介绍一款专为骑行、跑步和徒步设计的分析 Skill——guizang-sports-skill（github.com/op7418/guizang-sports-skill）。
用户只需将码表或运动 App 导出的 FIT/KML 文件交给 Codex、Claude Code 等 Agent，即可获取运动深度解读与改进建议，并自动生成本地 3D 路线报告。
该工具支持将路线轨迹、核心数据卡及沿途照片合成为精美的 PNG 图片或 MP4 视频，便于社交分享。
该 Skill 核心解决两大痛点：深度解析运动数据，以及实现高质量的可视化分享。
深度解析：把运动数据讲明白
传统码表软件往往堆砌里程、均速、心率、功率等原始数据，却缺乏有价值的结论性建议，用户需自行拼凑信息。
该 Skill 优先提供路线整体判断与核心发现，随后展开证据链、数据局限性说明及行动建议。用户无需在繁杂图表中猜测，第一眼即可掌握“这次表现如何”。
针对不同运动类型，分析维度自动适配：骑行聚焦速度、踏频、停顿与起伏；跑步侧重配速与步频；徒步则关注距离、爬升密度、海拔范围及连续爬坡段。
系统基于真实证据筛选 2–6 个关键深挖点，并按影响程度输出 2–8 条建议。每条建议均明确标注依据、原因及可执行动作。
建议内容动态生成，拒绝千篇一律的套话。例如：仅在时长与温度数据支持时提示补水；若心率或功率数据缺失，则明确告知无法评估训练负荷；针对闭环路线，会自动建议隐藏起终点以保护隐私。
确定性计算结合 AI 解释
为避免模型对原始数据自由发挥产生幻觉，Skill 采用“确定性分析器+AI 解释”的双层架构。底层负责解析轨迹、统一单位并计算基础指标（时间、距离、爬升、坡度分布、传感器覆盖率）；上层 AI 负责筛选关键信息，将数据关系转化为通俗解释。
该机制有效规避常见错误：无心率带显示“未记录”而非"0 bpm"；无时间戳的 KML 文件不猜测速度与停留时间；缺乏个人阈值数据时，不生成 FTP、心率区间或医疗结论。
在爬坡分析上，摒弃易波动的“最大坡度”，转而采用距离加权坡度分布与平滑后的 P99 值代表陡坡，并识别出最具代表性的三段连续爬坡，详述其位置、长度与爬升量。
可视化升级：打造精美分享素材
分析完成后，Agent 将自动调用内置浏览器或默认浏览器打开报告页。左侧展示带有真实海拔起伏的 3D 路线，支持旋转、视角拖动及时间轴控制；路线颜色随坡度动态变化（冷色下坡、浅色平缓、暖色爬坡）。右侧依次呈现活动总览、路线画像、深度分析与行动建议。
点击“导出创作”可将数据、动态 3D 路线图与自定义背景（照片/视频/预设素材）合成为分享视频。动态地图、数据卡及水印均为独立图层，支持自由调整。
数据卡提供玻璃、实色、极简三种样式，展示全程总里程、爬升、均速等宏观数据，避免瞬时数值造成的语境缺失。
特色功能“沿途照片故事”支持将拍摄照片叠加至视频中。系统优先通过 GPS 匹配照片位置，若无 GPS 则按时间戳对齐；两者皆无时，支持在 2D 路线图上手动标记。视频播放至对应路段时，背景切换为照片，地图高亮当前位置，默认每张停留 2.5 秒。
目前支持四种导出比例，静态图输出 PNG，动画与视频输出 H.264 MP4（30 FPS, 12 Mbps）：
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
开发初衷与应用前景
现有运动软件两极分化：一类过于专业，数据罗列让普通人无从下手；另一类过度简化，丢失了路线细节与个人经历。开发者旨在填补空白，提供“发生了什么、如何调整、如何记录”的完整闭环。
受 ChatGPT Health 启发，该项目强调数据需结合上下文分析。通过“确定性计算 +AI 解释”的模式，利用 AI 的编码与分析能力，降低用户对专业数据分析能力的依赖，挖掘运动健康领域的巨大应用潜力。
安装与使用指南
通过以下命令一键安装：
安装完成后，向 Codex、Claude Code 等具备本地文件处理能力的 Agent 发送指令（如“帮我分析一次运动”），拖入 .fit 或 .kml 文件即可自动触发分析并生成报告。
支持多种自然语言指令场景：
“分析这份 FIT，重点看踏频、爬坡和数据质量。”
“综合对比几次骑行，找出最长、爬升最多且数据最完整的一次。”
“分析两步路导出的徒步 KML，评估路线强度与主要爬坡段。”
“利用沿途照片制作 9:16 比例的 3D 路线视频，每张停留 2.5 秒。”
若无实测文件，可输入“用示例数据演示一遍”体验功能。项目仓库包含合成轨迹 Demo，不涉及真实隐私数据。
项目地址：https://github.com/op7418/guizang-sports-skill
若该工具对您有所帮助，欢迎点赞或分享给有需要的朋友。
✦