1. 核心目标
Keep 有三个彼此支撑的核心目标：
- 服务用户——希望 Keep 的用户规模越来越大，让更多人获得运动价值。
- 服务商业——有更多的商业收入，可以支撑更长久、更可持续的发展。
- 服务社会——为更多中国人带来健康的体魄与高质量的健康生活。
追求上述目标的过程中，我们面临诸多复杂挑战；本文聚焦「做什么来成就更好的 Keep」，不展开问题诊断。
为支撑上述目标的实现，本文从组织阶段性目标、核心支持基建、底层理论模型、业务架构四个维度，梳理支撑目标达成的关键体系。
2. OKR 体系
以下三个 Objectives 形成递进关系：先巩固运动平台能力，再升级为运动健康服务平台，最终以 AI 教练建立差异化竞争力。
| Object | 战略方向 | 核心命题 |
|---|---|---|
| O1 | 巩固运动价值 | 成为中国人运动的第一选择 |
| O2 | 从运动到健康 | 升级为运动健康服务平台 |
| O3 | 从被动到主动 | AI 教练让陪伴与主动提醒成为核心竞争力 |
Key Result 1. 大规模提升课程和计划供给，全面满足不同用户、不同需求场景的各种训练要求。
Key Result 2. 提供高质量的运动工具和准确的运动算法，完成练前、练中、练后的陪伴指导和分析。
Key Result 3. 打造高效的匹配分发方式，让用户以最短的时间和路径找到所求。
Key Result 1. 基于用户的健康评价模型，打造身体健康指标体系，覆盖全面且准确。
Key Result 2. 结合吃练睡，拓展 Keep 吃和睡的记录与指导能力。
Key Result 3. 基于全站多维度的数据，提供给用户有洞察的结论、归因和预测分析。
Key Result 1. 基于大模型与用户全维数据，打造懂用户、能对话、可定制的 AI 教练核心能力，覆盖训练规划、过程指导与健康咨询等关键场景。
Key Result 2. 建立时机精准、内容个性化、行动可执行的主动提醒与干预体系，在用户需要但未主动发起时精准触达，推动从「人找服务」到「服务找人」。
Key Result 3. 形成贯穿练前、练中、练后及运动健康全旅程的持续陪伴体验，以情感连接与行为跟进形成闭环，显著提升用户粘性与运动行为留存。
3. Keep 的核心竞争力和长期基建
除 OKR 所描述的业务目标外，Keep 的长期竞争力来自对底层「标准资产库」的持续沉淀与迭代。这些库是支撑业务壁垒的基础设施，也是课程、计划、AI 教练、健康服务等上层复杂供给在编排、生成与分发时调用的底层 token——上层能力越复杂，对库的完整度、准确性与可组合性要求越高。
| 基建模块 | 核心内涵 | 支撑的上层供给 |
|---|---|---|
| 动作库 | 覆盖跑步、力量、瑜伽、操课、户外等各个品类的标准化动作及其元数据（名称、肌群、难度、器械、示范素材等），形成统一、可检索、可组合的动作语义体系。 | 课程编排、训练计划生成、动作识别与纠错、AI 教练动作推荐与定制 |
| 语音 / 音乐库 | 沉淀教练音色、口播话术、背景音乐、音效、自然声景等音频资产；按音乐与健康科学框架维护 BPM、和声、音色、双耳节拍等特征标签及场景处方规范（助眠、正念、压力释放、专注、情绪提升等），将「声音特征 → 神经响应 → 生理效应 → 健康结局」链路产品化，保障不同场景下音频体验的一致性与可组合编排。 | 课程配音、直播/录播、AI 教练语音交互、主动提醒与陪伴播报、正念冥想与助眠体系、场景化音乐处方生成、练前练后情绪与唤醒度调节 |
| 指标库 | 定义并维护各类运动与健康指标（如心率、消耗、配速、睡眠、体成分、训练负荷、HRV、储备分等）的标准口径、阈值区间与解释模板；沉淀配套算法体系——包括运动记录与识别算法（轨迹、配速、动作计数、器械联动）、睡眠检测与分期算法、体成分与代谢估算、训练负荷与恢复评估、五维储备动态建模等——统一输入输出规范、计算链路、置信度标注与版本管理，使指标从「原始传感数据」到「可解释健康结论」全链路可复用、可组合。 | 运动报告、健康评价模型、数据洞察与归因、AI 教练分析与建议、穿戴设备数据融合、练中实时反馈、睡眠/恢复质量评估、过量训练预警 |
| 食物库 | 收录标准食物及其营养素数据（热量、宏量与微量营养素等），支持份量换算、常见搭配与饮食场景标签，为「吃」的记录与指导提供统一基准。 | 饮食记录、营养分析、减脂/增肌饮食方案、AI 教练饮食建议 |
| Skill 库 | 沉淀 AI Agent 可调用的各类 Skill 工具能力（如查课排课、解读运动数据、生成饮食建议、触发主动提醒、调用外部服务等），含能力描述、输入输出规范、调用约束与组合规则，供 Agent 按场景编排与执行。 | AI 教练对话与任务执行、多 Agent 协作编排、主动干预触发、复杂健康咨询与行动闭环 |
| 装备库 | 统一管理穿戴设备、训练器械、运动服装鞋类等装备的标准信息与关联属性（品类、适用场景、兼容动作/课程、穿戴数据采集能力等），打通「人—装备—训练」的语义链接。 | 器械课程匹配、穿戴数据接入、装备选购与推荐、练中设备联动与指导 |
| 路线库 | 收录跑步、骑行、徒步等户外运动的标准路线及其元数据（里程、爬升、难度、路况、地标、安全提示等），支持路线检索、对比与个性化推荐。 | 户外课程与赛事、路线规划与导航、跑团/骑行社群、AI 教练户外训练建议 |
七座库并非孤立建设，而是与 OKR 中的供给扩展、工具算法、健康评价、AI 教练等目标相互咬合：库越厚，上层编排空间越大；上层场景越丰富，又反向驱动库的标准化与补全。这是 Keep 区别于短期内容堆叠、能够持续支撑复杂业务演进的结构性壁垒。
4. Keep 健康依赖的底层理论体系
Impulse-Response 模型（刺激-响应模型）源于运动训练科学中的 Fitness-Fatigue 理论：每一次外部输入都是一次「脉冲刺激」（Impulse），系统同时产生两类响应——适应（Adaptation，慢积累、慢消退）与疲劳（Fatigue，快积累、快消退）。当前可用状态取决于二者之差，而非刺激本身的大小。该框架用不同时间常数（τ）描述各响应的衰减速度，是量化训练负荷与恢复周期的经典方法。
Keep 在此基础上构建五维储备统一动态系统模型 v2.0 Final——在 Impulse-Response 框架上，将运动、饮食、睡眠三个驱动统一接入同一套五储备双池状态层，形成「三驱动 · 五储备 · 多时间常数」的大健康 AI 引擎底层框架。v2.0 Final 相对早期纯运动模型的核心升级：不再把健康简化为「练了多少」，而是量化吃、练、睡如何协同决定储备的积累与实现。
三驱动模型（共享同一状态层，不可互相替代）：
| 驱动 | 核心角色 | 主要机制 | 关键输出 |
|---|---|---|---|
| ① 运动 | 最强适应刺激源 | Fitness-Fatigue 双因素 · 多储备 · 免疫 J 曲线 | AdaptGain + FatigueCost |
| ② 饮食 | 持续营养基底 + 运动放大器 | 非线性 DQS 日度更新（倒 U 型、抛物线、阈值毒性等） | Aj 营养贡献 + RecoveryFactor（供明日运动） |
| ③ 睡眠 | 适应实现引擎 + 疲劳清除器 | SQS 评分 · 睡眠债务 · 三机制（A 贡献 / F 修正 / AdaptRealization） | Aj 基线维持 + Fj 修正 + AdaptRealization（供当日运动） |
三驱动优先级（资源有限时）：睡眠 > 饮食 > 运动。运动的实际适应收益 = 运动刺激 × RecoveryFactor（饮食决定）× AdaptRealization（睡眠决定）。睡眠不足会让运动「白做」（疲劳积累但适应不实现）；营养不足会让运动收益打折。三者协同 vs 仅运动，实际适应效率最多可差约 5 倍（优质组合 ×1.44 vs 差组合 ×0.28）。
共享状态层 — 五大储备双池：
| 储备维度 | 代表能力 | 运动 τA / τF（天） |
|---|---|---|
| 心肺储备 | 有氧能力、心肺耐力、循环系统承载 | 45 / 7 |
| 肌肉储备 | 最大力量、肌肉耐力、关节稳定性 | 60 / 4 |
| 代谢储备 | 糖脂代谢、胰岛素敏感性、能量效率与体重管理 | 30 / 3 |
| 免疫储备 | 炎症调节、恢复能力、抗压力冲击（过量可净损耗，J 曲线） | 20 / 3 |
| 神经储备 | 神经系统恢复、认知精力、动作控制与情绪调节 | 14 / 2 |
两类核心分数：
- Reserve Score（储备分） = Aj(t)，长期能力积累，不受单次疲劳直接影响。
- Readiness Score（状态分） = Aj(t) − Fj(t)，当日可用能力——储备高但疲劳大 → 状态差，应建议休息而非「继续冲」。
每日执行顺序与跨模型调节：
🌙 早晨（睡眠模型）→ ☀️ 白天（运动模型，若有）→ 🍽️ 晚间（饮食模型）。三模型按时序叠加更新同一 state：睡眠输出 AdaptRealization 修正当日运动适应实现率，并加速疲劳清除；饮食输出 RecoveryFactor 修正次日运动适应放大系数。实际 AdaptGainj = kjA × Loadj × RecoveryFactor × AdaptRealization。
| 产品层输出 | 说明 |
|---|---|
| 数值层 | 五大储备的 Reserve / Readiness 分数及趋势 |
| 解读层 | 本次运动刺激了哪些储备；睡眠/饮食对今日运动效率的修正（AdaptRealization、RecoveryFactor） |
| 行动层 | 瓶颈储备识别、过载预警、营养缺口（如蛋白质不足）、睡眠债务提醒与个性化下一步建议 |
| 协同激励 | 同等运动负荷下，优质饮食 + 优质睡眠可提升约 44% 适应收益；差睡眠 + 差饮食可降低约 72% |
关键设计约束：不是「运动越多越好」，而是三驱动协同 → 适应积累 → 疲劳消退 → 储备提升 → Preparedness 输出的动态平衡系统。当神经/免疫 Readiness 持续下降时，最高收益行为可能是「睡好觉 + 吃足蛋白质」，而非更多运动。该模型直接支撑 Keep 的五大储备评分、吃练睡一体化建议、过量训练预警、计划动态调整与长期健康趋势解释，也是指标库、食物库、AI 教练与主动提醒等上层能力的理论底座。完整公式、三模型交互机制与伪代码见统一动态系统模型 v2.0 Final。
5. 核心结构图
Keep 健康生态从用户目标出发，经五大储备映射，驱动业务服务与行为干预，依托数据 + AI平台能力与护城河资产，最终以人体储备科学为底座。下图基于Keep 健康生态架构图 v3整理。
❤️ 心肺储备
VO₂max · 静息心率 · 血氧 · 心率恢复
💪 肌肉储备
握力 · 肌肉量 · 骨密度 · 步态
⚡ 代谢储备
体脂率 · 血糖 · 腰臀比 · BMI
🛡️ 免疫储备
体温 · 皮质醇 · Vit D · CRP
🧠 神经储备
HRV · 睡眠质量 · 反应时间 · 注意力
核心用户价值
📖 指导
教会大家科学健康地生活
📝 记录
记录每个人的健康生活方式
📊 分析
解读数据，给出个性化建议
🏆 激励
激励、鼓励、社交互动
行为干预体系 · 六大可控因子
🥗 吃
- 食谱课程
- 饮食计划
- 饮食记录
- 营养分析
🏋️ 练
- 健身课程
- 训练计划
- 运动记录
- 体能分析
🌙 睡
- 睡眠知识
- 作息计划
- 睡眠记录
- HRV 追踪
延展因子：😊 情绪管理 · 🕐 生活节律 · 🌱 环境习惯
Keep 数据积累
运动行为 · 营养摄入 · 睡眠恢复 · 身体状态 · 主观反馈 …
Keep AI 模型算法
Keepace.ai 自研大模型 · Keep 运动算法模型 · 五维储备统一动态系统
硬件体系
- App 软件入口
- 手环（有氧体系）
- Keep 豆（无氧体系）
- 体脂秤（成分数据）
内容 / 资产库
- 动作库 · 语音 / 音乐库
- 食物库 · 指标库
- Skill 库 · 装备库
- 路线库
运动科学体系
- KFS 健康框架
- 五大储备人体建模
- 干预矩阵 · 超量恢复
- Impulse-Response 三驱动模型
每一次科学训练、每一次高质量睡眠、每一次合理饮食，都是在为身体存储备
架构自上而下：用户目标决定「要提升哪些储备」→ 储备驱动业务服务与吃练睡干预 → 数据与 AI 实现个性化 → 硬件、资产库与科学体系构成护城河 → 多学科储备科学提供理论底座。完整交互版见Keep 健康生态架构图 v3。