AI体育训练到底应该什么时候提高难度，什么时候反而应该让玩家休息？

在AI训练游戏的反馈里，有两种困惑经常同时出现。一种是：“我明明还没累，为什么第三组做到一半就提示我休息？”另一种正好相反：“昨天最后两组做得一塌糊涂，今天怎么反而加了难度？”两个玩家都觉得系统判断错了，而他们问的其实是同一个问题：训练到底应该什么时候加码，什么时候停下来？

这个问题难在，表现下降的原因不止一种。分数掉了，可能是动作本来就没掌握，也可能只是做累了；分数上去了，可能是能力真的提高了，也可能只是今天状态格外好。前一种要改动作，后一种要改负荷，处理方式几乎相反。下面按照九游体育训练系统的判断顺序，从玩家本身、到动作、到动作质量、再到难度和反馈，一层层拆开这件事。

玩家：今天的你和这几周的你，要分成两份记录

系统面对的不是一个固定水平的人。同一个玩家，晚上加完班和周末睡足以后，做同样的弓步蹲，表现可能差得很远。如果只用一个数字描述他的“等级”，每一次状态起伏都会让这个数字跟着上下跳，难度也就跟着忽高忽低。

所以训练记录被拆成两层。第一层是短期状态：本次训练里的逐组表现，以及最近几次训练累积下来的训练负荷（Training Load），可以粗略理解为做了多少、做得多难、做得多标准的综合。在示例设定里，一组训练的负荷可以用有效次数乘以动作难度系数，再按平均形态分打一个折扣来估算；几次训练的负荷叠加起来，就能看出玩家最近是在持续加量，还是刚经历过一次特别重的训练。第二层是长期能力：跨越数周的动作质量趋势，关注的是在状态正常的日子里，这个玩家能稳定做到什么水平。

两层记录的更新规则不同。短期状态每一组都在变，长期能力则只接受持续出现的变化：连续几次训练都稳定达到更高的质量，才上调；偶然一次很好或很差，只记录，不改写。这样当天的一次低谷不会让系统误以为玩家退步了，一次超常发挥也不会让下一次训练突然跳到做不动的强度。

动作：同样是“做差了”，能力问题和疲劳问题长得不一样

拿开合跳和弓步蹲来说，动作识别能提供的信号大致包括：每一次的动作幅度（Range of Motion），上升和下降阶段的速度，底部和落地时的稳定程度，左右两侧是否对称，以及整体的形态得分。单看某一次的分数，这两种问题可能一样低；把一组里每一次的变化连起来看，差别就出来了。

能力问题通常从第一次就存在。比如一个刚接触弓步蹲的玩家，每一次前膝都明显向内偏，后腿膝盖总是降不下去，第一次这样，第十次也这样，错误的类型和程度都很稳定。休息一分钟再来，问题依旧。这说明他还没掌握这个动作的控制方式，和累不累关系不大。

疲劳问题则有一条明显的下滑曲线。前几次动作完整、节奏均匀，从某一次开始，起身阶段越来越慢，下蹲越来越浅，底部开始晃，开合跳的手臂举不到原来的高度，落地声音越来越重。关键在于：这些变化是逐次加重的，而且在短暂休息后，前几次的质量又能基本恢复。动作并没有忘记怎么做，只是维持这个质量的能力暂时下降了。

要把“越来越慢”变成可计算的信号，系统会以本组前三次作为基准：记录每一次从最低点回到站立所用的时间，以及髋部下降的深度。之后每一次都和基准比较，当起身用时连续几次明显拉长、深度连续几次明显变浅，而且两者同时出现时，才标记为组内衰减。只出现一次的偏差可能是玩家分心或者调整站位，不足以说明问题。

当然也存在混合情况：刚学的新动作，本来就不太稳，做到后半段又累了。系统在这种时候会更保守，优先按疲劳处理本组剩余部分，再在之后的训练里单独安排动作练习。

质量：看分数怎么掉下来，而不只是掉到了多少

把上面的观察整理成可以判断的信号，大致是下面这张对照表。表中的描述是方向性的，具体阈值需要根据动作类型和玩家的历史数据设定，这里只作示例说明。

表里最有分辨力的一行是“短暂休息后”。所以当信号模糊时，系统会主动做一次验证：插入一段示例设定为一分钟左右的休息，然后只让玩家做三到五次测试动作。如果质量回到了本次训练前段的水平，基本可以确认是疲劳；如果依旧不行，就更可能是动作本身的问题。这段休息本身不是惩罚，而是一次测量。

还有一个前提容易被忽略：信号本身要可信。玩家做着做着往镜头外走了半步，膝盖和脚踝的关键点 Confidence 下降，画面里的深度看起来“变浅了”，这不是疲劳，而是追踪质量下降。系统在关键点置信度低于门槛时，会暂停趋势判断，先提示玩家调整站位，而不是从抖动的数据里推断出一个“你累了”的结论。

难度：加难、维持、换法、休息，是四个出口而不是一个旋钮

很多训练产品把难度做成一个旋钮：表现好就往右拧，表现差就往左拧。问题是，“往左拧”对能力问题和疲劳问题都不是好答案。能力不足时减少次数，玩家还是不会做；疲劳时降低动作难度，玩家还是累。所以难度调整至少需要四个出口：

• 加难：长期能力稳定上升，最近几次训练的完成率（Completion）和准确度（Accuracy）都维持在高位，且没有明显的组内下滑。一次只加一个维度，比如节奏或者次数，而不是同时加。
• 维持：表现稳定但还没有持续超出当前水平，继续在这个难度上积累质量，比急着往上走更有价值。
• 换法：判断为能力问题时，把动作拆开或换成更容易控制的变式，比如先练原地分腿蹲再做行进弓步，或者放慢下降节奏，让玩家有时间感受正确的位置。
• 休息与减量：判断为疲劳问题时，减少本组剩余次数、延长组间休息，严重时提前结束本次训练，并把下一次安排成轻量日。

这里有一条容易被违反的原则：不能永远往更难调。即使玩家连续几次都完成得很好，训练负荷也不能一直线性增长。示例设计里，系统在连续几次上调负荷之后，会主动安排一次负荷较低的训练，哪怕玩家的表现数据依旧漂亮。能力的提升需要恢复来巩固，一直加码的结果往往是某一天突然全面下滑，再从头往回找。

训练历史（Training History）在这里起的作用，是把单次训练放回时间线里。比如一个玩家每次在高负荷训练的第二天，第一组的起身速度都偏慢，但第三次训练又恢复正常。系统看到这种重复模式后，会在高负荷训练的次日自动安排较轻的内容，而不是等玩家做到一半再临时降级。反过来，某一天表现突然很好，系统也不会马上把难度调上去，而是先观察下一次能不能保持。

更细的组内“继续还是降低”的决策逻辑，可以参考AI怎么判断玩家应该继续训练还是降低难度；不同类型玩家下一关应该怎么设计，可以看同样做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。

反馈：把依据说出来，也允许玩家不同意

回到开头那两个困惑。它们之所以产生，很大程度上是因为系统只给了结论，没有给依据。一句“建议休息”对玩家来说几乎没有信息量，而“最后五次下蹲比前面浅了不少，起身也慢了，先休息一分钟再试三次”就具体得多。玩家能对照自己的感受，判断这个建议是否合理。

九游体育的训练反馈遵循几条原则。第一，说观察到的动作变化，而不是替玩家下身体状态的结论，系统看到的是“幅度变小、速度变慢”，不是“你的肌肉累了”。第二，加难时同样说明理由，比如“最近三次训练的动作质量都很稳定，今天把节奏加快一档”，让玩家知道这次变难不是随机的。第三，允许覆盖：玩家可以选择跳过休息、继续本组，系统会尊重这个选择，但会记录下来，并在后续判断中参考这次继续之后的表现。

在记录页里，短期状态和长期能力也分开展示。玩家可以看到今天哪几组出现了明显的下滑，也可以看到过去几周动作质量的整体走势。某一天的低分被标注为“疲劳阶段”，而不是被当成退步写进趋势线里，这样回看时就不会被一次糟糕的训练吓到。

加难和休息看起来是两个方向，其实服务的是同一个目标：让玩家在下一次训练时，比这一次多一点点能力，而不是多一点点透支。一个真正理解训练的系统，应该在玩家想冲的时候知道什么时候该拦一下，在玩家想停的时候知道他其实还可以再往前走一步。