ChatGPT 能分析你的跑步训练，前提是它读得懂你的数据。

为什么 AI 是这么好的训练伙伴？

因为它从你的问题出发，而不是从仪表盘出发。App 给你看的图表和给所有人看的一样。AI 却能结合气温、你这周的训练量和你给它设定的目标，解释你的配速为什么在第 8 公里掉了下来。

有了好的数据，AI 能够：

• 用通俗的语言解释一次训练，不讲术语；
• 把你的数据和目标联系起来：10 公里跑进 45 分钟和第一次跑全马，需要的训练完全不同；
• 对比几周的训练，发现你没注意到的趋势；
• 回答你的下一个问题，再下一个，像一位晚上 11 点还在线的教练一样耐心；
• 根据你的实际训练负荷安排下周训练，而不是套用通用计划。

正是这种个性化带来了差别。但它建立在一个几乎没人验证的前提上：模型真的能拿到你的数据，而不是一段三行的摘要或一个读不懂的文件。

什么是 token，为什么你的手表会产生这么多？

token 是语言模型读取和计费的文本单位：一个词、一个数字或一个标点的片段。每个模型都有上限，也就是上下文窗口，超出部分就读不进去了。根据模型和订阅方案不同，目前这个上限从几万到几百万个 token 不等。

问题在于，手表文件是为软件设计的，而不是为了让人或模型阅读。TCX 文件在你跑步的每一秒都重复同样的 XML 标签。以下是我们的测试结果：

按每个 token 3.2 个字符估算，这是在数值型 CSV 上观测到的比例。测试可用源代码中公开的测试程序复现。

换句话说，一次原始训练数据就可能占满普通订阅的上限，而一整个赛季的数据放到哪里都装不下。

把 TCX 文件粘贴到 ChatGPT 会发生什么？

有三种可能，没有一种是好的。

1. 文件被拒绝

这是最坦诚的情况：界面提示文件太大。你浪费了时间，但至少你知道了。

2. 文件只被读取了一部分，而你并不知道

面对较大的附件，AI 助手常常只读取其中的片段，或者交给脚本去概括。于是 AI 只凭一部分训练数据就信心十足地作答。答案看起来没问题，但未必正确。

3. 文件传上去了，但分析质量很差

即使上下文窗口很大，模型也很难利用埋在长文档中间的信息。斯坦福大学的研究人员把这种现象称为“lost in the middle”（Liu 等，2024）。让模型从 3,600 行经纬度数据中做训练分析，就等于让它心算自己并不擅长的东西，而这些数据几乎提供不了什么有用信息。

要压缩文件吗？不，要重新组织它

只把文件变小还不够，关键是让它变得可读。教练不会逐秒去看你的 GPS 坐标。他看的是每公里用时、各次重复和各心率区间的时间。这些正是语言模型能够理解的内容。

对 15 MB 的真实文件，整理后的档案约为 32,000 个 token。而且分析结果比用完整文件更好。不只是更省，而是更好，因为模型处理的是它能理解的内容。

哪些事情 AI 无法自己判断？

有些错误从数字上看不出来。如果没有人指出，AI 就会把它们当成事实，并在此基础上展开分析。

• 心率传感器。手腕传感器有时会把步频误当成心跳，显示 172 bpm 而不是 140。把手腕数据和胸带数据放在一起比较，比的是两种仪器，而不是两种身体状态。
• 温度。手表的温度传感器被手腕加热，比实际气温高 3 到 8°C。把它当作天气数据的 AI，会误判你心率漂移的原因。
• 配速。Strava 按运动时间计算，Garmin Connect 按总时长计算。在城市里跑步，两者的差距很容易超过每公里 15 秒。
• 没有意义的指标。在间歇训练上计算心率漂移毫无意义。没有数字，也比一个看似可信的错误数字好。

好的档案不只是做摘要。它会说明哪些数据可靠、哪些不可靠，让 AI 不至于在沙地上推理。

如何在三分钟内让 AI 分析你的训练？

1. 导出文件：从手表或 Strava 导出，最好选择信息最完整的 FIT 格式。
2. 拖入 gps-digest。所有计算都在你的浏览器中完成：不会把任何文件上传到服务器。
3. 复制档案到 ChatGPT、Gemini 或 Claude，然后提出你的问题。

为 AI 准备我的训练数据

该向 AI 提什么问题？

最好的问题来自真实的疑问。下面五个例子在结构化档案上效果很好：

• “在气温相近的情况下，我的心率漂移比上个月增加了吗？”
• “周二的重复训练我保持住配速了吗？下次该改进什么？”
• “按现在的训练负荷，六周后我能把 10 公里跑进 45 分钟吗？”
• “我的轻松跑和高强度训练的比例适合备战马拉松吗？”
• “结合我现在的疲劳程度，帮我安排下周的训练。”