }
   }
   

3. 核心功能实现

3.1 训练计划生成器

模型调用采用思维链(CoT)提示策略，这是经过多次调试后的最优模板：

你是一位专业健身教练，请根据以下用户档案生成为期4周的训练计划：
基础信息：{height}cm/{weight}kg 体脂率{body_fat}%
运动基础：{fitness_level}
时间限制：每天{available_mins}分钟
设备条件：{equipment}

要求：
1. 每周训练日不超过{training_days}天
2. 包含热身和拉伸环节
3. 分化训练部位
4. 每周强度递增不超过10%
5. 用Markdown表格输出计划

典型输出示例：

| 周次 | 训练日 | 主要内容                     | 目标部位   |
|------|--------|------------------------------|------------|
| 1    | 周一   | 徒手深蹲3组+平板支撑2分钟   | 下肢/核心  |
| 1    | 周三   | 俯卧撑4组+引体向上辅助训练  | 上肢       |

3.2 饮食建议引擎

为解决营养计算问题，我构建了本地食物数据库（约800种常见食材），模型会根据目标自动组合：

# 饮食策略生成逻辑
def generate_diet_plan(calorie_target, restrictions):
    prompt = f"""基于以下条件生成七日食谱：
    - 每日总热量：{calorie_target}kcal
    - 饮食限制：{restrictions}
    - 食材库：./local_food_db.json
    要求：
    1. 标注每种食材的克数和热量
    2. 避免连续两天相同菜式
    3. 考虑食材季节性"""
    return qwen_completion(prompt)

一个意外收获是模型能自动处理食物替代方案。当我某天忘记购买食谱中的藜麦时，助手立即建议用燕麦片+奇亚籽组合替代，并自动调整了营养计算。

3.3 进度跟踪系统

通过OpenClaw的定时任务功能，每周日23点自动生成评估报告：

openclaw schedule add "0 23 * * 0" \
  --task "生成健身周报" \
  --params '{"type":"weekly_report"}' \
  --output ~/Downloads/health_report.pdf

报告包含三个关键图表：

1. 训练完成率：对比计划与实际训练量
2. 营养偏差分析：主要营养素摄入与目标差异
3. 体测趋势图：体重/体脂率变化曲线

这些图表通过matplotlib生成，数据源来自Apple Health的SQLite数据库。

4. 关键问题与解决方案

4.1 动作标准性验证

初期发现模型推荐的部分动作存在执行风险（如圆背硬拉），通过多模态方案改进：

1. 用opencv捕捉关键帧
2. 通过mediapipe进行姿态估计
3. 将关节点坐标送入模型分析

# 动作分析提示词
def analyze_posture(joint_data):
    prompt = f"""根据以下关节坐标分析训练动作标准性：
    {joint_data}
    重点关注：
    - 脊柱是否保持中立位
    - 关节角度是否在安全范围
    - 是否存在代偿现象"""
    return qwen_completion(prompt)

4.2 平台数据同步

将数据写入Apple Health需要处理iOS的权限沙盒限制。最终方案是通过Shortcuts应用桥接：

1. 配置OpenClaw输出到指定JSON文件
2. Shortcuts监控文件变化
3. 调用HealthKit API写入数据

{
  "ios_shortcuts": {
    "health_sync": {
      "trigger_file": "./health_data.json",
      "target_metrics": ["step_count", "active_energy"]
    }
  }
}

4.3 模型微调实践

通用模型在运动医学领域表现不佳，我收集了300组专业训练方案进行LoRA微调：

python3 finetune.py \
  --base_model ./qwen3.5-9b \
  --data ./fitness_dataset.jsonl \
  --lora_rank 8 \
  --output_dir ./qwen-fitness

微调后模型变化：

• 专业术语理解准确率提升37%
• 计划合理性评分提高29%
• 但Token消耗量增加了15%

5. 实际使用效果

经过三个月实践，这个系统给我的健康管理带来显著改变：

1. 训练效率提升：每周实际运动时间从碎片化的120分钟整合为高效的90分钟
2. 饮食可控性：蛋白质摄入达标率从58%提升至82%
3. 数据可视化：通过趋势图发现睡眠质量与训练强度的负相关关系

最惊喜的是模型展现的"教练思维"——当我连续三天未完成计划时，它没有简单批评，而是分析出我的会议时间分布后，主动将训练时段调整到上午10点。

整个系统的资源消耗也控制在合理范围：

• 模型推理：占用约4GB内存
• OpenClaw服务：常驻内存约300MB
• 每日Token消耗：平均约1800（相当于0.03美元）

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。