skill
fitlore
Low-frequency-native workout tracking skill for AI agents — onboarding, logging, conversational reviews, self-contained ECharts dashboards. 训练日志运营者：建档、记录、复盘、可视化。
Set up
Skills are installed by placing their folder where your agent loads skills.
The download comes from github.com/buuzzy/fitlore itself, not from our server, so what you get is exactly what its author published.
Install instructions come from the README
README
synced Oct 22, 2026fitlore
你的训练，值得被记住。
简体中文 | English
一套 AI Agent 健身追踪技能，低频原生设计——为那些不会每天打卡的真实用户而做。
为什么是 fitlore
大多数健身追踪工具默认你会天天记录。但你不会：认真记两周，消失三周，然后带着一堆训练 APP 截图回来。
fitlore 不跟这种懒惰搏斗，而是围绕它设计：
- 时间无关：一切分析用「本次 vs 上一次」，不按日历周期。一个月没来，什么都不会坏——空白期就写「未记录」，绝不追责。
- 批量补录是一等公民：三周的截图和口述一次全交上来，技能批量解析、按日期归位、合并成一次复盘。
- 趋势方法随数据密度自适应：数据密就做趋势分析；数据稀就诚实地说「只谈方向」。绝不把四个数据点假装成趋势。
- 极简数据优先：只有体重 + 训练数据就能用全全部功能。体脂、肌肉量、睡眠、酒精、饮食全可选，缺的板块在图表里自动隐藏。
你说什么 → 它做什么
| 你说 | AI 做什么 |
|---|---|
| 「帮我建档」 | 渐进式问卷（强问项只有 3 个）→ 个人档案 + 初始化 fitness-data/ 目录 |
| 发一张训练 APP 截图 | 解析动作、组数 × 次数 × 重量、容量 → 追加进 CSV → 回报记录结果 |
| 「补录这几天」+ 5 张截图 | 批量补录：全部解析、按日期归位、合并出一份复盘 |
| 丢来一个任意训练 APP 导出的表格 | 校验单位与口径 → 转换成技能的三张 CSV → 落盘前先回报异常行 |
| 「盘一下最近」 | 自上次复盘以来的对话式复盘——疼痛分级、PR 检测、产出一份文档 |
| 「卧推进步了吗」 | 只比同单位、同口径的历史 → 数字由脚本计算，不是模型心算 |
| 「看看我的数据」 | 生成自包含 HTML 可视化报告——双击即开，无需服务器 |
快速开始
npx degit buuzzy/fitlore fitlore
然后把 fitlore 文件夹放入你的 Agent 的技能目录（目录位置以你所用 Agent 的文档为准，用户级或项目级均可），重启会话即可生效。备选方式：git clone https://github.com/buuzzy/fitlore.git。
装好后直接说「帮我建档」。几分钟后你就有了一份个人档案，可以立刻记录第一次训练。
完整 12 周示例
下面两张图来自内置的虚构示例用户（数据在 examples/ 里，随仓库分发），一次性点亮技能的全部可视化能力——身体成分、训练节奏、动作进步、睡眠：
- 体重 −4.4kg、体脂 −4.4pp、肌肉量 +0.7kg——减脂成功的教科书形态：两条线下行，肌肉守住
- 12 周 39 次训练，第 7 周计划性减载如实显示为回落，不隐藏
- 所有动作线全部向上——进步是结果，不是目标
- 睡眠时长与主观分随训练同步改善——用户追踪就展示，不追踪就隐藏
记多少，都能看
同一套报告，随你的数据密度自适应——不报错、不出空图、不制造愧疚：
| 你手里有什么 | 报告展示什么 |
|---|---|
| 1 天 | 指标卡标「暂无趋势」，图表诚实显示孤立点 |
| 1 周 | 第一批变化值出现；只谈点对点方向，绝不用两个点算速率 |
| 1 个月 | 密数据模式：均值对比、趋势线可信、允许出现速率结论 |
| 零散（10 周记 2-3 次） | 只谈方向、空白如实显示，大跨度 KPI 依然有信息量 |
clone 之后打开 examples/scenarios/index.html，四个场景可实时切换查看。
工作原理
flowchart LR
A["第一次使用<br/>渐进式建档"] --> B["日常记录<br/>截图 / 口述 / 批量补录"]
B --> C["盘一下最近<br/>对话式复盘"]
C --> D["可视化报告<br/>自包含 HTML"]
D -->|下次继续| B
技能是方法，你的文件是数据库。 fitlore 本身零个人数据——只有流程、方法论和图表模板。你的数据存放在运行时创建的 fitness-data/ 目录：
| 文件 | 每行代表 | 列 |
|---|---|---|
measurements.csv | 一次身体测量 | date, weight_kg, bodyfat_pct, muscle_kg, sleep_h, sleep_score, alcohol_std, notes |
sessions.csv | 一次训练 | date, type, duration_min, total_volume_kg, calories, notes |
exercises.csv | 一个动作 | date, exercise, sets, reps, weight, unit, side, notes |
三张表只追加：历史记录不可能被静默改写，纠错必须走「留痕不覆盖」的可审计规则。缺失值保持留空——0 和「未追踪」是两回事。
可视化报告一条命令生成：
python3 assets/build_dashboard.py --data 你的数据.json --out dashboards/2026-10.html
脚本把你的数据和 ECharts 图表库注入模板，产出一个约 1MB 的单文件 HTML——不需要服务器、不需要联网，看报告的人什么都不用装。
与同类项目的区别
- 单位与口径可比性规则：训练分析错误的第一大来源是拿 kg 对比 lbs、拿单侧对比双侧。fitlore 在任何对比（包括 PR 检测）之前先做口径校验。
- 「没记录 ≠ 没测」：判定任何维度「长期空白」之前，技能必须先问你一次。用户通常手里有数据，只是没主动交。
- 默认不羞辱进步：除非你明确选择力量为目标，「没加重」永远不会被写成失败。减脂期守住重量就是赢——平线可以是图上最好的一条线。
- 疼痛分级内建：酸胀 / 发紧 / 刺痛 / 发麻各有对应处置，每次复盘必核。安全红线的优先级高于一切训练建议。
- 是日志运营者，不是教练：fitlore 告诉你发生了什么、变化了什么；它不排课、不替你决定。它帮你「看清」，从不替你「拍板」。
常见问题
必须每天记录吗？ 不用。技能就是按「你不记」设计的：想起来就记、一次补几周、空白如实显示。
我的数据会被传到哪里？
哪里都不去。全部留在本地 fitness-data/ 目录。仓库本身零个人数据——这是硬性设计规则，每次发布前都会扫描验证。
我的训练 APP 不是 Hevy / Strong，还能导入吗？ 可以。解析具体文件格式是 Agent 的原生能力；技能只负责数据契约：先确认单位、脚本转换、落盘前回报异常。
它会帮我排训练计划吗？ 不会。fitlore 是训练日志的运营者，不是私教——它负责追踪、复盘、可视化，不负责开处方。
仓库结构
fitlore/
├── SKILL.md # 主入口：触发词、状态机、核心原则
├── references/ # 建档 · 数据收集 · 复盘工作流 · 判断规则 · 可视化
├── assets/
│ ├── dashboard-template.html # ECharts 报告模板
│ ├── build_dashboard.py # 一键构建脚本
│ └── echarts.min.js # Apache ECharts 5（Apache-2.0）
├── examples/
│ ├── data-demo.json # 虚构示例用户
│ ├── dashboard-demo.html # 示例报告成品——双击预览
│ └── scenarios/ # 四种数据密度演示：1 天 / 1 周 / 1 个月 / 零散
│ # → 打开 scenarios/index.html 可切换查看
├── assets/images/ # README 配图
├── CHANGELOG.md
└── LICENSE
环境要求
- 任意具备文件读写能力的 AI Agent 环境 + Python 3.8+（仅标准库）
- 图表基于 Apache ECharts，已预嵌入每份生成的报告——看报告的人什么都不用装
许可证
MIT — 见 LICENSE。