Amikor a fitneszappod nem érti, miért edzel

Az alábbiakban bemutatom:

• A probléma: a fitneszkövetők adatokat adnak, de a kontextust elveszítik
• A megoldás: strukturált adatok és AI-vízió ötvözése
• Hogyan működik a felhasználói folyamat (saját értelmezésben)
• A kódoló ügynök, mint produktivitási szorzó
• Tanulságok és jövőbeli lehetőségek

Az őszinte kérdés

Oké, bevallom: imádom a fitneszappokat. De egyben frusztrálnak is. A Samsung Fit 3-asom precízen követi az edzéseimet, a Strava pedig szinkronizál mindent. Kapom a számokat: időtartam, távolság, pulzuszónák, időbélyegek. Minden ott van.

Csak épp nem tudom meg, hogy az a " súlyzós edzés" valójában mi volt. Erőnap vagy mobilitás? Komplex gyakorlatok vagy izoláció? A 45 percnyi mozgás ott van az adatbázisban, de a tartalma? Az csak a fejemben létezik.

És itt jön a lényeg: a fejemben lévő információ évek óta ott porosodik. Fotókon, amelyeket a súlyzós edzőterem táblájáról készítettem, de soha nem dolgoztam fel őket rendszeresen.

A probléma: az adat és a történet szétválik

A Strava kiváló a mennyiségi adatokhoz. De a minőséget nem érti. Nem tudja, hogy egy "edzés" valójában egy 24 kilós goblet guggolás progressziója volt, ahol a személyi edzőm pontosan leírta a gyakorlatokat, ismétléseket és súlyokat.

Amit a tábláról lefényképeztem, az a valódi történet. A Strava csak azt tudja, hogy valami történt 45 percig.

A megoldás: adatpipeline, ahogy én elképzeltem

Nem egyetlen csodaszer kellett, hanem egy folyamat, ahol minden rendszer azt csinálja, amiben a legjobb:

Lekérés → Feldolgozás → Kinyerés → Megjelenítés

1. lépés: Az adatok összegyűjtése

Egy egyszerű Python szkript minden Strava aktivitásomat és a hozzájuk kapcsolt fotókat letöltötte. A helyi gyorsítótár azt jelentette, hogy a már letöltött fájlokat egyszerűen átugrotta, így bármikor folytatható volt a folyamat.

2. lépés: A kontextus kinyerése képekből

Itt jött a lényeg: a Claude Code ügynököt használtam, amely látási képességekkel rendelkezik. Minden edzőtermi tábla fotóhoz megkértem, hogy generáljon egy strukturált JSON leírást:

{
  "tipus": "edzes",
  "gyakorlatok": [
    {
      "nev": "Román felhúzás",
      "sorozat": 4,
      "ismetles": "8-10",
      "suly": "60kg",
      "izomcsoportok": ["hátsó lánc", "farizom"]
    }
  ],
  "fokusz": "eros",
  "jegyzetek": "Ma erősnek éreztem magam, növeltem a súlyt"
}

Ha valami nem tűnt helyesnek, egyszerűen töröltem a JSON fájlt és újrageneráltattam. A folyamat javítható és iteratív volt.

3. lépés: A végeredmény

A strukturált edzésadatok és a Strava metrikái egy egyszerű HTML sablonba kerültek, ami egy megosztható PNG posztert eredményezett.

Miért működött a besorolás?

Bevallom: a Strava aktivitáscímkéim kaotikusak voltak. Három évnyi önkényes címkézés: "súlyzós", "edzés", "mobilitás" – mindenhol máshol.

Nem akartam egy bonyolult klasszifikációs modellt építeni. Ehelyett kombináltam:

• A Strava aktivitástípusát
• A címke kulcsszavait
• A kinyert fotóadatokat

A logika egyszerű volt:

• "guggolás", "felhúzás", "pad" + erőfókuszú fotó = erőedzés
• "mobilitás", "nyújtás", "recovery" + rugalmassági fotó = mobilitás
• Távolság + időtartam + nincs edzőtermi fotó = futás

Ez a hibrid megközelítés bőven elég volt egy személyes összefoglalóhoz.

Az MCP kérdés

Kipróbáltam a Strava MCP szerverét is, ami egyszerűsítette az API integrációt.Metadata lekérésre remekül működött, de a fotókhoz nem tudott hozzáférni. Csak számokhoz MCP tökéletes lenne – de nekem a fotók kellenek, szóval a kézi szkript maradt.

Amit ez elárul az AI kódoló ügynökökről

A projekt valódi értéke nem a poszter volt. Hanem az, amit bemutatott: az AI ügynökök rugalmas köztes rétegként működhetnek az adatforrások és a kívánt kimenetek között.

A hagyományos automatizálás: ha ezt, akkor azt. Merev logika.

Az AI kódoló ügynökök: képesek képeket értelmezni, kontextust megérteni, strukturált adatot generálni. Képesek alkalmazkodni, ha váratlan helyzetek adódnak. És ami a legjobb: segítenek megépíteni magát az automatizálást.

Ez alapvető változás. A kérdés már nem az, hogy "automatizálhatom-e", hanem az, hogy "mennyire gyorsan iterálhatok". Ami korábban egy hétvégi projekt lett volna, most egy délután alatt prototípus szinten elkészülhet.

A lényeg

A végeredmény egy edzés-összefoglaló lett, ami végre elmesélte a történetemet. De a folyamat valami nagyobbra mutat: eljött a személyes adatkinyerés korszaka.

A fitneszadatok, a kódprojektek, az üzleti metrikák – mind szétszórva, egymással nem kommunikáló rendszerekben. Az AI kódoló ügynökök lesznek az összekötő szövet, ami lehetővé teszi, hogy egyedi nézeteket építsünk a saját információinkból – vállalati erőforrások nélkül.

Következő alkalommal kipróbálhatom a lokális modellt, hogy minden eszközön maradjon az adat. Ha te is hasonló személyes automatizálási projekteken dolgozol, vagy van saját fitnesz-ügynök munkafolyamatod, írd meg – kíváncsi vagyok.

Néha a legkielégítőbb projektek nem azok, amelyek skálázódnak – hanem azok, amelyek végre elmesélik a saját történetedet.