一眼看懂,
今天做什么。
训练、有氧、饮食和准备度被收敛为今天的行动。首屏不做传统健身数据大屏。
AI-KeepFit
你不缺数据。
你缺一个今天的答案。
01 / The beginning
训练、饮食、体重和围度都已经有数据,但真正站到器械前时,仍然要自己判断:进阶、维持、降载,还是休息?
AI-KeepFit 的起点不是“我想做一个 AI 应用”,而是一个每天都会遇到的真实问题:数据被记录了,却没有变成行动。
一句话产品定义
02 / Product experience
训练、有氧、饮食和准备度被收敛为今天的行动。首屏不做传统健身数据大屏。
数据完整度、体重趋势、力量表现和营养缺口被明确呈现。证据不足时,系统必须降低置信度。
进展页聚焦 7 日均值、训练表现和阶段目标。用趋势支撑调整,不用某一天的体脂数字制造焦虑。
03 / Mobile first
健身决策真正发生在通勤路上、厨房里和器械旁。因此界面从一开始就按拇指可达、快速扫读和单手操作来组织。



04 / Decision architecture
最关键的架构判断,是不把所有数据丢给大模型。确定性计算与决策留在可验证的系统里,模型只负责把结论讲清楚。
训练、饮食、身体数据提供事实
趋势、训练量、热量与完整度
进阶、维持、降载、休息或观察
翻译为自然语言,支持追问与回顾
05 / My contribution
我把 V1 收敛为一个真实用户、一个每日闭环和四个主入口,明确不重做训练与饮食记录器。
建立 Analytics Engine 与 Decision Engine,让结论可测试、可追溯、可降级。
完成 Today、Coach、Progress 与 Settings 的 UX/UI,并持续用真实数据修正信息层级。
不是让 AI 一次生成应用,而是持续提供目标、边界、数据契约与验收标准,用每一轮可运行结果校正方向。
06 / Built for action
训练建议先生成写入预览,用户确认后才更新训练计划。
用确定性营养表与组合搜索,把宏量营养目标转换为真正可以准备的食物份量。
对话围绕当前数据与已确定的行动,缺少证据时明确说明限制。
07 / Outcome & learning
用户打开首页就能理解今天的主要行动,不再自己解读数据。
事实、计算、规则和表达被拆开,让结果更可靠、可追溯。
先服务一个真实目标,再把被验证的判断、边界和结构沉淀为可复用产品能力。
我收获了什么
Vibe coding 的起点不是 prompt,而是一个足够清楚、可以被验证的产品判断。当目标、边界和验收标准足够明确,AI 才会成为真正的共创者。