Почему AI в фитнесе и питании всё ещё оверхайп - и как настроить его правильно

Решил поделиться длительным опытом интеграции LLM в тренировочный процесс и ЗОЖ. За последний год я изучил этот вопрос с разных сторон: от обсуждения тренировок с LLM до разработки AI-приложений. Сегодня делюсь инсайтами.

Спойлер: прямо сейчас 90% приложений с AI - тупая выкачка денег за иллюзию пользы. Но если подойти к делу с умом, ваша подписка на LLM их заменит и превзойдет.

Разберем два главных направления: питание и планирование нагрузок.

1. Подсчёт калорий по фото
Практически каждый современный трекер (MyFitnessPal, FatSecret, Garmin и.т.д.) встроил фичу: «сфоткай тарелку — получи КБЖУ».

В чём проблема:
- Специализированных моделей почти нет. В большинстве сервисов под капотом сидит обычная LLM, которая чаще завышает каллорийность. В итоге вместо легкого дефицита вы улетаете в жёсткую яму (что чревато срывами), а при работе на профицит - сидите в дефиците.
- Проблема с фото. Чтобы специализированная модель хотя бы приблизительно угадала вес и состав, нужен идеальный свет, понятный масштаб и фиксированный размер тарелки. В реальной жизни люди фоткают как придется.
- Иллюзия экономии времени. Большая точность достигается там, где вас просят после фото дописать текстом, что вы ели. Но тогда теряется весь смысл: проще взвесить все на весах за те же 2 мин.

2. AI-тренеры внутри приложений
С планированием тренировок есть две базовые схемы:
- Жесткие формулы (Garmin и др.). В 9 из 10 случаев их рекомендации адекватны, но не знают ваших целей и контекста.
- Экспорт данных в стороннее приложение с LLM. Возникают проблемы экономики и управления контекстом.

Чтобы модель дала качественный план, ей нужна куча данных:
- Цель и фаза текущего тренировочного блока.
- Саммари тренировок за прошлую неделю и динамика ключевых метрик (HRV, RHR).
- Планируемая нагрузка + телеметрия за последние 3 дня.

Легкие модели под капотом приложений тупо не периваривают это и путаются в цифрах,а полновесные GPT или Gemini руинят экономику разработчика.

В итоге любой чат с AI в обёртке фитнес-аппы втирает вам дичь, которая совпадает с реальностью только на 60–70%.

Как тогда правильно использовать LLM для тренировок?
Шаг 0. Изучите базу
Перед тем как идти к LLM, изучите метрики, важные для вашего спорта и как они реагируют на стресс/недосып. Вы должны быть подкованы в теме, чтобы: А) Не тратить контекст на лекции от модели. Б) Понимать реальное состояние тела до того, как откроете чат.

Вариант 1: Разделение контекста в вашей личной подписке
Используйте свою подписку на LLM и разведите задачи по разным чатам:
- Чат 1 (Оперативный): Только динамика HRV/RHR за 3 дня + телеметрия конкретной тренировки (лучше цифрами/текстом, а не скринами).
- Чат 2 (Стратегический): Таблица HRV/RHR за месяц, сводка типов нагрузки, текущие профильные метрики (например, FTP и VO2Max для вела) + цели прошлого и следующего блоков.

Вариант 2: Кодинговый агент + MCP (Garmin / Strava)
Самый правильный и продвинутый путь. Вы один раз собираете skill для агента, подключаете нужный MCP, настраиваете локальное сохранение контекста в файлы и дальше общаетесь как с персональным тренером. Контекст контролируется идеально, ручного копипаста - ноль. Но нужен запар на первичную настройку.

Два совета для обоих сетапов:
- Сообщайте инфу про свое субъективное самочувствие. Обязательно скормите модели информацию о том, как вы себя чувствуете прямо сейчас (тяжесть/стресс/плохой завтрак). ЦНС часто дает более точный сигнал, чем датчики часов, которые ещё не успели отловить сбой.
- Не навязывайте модели своё мнение. Если вы напишете: «Я сегодня устал, давай отменим интервалы?» - LLM с вероятностью 99% поддакнет. Дайте ему 2–3 альтернативы, попросив сделать объективный выбор.

Так вы снизите риск перетрена и травм практически до нуля и получите действительно рабочий инструмент.

Если вам интересна тема сетапа кодингового агента - накидайте огонечков, распишу отдельным постом.