如果只给一套体育战术大模型喂一堆比分和最终数据——谁得了多少分、命中率多少、打击率多少——它顶多能学会"谁更强"，学不会"这个人在什么情况下会做什么选择"。bob体育战术AI研究组在搭建模型时，第一步要解决的问题不是算法选型，而是数据到底该长什么样，这个问题想不清楚，后面所有的训练都会建立在一个错误的地基上。
比分和box score只是结果，不是过程
传统的比赛统计表能告诉你一名球员投了多少次三分、命中了多少个，但没办法告诉你他是在什么防守站位下出手的、之前几次进攻他做了什么选择、防守方是不是已经开始针对性收缩。这类结果性数据对训练一个"理解决策"的模型帮助有限，因为它把过程压缩掉了，只留下了结局，模型顶多能学到"这个人命中率高"，却学不到"这个人在什么情况下更容易出手"。
真正需要的是带情境的行为序列
体育战术大模型需要的数据更接近一条条带时间戳的行为序列：篮球里的挡拆发生时刻、持球人的选择、防守方的应对方式；棒球里投手的球种、落点和当时的好球坏球数；网球里每一分的发球落点和随后的回合走向；羽毛球里连续几拍的击球线路和节奏变化。这些数据的共同点是，它们都保留了"情境"和"选择"这两个要素同时出现，缺一不可——只有选择没有情境，模型学不到规律，因为它没办法知道这个选择是在什么条件下做出的；只有情境没有选择，模型无从判断玩家的倾向，因为它只看到了场景却不知道场景里发生了什么。
轨迹和站位数据比想象中重要
移动轨迹、球员站位这类连续数据，往往比离散的"进球/未进球"标签更有价值。一次挡拆前协防内线站位偏了半步，可能直接决定了持球人接下来的选择空间；一次网球发球前对手重心的细微偏移，也可能是判断落点倾向的关键线索。这类数据密度高、噪声也多，处理起来比离散标签复杂得多，但正是AI篮球战术这类需要理解空间博弈的场景所依赖的原材料——没有这类连续数据，模型能做的判断只能停留在"发生了什么"，而不能理解"为什么会这样发生"。
决策结果要单独标注，不能和胜负混在一起
最后一类关键数据是决策质量的标注，也就是这次选择本身合不合理，这需要和比赛最终胜负分开记录。这一点和AI为什么不能因为玩家赢了就认定这次战术选择是正确的里讨论的问题直接相关——如果训练数据里把"赢了的回合"简单等同于"正确的决策"，模型学到的会是一套被结果污染的错误关联，而不是真实的战术逻辑。一次侥幸得手的强行出手，如果被标注为"正确决策"喂给模型，模型很可能反过来鼓励AI对手也去做类似的冒险选择，这显然不是训练想要达成的效果。
数据质量决定了AI能不能真正"读懂"玩家
把这几类数据放在一起看，能发现一个共同点：它们要求的不是"更多数据"，而是"更完整的数据结构"。一条只记录结果的数据和一条记录了情境、选择、轨迹、决策质量的数据，对模型训练的价值完全不在同一个量级。这也是bob体育战术AI研究组愿意在数据采集和标注环节投入更多成本的原因——数据结构不对，再多的训练轮次也弥补不回来。
