合成专家：面向可信 AI 辅助游泳教学的经验证多模态数据集

本研究主要关注合成面向游泳领域的结构化检索增强生成（RAG）系统以实现高级 AI 应用的关键问题。随着人工智能在运动科学中的集成成熟，其在游泳领域的应用日益多样化，涵盖从实时技术教学、人才挖选到综合绩效轮廓以及动态训练周期化的个性化。就此而言，RAG 基于系统的方法代表了大型语言模型（LLM）增强游泳分析的关键进展，因为它们允许将生成输出 grounding 在权威领域知识之上，从而确保 AI 生成建议在语境和技术上的可信度。尽管存在这种潜力，但仅使用真实水下数据构建稳健的 RAG 系统 presents significant 挑战，包括关于运动员生物指标的伦理约束以及手动专家标注的高成本。为此，我们提出了一种新型生成框架，利用跨四维度收集的多模态知识库：生理数据、生理文献、运动传感器数据和非结构化领域专家知识。我们提议的框架利用多代理 LLM 架构合成 1,864 个经验证的“问题-情境-答案”三元组——从 1,914 份草案中抽取，依据 12 条生理合理性规则进行评估。通过提供结构化的合成基准，本工作为水上运动中的可信 AI 奠定了基础。本研究的成果有望提高自动化教学的可靠性，并开启“多代理”发展和运动员轮廓描绘的众多未来方向，最终弥合原始数据工程与实际运动科学应用之间的鸿沟。