Cómo construí un resumen de entrenamiento que realmente cuenta mi historia

Lo que voy a cubrir:

• El problema: los trackers de fitness dan datos pero no cuentan el contexto
• La solución: combinar datos estructurados con visión artificial
• Cómo funciona mi pipeline (mi propia interpretación)
• El coding agent como multiplicador de productividad
• Lo que aprendí y hacia dónde voy

Vamos a ser honestos: las apps de fitness son geniales contando números, pero terriblemente malas contando historias. Tu app de running sabe que corriste 42 kilómetros el mes pasado. Lo que no sabe es que te estabas preparando para tu primer media maratón, o que esas sesiones eran parte de un plan de periodización estructurado que fotografiaste de la pizarra de tu gimnasio.

Esa desconexión entre datos y contexto fue el catalizador de un pequeño proyecto personal que ilustra perfectamente por qué los AI coding agents se están volviendo indispensbles en flujos de trabajo de automatización personal.

El problema con las métricas aisladas

Uso Samsung Fit 3 para registrar mis sesiones de gimnasio y Strava para mis carreras. La configuración funciona de maravilla: mi tracker se sincroniza con Strava automáticamente, regalándome todos los metadatos estándar de actividad: duración, distancia, elevación, zonas de frecuencia cardíaca, marcas de tiempo.

Pero lo que Strava nunca te va a decir es si esa sesión de "entrenamiento con pesas" fue un día de fuerza enfocado en movimientos compuestos o una sesión de movilidad para recuperación. Sabe que hice algo durante 45 minutos. No tiene idea de que estaba trabajando una progresión de goblet squat con 24 kilos mientras mi entrenador garabateaba la estructura de la sesión en una pizarra que nunca pensé en fotografiar... hasta hace poco.

El contexto vivía exclusivamente en las fotos que iba attachando casualmente a mis posts de Strava. La pizarra del gimnasio documentaba la estructura real del entrenamiento: movimientos, rangos de repeticiones, áreas de enfoque, y la distinción crucial entre días de recuperación y bloques de entrenamiento intenso.

Strava capturaba la cantidad. Las fotos contaban la calidad.

Construyendo un pipeline de datos personal

La solución no era una sola herramienta—era un pipeline que dejaba que múltiples sistemas aportaran lo mejor de sí mismos. Aquí está la arquitectura en la que terminé:

Obtener → Procesar → Extraer → Visualizar

Primero, un script sencillo en Python extraía todas mis actividades de Strava junto con sus fotos asociadas. El script mantenía una caché local, lo que significaba que podía saltar el contenido ya descargado y retomar desde donde quedó si había alguna interrupción.

Luego vino la parte interesante: extraer el contexto del entrenamiento desde las fotos de la pizarra del gimnasio.

Usé Claude Code como coding agent con capacidades de visión. Para cada fotografía de la pizarra del gimnasio, le pedía al agent que generara una descripción JSON estructurada del entrenamiento:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Peso muerto rumano",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["cadena posterior", "glúteos"]
    }
  ],
  "focus": "strength",
  "notes": "Me sentí fuerte hoy, aumenté peso respecto a la semana pasada"
}

El enfoque con agent-in-the-loop resultó notablemente efectivo. Si los datos extraídos se veían mal, simplemente borraba ese archivo JSON y lo regeneraba. Si una imagen ya estaba procesada, el script la saltaba. El flujo de trabajo era retomable, corregible, y—lo más importante—iterativo.

Una vez que tenía datos estructurados del entrenamiento combinados con las métricas de Strava, renderizar el infographic final fue straightforward. Una plantilla HTML sencilla juntaba todo en un póster compartible en PNG.

Por qué la clasificación fue más simple de lo esperado

Las etiquetas de mis actividades en Strava no eran exactamente consistentes. Algunas sesiones de fuerza estaban etiquetadas como "weight training", otras simplemente decían "workout". Los días de movilidad a veces aparecían como actividades genéricas. El caos era enteramente mi culpa—tres años de etiquetado casual sin un sistema estandarizado.

En lugar de construir un modelo de clasificación sofisticado (que habría sido overkill para un proyecto personal), usé un enfoque pragmático: combinar el tipo de actividad de Strava, palabras clave del título, y los datos extraídos de las fotos para hacer una clasificación por mejor esfuerzo.

La lógica se veía algo así:

• Palabras clave como "squat," "deadlift," "bench" + datos de foto enfocados en fuerza = entrenamiento de fuerza
• "Movilidad," "estiramiento," "recuperación" + datos de foto orientados a flexibilidad = sesión de movilidad
• Distancia + duración + sin foto de gimnasio = running (los metadatos de Strava son confiables aquí)

Esta clasificación híbrida fue suficientemente buena para un resumen personal. El póster final se sentía preciso porque aprovechaba lo que cada fuente de datos hacía bien.

La consideración del MCP

Experimenté brevemente con el servidor MCP (Model Context Protocol) de Strava, que prometía simplificar la integración con la API. Funcionó bien para obtener metadatos de actividades, pero no podía recuperar las fotos attachadas a las actividades. Para proyectos que solo requieren números, MCP podría simplificar el desarrollo significativamente. Para este caso de uso, el script manual se mantuvo como la mejor opción ya que el acceso a fotos era innegociable.

Lo que esto revela sobre los AI coding agents

El valor real en este proyecto no fue el infographic en sí—fue demostrar cómo los AI agents pueden servir como middleware flexible entre fuentes de datos y outputs deseados.

Las herramientas tradicionales de automatización siguen lógica rígida: si esto, entonces aquello. Los coding agents pueden razonar a través de múltiples modalidades. Pueden mirar una imagen, entender su contexto, y generar datos estructurados. Pueden adaptarse cuando emergen casos edge. Pueden ayudarte a construir la automatización misma en lugar de solo ejecutarla dentro de ella.

Para desarrolladores y emprendedores técnicos, esto representa un cambio fundamental. La pregunta ya no es "¿Puedo automatizar esto?" sino "¿Qué tan rápido puedo iterar sobre la automatización?" Un proyecto que podría haber tomado un fin de semana dedicado ahora puede ser prototipado en una tarde, con el agent manejando el boilerplate y ayudándote a pensar a través de los casos edge.

La conclusión

El output fue un resumen de entrenamiento compartible que realmente contaba la historia de mi viaje fitness. Pero el proceso apuntaba hacia algo más grande: la era del empoderamiento de datos personales.

Tus datos de fitness, tus proyectos de código, tus métricas de negocio—la mayoría vive en sistemas fragmentados que no se hablan entre sí. Los AI coding agents se están convirtiendo en el tejido conectivo que te permite construir vistas customizadas de tu propia información sin recursos de escala empresarial.

Quizás explore correr un modelo local para este workflow la próxima vez, manteniendo todo on-device para privacidad. Si experimentas con proyectos de automatización personal similares o tienes workflows de fitness-agents propios, me encantaría genuinamente escuchar sobre ellos.

A veces los proyectos más satisfactorios no son los que escalan—son los que finalmente hacen que tus propios datos cuenten tu propia historia.