本阶段在项目层面的关键动作是「结构投资」：把前一阶段打通的链路从「能跑」升级为「可改可扩」。结论一：分层是业务复杂度超过阈值后的必然选择，不是过度设计。营养域从路由即逻辑到模块化，直接收益是可测试性与多人协作的冲突面缩小。结论二：Prompt 工程的一等公民地位需要用代码管理的方式来维护。三个子 Agent 提示词总计超千行扩展，分节拼装模板的组织方式决定了后续迭代的边际成本。结论三：多轮循环是有

工具封装层看起来只是一个「把 HTTP 接口包一层给 LLM 调」的中间层，但工程上要解决的问题比想象的多：参数约束如何让模型理解、schema 怎么不和接口定义漂移、错误如何结构化回传、多个业务域如何在一个 Agent 里共存。按子域拆工具而非单一大工具：用物理隔离换 schema 简洁度和跨域纯净度，代价是调度层复杂一点联合类型 + 常量锁死操作与参数的对应：不靠 prompt 约束、不靠事后

这次训练模块的开发分两个阶段：第一阶段完成核心 CRUD（训练记录、周期性计划、训练汇总），第二阶段完成配套系统（部位记录、动作库 HTTP 接口、COS 存储）。核心的数据流设计是：训练记录存储原始动作数据，周期性计划存储用户的中长期安排，训练部位记录存储肌群维度的训练反馈，训练汇总负责跨模块输出。三套数据各司其职，汇总层通过单向写入与营养模块对接。下一阶段的工作重点是 Agent 调度层和 M

本阶段完成了产品设计到技术方案的转化，核心是做出了一系列「在当前阶段最合理」的选择。健身新手切入：差异化定位，AI 适合做这件事，不是大而全的工具而是真正能引导新手的助手JWT 无状态鉴权：用「无法主动失效」的代价换取水平扩展能力，短期 token 策略控制风险，后续可通过 token_version 解决强制登出分层架构的项目组织：分离关注点，降低耦合，方便测试、维护和多人协作。规范不要定太细，