开源一个非常漂亮的运动数据分析、分享 Skills

我做了一个骑行、跑步和徒步分析 Skill，叫 guizang-sports-skill（github.com/op7418/guizang-sports-skill）。

把码表或运动 App 导出的 FIT / KML 交给 Codex、Claude Code 或者其他 Agent，它会先告诉你这次运动发生了什么、下次可以怎么做，然后自动打开一份本地 3D 路线报告。

想分享时，还能把路线、数据卡和沿途照片做成非常漂亮的 PNG 和 MP4。

这个 Skill 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。

先把这次运动讲明白

我发现我的码表软件上，每次骑行完就给我一堆的数据，但是呢，没有什么值得我注意的建议。

里程、均速、最高速度、心率、踏频、功率、爬升，每个数字都有，但还是需要你自己把它们拼成结论。

这个 Skill 会先给一句路线判断和最值得看的发现，再展开证据、数据限制和行动建议。

你第一眼看到的是“这次怎么样”，不用从一堆数据和图表里面自己猜。

骑行时，它会把速度、踏频、停顿和路线起伏放在一起看。

跑步会换成配速和步频语言。徒步则优先看距离、爬升密度、海拔范围和主要连续爬坡。

页面会根据真实证据选择 2–6 个值得深挖的部分，再给出 2–8 条按影响排序的建议。

每条建议都会写清依据、原因和可以执行的动作。

比如，只有活动时长和温度真的支持时，它才会提补水。

如果心率和功率覆盖不足，它会告诉你现在还不能判断训练负荷。

如果路线高度闭合，建议则会变成公开分享前隐藏起终点。

建议是跟着这次运动变的，不会每次都是“多喝水、注意休息”。

先算清楚，再让 AI 解释

我没有把一份 FIT 文件直接丢给模型，让它对着原始数据自由发挥。

Skill 底层有一个确定性分析器，负责解析轨迹、统一单位，再计算时间、距离、爬升、坡度分布和传感器覆盖率。

AI 负责选择值得讲的部分，把数字之间的关系写成人能看懂的解释。

这套分工能避开很多常见的假结论。

没有心率带，页面会写“未记录”，不会写 0 bpm。KML 没有时间戳，就不猜速度、停留和照片时间。

用户没提供个人阈值，就不生成 FTP、心率区间、VO₂max、恢复状态和医疗结论。

爬坡分析也没有直接相信容易飘的“最大坡度”。

它会看距离加权的坡度分布，用平滑后的 P99 表示代表性陡坡，再找出最多三段连续爬坡，告诉你它们在第几公里、有多长、爬了多少。

分析完，还可以把它做得很漂亮

运动分析完成后，AI 会自动操作它自带的内置浏览器（就侧边栏）打开对应的网页。

如果没有的话，比如 Cloud Code 这种 CLI，它会操作默认浏览器打开。

左边是一条有真实海拔起伏的 3D 路线。路线会缓慢旋转，点位沿着全程移动，也可以拖动视角和时间轴。

颜色会跟着坡度连续变化：冷色是下坡，浅色是平缓，暖色是爬坡。

右边依次是活动总览、路线画像、深度分析和行动建议。

如果你想把这次运动发到小红书、即刻或视频平台，可以继续点击右上角的“导出创作”。

背景可以使用自己的照片、视频或预置素材。

就会把这个数据和非常漂亮的动态 3D 路线图，以及你的图片一起合成一个用来分享的视频。

动态地图、数据卡和水印是独立图层，可以拖动、缩放和关闭。

数据卡有玻璃、实色和极简三种样式。

卡片展示整次活动的总里程、爬升、均速或配速，不会在视频中不停跳成缺少上下文的瞬时数字。

我最喜欢的是沿途照片故事。

你可以将自己在沿途拍的照片放到里边，这样的话，导出的时候它就会叠加你的照片去播放，变成一个视频。

照片有 GPS 时，它会匹配到路线最近的位置；没有 GPS，但照片和轨迹都有时间，就按拍摄时间匹配。

两种信息都没有时，也可以在 2D 路线上手动点一个位置。

视频播到那段路时，背景切换到对应照片，地图上只亮起当前照片的位置。默认每张停留 2.5 秒。

比如这个，就是我前几天去北灵山徒步，用两步路的路径和我的照片做的分享视频。

目前支持四种比例：

四种比例有各自的构图，静态图导出 PNG，动画和视频导出 H.264 MP4，规格是 30 FPS、12 Mbps。

为什么做这个 Skill

我自己平时会骑行和徒步。

现在的运动软件大概分成两类：一类很专业，把心率、功率、踏频和坡度全部摊开，普通人不知道从哪里开始看；

另一类只保留里程、配速和一张固定模板，好懂了，但路线和个人经历也丢了。

我真正想看的其实很简单：

这次运动发生了什么，下次可以怎么调整，以及怎么把那天的路线和照片留下来。

最近我也一直在用 ChatGPT Health。

当训练、睡眠、恢复和长期记录被放在一起时，AI 能看到单次运动页里没有的上下文。

Sports Skill 现在只从原始轨迹开始，但方向是一样的：

数据要带着上下文一起看。它先把能确定的部分算清楚，再让 AI 解释。

运动健康结合 AI，我觉得有非常大的应用前景。

而且有了 AI 的 coding 能力后，我们对于运动和健康，更多的需要的是数据，而非分析能力。

顶级的 AI 能够把这些东西通过上下文（不管是一些论文还是你的数据）分析得非常好，所以这也是最近在探索这个的一个动机。

怎么安装和使用

一行命令安装：

Bash

npx skills add https://github.com/op7418/guizang-sports-skill --skill fit-ride-studio

装好以后，对 Codex、Claude Code 或其他有本地文件和 Shell 能力的 Agent 说：

Plain

帮我分析一次运动。

它会让你拖入一个或多个 .fit / .kml 文件，然后自动检查依赖、完成分析并打开报告页。

一般所有的骑行码表都可以导出 .fit 格式。两步路（徒步用的软件）可以导出 .kml 格式的路径轨迹文件。

也可以直接把关心的事和文件一起交给它：

• “分析这份 FIT，重点看踏频、爬坡和数据质量。”

• “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。”

• “这是两步路导出的徒步 KML，帮我看路线强度和主要爬坡。”

• “用这些沿途照片做一个 9:16 的 3D 路线视频，每张停留 2.5 秒。”

没有现成文件，可以先说“用示例数据演示一遍”。仓库里的 demo 是合成轨迹，不包含真实住址和运动者数据。

GitHub：https://github.com/op7418/guizang-sports-skill

文章来自于"歸藏的AI工具箱"，作者 "歸藏的AI工具箱"。