周三晚上七点，团操房排了三个班，动感单车只来了六个人，隔壁瑜伽室在走廊加凳子。做排课表的人前一天改到第三版，已经记不清哪个教练连着上了两节。健身房用 AI 的起点常常就在这种地方：把「谁在什么时候上什么课」从手工试错变成可计算的排布，再把省下来的注意力挪回会员身上。
排课是约束求解，创意只占一小块
排一张周表要同时满足五类条件：教练的资质与工时上限、场地的时段容量、课程的难易搭配、会员的预约习惯、临时请假留下的空缺。这些条件大多能写成规则，规则一旦写清，机器排出可行解只需要几秒，人再做局部微调。
真正难的是规则本身没被写下来。哪两个教练不能排在一起、哪个时段必须留给付费团课、新教练一周最多带几节，这些默认知识散在店长脑子里。上工具之前先把它们列成一张清单，比选哪家系统更影响结果。排课模块一般挂在会员管理系统里，接口怎么对接、数据怎么回传，可以对照AI API那篇的说明看。
五个环节，各自的分工不一样
| 环节 | 能自动化 | 仍靠人 |
|---|---|---|
| 周表排布 | 按资质、场地、工时上限生成初版，缺课自动补位 | 判断某位教练这周状态能不能加课，会员对新时段买不买账 |
| 会员档案 | 把到店记录、体测数据、签到整理成统一字段，自动算频次与间隔 | 决定哪些数据值得追问，某个指标变化要不要当回事 |
| 触达提醒 | 按到店规律定时推送，文案模板批量生成 | 判断这个人该被鼓励还是该被劝休息，语气怎么拿捏 |
| 续卡沟通 | 筛出三十天未到店名单，给出联系优先级 | 谈价格、处理投诉、判断这家店是不是不适合他 |
| 训练计划 | 提供动作库、记录负荷、生成可打印的计划草稿 | 评估旧伤与身体限制，确定强度与进阶节奏 |
表格往下看，自动化的比重在递减，判断的分量在递增。前三行是「整理与触达」，后两行是「评估与决策」。一家店如果只上第一行和第三行，投入最小，见效也最快；想一步做到最后一行，往往卡在没人敢签字。
会员档案的价值在字段设计，不在数据量
很多店的会员档案只有姓名、电话、卡种、到期日，这四列支撑不了任何判断。要让它有用，至少补三类字段：到店行为，包括最近一次、近三十天次数、常来的时段；训练内容，包括主要练什么、负荷怎么变；目标与限制，包括想减重还是想改善体态、有没有旧伤。
字段定下来，工具才能算出「这个人两周没来」这种可执行的事实。让模型写会员月度小结时，把这几列贴进去，再要求它只描述数据、不评价人，输出才不会退化成套话。约束放在哪一句、怎么让它别自由发挥，提示词那篇讲得更细。
触达的差别在具体程度
「记得来健身」和「你今天该练背，上次的划船可以加两公斤」是两种效果。前者是通知，后者是信息。自动化能解决发送时机和覆盖率，解决不了内容的具体性——具体性来自记录，记录不全，再会写的模型也只能写出空话。
可以按三层拆：临期提醒管卡快到期，行为提醒管几天没来和上次练到哪，内容提醒管今天该练什么。前两层完全自动没问题，第三层要训练记录支撑，人工过一遍更稳。三层混成一条推送，会员看两周就学会忽略。
训练计划为什么必须留在教练手里
动作选择、负荷安排、进阶节奏，看着可以按模板套，实际要读人的状态：睡得好不好、旧伤有没有反应、最近工作压力大不大。模型能给一份通用的四周计划，但它读不到这些，也不会为结果负责。
更麻烦的是它会把不确定的东西说得像确定的。问「膝盖有旧伤能不能做深蹲」，它可能给出一段听着专业的建议，而这段建议没经过任何评估。这类生成的可靠性问题在AI 幻觉里有系统解释。涉及身体评估、伤病判断、强度调整的环节，工具的定位只能是记录与参考，签字的人得是教练。
判断一家店该不该上，看三件事
排课是否真的吃掉了大量人工，一周排一次、改动不多的店，收益有限。会员数据是否已经电子化，纸质登记为主的店，先补记录再谈自动化。有没有人能长期维护规则，教练会走、时段会变，没人维护的系统三个月后就没人打开。
三件事都成立，再谈投入。顺序反了，钱花在工具上，问题还留在流程里。真要从一处下手，先做「未到店名单 + 具体提醒」这条最短的链路，两周就能看出有没有效果。
速查：健身房上工具前先确认
- 排课规则有没有写成文字，而不是只存在店长脑子里
- 会员档案是否有到店、训练、目标三类字段
- 提醒内容能不能落到具体动作，而不只是催人来
- 身体评估与训练计划由谁签字，责任要能落到人
