用 AI 生成个性化训练计划：从目标设定到周期化执行

很多人把”练不出来”归因于不够努力，但更常见的原因是计划本身不成立：目标模糊、负荷随意、没有反馈。这篇文章以 AI智能健身助手 v0.1 为例，拆解一条训练计划从设定到执行的完整链路。

先把目标翻译成可计算的量

“变强一点""瘦下来”都不是目标。目标要翻译成可度量、有 deadline 的量，例如：

• 12 周内深蹲 1RM 从 80kg 提升到 95kg；
• 体脂率从 22% 降到 18%，同时保持体重不掉超过 2kg。

有了量化目标，才能谈强度分配。力量训练里最常用的是用 1RM（一次重复最大重量） 来标定负荷：

$$1RM = w \times \left(1 + \frac{r}{30}\right)$$

其中 $w$ 是完成的重量，$r$ 是该重量下的重复次数。这是 Epley 公式，简单但足够稳。AI 助手的第一步，就是把你的测试组数据换算成 1RM，再按百分比区间安排每周负荷。

计划的意义不是让你每次都力竭，而是让”下一次训练”总在能力边缘附近，而不是能力之外。

周期化：把 12 周拆成可执行的节奏

线性加重对新手有效，但对多数人来说，波浪式的周期更抗疲劳。v0.1 采用最简单的三段结构：

flowchart LR
    A[目标设定] --> B[体测评估]
    B --> C[计划生成]
    C --> D[执行与记录]
    D --> E[反馈调整]
    E --> C

每一轮”生成 → 执行 → 反馈”都是一个闭环。AI 的价值不在一次生成多完美的计划，而在根据你的完成质量持续修正。

负荷计算的最小实现

换算与排程的核心逻辑其实很小，用 Python 十几行就能跑通原型：

from dataclasses import dataclass

@dataclass
class TrainingSet:
    weight: float   # 完成重量 kg
    reps: int       # 完成次数

def epley_1rm(s: TrainingSet) -> float:
    """Epley 公式估算 1RM"""
    return s.weight * (1 + s.reps / 30)

def week_load(one_rm: float, pct: float, sets: int, reps: int) -> float:
    """一周某动作的总负荷（吨位）"""
    return one_rm * pct * sets * reps

bench = TrainingSet(weight=60, reps=8)
rm = epley_1rm(bench)
print(f"估算 1RM: {rm:.1f} kg")
print(f"本周 70% 强度 4x8 总负荷: {week_load(rm, 0.70, 4, 8) / 1000:.2f} t")

计划生成器在此基础上做三件事：按动作池分配百分比区间、控制单周负荷增幅不超过 5%、在连续两周完成度低于 90% 时自动降档。

一周计划的样例输出

星期	动作	强度 (%1RM)	组数 × 次数
周一	深蹲	72%	4 × 6
周三	卧推	70%	4 × 8
周五	硬拉	75%	3 × 5
周六	辅助训练	—	3 × 12

辅助训练不计入主项吨位，但会记录 RPE，用于判断疲劳是否堆积。

反馈闭环：让计划跟着人走

计划发出去只是开始。每次训练后记录两个数字就够了：完成度和主观疲劳（RPE）。连续两周完成度低于 90%，降档 5%；RPE 持续高于 9，先砍辅助项再动主项。

这套规则很朴素，但它让”坚持”变成一个可维护的系统——而系统，恰恰是忍耐最可靠的形态。

小结

• 目标先量化，再谈强度；
• 1RM 与百分比是计划的原材料；
• 周期化的本质是管理疲劳，不是排列组合；
• 反馈闭环比完美的初始计划更重要。

下一篇文章聊聊数据接入：把训练记录变成 AI 可以消费的结构化输入。