type: concept tags: [Agent, 穿戴设备, 健康AI, LLM应用, 传感器融合] related: [[agent-persistent-identity]], [[emommas-emotion-aware-multi-agent]], [[comllm-mec-offloading]] sources: - url: https://arxiv.org/abs/2604.16342 title: "SAGE: Sensor-Augmented Grounding Engine for LLM-Powered Sleep Care Agent" date: 2026-04-21 reliability: high created: 2026-04-21 updated: 2026-04-21

SAGE: 传感器增强的LLM睡眠护理Agent¶

通过将穿戴设备传感器数据实时接入LLM Agent，弥合睡眠健康追踪中的"数据-行动鸿沟"

核心问题¶

穿戴设备和健康App可以追踪睡眠数据，但用户面临严重的"数据-行动鸿沟"(Data-Action Gap)——面对心率、血氧、运动量等指标，用户不知道该怎么改善睡眠。现有方案各有缺陷： - 静态仪表盘：缺乏上下文解读能力 - 规则引擎Agent：依赖硬编码脚本，无法处理复杂场景 - 纯LLM Agent：缺乏个人数据的grounding，产生信任问题

方法/架构¶

SAGE (Sensor-Augmented Grounding Engine) 的核心设计： 1. 传感器数据实时注入：将穿戴设备的心率、血氧、运动、环境噪声等传感器数据流实时接入LLM 2. 上下文Grounding：LLM以用户的实际传感器数据为锚点生成建议，而非泛泛而谈 3. 渐进式交互：Agent根据用户长期睡眠模式提供个性化建议，而非单次回答 4. 信任机制：基于个人数据的建议比通用LLM回答更可信

实验结果¶

与静态仪表盘相比，SAGE用户采取改善行动的比例显著提升
与规则引擎相比，SAGE在复杂场景（如时差调整、压力相关失眠）上表现更好
用户对基于个人数据的建议的信任度高于通用建议
Agent需要在解释能力和行动建议之间取得平衡

关键洞察¶

传感器+LLM = 穿戴设备AI的杀手级应用：SAGE展示了传感器数据+LLM推理的组合如何让穿戴设备从"记录工具"升级为"健康教练"
数据-行动鸿沟的系统化解决：不是简单的数据可视化问题，而是需要上下文理解+个性化推理的完整Agent系统
端侧 vs 云端的权衡：隐私敏感的健康数据需要在端侧处理，但LLM推理可能需要云端支持，这是端云协同的典型场景

为什么重要¶

SAGE代表了穿戴设备AI从"数据记录"到"主动干预"的范式转变。对于手机端AIOS而言，这意味着： 1. 穿戴设备可以成为AIOS的感知延伸（提供传感器数据） 2. 手机端Agent可以整合多设备数据提供综合健康建议 3. 健康领域的隐私要求推动端侧推理技术发展

关联¶

[[agent-persistent-identity]] — SAGE Agent需要持久化用户健康画像
[[emommas-emotion-aware-multi-agent]] — 情感感知与健康状态的关联
[[comllm-mec-offloading]] — 端云协同处理隐私敏感健康数据
[[gemma4-audio-mlx]] — Gemini等模型的音频理解能力可用于睡眠声音分析