Section 11: Endurance Training Coach (Intervals.icu)

核心用法

Section 11 是一套开源的耐力运动AI教练协议，专为骑行、跑步等耐力运动设计。其核心工作流包括：

1. 数据准备：运动员通过 sync.py 将训练平台（Intervals.icu 等）数据同步为结构化JSON文件（latest.json、history.json、intervals.json 等），存储于本地或私有GitHub仓库
2. 档案配置：填写 DOSSIER.md 记录个人阈值、训练区间、目标赛事、可用时间等
3. AI交互：AI读取JSON数据后，基于协议规则生成训练建议、前后训练报告、周/阶段总结
4. 可选自动化：配置 HEARTBEAT.md 实现定时训练检查与天气感知调度

显著优点

• 数据主权优先：所有数据存储于用户控制的位置（本地设备或私有仓库），无中心化云服务
• 结构化可验证：每个训练建议必须引用JSON中的具体数值，禁止凭记忆或推测生成数据
• 开源透明：协议、模板、同步工具全部开源，可审计无黑箱
• 多平台兼容：支持本地CLI、OpenClaw、Claude Code、Cowork等agentic平台
• 扩展性强：支持写回操作（push.py）管理日历、更新阈值、添加注释

潜在局限与风险

• 技术门槛：需配置Python环境、理解JSON结构、可能使用Git/GitHub
• 数据依赖：分析质量完全取决于同步数据的完整性与时效性
• 平台限制：写操作功能（日历管理）仅限支持代码执行或GitHub Actions的平台
• 无原生移动端：主要面向桌面/终端使用场景
• 协议更新：需手动跟踪GitHub仓库更新，无自动推送机制

适合人群

• 数据驱动的严肃耐力运动员（功率/心率训练者）
• 具备基础技术能力的自服务用户
• 重视隐私、不愿将训练数据上传第三方平台的用户
• 已与Intervals.icu等平台配合使用的人群

常规风险

• 数据泄露风险：若使用公共GitHub仓库存储训练数据
• 配置错误风险：错误的阈值或区间设置可能导致不当训练负荷
• 过度依赖风险：AI建议需结合运动员主观感受，协议明确包含"C验证清单"要求人工判断
• 供应链风险：从GitHub URL获取模板时的开源依赖风险（ mitigated by 本地优先设计）

Section 11 — AI Coaching Protocol 综合评估

核心用法

Section 11 是一套基于证据的耐力运动AI教练协议，专为骑行、跑步等耐力运动设计。核心功能包括：训练数据智能分析（功率、心率、配速、TSS等指标）、训练课表规划与调整、训练前后报告生成、周期性负荷管理（CTL/ATL/TSB/ACWR）。用户通过本地JSON数据文件（latest.json/history.json/intervals.json等）或私有Git仓库提供数据，AI读取后进行专业级训练分析。

协议采用严格的数据分层架构：JSON训练数据 → 协议规则 → 运动员档案 → 间歇数据 → 路线数据。所有训练指标必须来自当前会话的JSON读取，禁止依赖对话历史或记忆。支持多种集成模式：本地文件、GitHub Connector、URL直连，满足不同隐私需求。

显著优点

• 隐私优先设计：数据完全由用户控制，可完全本地化运行，无强制云端上传
• 专业级分析框架：基于成熟耐力训练理论（Coggan功率体系、HRV状态监测、周期性负荷模型）
• 灵活部署：支持从完全离线到半自动化的多种部署模式
• 开源透明：所有模板、协议、同步脚本开源可审计
• Agentic能力：支持OpenClaw等平台实现训练日历自动管理、阈值更新、活动标注

潜在缺点与局限性

• 配置门槛较高：需理解JSON数据结构、GitHub基础操作或本地Python环境配置
• 依赖外部数据源：需从Intervals.icu、TrainingPeaks等平台导出数据
• 无原生移动应用：主要通过桌面端Agent或Web Chat交互
• 版本维护负担：协议持续迭代（当前v11.35），需关注兼容性更新
• 心跳机制局限：自动化功能仅支持特定Agent平台（OpenClaw/Claude Code等），普通Web用户无法使用

适合人群

• 严肃耐力运动爱好者：需要科学化周期化训练管理的骑行/跑步/铁三运动员
• 数据驱动型用户：习惯分析功率曲线、TSS、效率因子等进阶指标
• 隐私敏感用户：不愿将训练数据上传至商业平台
• 技术型用户：具备基础Git/Python知识，能完成本地部署
• 自主训练者：无需真人教练，希望获得AI辅助的个性化建议

常规风险

• 数据完整性风险：JSON同步失败或配置错误可能导致分析基于过时数据
• 过度训练风险：AI建议需结合主观疲劳感受，不可盲目执行
• 供应链风险：GitHub URL回退机制存在理论上的代码注入可能（尽管来源可信）
• 设备依赖：功率计、心率带等设备校准不良会影响数据质量
• 阈值准确性：FTP/LTHR等阈值更新需经标准化测试验证，估算值可能导致训练区间偏差