上传文件
数量不限，TCX、GPX 或 FIT 均可，从手表或 Strava 导出。
填写参考值
最大心率和最近的比赛成绩。没有它们，心率区间和成绩预测只能是近似值。
阅读警告
传感器更换、心率不可靠：其余结果是否成立取决于它们。
获取档案
一份完整、带注释的文本文件，可直接放进 ChatGPT、Gemini 或 Claude。
为什么要用这个工具？
一个以 1 Hz 记录的一小时 TCX 文件约 1.7 MB，其中近 90% 是 XML 标签，相当于约 533,000 个 token。即使这个体量能放进上下文窗口，模型的推理效果也很差：它要从成千上万行原始坐标中做训练分析。
这里生成的档案只有几万个 token，包含模型能够理解的内容：每公里分段、圈、各区间用时、逐次重复、最佳成绩、成绩预测。分析效果比用完整文件更好，而不仅仅是更省。
工具自动计算的内容
| 分析 | 回答的问题 |
|---|---|
| 心率来源 | 胸带还是手腕传感器？文件几乎从不注明。工具根据信号推断，尤其是心率锁定步频的现象，即手表把步伐误当成心跳。 |
| 心率漂移 | 后半程效率是否下降？超过 5% 说明基础耐力有问题。工具不会对间歇训练计算漂移，因为那样的数值毫无意义。 |
| 间歇完成情况 | 各次重复是否稳定？配速有没有下降？配速保持不变时心率是否上升，这是腿还没撑不住之前的疲劳信号。 |
| 成绩预测 | 5 公里、10 公里、半程马拉松、全程马拉松，附带区间范围和可靠程度。比赛成绩比训练表现权重更高，且权重随时间递减。 |
| 设备更换 | 跨多次训练，工具会检测并标出心率传感器的更换，否则所有心率比较都会在不知不觉中失效。 |
为什么 AI 需要结构化档案，而不是原始文件：阅读文章。
1. 你的参考值
可选，但没有这些值时，心率区间只能根据文件中观测到的最大心率估算，结果不够准确。
2. 你的文件
把文件拖到这里
TCX、GPX 或 FIT，数量不限，需要的话可以是整个赛季
FIT 是手表的原生格式：只有它包含泳池趟数和实际配对的心率传感器信息。
3. 你的档案，可以分析了
如今的上下文窗口轻松容纳 100,000 个 token，因此默认设置优先保留细节。如果你的模型容量较小，或者一次加载了很多训练，就调低一档。
可以问 AI 的问题
- 结合温度分析我的心率漂移，告诉我基础耐力是否是限制因素。
- 我的间歇训练是否按计划完成？下次训练应该改进什么？
- 分别比较不同传感器的时段，告诉我有什么变化。
- 根据这些训练负荷，帮我安排下周的训练。
- 我的强度分布是否符合我的目标？
查看生成的档案
4. 详细结果，供深入研究
总览
| 文件 | 日期 | 距离 | 运动时间 | 总时间 | 配速 / 速度 | 平均心率 | 传感器 | 漂移 | 间歇 |
|---|
逐次训练明细
展开一次训练，查看每个结论背后的信号。尤其适合判断传感器识别是否正确：只有你知道哪些训练戴了胸带。
训练负荷
有氧能力进展
相同配速下心率随时间的变化：唯一不受路线和当天状态影响的体能指标。不同传感器分开处理。
成绩预测
常见问题
为什么我的 TCX 文件对 Gemini 或 ChatGPT 来说太大？
一个以 1 Hz 记录的一小时 TCX 文件约 1.7 MB，其中近 90% 是 XML 标签，相当于约 533,000 个 token。即使这个体量能放进上下文窗口，模型面对成千上万行原始坐标时推理效果也很差。
我的文件会被上传到服务器吗？
不会。所有计算都在你的浏览器中进行，你可以在“网络”标签页中验证。GPS 轨迹的起始和结束几个点会精确到米地暴露住址：工具默认会把它们裁掉。
工具怎么判断我戴了胸带？
最典型的标志是心率锁定步频：光学传感器把步频误当成心跳，例如显示 172 bpm 而不是 140。胸带测量的是电信号，不会出现这种错误。此外还会参考相同数值的平台长度、逐拍变化的细腻程度，以及对配速变化的响应延迟。这是一种启发式方法：置信度设有上限，并会显示出来。
为什么有些训练不计算漂移？
因为在那种情况下它毫无意义。漂移比较的是一次持续运动前后两半的效率。在间歇训练中，速度与心率之比在重复和恢复之间来回摆动：得到的数值只是伪影。工具宁可说明无法测量，也不给出误导性的数字。
显示的温度是气温吗？
不是。传感器在手腕上，被体温加热：读数通常偏高 3 到 8°C。数值会显示，但总是附上这条警告，包括在发送给 AI 的档案里。
马拉松成绩预测有多可靠？
不太可靠，这一点必须说清楚。一项针对 2,303 名业余跑者的研究表明，Riegel 公式在半程马拉松以内校准良好，但对一半跑者的马拉松预测至少快了十分钟。基于真实比赛成绩的模型，误差大约能减半。
支持哪些格式？
TCX、GPX 和 FIT。优先使用 FIT：它是大多数 Garmin、Coros、Wahoo 和 Suunto 手表的原生格式，也是唯一逐趟记录泳池数据并附带配对设备列表的格式。这样工具就能确切知道（而不是估计）你是否戴了心率胸带。Garmin Connect 导出的 TCX 会把一次游泳训练的所有趟数压缩成一行。
显示的配速和 Garmin Connect 对不上
这是计算口径不同，不是错误。这里的配速按运动时间计算，与 Strava 相同：等红灯和暂停都不计入。Garmin Connect 按总时长计算，因此显示的配速更慢。在城市里跑 16 公里，差距很容易达到每公里十五秒。两种时长会并排显示，方便看清差异，发送给 AI 的档案也会注明所用口径。否则模型会拿不可比的数字作比较。
爬升也对不上
如果上传 FIT 文件，工具会采用手表气压高度计测得的爬升。TCX 或 GPX 中没有这项数据：只能根据 GPS 海拔重新计算，通常会低估 30% 到 50%。在一次真实的 16 公里跑步中，计算值为 61 米，实测值为 140 米。这也是优先使用 FIT 的原因之一。
识别出的运动类型不对，为什么？
工具不相信文件里的运动标签，因为它经常出错：夹杂跑步片段的力量训练会被标成“跑步”，泳池训练会被标成“其他”。因此分类依据的是数据形态。每次训练会被分到一个级别：跑步和骑行做完整分析，游泳单独处理，其余一律只计入负荷。力量训练即使配速毫无意义，也会影响恢复。
这些计算的依据
每项指标都基于已发表的研究。以下是具体出处，以及每项研究没有说明的内容。
- 坡度调整配速。Minetti AE, et al. Energy cost of walking and running at extreme uphill and downhill slopes. J Appl Physiol. 2002;93(3):1039–46. doi · PubMed。基于跑步机实验：未考虑技术性地形，也未考虑长距离下坡造成的肌肉损伤。
- 心率传感器之间的差异。Gillinov S, et al. Med Sci Sports Exerc. 2017;49(8):1697–703. · Pasadyn SR, et al. Cardiovasc Diagn Ther. 2019;9(4):379–85. doi。这些研究测量了光学传感器的误差，但没有提出仅凭文件识别传感器的方法。我们的识别方法由此推导而来：它不是经过验证的方案。
- 成绩预测。Riegel PS. Athletic records and human endurance. American Scientist. 1981;69(3):285–90。基于世界纪录、在平坦路面上校准。
- 针对业余跑者的修正。Vickers AJ, Vertosick EA. An empirical study of race times in recreational endurance runners. BMC Sports Sci Med Rehabil. 2016;8:26. doi。这正是比赛成绩比训练表现权重更高的直接原因。
- 临界速度。Jones AM, et al. Critical power: implications for determination of V̇O₂max and exercise tolerance. Med Sci Sports Exerc. 2010;42(10):1876–90. doi。该模型假设临界速度可以无限维持，而超过约 90 分钟后这一假设就不成立。
- 标准化功率、TSS、Pa:Hr 漂移。广泛采用的训练方法（Coggan、Friel），但并非经过同行评审的论文。这个区别很重要。
这些参考文献无法保证的事 它们支撑的是公式，而不是结论。用故障传感器正确算出的数字依然是错的。如果出现疼痛，或者在调整训练计划之前，专业人士的意见优先于本工具，也优先于你发送结果的 AI。