Schnittstelle
Knowledgebase-API
Die geplante Abfrageoberfläche der Bewegungs-Knowledgebase: Fenster, Embeddings und Evidenz — gestaltet für Analysten, Tools und KI-Agenten gleichermaßen.
Fenster, Embeddings, Evidenz
Die Knowledgebase ist um drei Substantive organisiert. Ein Fenster ist die Bewegung eines Körpers über wenige Sekunden — Posensequenz plus Metadaten. Jedes Fenster trägt ein Embedding: seine Koordinate im Bewegungsraum. Und jede abgeleitete Aussage verweist zurück auf Evidenz: die Rohsegmente, die sie begründen. Die Regel, um die die API entworfen ist, ist einfach — keine Antwort ohne Zeiger auf die Bewegung, aus der sie stammt.
Geplante Endpunkte
| Endpunkt | Zweck |
|---|---|
| POST /v1/embed | Wandelt eine Posensequenz in ihr 384-d-Embedding um. |
| POST /v1/query | Durchsucht die Knowledgebase — nach Ähnlichkeit, Filtern oder Features — mit Evidenz in jedem Treffer. |
| GET /v1/features | Listet die abgeleiteten Bewegungs-Features eines Korpus auf. |
Beispiel: Anfrage und Antwort
Ein repräsentativer Austausch — Formen und Namen sind illustrativ und werden mit den ersten Integrationspartnern finalisiert.
POST /v1/query
{
"similar_to": "win_02af31",
"filter": {
"athlete_id": "ath_114",
"date_range": ["2026-03-01", "2026-03-28"]
},
"features": ["speed_profile", "knee_asymmetry"],
"limit": 2
}
HTTP/1.1 200 OK
{
"model_version": "hmt-poc-0.9",
"schema_version": "2026-06",
"results": [
{
"window_id": "win_7c11e4",
"similarity": 0.93,
"features": { "speed_profile": 7.2, "knee_asymmetry": 0.14 },
"evidence": { "session_id": "ses_209", "t_start": 3121.4, "t_end": 3125.4 }
},
{
"window_id": "win_1d98b0",
"similarity": 0.91,
"features": { "speed_profile": 6.8, "knee_asymmetry": 0.17 },
"evidence": { "session_id": "ses_214", "t_start": 812.0, "t_end": 816.0 }
}
]
}Versionierung, Vertrauen und Agenten
Jede Antwort nennt die model_version und schema_version, die sie erzeugt haben — denn Embeddings verschiedener Modellversionen sind nicht vergleichbar, und kein Konsument sollte das durch Zufall erfahren.
Auf derselben Abfrageoberfläche ist ein MCP-Server geplant, damit KI-Agenten — Claude, ChatGPT, eigene Systeme — Bewegungsfragen direkt stellen und die erhaltene Evidenz zitieren können. Was das für Trainer, Physiotherapeuten und Analysten bedeutet, erzählt die Seite zur KI-Agenten-Plattform.