開始之前讓我們來先看一張圖。

這是今年三月的東京馬拉松，42.65 公里，跑了 3 小時 22 分。畫面上這條線是我的
GPS 軌跡，總共 12,128 個點——每一秒一個。線的顏色是配速，綠色是快，紅色是慢(爆掉啦～)。

前面三十公里都是漂亮的綠色，配速穩穩地待在 4 分半上下。然後你會看到左下角
那一段慢慢轉黃、轉橘，最後變成一條紅線，正是血淚的開始哈哈。

那是 35 公里之後。配速從 4:33 掉到 5:57，我的心率不但沒有上升，反而從 175
掉到 161——不是因為變輕鬆了，是因為已經推不動了QQ。

這張圖是我這 30 天的終點之一。讓我們好好地觀賞一下，因為接下來有好一陣子，畫面上
應該都是程式碼（咦

但兩年前，這些資料躺在四個地方

自己是個同時跑步和重訓的市民跑者。跑班有實體教練，一週見一次面，剩下六天的
自主訓練，教練其實看不到。

這件事本來也還好，教練經驗豐富，透過跑步紀錄大概能推測這禮拜狀態怎麼樣。真正
的問題是，當他問「你上週練得如何」，連我自己也常常答不清楚（慚愧）。

回答的吱吱嗚嗚，但情況是訓練資料散落在不同地方：

• 跑步在 Garmin Connect
• 重訓在我自己手抄的筆記
• 體重在體重機的 app 裡
• 教練開的課表在 LINE 對話紀錄裡

四個來源，四種格式，沒有一個能跟另一個對話。要回答「上週練得如何」，我得
自己在腦袋裡做 join。而人腦做 join 的結果，就是每次都只記得最近三天^0^

系統是怎麼長出來的

這套系統是自己在運動的過程中慢慢迭代出來。回頭看有五個
階段，每一階段都是需要時才加上去的：

第一階段：Google Keep 手抄。 最原始的版本。深蹲 60 公斤做了幾下，打開 Google
Keep 一字一字打。優點是零成本，缺點是三個月後想比較「我這個動作有沒有進步」，
只能一頁一頁打開來看。

第二階段：做成 Notion 自動同步。 把重訓紀錄結構化，動作、重量、組數、
次數各自一欄。這時候第一次感覺到「資料」跟「筆記」的差別——可以排序、可以
篩選、可以看趨勢了。

第三階段：接上 Garmin。 跑步資料量比重訓大好幾個量級，而且是機器產生的，
不用自己打字。這一步讓系統從「手工紀錄資料」變成「搜集現成的資料格式」。

第四階段：接上體重機。 這步有點意思。市售體重機大多需要消費者用官方 app、資料
上雲端再撈回來，但我後來發現小米那台其實會用藍牙 BLE 直接對外廣播體重數字，
不用經過任何雲端。所以就寫了個腳本站在旁邊聽（後面 Day 6 會講這個）。

第五階段：用 NotebookLM 組了一個 AI 助教。 把訓練紀錄、教練的課表、一些訓練的文獻
餵進去，讓它有背景知識可以回答我的問題。

系統長著長著，就長成現在這樣。能動，但也僅止於能動（聽君一席話）。

這個工具的小 Bug，竟然和自己的職業有關?!

自己是前端工程師（快要消失的職業）。這套系統用了一陣子，藉由vibe coding的力量，
Telegram bot 也串起來了。

然後有一天我意識到一件事：這整套系統，唯一沒有的東西就是前端。

所有東西都躺在 GitHub 的 markdown 檔、Notion 的表格、跟 Telegram 的對話紀錄
裡。身為一個寫介面的人，這個個人專案，居然沒有一個畫面（問號）。

要看「這三個月體重的趨勢」，必須得打開 Notion 自己看那排數字。要知道「上一場
全馬到底是哪裡開始掉的」，我得把 CSV 丟進試算表拉圖。而要把這些東西拿去和
教練討論，只能截圖，然後打字解釋。

所以才有了這 30 天。
以及要還一下vibe coding的技術債(掩面)

這 30 天要做什麼

小總結：把散落四處的訓練資料，變成一目了然就看得懂的視覺。

分成三個階段：

第一階段：資料管線（Day 1–10）
把四種資料撈進同一個地方。Garmin 的非官方 API 怎麼串（分享踩坑，被 IP 限流擋在門外）、
FIT 檔案的二進位格式怎麼拆、重訓紀錄怎麼從人類寫的文字變成機器讀得懂的結構。
第十天至少會先做出第一個看得見的畫面。

第二階段：讓資料會說話（Day 11–20）
資料齊了不代表能讓人看得懂。這階段要處理的是「翻譯」：把教練 LINE 裡的課表變成
機器可讀的計畫、比對「教練開的」跟「我實際跑的」算出達成率、用 ATL/CTL/TSB
模型看疲勞累積，最後自動產出一頁式週報。

這邊可以先澄清關於這個規劃：自己不打算做一個 AI 教練。
AI 取代不了能一下就看出跑步姿勢有沒有問題的教練。這邊要做的是橋樑——
讓 AI 當翻譯官，把原始資料整理成教練三十秒看得完的東西。第 19 天甚至會
寫「哪些問題不問 AI 、且要直接去問教練」。

第三階段：復盤與視覺化（Day 21–30）
回到開頭那張圖。全馬復盤怎麼看、心率飄移是什麼、WebSocket 怎麼做賽事回放
（把 FIT 資料按時間軸重播一次，像看比賽轉播那樣）、Three.js 怎麼把 GPS 軌跡
變成 3D，還有怎麼把配速跟心率映射成顏色。

最後一天，這套系統要能完整回答那個問題：我練得如何。

時間軸上的最後

12 月 20 日是臺北馬拉松。

心中多少有一些目標成績——而在今年東京馬最後那一段路的紅線提醒著自己，一場全馬
需要更完善的準備，深入了解自己的狀態，選擇適合自己的策略。
30 天後可以藉由這個介面，幫助自己回答：我準備得怎麼樣。

那才是我想要的答案。

明天先從最基礎的開始：自己的跑步資料，散落在哪些地方，各自長什麼樣子。