基于SpringBoot与AI视觉的健身动作分析系统的设计与实现产品系统Vibe Coding

本项目面向“智能健身与运动训练数字化”场景，核心要解决的是传统训练中长期存在的三个问题：第一，用户缺乏动作质量反馈，只知道“练了”，不知道“练得对不对”；第二，线下私教成本高、覆盖有限，难以做到高频次持续指导；第三，训练数据分散，用户很难形成可追踪的进步路径，导致坚持率和复购率偏低。
从业务背景看，居家健身、线上训练课程、智能硬件和健康管理平台近几年持续增长，但大多数平台仍停留在“内容分发”层（给动作示范视频），缺少“动作执行评估”能力。用户真正的痛点不是“看不到教程”，而是“看了也不知道自己做得是否标准”。因此，行业需要一种低门槛、可规模化、可闭环的训练反馈能力，把“看课程”升级为“可评估、可纠错、可持续优化”的训练服务。
在这个背景下，本项目定位为训练反馈中台：用户上传训练视频后，系统自动完成动作识别、关键点分析、次数统计、质量评分、关键帧报告输出，并结合知识库与历史训练结果提供追问式建议（如“我深蹲膝盖痛该怎么改”）。这让原本依赖人工观察和口头指导的流程，变成标准化、可复用的数字服务流程。
典型业务链路是：
用户上传训练视频，选择动作类型。
系统异步进入分析队列，避免请求超时并提高并发可用性。
AI 服务完成关键点检测与动作评估，生成结构化分析结果。
前端展示关键帧、评分、建议和对比趋势，支持用户追问。
历史记录沉淀，支持多次训练对比与长期进步分析。
媒体文件和报告资源统一托管与清理，控制存储成本。
这个场景的商业价值主要体现在三层：
C 端用户价值：降低训练试错成本，让用户“练得更安全、更有效”；
B 端教练/场馆价值：把教练经验产品化，提高服务覆盖率和人效；
平台运营价值：形成可量化的训练数据资产，支持分层运营、会员留存和增值服务（如训练计划订阅、专项纠错课程、AI 教练问答）。
从落地难点看，这类场景不是单点算法问题，而是“算法 + 工程 + 业务流程

本项目是一个面向健身训练场景的 AI 应用系统，围绕“视频上传—异步分析—报告反馈—追问优化—历史对比”构建完整业务闭环。用户端支持注册登录、视频上传、动作选择、任务进度查看、报告阅读与训练追问；管理端支持用户/任务/视频治理与系统运维。

核心功能包括：
1）上传与任务模块：用户上传训练视频后，系统创建分析任务并异步处理，避免长请求阻塞，支持轮询状态、失败重试与取消任务。
2）动作分析模块：调用 Python AI 服务完成关键点识别与动作评估，输出次数统计、关键帧图、角度指标和动作建议等结构化结果。
3）报告展示模块：前端展示评分、关键帧、建议和角度曲线，支持关键帧切换与放大，提升可解释性与可读性。
4）训练追问模块（RAG）：用户可在报告页继续追问训练问题，系统结合历史分析结果与健身知识库生成个性化回答，并支持流式输出。
5）历史与对比模块：沉淀个人训练日志，支持按状态/动作筛选与 A/B 报告对比，输出次数、角度和建议变化摘要，帮助用户观察进步趋势。
6）资源治理与性能模块：接入对象存储管理视频与报告图片，支持清理策略；引入缓存减少重复查询，记录端到端耗时用于性能优化。
7）权限与安全模块：基于角色控制页面和接口访问，普通用户与管理员能力隔离，保证功能边界清晰。

整体上，项目不仅实现了动作识别能力，更通过工程化方式打通了“训练数据获取—分析计算—用户反馈—持续优化”的产品链路，具备可落地、可扩展、可运维的应用特征。

我在项目里主要负责后端核心功能和端到端链路落地，包括用户、视频、任务、分析结果、管理端接口，以及上传后异步分析流程的设计和实现。具体是把“视频上传 -> 创建任务 -> 消息投递 -> AI 分析 -> 结果回写 -> 前端查询展示”这条链路打通，并处理任务状态流转、失败重试、取消任务、异常回滚等工程问题。同时我负责对接 Python FastAPI 分析服务，统一 Java-Python 的请求/响应协议，确保次数、角度、建议、关键帧路径等结构化结果能稳定落库并可查询。

技术上项目采用前后端分离和异步架构，后端以 Spring Boot + MySQL 为主，RabbitMQ 做上传与分析解耦，Redis 做热点缓存，Python 侧用 FastAPI + MediaPipe 进行动作识别与评估，前端基于 React 做报告与交互页面，媒体资源接入腾讯云 COS 做托管和治理。整体架构的重点是可用性和可恢复性：即使队列或消费者异常，也有本地兜底和卡队列恢复机制，避免任务长期停留在排队状态。

项目亮点在于不是只做算法调用，而是完成了可运行的业务闭环。用户侧能看到上传反馈、任务进度、报告结果、训练追问和历史对比；系统侧能完成资源清理、状态可观测和权限隔离。实现过程中难点主要在异步一致性、跨语言接口稳定性和多数据结构兼容性，例如历史数据字段不一致导致前端渲染异常、任务卡住导致体验差等问题，我都通过容错解析、状态补偿和页面重构做了修复。最终效果是把“动作识别能力”工程化为一个可持续运行、可维护、可扩展的 AI 应用系统。