比赛周期化训练体系：Base/Build/Peak/Taper四阶段算法实现

摘要：如何为不同水平的跑者生成科学的备赛计划？本文基于一个真实的AI跑步教练项目，详细解析周期化训练（Periodization）理论的代码实现。我们将深入源码，结合运动生理学模型，展示如何将Base（基础期）、Build（进展期）、Peak（巅峰期）、Taper（减量期）四个阶段转化为动态算法。这套方案让AI生成的计划不再是简单的“每日堆砌”，而是具备周期性波动和科学强度分配的专业课表。

---

一、背景：线性训练的误区

在项目初期，Agent生成的计划往往是线性的：每周跑量固定增加10%。

痛点：

• 缺乏波动：身体需要“刺激-恢复-适应”的循环，直线增加极易导致受伤。
• 赛前状态差：没有在比赛前安排减量（Taper），导致用户带着疲劳站上起跑线。
• 强度单一：全程都是一个配速，无法同时提升有氧基础和速度耐力。

---

二、解决方案：四阶段周期化模型

我引入了经典的马特奥波利夫周期化模型，将其拆解为四个算法模块：

---

三、核心实现：各阶段算法逻辑

文件位置：app/services/periodization_service.py

3.1 Base Phase（基础期）：打造有氧引擎

目标：提升毛细血管密度和线粒体数量。
算法特征：80%的训练量集中在Zone 2心率区间。

def generate_base_week(weekly_distance: float) -> List[DayPlan]:
    """生成基础期周计划"""
    return [
        DayPlan(day="Mon", content="休息", distance=0),
        DayPlan(day="Tue", content=f"Zone2 轻松跑 {weekly_distance*0.2}km", intensity="Low"),
        DayPlan(day="Wed", content="交叉训练", distance=0),
        DayPlan(day="Thu", content=f"Zone2 轻松跑 {weekly_distance*0.2}km", intensity="Low"),
        DayPlan(day="Fri", content="休息", distance=0),
        DayPlan(day="Sat", content=f"长距离慢跑(LSD) {weekly_distance*0.4}km", intensity="Low"),
        DayPlan(day="Sun", content="主动恢复", distance=5),
    ]

3.2 Build Phase（进展期）：引入乳酸阈值

目标：提高身体清除乳酸的能力。
算法特征：加入Tempo Run（节奏跑）和间歇跑。

def generate_build_week(weekly_distance: float, lt_pace: float) -> List[DayPlan]:
    """生成进展期周计划"""
    return [
        # ... 其他天保持不变
        DayPlan(day="Wed", content=f"节奏跑: 热身 + 5km @ {lt_pace} + 冷身", intensity="High"),
        DayPlan(day="Sat", content=f"长距离跑 {weekly_distance*0.45}km (最后3km加速)", intensity="Medium"),
    ]

3.3 Peak & Taper（巅峰与减量）：调整至最佳状态

算法特征：

• Peak：跑量达到最大值，加入比赛配速（MP）训练。
• Taper：赛前两周开始，跑量每周递减30%-50%，但强度不减。

def apply_taper(plan: List[WeekPlan], weeks_before_race: int):
    """应用赛前减量逻辑"""
    reduction_factor = 0.5 ** weeks_before_race # 指数级递减
    
    for week in plan:
        for day in week.schedule:
            if day.distance > 0:
                day.distance *= (1 - reduction_factor)
                day.content += " (赛前减量)"

---

四、动态调整算法

4.1 10%原则保护

为了防止过度训练，算法内置了安全锁：

if current_week_distance > last_week_distance * 1.1:
    logger.warning("触发10%原则保护，自动降低本周跑量建议")
    current_week_distance = last_week_distance * 1.1

4.2 疲劳度监控

结合用户的HRV（心率变异性）数据，如果疲劳度超标，自动将当天的“强度课”降级为“恢复跑”。

---

五、完整调用链追踪

5.1 计划生成流程

---

六、踩坑记录与解决方案

坑1：初始跑量设定不合理

现象：给一个月跑量只有20km的新手直接生成了60km的计划。

解决方案：

• 基线评估：取用户过去4周的平均跑量作为起点。
• 渐进式增长：第一个月只负责稳定习惯，不追求大幅增长。

坑2：忽略了生活压力

现象：用户在加班周依然收到了高强度间歇训练建议。

解决方案：

• 在前端增加“本周忙碌程度”滑块。
• 算法根据滑块系数动态压缩当周的训练负荷（TSS）。

---

七、总结与展望

核心价值

1. 科学性：将复杂的运动训练学理论转化为了可执行的代码逻辑。
2. 安全性：通过算法约束，最大程度降低了用户受伤的风险。
3. 目标导向：所有的训练都围绕“比赛日表现最优”这一核心目标展开。

后续优化

1. 多赛事管理：支持用户同时准备多个不同距离的比赛。
2. 实时反馈闭环：根据用户每周的实际完成情况，动态调整后续周期的参数。

---

八、完整源码

GitHub仓库：AiRunCoachAgent

快速演示：AiRunCoachAgent

核心文件清单：

app/
├── services/
│   ├── periodization_service.py       # 周期化算法核心
│   └── race_plan_api.py               # 备赛计划接口
data/
└── knowledge/
    └── periodization_theory.md        # 周期化训练理论知识库

---

如果你觉得这篇文章对你有帮助，欢迎点赞、收藏、转发！有任何问题或建议，请在评论区留言讨论。 🏃‍♂️💨