Så byggde jag en personlig fitness-pipeline som faktiskt förstår mig

Jag tänkte dela ett sidoprojekt som växte fram ur en ganska klassisk frustration: alla mina träningsappar ger mig siffror, men ingen förstår berättelsen bakom dem.

Problemet med ren data

Jag kör Samsung Fit 3 för gymmet och Strava för löpningen. Det funkar utmärkt tillsammans—aktivitetsdata synkar automatiskt och jag får allt som förväntat: distans, tempo, puls, tidsstämplingar.

Men Strava kommer aldrig att berätta om det där "styrketräningen"-passet var en tyngdag med knäböj och marklyft, eller en lättare återhämtnings-session med mobilitet. Appen vet att jag var på gymmet i 45 minuter. Den har ingen aning om att jag jobbade igenom en goblet squat-progression med 24 kilo medan min tränare skrev upp strukturen på en griffeltavla som jag aldrig tänkte fotografera förrän nyligen.

Data fanns i systemen. Kontexten fanns i bildarkivet.

Arkitekturen

Lösningen blev en pipeline med flera steg:

Hämta → Bearbeta → Extrahera → Visualisera

Först skrev jag ett Python-skript som drog hem alla mina Strava-aktiviteter tillsammans med tillhörande foton. Skriptet höll koll på vad som redan laddats ner, vilket gjorde att det kunde fortsätta där det slutade om jag avbröt körningen.

Det intressanta kom sen: att extrahera träningskontext från griffeltavelfotona.

Jag använde Claude Code som en kodande agent med bildförståelse. För varje foto bad jag agenten generera strukturerad data:

{
  "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"
}

Fördelen med den här agent-i-loopen var att jag kunde fixa fel direkt. Om extraheringen blev konstig raderade jag bara JSON-filen och körde om. Om bilden redan var behandlad hoppade skriptet över den. Arbetsflödet var återupptagbart och fixbart—precis vad man vill ha i ett personligt projekt.

När jag väl hade strukturerad träningsdata kombinerad med Strava-metrics blev själva visualiseringen enkel. En HTML-mall satte ihop allt till en delbar PNG.

Varför klassificeringen var enklare än jag förväntat mig

Mina Strava-taggar var ett kaos. Tre år av godtycklig kategorisering utan något system. Vissa styrkepass hette "weight training," andra bara "workout." Återhämtningsdagar dök upp som generiska aktiviteter.

Istället för att bygga en avancerad klassificeringsmodell ( overkill för ett hobbyprojekt ) kombinerade jag Strava-typ, nyckelord och foto-data för en pragmatisk gissning:

• Nyckelord som "squat," "deadlift," "bench" + styrkefokuserad foto-data = styrka
• "Mobilitet," "stretch," "återhämtning" + flexibilitetsorienterad foto-data = mobilitet
• Distans + tid + inget gym-foto = löpning (Strava Metadata duger här)

Den här hybridmetoden var precis tillräckligt bra för en personlig sammanfattning.

Om MCP

Jag testade Strava's Model Context Protocol-server kort. Den fungerade bra för metadata men kunde inte hämta foton. För projekt som bara behöver siffror hade MCP snabbat upp utvecklingen rejält. Här var dock det manuella skriptet nödvändigt—fotoåtkomst var affärskritiskt.

Vad detta säger om AI-kodande agenter

Det verkliga värdet i det här projektet var inte infographicen i sig. Det var att demonstrera hur AI-agenter kan fungera som flexibel mellanvara mellan datakällor och önskade output.

Traditionella automationsverktyg följer stel logik: om detta, då detta. Kodande agenter kan resonera över modaliteter. De kan titta på en bild, förstå sammanhanget, och generera strukturerad data. De kan hantera edge cases när de dyker upp. De kan hjälpa dig bygga automationen själv istället för att bara utföra inom den.

För utvecklare och tekniska entreprenörer är det här en fundamental skiftning. Frågan är inte längre "Kan jag automatisera detta?" utan "Hur snabbt kan jag iterera på automationen?" Ett projekt som tidigare krävde en dedikerad helg kan nu prototyps i en eftermiddag.

Takeaway

Resultatet blev en träningssammanfattning som faktiskt berättade historien om min fitness-resa. Men processen pekade mot något större: era av personlig data-makt.

Din fitness-data, dina kodprojekt, dina affärsmetrics—mest sitter i fragmenterade system som inte pratar med varandra. AI-kodande agenter blir bindväven som låter dig bygga egna vyuer av din information utan enterprise-resurser.

Nästa steg blir att köra en lokal model för workflowen, för att hålla allt på enheten. Om du experimenterar med liknande personliga automationsprojekt—eller har egna fitness-agent-workflows—hör gärna av dig.

Ibland är de mest tillfredsställande projekten inte de som skalar. Det är de som äntligen får din egen data att berätta din egen historia.