Появился ghealth — community-инструмент, который закрывает давнюю практическую брешь: Google Health API существует, Fitbit-устройства собирают данные годами, но получить их в удобном программном формате всегда было нетривиально. Один Go-бинарник без зависимостей, 40 типов данных — шаги, сон, пульс, активность — и всё это на stdout в JSON. Это не официальный релиз Google. Это сообщество сделало то, чего ждали разработчики.
Контекст
Google Health API аккумулирует данные с Fitbit-устройств, Wear OS-часов и партнёрских приложений. Данные там накоплены немалые. Но программный доступ к ним всегда требовал: разобраться с OAuth2, написать клиент под нужный язык, продраться через нюансы документации. Для небольших команд и энтузиастов — реальный порог входа, который многие просто не преодолевали.
ghealth снижает этот порог до одной команды в терминале. Go-бинарник — значит, никаких runtime-зависимостей: скачал, выдал OAuth, запустил. Авторизация проходит через стандартный OAuth2-поток, токены хранятся локально. После настройки — любой из 40 endpoint'ов отдаёт JSON прямо на stdout: пайп в файл, в скрипт, в агента.
Ключевое слово в описании проекта — agent-ready. JSON-формат изначально рассчитан на потребление ИИ-системами: MCP-серверами, оркестраторами агентов, LLM-пайплайнами. Это не случайный выбор — 2025–2026 стали периодом, когда персональные данные начали воспринимать как «память» и «контекст» для AI-систем, а не просто как цифры в приложении.
Аналитика
ghealth — симптом более широкого паттерна: разработчики перестают ждать, пока корпорации откроют удобные шлюзы к личным данным, и строят их сами. То же происходило с экспортом данных из социальных сетей, мессенджеров, заметочников — community-инструмент появлялся раньше официального, часто оставался единственным надёжным вариантом.
Для ИИ-агентов биометрические данные — один из самых ценных и пока слабо задействованных типов контекста. LLM, которому передают реальные данные о сне, пульсе и активности, может давать конкретные, персонализированные рекомендации вместо универсальных советов. Пока эти данные заперты в закрытых приложениях — они недоступны агентам. ghealth пробивает один из таких барьеров.
Важная оговорка, которую авторы проекта сами поднимают: OAuth-доступ к Google-аккаунту — серьёзное разрешение. Перед использованием нужно понимать, какие конкретно scope'ы запрашиваются, где хранятся токены и кто имеет доступ к скриптам, вызывающим ghealth. Для личного использования — разумный обмен. Для корпоративного контекста — требует оценки политики безопасности.
Кейсы применения в бизнесе
B2B-SaaS стартап в wellness или HR-tech. Если продукт связан с корпоративным здоровьем или wellbeing, ghealth подходит как быстрый прототип интеграции с Google Health API: показать инвесторам или клиентам реальный поток данных без месяца разработки. На этапе MVP — экономит значительное время.
Корпорация с legacy-аналитикой. Команды данных могут использовать ghealth для экспорта результатов корпоративных фитнес-программ (с явным согласия участников) в BI-инструменты. JSON → Python → таблицы в хранилище данных. Без написания кастомного OAuth-клиента с нуля и без зависимости от проприетарных коннекторов.
Персональный тренер или wellness-консультант в КР/СНГ. Работая с клиентами на Fitbit, можно автоматизировать сбор данных: шаги, сон, пульс — в CSV или напрямую в промпт LLM для генерации персонального еженедельного отчёта. Без подписки на дорогие платформы, с полным контролем над данными клиента.
Кейсы в личной жизни
Разработчик-биохакер. Подключить ghealth к локальному MCP-серверу, добавить как источник данных для Claude или другого агента — и получить ассистента, который видит ваши метрики в реальном времени. Вопрос «что с моим восстановлением?» превращается из абстрактного в запрос с реальным контекстом: ghealth sleep --days 7 | claude «оцени мой режим».
Контент-мейкер в нише здоровья. Автоматически собирать свои данные за неделю, передавать в LLM и строить сторителлинг на реальных цифрах: конкретные показатели активности как основа для контента. Аудитория воспринимает такие материалы как честные — данные не придуманы, они ваши.
Студент или начинающий исследователь. Собрать собственные биометрические данные за несколько недель, проанализировать корреляции с помощью Python и LLM-интерпретации. N=1, но для учебного проекта по анализу данных или личного эксперимента — идеальный учебный датасет, который при этом лично значим.
Как применить сегодня
- Найдите репозиторий ghealth на GitHub (поиск: «ghealth google health api cli») — изучите README, список из 40 data types и инструкцию по OAuth-настройке.
- Перед выдачей доступа — проверьте список запрашиваемых OAuth scope'ов. Минимально необходимый scope безопаснее широкого.
- Начните с одного вызова:
ghealth steps --days 7, направьте JSON-вывод в Claude или GPT и задайте вопрос по активности — убедитесь, что формат работает. - Для накопления истории — добавьте вызов ghealth в cron-задачу, складывайте JSON-снапшоты в локальный файл или лёгкую БД (SQLite). Через месяц появится что анализировать.
- Если строите MCP-интеграцию — ghealth как источник данных плюс MCP-сервер как транспорт даёт готовый health-контекст для любого LLM-агента без кастомной OAuth-логики.