第一天就能获得真实指导——即使没有历史数据

工作原理

每个基于个人数据学习的算法在第一天都面临同样的问题：没有个人数据。恢复评分、训练负荷趋势、个人基线——这些都需要历史积累。大多数应用的处理方式是给你一个占位分数、乐观的默认值，或者一条"两周后再来"的提示信息。这些做法既不诚实，也毫无用处。

Tuwa 的方式不同：从经过验证的运动科学文献中提取群体基线数据作为起点，随着你的数据不断积累，逐步将其替换为你自己的数据。从你打开应用的第一刻起，你就能获得可操作的指导——并且可以清楚地看到这些指导是基于什么构建的。

第1天：用现有数据立即获取信号

在你的第一天，Tuwa 会进行一次早间健康状态问卷——对酸痛感、精力和压力进行主观评分。这些数据点立即可用，无需任何硬件设备。如果你有 Apple Watch 或其他向 HealthKit 写入数据的设备，Tuwa 会读取其中已有的 HRV 和睡眠历史数据。你的第一个恢复评分同时反映两个来源，并清晰标注哪些因素基于你的个人数据，哪些由群体基线补充。

第3至5天：方向性准确

经过几天后，Tuwa 已积累足够的连续读数，可以建立初步的个人趋势。你的 HRV 基线开始显现，睡眠模式逐渐清晰。此阶段的恢复评分置信区间较宽——模型仍在学习——但方向性信号是可靠的。睡眠不足和高压力后出现低分，反映的是你当前状态的真实情况，即使具体数值还在校准中。

第7天及以后：个人基线趋于稳定

经过一周的持续数据积累，个人基线开始稳定。Tuwa 随着数据的增加，逐步从基于群体的评分过渡到基于个人的评分。这不是一次突然的切换，而是根据数据置信度加权的渐进交接。在你的第一周结束时，你的恢复评分反映的是你自己的生理状态，而非一个通用的运动员画像。

训练负荷追踪的工作方式不同：从第一次训练课起就是准确的。负荷根据你实际记录的内容计算——组数、次数、重量、主观运动强度——不依赖历史趋势。你的第一次训练课就会产生一个真实的负荷数值，直接输入你的急性负荷计算中。负荷模型不需要数周历史才能开始工作；它只需要你记录你的训练课。