动态健身计划引擎依据体脂率、睡眠时长、昨日训练强度和晨起心率生成个性化方案，并支持“腿酸”降级或“加量”跃升的实时响应，三层模型确保强度3～9档精准适配。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你需要一个能根据用户当前体脂率、睡眠时长、昨日训练强度和今日晨起心率自动输出训练计划，并在用户输入“今天腿酸得走不动”或“状态超好想加量”后立刻重算计划的智能健身助手。
创建基础工作流并接入身体指标参数
新建一个工作流，选择「文本生成」类型，命名“动态健身计划引擎”。
在变量区点击「+添加变量」→ 添加4个必填变量：body_fat（数值型，单位%）、sleep_hours（数值型）、yesterday_effort（枚举：低/中/高）、morning_hr（数值型，单位bpm）。【这四个变量缺一不可，漏掉sleep_hours会导致夜间恢复评估失效】
把变量全部拖进提示词编辑区，在系统提示词开头写：“你是一名认证运动生理师，严格依据以下实时身体数据设计单日训练方案：体脂率{body_fat}%，昨夜睡眠{sleep_hours}小时，昨日训练强度{yesterday_effort}，今晨静息心率{morning_hr}bpm。”
配置动态反馈响应机制
方法一：用条件分支处理典型反馈语句
在工作流末尾添加「条件分支」节点，设置判断规则：当用户输入包含“腿酸”“走不动”“疼”“不敢蹲”任一关键词时，触发「疲劳降级路径」；当输入含“超好”“加量”“再练”“没感觉”时，触发「强度跃升路径」。
方法二：用正则提取隐性状态信号
添加「代码运行」节点，插入Python脚本：import re; text = input_data.get("user_input", ""); fatigue_score = len(re.findall(r'(酸|疼|僵|沉|重)', text)) + (2 if '走不动' in text else 0); print({"fatigue_level": min(fatigue_score, 5)})。该脚本把模糊描述转为0～5级疲劳值，后续节点直接读取fatigue_level数值做线性调整。
注意：正则匹配必须覆盖方言表达，比如“大腿跟儿发紧”也要捕获，否则用户说“大腿根儿绷着”会漏判。
构建三层训练强度调节模型
第一步：基线强度计算
用「代码运行」节点执行：base_intensity = max(3, min(8, 7 - int(body_fat)//2 + sleep_hours//2 - (1 if morning_hr > 72 else 0)))，输出整数3～8作为当日基准强度档位。
第二步：叠加动态偏移量
从条件分支或正则节点获取fatigue_level或强度指令后，在新「代码运行」节点中执行：final_level = base_intensity + (0 if fatigue_level 3 else -1) + (1 if "加量" in user_input else 0)，确保最终值锁死在3～9区间。
第三步：生成带解释的可执行计划
将final_level传入提示词模板：“请按强度等级{final_level}（1=休息，5=常规，9=突破）生成计划，必须包含：①具体动作名称（如‘弹力带侧步走’而非‘腿部热身’）②精确组数次数（如‘3组×12次’）③组间休息秒数（如‘休息75秒’）④一句生理学依据（如‘晨起心率偏高提示交感神经兴奋，故避开爆发性跳跃动作’）。”
