同样做20个深蹲，为什么AI训练游戏不应该给每个人同样的下一关？

假设周三晚上，同一个家庭里三个人都打开了训练游戏，领到的是同一关：20个深蹲。十几分钟后，三个人的屏幕上都显示“完成”。如果训练系统只看这个结果，明天就会给三个人同样的第二关，比如25个深蹲。但只要把这三组深蹲的过程摊开来看，就会发现这个“同样的下一关”对其中两个人来说都是错的。

下面用一个模拟场景，把三位玩家分别叫作A、B、C，按照训练链路一步步看：先认识玩家，再看动作过程，再算动作质量，然后决定难度，最后才是给玩家的反馈。

三个“完成”，三份完全不同的过程记录

先把三组深蹲的过程数据放在一起。下表中的描述均为模拟场景下的示例，用来说明判断逻辑，不代表真实用户统计。

这张表里最有价值的不是任何一个单项分数，而是“准确度曲线”这一行。平均准确度可能让A和B看起来差不多，但A的曲线是一条平线，B的曲线是一条斜着往下走的线，两者背后是完全不同的问题。

Player：先弄清楚这个人是谁，再看他今天做了什么

同样的20个深蹲，对刚开始训练的人和已经坚持了几个月的人，意义并不一样。所以训练系统在判断之前，要先调出玩家档案：Player Level 大致在哪个区间，过去两周完成了几次训练，最近一次训练距今多久，校准时记录的腿长和身高是多少。

这些信息决定了“正常”的标准。比如同样是起身时间拉长，一个连续三天都在练腿的玩家出现这种情况，更可能是累积疲劳；一个隔了一周才回来的玩家出现这种情况，则可能是动作还没找回感觉。Training History 在这里不是用来算总量的，而是用来解释今天的表现。

Motion：把20次拆开，时间和幅度会自己说话

动作识别层会把每一次深蹲切成下蹲、底部、起身、站稳几个阶段，记录每个阶段的时长和髋部下降的幅度。三位玩家的差异，在这一层就已经显现。

玩家A的每一次下蹲都很慢，底部会停一下，起身也不急，但每次的时长并不一致，有时两秒，有时接近四秒。这说明他动作控制不差，只是没有稳定的节奏感。玩家B前十次的下蹲和起身都很快，从第十四次左右开始，起身阶段越拉越长，髋部最低点却越来越高，也就是蹲得越来越浅。玩家C每一次的时长几乎一样，最后三次和前三次看不出差别。

这里有一个关键判断：B的问题是组内逐次下降，而不是一开始就不会。如果一个玩家从第一次起就蹲不深，那更像是技术或活动范围的问题；如果前面做得好、后面逐渐变形，更像是疲劳问题。两种问题的下一关应该完全不同。

Quality：准确度要看趋势，平均分会把问题藏起来

质量层把深度、膝盖对齐、躯干前倾、左右对称和稳定性合成每一次动作的 Accuracy。九游体育在这一层更关注的是整组的曲线形状，而不是一个平均值。

一个常用的看法是把20次分成前、中、后三段，比较各段的准确度和起身时长。A三段基本持平；B后段准确度明显低于前段，同时起身时长明显增加，两个信号同时出现，疲劳的可能性就很高；C三段持平，并且起身时长没有增加，说明还有余力。单独一个信号不够，比如起身变慢但准确度不变，可能只是玩家主动放慢了节奏，不能直接判为疲劳。

当然，这一切的前提是动作识别本身可信。如果某几次深蹲因为遮挡导致关键点 Confidence 偏低，这几次的准确度就不应该参与趋势计算，否则一个被茶几挡住的膝盖，可能被误读成“疲劳导致的变形”。

Difficulty：A练节奏，B先减量，C加组合

到了难度这一层，三个人终于要分道扬镳。

玩家A：不加次数，加节奏任务

A的动作质量已经很好，再加5个深蹲，只会让一组耗时更长，他仍然学不会控制节奏。更合适的下一关是节奏任务：跟随游戏里的节拍，下蹲和起身各自落在规定的时间窗口里，比如示例设定为下蹲约两秒、起身约一秒。次数保持20个不变，评分重点放在节奏命中率上，同时保留深度门槛，防止为了踩节拍而蹲浅。

玩家B：减次数，加稳定性，组内插入休息

B最需要的不是更难，而是在疲劳出现之前把动作做对。下一关可以把一组拆成两小组，每组次数比上一关少，中间插入一段短暂休息；每次深蹲要求在底部停顿一小会儿，考验的是稳定性而不是速度。游戏里可以给“后五次的准确度”单独设奖励，引导B把注意力放在后程质量上。如果B的后程变形持续好几次训练都没有改善，系统还应当考虑把整体负荷再降一档，而不是一直在同一关里反复失败。

玩家C：加负荷组合或爆发任务

C已经在当前关卡里游刃有余，简单加次数只会让训练变得冗长。下一关可以升级为组合动作：慢速下放加底部停顿，拉长肌肉承受的时间；也可以加入深蹲跳这样的爆发任务，但要同时评估落地时膝盖是否对齐、能否站稳，而不是只看跳多高。为了避免一次升级过猛，可以先让组合动作只占一组中的一部分，观察C的准确度曲线是否仍然平稳，再决定是否整组升级。

把三种下一关放进游戏：同一张地图，三条不同的路

在九游体育的训练游戏里，难度规则最终要变成玩家看得见的关卡。假设这是一款冒险类训练游戏，每完成一次有效深蹲，角色就向山顶推进一段。对A来说，下一关的地图上出现了一座随节拍起落的吊桥，只有下蹲和起身踩准节拍，角色才能平稳走过去，蹲浅了或抢拍了，吊桥就会晃一下，角色原地停住。这样的设计把“节奏”变成了一个具体的游戏目标，而不是一句抽象的“请控制速度”。

对B来说，同一段山路被拆成两截，中间是一个营地补给点。营地里角色会坐下休息，屏幕倒计时结束才能继续出发，休息时间就是系统插入的组间恢复。后半截路上散落着只有“底部停稳”才能捡起的道具，把稳定性任务藏在了收集玩法里。对C来说，山顶多了一个守关角色，只有连续完成停顿深蹲和落地稳定的深蹲跳，才能积攒足够的能量把它击退。

三条路的外观可以相似，玩家之间甚至可以比较谁先到山顶，但每条路要求的身体能力并不一样。这也是训练游戏和普通闯关游戏最大的区别：关卡难度不是一个统一的数值，而是对“这个玩家下一步该练什么”的回答。

万一判断错了：下一关的前几次就是验证

任何根据一组数据得出的结论都可能出错。B的后程变形也许不是疲劳，而是做到第十四次时孩子从镜头前跑过，挡住了下半身，关键点置信度下降，系统把几次模糊的动作误读成了蹲浅。A的节奏不稳，也可能只是因为第一次玩这个关卡，还在熟悉界面。

所以新关卡的前几次动作本身就是一次验证。如果B在新关卡里前五次的准确度和起身时长都明显好于上一组的后程，说明减量方向是对的；如果B在少了次数的情况下依然很早就出现变形，就要考虑是不是整体负荷偏高，需要进一步降档。如果C升级后前几次就出现落地不稳，系统应当在这一局内把深蹲跳换回停顿深蹲，而不是等到整局结束再调整。难度调整不是一次性的判决，而是一个不断被新数据校正的过程。

完成率（Completion）也是验证的一部分。一个玩家如果连续两次都没能完成新关卡，哪怕每一次动作质量都不错，也说明这一关的总量超出了他当前的承受范围，下一次应当回退一步。

Feedback：下一关变了，玩家要知道为什么

难度调整如果没有解释，玩家很容易误解。A看到下一关次数没有增加，可能以为自己没进步；B看到次数减少，可能觉得被系统“降级”了。所以反馈要把原因说清楚，并且说得具体：

• 给A：“你20次的深度都达标，下一关练节奏，跟上节拍能拿额外奖励。”
• 给B：“前十次非常好，第14次以后蹲浅了，下一关分两小组，重点保持后程质量。”
• 给C：“这组全程稳定，下一关加入停顿深蹲和深蹲跳，落地站稳才计分。”

同时要允许玩家手动选择。有些玩家今天就是想多练几个，系统可以接受这个选择，但仍然保留对动作质量的记录，下一次再根据实际表现调整。

今天的状态和长期的能力，要记在两本账上

B今天后程变形，不代表B的能力比上周差了。可能只是昨晚没睡好，或者前一天刚练过腿。如果把今天的表现直接写进长期能力，B的等级会被错误地拉低，接下来几天都拿到过于简单的关卡。

所以九游体育把两类信息分开记录：短期状态记录今天的疲劳信号、完成率和准确度走势，只影响今天和接下来一两次的安排；长期能力记录多次训练中稳定表现出来的深度、节奏和质量水平，只在连续多次出现同样趋势时才更新。更多关于何时该加难、何时该休息的讨论，可以阅读AI体育训练到底应该什么时候提高难度；训练过程中实时判断是否降难，则在AI怎么判断玩家应该继续训练还是降低难度里有更细的拆解。

回到那个周三晚上：三个人都完成了20个深蹲，但A明天应该听节拍，B明天应该少做一点、做稳一点，C明天可以挑战更难的组合。同样的20个深蹲，不应该换来同样的下一关，这正是训练游戏和计数器的区别。