基于知识的大型语言模型用于个性化运动训练计划生成

为普通人提供更智能的锻炼计划

大多数健身应用都承诺个性化训练，但许多仍依赖忽视你身体实际状况的通用模板。本文提出了 LLM-SPTRec，一种新系统，它将现代聊天机器人所用的大型语言模型与经过验证的体育科学知识和可穿戴设备数据相结合，以构建更安全、更有效的锻炼计划。无论你是否曾疑惑为什么应用总是推荐不合适的动作——或担心由 AI 提供的健康建议是否真正安全——这项工作展示了如何让数字教练既更加个人化又更具科学性。

传统健身应用为何力不从心

像推荐电影或商品的传统推荐引擎在应用到运动领域时表现不佳。它们常常复制并重复标准模板，难以处理新用户的少量数据，也很少关注你身体的日常变化。更糟的是，这些系统并非为需要高度安全性的决策而设计。通用语言模型擅长讨论锻炼，但因其在广泛的网络文本上训练，可能会“幻觉”出有风险的建议或忽略重要的休息日。作者认为，在运动计划制定中——错误的指导可能导致受伤或过度训练——AI 必须以经验证的体育科学为基础，并且要跟踪个体随时间变化的状态。

构建个人的丰富画像

LLM-SPTRec 的核心是一个为每位用户创建详细快照的模块。系统不仅存储年龄、性别或经验等级等静态信息，还融合三类信息：静态特征（例如训练历史）、动态信号（如心率、心率变异性、睡眠评分以及来自可穿戴设备和日志的历史训练数据）和用户以自由文本写下的目标。一个基于 Transformer 的模型——与现代语言模型背后的技术相关——学习这些时间序列数据中的模式，例如昨天一次高强度训练如何影响今天的准备状态。注意力机制随后衡量在特定时刻哪些信号更重要，并将它们组合成用户当前状态的单一数值表示。

教会 AI 真实的体育科学

为防止不安全或不科学的建议，研究人员构建了一个体育科学知识图谱，本质上是专家认可事实的结构化地图。它包含数千条条目，将动作与肌肉、运动类型、器械、常见伤病和诸如渐进超负荷与特异性等训练原则相连接。对于每个用户，系统会提取该图谱中最相关的部分——例如卧推针对哪些肌肉、哪些动作对肩部问题不利——并将其转换为可读文本，与用户画像一起输入语言模型。然后通过精心设计的提示，要求语言模型以结构化格式生成多日训练计划，遵守诸如轮换肌群、避免已知禁忌等规则。

保持计划结构化、安全并随时间改进

LLM-SPTRec 不只是生成文本。一个验证模块根据硬性规则检查每份计划，例如不得在连续日子对同一主要肌群过度负荷，并标记与知识图谱中记录的伤病风险冲突的内容。如果计划未通过这些检查，系统会再次提示模型，明确指出错误所在，直到生成安全计划为止。系统的训练也分两阶段进行。首先，它从大量专家设计的计划中学习。随后通过反馈进一步优化：模拟或真实用户的评分会奖励连贯、符合目标且易于执行的计划，同时对不安全建议给予重罚。这一反馈循环推动模型朝更符合实际效果的建议方向改进。

系统在实践中的表现如何

作者在名为 SportFit-1M 的大型真实世界数据集上测试了 LLM-SPTRec，该数据集结合了来自健身应用和可穿戴设备的匿名数据，覆盖数万名用户以及数百万条训练日志和生理记录。他们将该系统与多个强基线方法比较：经典的协同过滤、仅查看过去选择的序列模型、先进的知识图谱推荐器以及基于通用语言模型的框架。LLM-SPTRec 不仅在选择合适动作方面胜出，更重要的是在生成被专家评为更连贯、与用户目标更契合的完整计划方面表现出色。预测的用户满意度评分也更高，且一项由认证教练参与的小规模人工研究显示，其安全性评分明显优于未进行体育学科落地的通用语言模型。

这对未来数字化教练意味着什么

对普通读者而言，结论是：当三种要素结合时，更智能、更安全的 AI 教练是可行的——来自设备的丰富数据、以结构化知识编码的专家体育科学，以及需被精心引导与校验的强大语言模型。LLM-SPTRec 表明，这种组合可以生成自适应的日常训练计划，尊重你身体的动态状态和个人目标，同时降低有害或荒谬建议的风险。展望未来，同样的方法可以扩展到营养、伤病康复甚至心理健康领域，指向一个 AI 助手不再像通用聊天机器人，而更像知识渊博且注重安全的数字教练的未来。

引用: He, Z., Wang, J., Zhang, B. et al. Knowledge-grounded large language model for personalized sports training plan generation. Sci Rep 16, 6793 (2026). https://doi.org/10.1038/s41598-026-37075-z

关键词: 个性化训练, 体育科学人工智能, 健身推荐, 可穿戴设备数据, 知识图谱