Quando Seus Dados de Academia Falam Mais do Que Números

Vou cobrir:

• O problema: apps de fitness mostram dados sem contar a história
• A solução: combinar dados estruturados com visão computacional
• Como o pipeline funciona (minha interpretação)
• O coding agent como multiplicador de produtividade
• O que aprendi e o que vem pela frente

Vamos ser sinceros: apps de fitness são fantásticos para medir números. Péssimos para explicar contexto.

Seu app de corrida sabe que você correu 42 quilômetros no mês passado. O que ele não sabe é que você estava se preparando para sua primeira meia maratona. Ou que aqueles treinos faziam parte de um plano de periodização que você fotografou do quadro branco da academia.

Essa desconexão entre dados e contexto foi o que me motivou a criar um projeto paralelo interessante. E ele mostra muito sobre por que coding agents estão se tornando indispensáveis para automação pessoal.

O Problema dos Números Isolados

Eu uso Samsung Fit 3 para registrar treinos na academia e Strava para corridas. A combinação funciona bem — o relógio sincroniza automaticamente e me dá todos os metadados padrões: duração, distância, elevação, zonas de frequência cardíaca.

Mas tem algo que o Strava jamais vai te contar: se aquele "treino de musculação" foi um dia de força focado em exercícios compostos ou uma sessão de mobilidade para recuperação. Ele sabe que eu fiz algo por 45 minutos. Não faz ideia de que eu estava trabalhando uma progressão de goblet squat com 24 quilos enquanto meu personal escrevia a estrutura do treino no quadro — um quadro que eu nunca pensei em fotografar até pouco tempo atrás.

O contexto existia exclusivamente nas fotos que eu postava casualmente no Strava. O quadro da academia documentava a estrutura real do treino: movimentos, séries, repetições, áreas de foco, e a diferença crucial entre dias de recuperação e blocos de treino intenso.

O Strava capturava a quantidade. As fotos contavam a qualidade.

Construindo um Pipeline de Dados Pessoais

A solução não foi uma ferramenta única — foi um pipeline que deixava cada sistema fazer o que faz melhor:

Buscar → Processar → Extrair → Visualizar

Primeiro, um script Python simples puxava todas as atividades do Strava junto com as fotos associadas. O script mantinha um cache local, então podia pular mídias já baixadas e retomar de onde parou se fosse interrompido.

Depois veio a parte interessante: extrair o contexto do treino daquelas fotos do quadro da academia.

Usei o Claude Code como coding agent com capacidades de visão. Para cada foto do quadro, eu pedia para o agent gerar uma descrição JSON estruturada do treino:

{
  "type": "workout",
  "exercises": [
    {
      "name": "Romanian deadlift",
      "sets": 4,
      "reps": "8-10",
      "weight": "60kg",
      "muscle_groups": ["posterior chain", "glutes"]
    }
  ],
  "focus": "strength",
  "notes": "Felt strong today, increased weight from last week"
}

A abordagem com agent no loop se mostrou surpreendentemente eficaz. Se os dados extraídos pareciam errados, eu simplesmente apagava aquele JSON e gerava de novo. Se a imagem já estava processada, o script pulava. O fluxo era retomável, corrigível e — mais importante — iterativo.

Com dados estruturados de treino combinados com as métricas do Strava, gerar o infographic final ficou simples. Um template HTML juntava tudo em um poster em PNG para compartilhar.

Por Que a Classificação Foi Mais Fácil do Que Esperava

Minhas tags de atividade no Strava não eram exatamente consistentes. Alguns treinos de força estavam marcados como "weight training", outros simplesmente como "workout". Dias de mobilidade apareciam às vezes como atividades genéricas. O caos era inteiramente culpa minha — três anos de marcação casual sem nenhum sistema padronizado.

Em vez de construir um modelo de classificação sofisticado (o que seria overkill para um projeto pessoal), usei uma abordagem pragmática: combinar o tipo de atividade do Strava, palavras-chave do título e os dados extraídos das fotos para fazer uma classificação por melhor palpite.

A lógica ficou assim:

• Palavras como "squat", "deadlift", "bench" + dados de foto focados em força = treino de força
• "Mobility", "stretch", "recovery" + dados de foto com foco em flexibilidade = sessão de mobilidade
• Distância + duração + sem foto da academia = corrida (os metadados do Strava são confiáveis aqui)

Essa classificação híbrida era boa o suficiente para um resumo pessoal. O poster final parecia preciso porque usava o que cada fonte de dados fazia melhor.

A Consideration About MCP

Experimentei brevemente o servidor MCP do Strava, que prometia simplificar a integração com a API. Funcionou bem para buscar metadados de atividade, mas não conseguia recuperar fotos anexadas. Para projetos que precisam só de números, o MCP agilizaria o desenvolvimento significativamente. Para esse caso, o script manual continuou sendo a melhor escolha já que acesso a fotos era inegociável.

O Que Isso Revela Sobre Coding Agents

O valor real desse projeto não foi o infographic em si — foi demonstrar como agents podem servir como middleware flexível entre fontes de dados e saídas desejadas.

Ferramentas tradicionais de automação seguem lógica rígida: se isso, então aquilo. Coding agents conseguem raciocinar entre modalidades. Podem olhar uma imagem, entender o contexto, gerar dados estruturados. Podem se adaptar quando casos especiais aparecem. Podem te ajudar a construir a automação em vez de só executar dentro dela.

Para desenvolvedores e empreendedores técnicos, isso representa uma mudança fundamental. A pergunta não é mais "Posso automatizar isso?" mas sim "Quão rápido posso iterar na automação?" Um projeto que teria tomado um fim de semana inteiro pode agora ser prototipado em uma tarde, com o agent cuidando do boilerplate e te ajudando a pensar em casos especiais.

O Recado Final

O resultado foi um resumo de treino compartilhável que finalmente contava a história real da minha jornada fitness. Mas o processo apontou para algo maior: a era do empoderamento de dados pessoais.

Seus dados de fitness, seus projetos de código, suas métricas de negócio — a maior parte está em sistemas fragmentados que não conversam entre si. Coding agents estão se tornando o tecido conectivo que permite criar visões personalizadas da sua própria informação sem precisar de recursos de nível enterprise.

Próximo passo: experimentar um modelo local para esse workflow, mantendo tudo no dispositivo por privacidade. Se você está experimentando projetos similares de automação pessoal ou tem workflows de fitness-agent, adoraria ouvir sobre.

Às vezes os projetos mais satisfatórios não são os que escalam — são os que finalmente fazem seus próprios dados contarem sua própria história.