训练日志要记哪些内容:七项必填与三个坑

训练日志要记哪些内容:七项必填与三个坑

大多数人所谓的「训练日志」,就是手表里那堆自动同步的数据:配速、心率、步频、轨迹。数据很全,但三个月后回头翻,你会发现它回答不了一个最基本的问题——那次为什么跑崩了?

因为手表不知道你昨晚只睡了四小时、不知道那天 32 度、也不知道你换了双新鞋。训练日志的价值不在「记录得多」,而在能对比、能解释、能指导下一次调整。这篇给七项必填字段、三种记录粒度,以及三个让日志活不过一个月的坑。

训练日志要记哪些内容:桌面上的训练日志与跑表
手表负责记数字,日志负责记数字解释不了的部分

一、先想清楚日志要回答什么

字段不是越多越好,先确定用途。跑者写日志通常只为三件事:

凡是不能服务于这三件事的字段,都可以不记。这也是很多人日志写不下去的根本原因——一开始照着模板记二十项,两周后就放弃了。

二、七项必填字段

下面七项是跑者日志的最小可用集合,写完不超过两分钟:

字段怎么记为什么必须
日期与课型如「10/27 轻松跑」区分训练类型,避免把不同课放一起比
距离与时长手表自动同步即可计算配速与周总量的基础
平均心率与配速同步后补一句「区间 2」判断强度是否落在计划内
主观强度(RPE)1~10 分,一句话感受心率受天气影响,体感不会骗人
天气与路面温度、湿度、跑道或公路解释同配速下心率差异
身体信号睡眠时长、酸痛位置、疲劳感异常时最有效的排查线索
一句话备注换鞋、补给、岔气、被狗追三个月后唯一还记得的细节

七项里只有后三项需要手动输入,其余靠同步。想再精简,可以只保留「主观强度 + 身体信号 + 备注」——它们恰好是手表记不到的部分。

训练日志要记哪些内容:手机上的训练记录页面
自动同步负责客观数据,手写负责解释,两者缺一不可

三、三种记录粒度,按阶段选

不同阶段的记录重点不一样,硬套同一套模板反而低效:

阶段记录重点耗时
新手(前 3 个月)只记距离、时长、跑完感受30 秒
稳定训练期七项全记,重点看心率与 RPE 的对应2 分钟
备赛期加记补给时间点、分段配速、鞋款3~5 分钟

备赛期多加的三项都有明确用途:补给时间点用于复盘撞墙原因,分段配速用于检查是否前快后慢,鞋款用于判断装备与伤痛的关联。非备赛期记这些纯属负担。

四、一条合格的记录长什么样

不用长篇大论,一条记录写成这样就算合格:

四行字,三个月后依然能还原当时的状态。对比一下只有「8 公里 48 分」的记录,后者除了数字什么都留不下。

训练日志要记哪些内容:训练日志字段结构示意图
字段的作用是分层:客观数据、主观感受、背景解释

五、三个让日志写不下去的坑

  1. 字段太多:一开始就记二十项,第三天开始偷懒,第二周彻底放弃。从三项起步,稳定后再加。
  2. 只记数字,不记背景:数字手表都有,日志的意义是解释。没有备注的日志,等于把手表界面抄了一遍。
  3. 跨设备不统一:两块表、两个 App 各记一套,数据无法比较。选一个主数据源,另一个只做备份。

还有一个隐形的坑:用日志自我批判。每次没跑好就写一堆检讨,很快就不想打开它了。日志是工具,不是审判。

六、每周十分钟复盘

单条记录的价值有限,真正的收获来自每周一次的横向对比:

  1. 周总量:比上周多了还是少了,涨幅是否超过 10%~15%。
  2. 强度分布:轻松跑是否占到 80%,有没有连续两次强度课。
  3. 同配速心率:本周与四周前比,同样配速下心率是否下降。
  4. 异常标记:这周有没有出现疼痛、失眠、心率异常,对应哪次课。

负荷的整体判断方法见 训练负荷怎么看。力量训练的记录逻辑略有不同,重点在重量与次数,可参考 力量训练怎么记录。

七、常见问题

训练日志一定要手写吗?

不一定。App 记录同步方便、搜索快,手写更容易写感受。折中方案是数据用 App、备注用手机备忘录,两者按日期对齐即可。

记录要保留多久?

至少保留一个完整训练周期(12~16 周),方便做同阶段对比。更早的数据可以只留周汇总,删掉单条明细不影响趋势判断。

手表数据能直接当日志用吗?

只能当一半。手表能给出配速、心率、步频,但天气、睡眠、体感、装备这些解释性信息必须自己补,而它们往往才是异常的原因。

每天只跑 3 公里也要记吗?

要,但可以极简:一句「3 公里,轻松,正常」。连续性比详细度更重要,习惯断了才最难恢复。

训练日志要记哪些内容:跑后在跑道边记录训练数据
跑完坐下前花一分钟写四行字,比事后回忆准确得多

小结

训练日志要记哪些内容,最小可用集合是七项:日期与课型、距离与时长、心率与配速、主观强度、天气路面、身体信号、一句话备注。前四项靠同步,后三项靠手写。执行时守两条:字段从少到多,每周花十分钟做一次横向对比。日志不是给别人看的作业,它只需要在你想调整训练时,能给出一个可信的答案。

← 返回首页 更多「数据分析」