一句口令为什么没用
设想一位用户在客厅里做徒手深蹲，手机放在茶几上。系统识别出动作偏差，回了一句“膝盖再弯一点”。用户照做了，结果膝盖往前顶得更多，脚跟也开始离地。这句话并不是错在方向，而是错在它没有回答三个问题：哪个部位、朝哪个方向、以什么顺序改。
一个只会读出检测结果的系统，更像一台提示器：检测到什么，就播报什么。教练的工作则是另一件事，它要在众多可能的原因里挑出最值得先处理的那一个，用对方能听懂的话说出来，并且确认对方真的改了。这两者之间隔着的，正是“从运动数据到有效教学语言”的转换。
江南体育AI把数字人教练拆成一条可以逐段检查的链路：
- 动作数据：摄像头画面变成时间序列的骨骼关键点。
- 动作识别：确定用户在做什么动作、处在哪个阶段。
- 错误判断：把偏差归因到具体的身体环节，并判断严重程度。
- 反馈生成：把结论转成一句可执行的话，并决定说的形式。
- 动作演示：必要时让数字人演示“差在哪里”。
- 交互闭环：观察用户下一次是否改善，再调整说法。
后面的章节按这个顺序展开。每一段都有会出错的地方，也有对应的校验方法。
先看清：从画面到可比较的量
姿态估计模型从每一帧画面里找出人体关键点，比如肩、髋、膝、踝的位置。原始输出是一串坐标，本身不带任何教学含义，需要先加工成几类可以比较的量：
- 关节角度：髋、膝、踝在动作过程中的弯曲程度，随时间变化成曲线。
- 动作轨迹：某个关键点走过的路径，例如杠铃或手腕的轨迹是否偏离垂直线。
- 节奏：下降与上升各用了多长时间，底部有没有停顿。
- 左右差异：两侧关节在同一时刻的角度或高度是否一致。
- 相对位置关系：膝盖与脚尖、肩与髋之间的相对位置，而不是绝对像素。
这里有一个常被忽略的细节：用相对量而不是绝对量。用户站得离镜头近一点，像素坐标就整体放大；换一个机位，同一个膝盖角度在画面里的样子完全不同。所以把坐标归一化到身体尺度，用角度和比例来描述动作，比直接比较坐标可靠得多。
关键点本身也有不确定性。手被身体挡住、衣服宽松、光线太暗时，模型往往还是会输出一个位置，只是这个位置不可靠。因此每个关键点都应该带一个置信度，后面所有判断都要把这个置信度带上，低置信度的部分宁可不说，也不要硬说。这一点在设备性能吃紧、帧率下降的时候尤其重要，对应的排查思路可以参考江南体育App里动作识别很慢时的逐层排查。
不同动作对机位的要求也不一样。深蹲和硬拉的髋部后移、躯干前倾，从侧面看最清楚；膝盖内扣、左右不对称，从正面看才明显。一个只有单机位的系统，需要在开始前告诉用户把手机放在哪里，并且在动作里发现视角不合适时主动说明：这一项在当前角度下看不清，先不下结论。把“看不清”当作一种正式的输出，比给一个看似精确的错误结论诚实得多，也避免用户对着一句错话反复调整。
再判断：偏差不等于错误
拿到一条角度曲线之后，最容易犯的错误是拿它和一条“标准曲线”逐点比对，差多少就算错多少。这种做法有三个问题。
第一，动作要分阶段看。深蹲可以粗分为准备、下降、底部、上升四段，同一个膝盖角度在下降阶段是正常的，在底部还没到位就已经停住，就是另一回事。阶段切分错了，后面的判断全部跟着错。
第二，个体差异是真实存在的。身高、腿长、踝关节活动度不同，合理的动作形态也不同。示意来说，假设系统在某位用户的髋部数据里看到一个偏差，如果这个偏差在他每一次动作里都稳定出现，更像是个人的结构特点；如果只在第八次之后才出现，并且逐次变大，更可能与疲劳有关。两种情况的反馈应当完全不同。
第三，偏差是症状，不是原因。“膝盖内扣”是一个症状，可能来自髋部外展力量不足，也可能来自脚踝活动度受限，还可能只是这次站距太窄。系统需要给出候选原因并排序，而不是把症状直接当作结论。
因此江南体育AI在这一层倾向于输出结构化的判断结果，而不是一句话。示意性的结构大致是：
| 字段 | 含义 | 示意内容 |
|---|---|---|
| 阶段 | 偏差出现在动作哪一段 | 下降阶段中后段 |
| 环节 | 涉及的身体部位 | 髋部、膝关节 |
| 现象 | 可观测的偏差 | 髋部后移不足，膝盖前移更早 |
| 持续性 | 是否连续出现 | 连续多次出现 |
| 置信度 | 判断的可靠程度 | 中等，侧面机位遮挡了一侧 |
这张表里的内容是示意，用来说明字段设计，不代表任何实测结果。它的价值在于：后面的语言模型拿到的是一份带阶段、带持续性、带置信度的结构化事实，而不是让它自己去猜测原始数据的含义。
再翻译：让语言模型只做它擅长的事
把结构化判断转成教学语言，是大语言模型比较合适的位置，但它的职责要收窄。它可以负责措辞、语气、举例和顺序，不应该负责判断动作对错。原因很直接：语言模型不擅长可靠地读数值，让它直接看一串角度去“评价动作”，容易出现听上去很专业、实际与数据无关的说法。
更合理的做法是在提示中给它三样东西：结构化的动作判断、用户当前的水平与目标、一套反馈的写作约束。写作约束大致包括：
- 一次只说一件事，具体到一个身体部位和一个动作。
- 说“做什么”，少说“别做什么”。“让重心停在整个脚掌上”比“不要踮脚”更容易执行。
- 给一个可以感知的线索，而不是一个数字。“像坐到身后的椅子上”比“髋角再打开若干度”更容易被身体理解。
- 不使用未解释的术语，必要时用生活化的类比。
回到开头的例子，“髋部角度偏差”（假设数字，仅作示意）不应该原样出现在用户耳朵里。更接近可执行反馈的说法是：“下蹲的时候，先把屁股往后送，像要坐到身后的椅子上，再往下。这一次先放慢一点，脚掌保持整个踩实。”这句话包含了方向、线索、速度和一个稳定的支撑点，用户下一次就有事可做。
语言模型生成之后还需要一层校验：反馈里提到的身体部位是否与结构化判断一致，有没有出现判断里根本没有的结论，有没有给出超出用户能力的要求。校验不通过就回退到更保守的模板句，宁可朴素，也不要说错。关于每次到底该说几件事，我们在AI教练指出10个错误真的有用吗里单独展开讨论。
再演示：只演示差异
用户听不懂时，数字人的价值才真正体现。很多产品的做法是把一段标准动作循环播放，但这对用户几乎没有信息量：他看到的是一个完美的动作，却看不出自己和它差在哪里。
更有用的演示是“对比式”的：把用户自己的动作和一个可行动作叠在一起，只高亮有差异的那一个环节，其余保持静止或淡化。数字人演示的重点是“下降阶段髋部先动，膝盖后动”这个顺序，而不是整个深蹲。
要做到这一点，仅靠2D关键点通常不够，深度方向的信息缺失会让前后方向的偏差很难看清，需要3D动作重建来支撑。这部分我们放在3D动作模型为什么是教会动作的前提里讨论。这里只强调一个设计原则：演示服务于当前这一条反馈，演示的内容必须和刚说的话对得上。
最后闭环：说完之后看用户有没有改
反馈不是说完就结束。数字人教练的交互闭环包含三步：
- 说出一条反馈，并记下这条反馈针对的指标，例如“下降阶段髋部先于膝盖移动”。
- 观察用户接下来的若干次动作，这个指标有没有向好的方向变化。
- 变好了就进入下一个问题；没有变化就换一种说法或换一种线索；反而变差则需要回头检查，是否说错了原因，或是用户已经疲劳。
这一步让系统从“说话”变成“教学”。它还有一个副作用：系统会积累每位用户对不同线索的反应，有人对“坐椅子”的比喻有反应，有人对“数到三再起身”的节奏提示更有效，这些都是后续个性化反馈的材料。
边界要说清楚
数字人教练给出的是训练表现层面的参考，不是医疗建议，也不能替代线下教练对个人身体状况的判断。有几类情况需要坦白承认系统的局限：
- 机位、光线、遮挡和衣着都会影响关键点质量，低置信度的判断应当降级为“建议调整机位”，而不是给出动作结论。
- 涉及疼痛、头晕或明显不适时，系统应当提示停止训练，必要时咨询专业医生，而不是继续给出动作矫正。
- 反馈时机同样重要。同样一句话，在动作进行中说和在组间说，效果差别很大，这个话题需要单独详谈。
回到最初的问题：数字人教练只会说“膝盖再弯一点”为什么还不够？因为教练的价值不在于看见问题，而在于把看见的东西变成对方下一次就能做出的一个具体动作。数据链路越完整，这句话就越有把握说对；语言模型越受约束，这句话就越不容易说错。头像像不像真人，反而是最后才需要考虑的事情。
