RunCoach
RunCoach
Live: runcoach-ruby.vercel.app · MCP-Endpunkt https://runcoach-ruby.vercel.app/mcp
Ein MCP-Server, der die eigenen Trainingsdaten eines Läufers – berechnete Trainingsbelastung, Wettkampfzeit-Vorhersagen, generierte Pläne – als Werkzeuge bereitstellt, die ein LLM aufrufen kann.
Der Punkt ist die Fundierung. Fragen Sie einen beliebigen Assistenten „Sollte ich diese Woche kürzertreten?“, und er wird plausible Trainingsratschläge aus dem Nichts produzieren. RunCoach lässt dieselbe Frage anhand der tatsächlich aufgezeichneten Aktivitäten des Athleten beantworten, wobei die Antwort die spezifischen Läufe enthält, aus denen sie stammt:
Sie: Wie läuft mein Training, und was könnte ich auf der Halbmarathon-Distanz laufen?
Claude (ruft
analyze_training_status, dannpredict_race_timeauf): Das Training ist konstant und die Belastung stabil – 46,8 km/Woche über 17 Läufe in den letzten 28 Tagen, mit einem Akut-zu-Chronisch-Verhältnis von 1,00 und keiner längeren Pause als drei Tagen. Die Fitness wird erhalten, nicht aufgebaut, was zwischen Zielen der richtige Stand ist und eine Änderung wert, wenn ein Wettkampf ansteht.Für den Halbmarathon: 1:38:49, höchstwahrscheinlich zwischen 1:36:50 und 1:40:48. Dies wurde an Ihre eigene Distanz/Zeit-Kurve über Ihren 5K (21:30, 8. Juli), 10K (44:50, 3. Juni) und Halbmarathon (1:38:48, 29. April) angepasst – Ihr Ermüdungsexponent betrug 1,059 gegenüber einem Bevölkerungsdurchschnitt von 1,06, Sie halten das Tempo also mit zunehmender Distanz etwa so gut wie üblich. Eine Aktivität wurde ausgeschlossen: ein 3 km-Lauf vom 28. Juli, der mit einem Tempo aufgezeichnet wurde, das schneller als der Weltrekord für diese Distanz ist, mit ziemlicher Sicherheit ein GPS-Fehler.
Jede obige Zahl ist eine echte Ausgabe von npm test's Fixture-Athleten, keine Veranschaulichung – die genauen Zeichenfolgen erscheinen in test/readme.test.ts, das fehlschlägt, wenn sich die Wissenschaft ändert und die README nicht aktualisiert wird. Jedes Werkzeug gibt eine Konfidenz und eine Erklärung zurück, wie seine Zahl abgeleitet wurde, und die Anweisungen des Servers sagen dem Modell, beide durchzutragen. Eine ohne ihre Grundlage angegebene Vorhersage ist von einer Schätzung nicht zu unterscheiden.
Werkzeuge
Werkzeug | Antworten |
| „Wie läuft mein Training?“ – zusammengesetzte Bereitschaft aus Belastungstrend, Konsistenz und Umfang, mit expliziten Einschränkungen |
| Fitness (CTL), Ermüdung (ATL), Form (TSB) und Akut-zu-Chronisch-Verhältnis über ein Zeitfenster |
| „Was könnte ich für X laufen?“ – mit den verwendeten Referenzleistungen und den ausgeschlossenen unglaubwürdigen |
| Aktuelle Läufe mit Tempo, HF und berechneter Belastung pro Aktivität |
| Ein periodisierter Plan basierend auf gemessenem Umfang oder eine Ablehnung, die erklärt, warum einer unsicher wäre |
Related MCP server: coach-mcp
Woher die Zahlen kommen
RunCoach implementiert nichts neu. Jede Berechnung stammt von @runman/core, dem fixture-getesteten Wissenschaftspaket, das auch die Runman-Web-App unterstützt. Eine Frage an Claude zu stellen und die entsprechende Seite zu laden, führt denselben Code gegen dieselbe Datenbank aus.
Dieses Paket ist hier als Git-Submodul eingebunden, und RunCoach's Tests importieren dieselbe Fixture-Datei, die Runman's Tests verwenden – sodass „was diese Daten produzieren sollen“ eine Definition über beide Repos hinweg hat, anstatt zwei, die auseinanderdriften.
git clone --recursive https://github.com/varun-gangadharan/runcoach
npm install
npm test # 31 tests, no database or credentials requiredErwähnenswerte Designentscheidungen
Werkzeuge akzeptieren keine Athleten-ID. Der API-Schlüssel löst sich in genau einen Athleten auf, und diese ID wird zum Werkzeugkontext. Wenn ein Modell eine Athleten-ID übergeben könnte, könnte eine prompt-injizierte Anweisung in einem Aktivitätstitel es dazu auffordern – und die Nutzlast hier sind die persönlichen Gesundheitsdaten von jemandem. Es gibt schlicht kein Argument, mit dem der Schlüssel eines Athleten die Daten eines anderen lesen kann. Ein Test stellt sicher, dass dies so bleibt.
Eine Ablehnung ist eine gültige Antwort. Wenn es keine Daten zur Untermauerung einer Vorhersage gibt, sagt das Werkzeug dies und weist das Modell an, keine Schätzung zu substituieren. Gleiches gilt für die Planerstellung: Wenn der Athlet kein aktuelles Training hat oder der Wettkampf drei Wochen entfernt ist, lehnt es mit einem Grund ab, anstatt einen Plan zu erstellen, der auf einer geschätzten Basislinie beruht. Modelle füllen standardmäßig Lücken; die Werkzeugausgabe muss aktiv dagegenhalten.
Die Ausgabe ist Prosa, kein JSON. Modelle paraphrasieren Sätze treuer, als sie verschachtelte Objekte lesen, und erfinden weitaus seltener ein Feld, das nicht vorhanden war. Präzise Zahlen erscheinen dennoch – innerhalb von Sätzen.
Jede HTTP-Anfrage erstellt ihre eigene Serverinstanz. Die gemeinsame Nutzung einer Instanz über Aufrufe hinweg in einer serverlosen Umgebung riskiert die Vermischung der Sitzungen zweier Athleten innerhalb eines warmen Containers. Das ist hier kein akzeptabler Fehlermodus.
Bereitstellung
Der HTTP-Transport ist eine einzelne Vercel-Funktion. Die Authentifizierung erfolgt über ein Bearer-Token – einen API-Schlüssel, den der Athlet auf der Runman-Profilseite ausstellt, der nur als SHA-256-Hash gespeichert wird.
vercel env add SUPABASE_URL
vercel env add SUPABASE_SERVICE_ROLE_KEY
vercel deploy --prodBeachten Sie, dass der Vercel-Einstiegspunkt (api/mcp.js) einfaches JavaScript ist, das den kompilierten Handler aus dist/ reexportiert, anstatt TypeScript, das src/ importiert. Vercel kompiliert eine .ts-Funktion an Ort und Stelle, lässt aber relative Import-Spezifizierer unberührt, sodass ein .ts-Spezifizierer im bereitgestellten Bundle überlebt und zur Laufzeit fehlschlägt, wenn er nach einer Datei sucht, die nie ausgeliefert wurde.
Überprüfen Sie nach der Bereitstellung Ende-zu-Ende mit einem echten MCP-Client:
node --experimental-strip-types scripts/verify-deployment.ts \
https://runcoach-ruby.vercel.app/mcp rc_live_...Das verbindet sich genau so über das Netzwerk wie Claude – Handshake, Werkzeugerkennung, dann ein Aufruf jedes der fünf Werkzeuge – und stellt sicher, dass die Antworten fundiert und nicht nur wohlgeformt zurückkommen.
Fügen Sie es dann in einem beliebigen MCP-Client hinzu:
{
"mcpServers": {
"runcoach": {
"type": "http",
"url": "https://runcoach-ruby.vercel.app/mcp",
"headers": { "Authorization": "Bearer rc_live_..." }
}
}
}Lokales Ausführen über stdio
Zur Verwendung mit Ihren eigenen Daten auf Ihrem eigenen Rechner:
{
"mcpServers": {
"runcoach": {
"command": "node",
"args": ["/absolute/path/to/runcoach/dist/stdio.js"],
"env": {
"SUPABASE_URL": "...",
"SUPABASE_SERVICE_ROLE_KEY": "...",
"RUNCOACH_API_KEY": "rc_live_..."
}
}
}
}Ein stdio-Server hat keine zu authentifizierenden Anfragen – er läuft als Kindprozess des Clients –, sodass der Athlet beim Start festgelegt wird. Das ist nur auf dem eigenen Rechner des Athleten angemessen, weshalb der bereitgestellte Transport es stattdessen pro Anfrage tut.
Testen
npm test31 Tests über drei Ebenen: die Werkzeug-Handler gegen Runman's gemeinsamen Fixture-Satz (konsistenter Läufer, Läufer ohne Herzfrequenz, einzelne Aktivität, leere Historie, GPS-Ausrutscher-Historie, sporadischer Läufer, zurückkehrender Läufer, Volumenspitze), und ein Ende-zu-Ende-Protokolltest, der einen echten MCP-Client mit einem echten Server verbindet und ihn durch Werkzeugerkennung, Schema-Validierung und Aufruf führt. Die dritte Ebene fixiert die in dieser README zitierten Beispielfiguren.
Nicht in v1
Garmin-basierte Werkzeuge (Erholung, Schlaf, HRV) durch Proxy in einen vorgelagerten Garmin-MCP-Server, geschützt hinter der Verknüpfung eines Kontos durch den Athleten. Bewusst trennbar, sodass ein Athlet ohne Garmin keine Verschlechterung sieht.
Lizenz
MIT.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Adaptive running coach MCP server — training data, plans, and recovery for AI assistants.
MCP server for your apps' tools and custom tools, plus hosted AI agents and approval-gated workflows
tri-train is a training platform for triathletes that syncs activities from Strava and Garmin and exposes them to Claude through a remote MCP server. Ask Claude how your last block went, why your run pace dropped, or whether you are fresh enough for Sunday's race, and it answers from your real data: activities with laps and grade-adjusted pace, weekly load and the performance management chart (CTL/ATL/TSB), sleep, HRV and resting heart rate, and your race calendar with predictions. Claude can also act: create and adjust planned workouts with structured intervals, push them to your Garmin watch, add races and write notes. Every change is journaled and can be undone. Read and write access are separate OAuth scopes, and the server enforces them on every call. Built and hosted in Switzerland by a triathlete; data stays on our own servers (Swiss revDSG / GDPR).
MCP server for building and testing AI agents with multi-model experimentation and insights.
Related MCP Servers
- FlicenseBqualityDmaintenanceA Model Context Protocol server that integrates Garmin Connect data with LLMs to provide personalized running analysis and training plans. It enables users to monitor performance metrics, manage training loads, and receive data-driven workout suggestions based on health indicators like VO2 Max and recovery status.435-
- AlicenseNot gradedqualityBmaintenanceAn AI training coach MCP server that integrates with Garmin Connect to provide science-based load management, code-enforced injury gates, and persistent coaching memory, keeping data local.28 PyPI3MIT
- AlicenseAqualityCmaintenanceAn MCP server that transforms Garmin data into compact, verdict-first coaching reports for LLMs, computing metrics like CTL/ATL/TSB and ACWR to answer training readiness questions.1424 PyPIApache 2.0
- AlicenseBqualityBmaintenanceAn MCP server that gives LLMs access to Garmin Connect data, including training, recovery, sleep, stress, VO2 Max, and running summaries for personalized fitness advice.2443 PyPI1MIT