核心用法
Endurance Coach 是一款面向耐力运动爱好者的专业训练指导 Skill，支持铁人三项、马拉松及超长距离赛事的个性化训练计划制定。其核心工作流程分为六个阶段：首先检查并建立运动员上下文档案（Athlete_Context.md），实现 Token 优化和训练连续性；其次完成数据源设置，支持 Strava API 同步或手动数据录入；随后通过 CLI 工具执行多维度数据分析，包括基础能力评估、训练负荷追踪、心率区间分布等；在数据验证阶段与运动员确认评估结果；接着设定训练区间和负荷目标；最终设计并输出周期化训练计划。
该 Skill 采用 YAML v2.0 格式生成结构化训练方案，支持模板化 workout 库调用，并可渲染为 HTML 可视化呈现。特色功能包括赛后访谈系统（自动检测训练异常模式）、可配置的数据感知触发器（如心率漂移、配速偏差预警），以及渐进式运动员画像构建。
显著优点
1. 专业级训练科学：遵循周期化训练原则，整合 TSS/CTL/ATL/TSB 等量化指标，训练理念对标 TrainingPeaks 等专业平台
2. 数据驱动决策：深度整合 Strava 历史数据，支持 lap-by-lap 间歇分析，实现从直觉训练向科学训练的转型
3. Token 效率优化：通过 Athlete_Context.md 单文档机制，将 10-20k tokens 的上下文压缩至 2-3k，大幅降低重复信息采集成本
4. 渐进式智能：赛后访谈系统积累 5+ 次记录后生成教练笔记，识别运动员报告偏差（如轻松跑强度感知失真）
5. 灵活适配：同时支持数据丰富的 Strava 用户和偏好隐私的手动输入用户，模板系统允许自定义训练结构
潜在缺点与局限性
1. 外部依赖较重：核心功能依赖 endurance-coach npm CLI 工具，版本更新可能引入 breaking changes
2. Strava 绑定风险：OAuth 授权流程虽标准，但用户需自行承担第三方平台数据授权的信任成本
3. 手动数据可靠性：非 Strava 用户的自报数据缺乏交叉验证，早期建议保守设置并配合实地测试
4. 专业门槛：心率区间、功率训练等概念需要用户具备基础运动生理学知识，纯新手存在学习曲线
5. 本地化局限：数据完全本地存储虽保护隐私，但无法实现多设备同步或云端备份恢复
适合的目标群体
- 目标赛事明确者：已报名铁人三项、马拉松或越野跑赛事，需要结构化备赛计划
- 数据导向型运动员：习惯使用运动手表、功率计等设备，重视量化训练反馈
- 自我 coached 进阶者：有一定训练基础，希望从通用计划转向个性化指导，但暂不需要真人教练
- Strava 重度用户：历史数据丰富，希望挖掘数据价值优化训练决策
- 时间受限的业余选手：需要在工作、家庭约束下最大化训练效率
使用风险
- 性能风险：大规模历史数据同步或复杂 lap 分析可能产生较长响应延迟
- 依赖项风险：Node.js 版本要求（22.5+ 获内置 SQLite 优化），CLI 工具版本漂移
- 数据完整性：本地数据库损坏将导致训练历史丢失，需定期手动备份
~/.endurance-coach//目录 - 过度训练风险：算法生成的负荷目标需结合主观疲劳感受，机械执行可能引发运动损伤
- 隐私泄露：训练数据包含健康敏感信息，共享设备或云备份场景需额外注意