使用指南
训练分析工作流
把计划执行、真实活动证据、训练负荷、响应趋势和 AI 复盘转化成一个保守的训练决策。
训练分析工作流
训练分析只有在帮助你做出训练决定时才有价值。这套流程可以避免把概览中的大量指标看成互不相关的分数。
开始前
- 确定一个决策和时间范围，例如“明天的关键课是否保持不变”。
- 等待相关活动进入已就绪状态。
- 确认阈值、时区、运动筛选和负荷来源优先级。
- 问题涉及计划时，把真实活动关联到对应计划课程。
- 如果有数据，记录整节训练 RPE 或当前状态等主观感受。
1. 明确问题
先提出决策问题，而不是先挑指标：
- 下一次关键课是否保持原计划？
- 本周是否产生了原本想要的训练压力？
- 反复执行不佳来自日程、负荷，还是课程设计？
选择相关运动类型和日期范围。不要用全历史图表回答只涉及最近七天的问题。
2. 对比计划与实际
阅读任何分数前先回答：
- 原计划是什么？
- 哪些课程完成、跳过、移动或仍未关联？
- 哪些关键课在时长、强度、结构或负荷上偏离计划？
- 这种偏离是否有意为之？
跳过这一步，负荷指标就会失去训练目的上下文。
3. 验证证据
打开产生汇总值的活动并检查：
- 处理状态和来源平台。
- 传感器数据是否存在，以及是否有明显异常。
- 阈值和区间上下文。
- 哪个来源产生了活动负荷。
- 会改变解释的地形、天气、器材或其他执行背景。
明确显示缺失信号，比用看似精确的猜测填补空白更可靠。
4. 同时阅读负荷与响应
把 PMC 指标放在一起看：
再把它们与执行质量、主观疲劳和相关响应趋势对照。负荷描述施加了多少压力，不能单独证明适应已经发生。
Trainingload.ai
决策上下文中的训练负荷
在同一个时间范围内，把 CTL、ATL 和 TSB 与产生趋势的真实活动及当前计划周期连接起来。
Plan
4 week block
Load
steady build
Activity
matched
AI review
ready
5. 起草一个保守调整
先只修改一个主要变量：
- 保持频率，只降低一次训练强度。
- 保留课程目的，缩短训练时长。
- 把一节关键课后移 24–48 小时。
- 暂时不改计划，等待下一次关键课结果。
同时写清楚哪些内容必须保持不变，避免一次调整静默重写整个训练周期。
6. 确认并记录理由
应用计划修改前，记录：
- 触发原因：促使复盘的计划执行或负荷模式。
- 具体决策：修改哪节课的哪个字段。
- 保护意图：计划仍然需要实现什么。
- 预期结果：希望改善或稳定什么。
- 复查节点：用哪次活动或哪个日期验证决策。
如果调整由 AI 教练准备，只有这五项明确后才确认操作。
验证决策
- 每条结论都能追溯到 Trainingload.ai 中可见的计划、活动、设置或趋势。
- 观测数据、解释和不确定性已经区分。
- 只有预期的未来课程发生变化。
- 已完成和已跳过的历史保持不变。
- 已经定义明确的下一次复查节点。
故障排查
- 指标互相矛盾：先对照日期范围、运动类型、阈值和负荷来源，再判断哪个信号更适合当前问题。
- 修改设置后图表变化：找出改变的阈值或来源优先级，并用一致方式重新解释历史。
- 计划和实际无法比较：关联正确活动，并确认计划课程结构足以估算预期负荷。
- AI 建议大幅重写：要求只提供一个保守调整，明确受保护限制，并在应用前确认。
- 证据仍然不足：保持计划不变，或只做最安全、可撤销的调整，然后收集下一次相关训练。