Agent项目：运动数据分析Agent项目实操（含Skills）

​

简介：一个面向 WorkBuddy、Codex 等本地 Agent 环境的运动轨迹 Skill。把一个或多个 .fit / .kml 文件交给 Agent，它会分析骑行、跑步或徒步数据，生成有依据的结论与建议，并自动打开本地可视化报告页。需要分享时，还能继续制作带 3D 路线、数据卡片和沿途照片的 PNG / H.264 MP4。​

​

​

✍️

主要解决两件事：帮你看懂这次运动，再让你把它以非常漂亮的方式分享出去。​

​

​

​

设计背景与核心痛点​

当前主流运动数据分析产品普遍存在两极分化问题：​

•

专业类软件：堆砌心率、功率、踏频、坡度等全量原始数据，普通用户难以提炼有效结论，无法直接指导后续训练​

•

轻量化软件：仅保留里程、配速等基础指标与固定模板，丢失路线特征、运动细节与个人体验信息​

​

✍️

本项目的核心目标是：让用户第一眼就能看懂「这次运动效果如何」，获得可落地的行动建议，同时完整保留路线与沿途记忆，实现「数据带上下文，结论有依据」。​

​

​

​

​

核心功能模块​

1. 多维度运动数据分析​

采用「确定性分析器 + AI 解释」的双层架构，先通过底层程序完成精准数据计算，再由 AI 生成可读结论，从机制上避免 AI 自由发挥产生假结论。​

​

​

​

跑步会换成配速和步频语言​

​

50%

​

​

​

建议都会写清依据、原因和可以执行的动作​

​

50%

​

​

基础分析能力​

•

单次活动分析：覆盖距离、时长、速度/配速、爬升、海拔、暂停、热量与路线特征全景指标​

•

多活动综合分析：支持批量文件对比，统计总量、日期范围、逐次指标差异，识别最长里程、最大爬升等关键记录，呈现同类运动趋势与异常点​

•

专业传感器分析：支持踏频、步频、心率、功率、温度等字段解析，统计字段覆盖率；严格区分「未记录」与「数值 0」，无传感器数据绝不虚构结果​

​

​

​

基础分析能力​

​

48%

​

​

​

专项爬坡分析​

​

52%

​

​

专项爬坡分析​

不依赖易漂移的「最大坡度」数值，采用距离加权的坡度分布算法：​

•

以平滑处理后的 P99 坡度作为代表性陡坡指标​

•

自动识别全程最多 3 段连续爬坡，标注对应公里位置、爬坡长度与爬升高度​

•

输出路线强度画像，适配徒步、骑行等不同运动类型​

数据严谨性原则​

•

无心率设备时标注「未记录」，不显示 0 bpm​

•

KML 文件无时间戳时，不推测时长、速度、停留时间与照片匹配关系​

•

无用户个人阈值数据时，不生成 FTP、心率区间、VO₂max、训练负荷、恢复状态及医疗结论​

•

综合平均速度采用「总距离 / 总移动时间」计算，不对多次活动的平均值做二次平均​

•

不同运动类型分组对比，不跨运动类型得出统一「进步」结论​

​

​

​

​

50%

​

​

​

​

50%

​

​

​

2. 本地可视化报告（Ride Relief）​

分析完成后自动启动本地报告页面，无需额外安装软件，所有数据仅在本机处理：​

•

左侧为 3D 动态路线图：随海拔起伏呈现路线形态，支持视角拖动、时间轴拖动；坡度通过颜色渐变区分（冷色下坡、浅色平缓、暖色爬坡）​

•

右侧为结构化内容：依次展示活动总览、路线画像、深度分析、行动建议四大板块​

•

行动建议按影响程度排序，每条均标注数据依据与可执行动作，根据当次运动动态生成，而非固定模板话术​

​

​

​

3. 内容导出与创作​

支持一键生成可分享的素材，适配多平台发布需求：​

•

多规格输出：覆盖 9:16（竖屏短视频）、3:4（图文封面）、1:1（方形社交）、16:9（横屏展示）四种比例；静态图导出 PNG，动态内容导出 H.264 MP4（30 FPS、12 Mbps）​

•

数据卡片样式：提供玻璃、实色、极简三种风格，展示整次活动核心指标，无瞬时数值跳动​

•

沿途照片故事：支持导入沿途拍摄的照片，可通过 GPS 位置、拍摄时间自动匹配到路线对应节点，也支持手动定位；视频播放到对应路段时自动切换照片，默认单张停留 2.5 秒​

•

图层自定义：动态地图、数据卡片、水印为独立图层，支持拖动、缩放与隐藏​

​

​

​

​

64%

​

​

​

​

36%

​

​

​

使用流程​

1. 安装部署​

执行一行命令完成安装：​

​

代码块​

Plain Text

npx skills add https://github.com/op7418/guizang-sports-skill ​

--skill fit-ride-studio​

​

运行依赖 Node.js ^20.19.0 或 >=22.12.0 版本，Skill 会自动检查并安装缺失依赖，异常场景会明确提示，不会将安装失败误报为分析成功。​

​

​

2. 获取轨迹文件​

支持主流运动设备与平台的轨迹导出，优先选择保留原始传感器数据的 FIT 格式：​

​

​ 平台/设备​ ​

​ 导出方式​ ​

​ 推荐格式​ ​

​ Garmin Connect​ ​	​ 网页版活动页右上角齿轮 → Export Original​ ​	​ FIT​ ​
​ 行者码表​ ​	​ USB 连接电脑，从 activities 文件夹提取​ ​	​ FIT​ ​
​ ​	​ ​	​ ​
​ ​	​ ​	​ ​

​

3. 发起分析​

直接向 Agent 下达指令即可，支持精细化需求指定：​

•

基础指令：帮我分析一次运动​

•

定向分析：分析这份 FIT，重点看踏频、爬坡和数据质量​

•

批量对比：把这几次骑行做综合分析，找出最长、爬升最多和传感器最完整的一次​

•

徒步专项：这是两步路导出的徒步 KML，分析路线强度和主要爬坡​

•

视频创作：用这些沿途照片做 9:16 的 3D 路线视频，每张停留 2.5 秒​

无轨迹文件时可使用内置示例数据体验：用示例数据演示一遍​

4. 交付逻辑​

•

正常本地环境：分析完成后自动打开 Ride Relief 报告页​

•

无本地浏览器环境：降级交付完整文字报告与分析 JSON 数据​

•

云端环境：不强行打开本机无法访问的 127.0.0.1 链接，如实说明限制​

​

✍️

总结流程​

索要轨迹：请求里没有文件时，Agent 会请你把一个或多个 FIT / KML 拖进对话，或提供本地路径，不会让你先配置项目。​

自动分析：收到文件后，Agent 会用锁定版本准备缺失依赖，解析轨迹并给出单次报告或多活动综合报告。​

打开报告页：分析完成后，Agent 会生成临时链接并打开 Ride Relief；链接会自动加载轨迹，不依赖浏览器操作文件选择框。​

按需导出：只有你提出图片、动画或视频需求时，Agent 才进入导出创作器，配置比例、背景、照片、图层和水印。​

​

​

隐私与数据安全​

•

全流程本地处理：FIT、KML、照片与视频默认仅在本机与本地浏览器中运算，不上传至第三方服务​

•

轨迹隐私保护：针对闭环路线提供起终点隐藏建议，推荐公开分享前隐藏起终点前后 300–500 米​

•

地点信息增强：仅基于用户确认的公开地名查询信息，不将精确 GPS 轨迹提交至搜索服务​

•

临时会话机制：报告页使用随机会话 ID 从系统临时目录读取轨迹，链接 24 小时后失效，过期副本自动清理​

​

平台适配​

​

​ 平台​ ​

​ 支持状态​ ​

​ 说明​ ​

​ WorkBuddy​ ​	​ 完全支持​ ​	​ 可读取本地轨迹、执行分析并打开报告页​ ​
​ Codex​ ​	​ 完全支持​ ​	​ 适配完整分析、浏览器操作与导出全流程​ ​
​ ​	​ ​	​ ​
​ ​	​ ​	​ ​

​

​

项目价值​

本项目重新定义了 AI 运动分析的分工边界：​

•

将确定性计算交给程序保证准确性将语义解读交给 AI 提升可读性，既解决了专业运动数据「看不懂」的问题，也避免了纯 AI 生成的「假结论」风险。​

•

同时打通了「数据分析 → 可视化 → 社交分享」的完整链路，让运动数据既能指导训练，也能留存运动记忆，为运动健康类 AI 工具提供了可参考的落地范式。​