KI-Laufcoach im Eigenbau: Wie n8n und Gemini mein Marathon-Training analysierten

Ein Marathontraining verlangt Disziplin – nicht nur bei den Laufkilometern, sondern auch bei der Nachbereitung. Nach einer harten Intervallsession oder dem langen 35-km-Lauf am Sonntag möchte man wissen: Hat die Belastung gepasst? Bin ich auf Kurs für den München Marathon?

Da ich meine Daten nicht manuell auswerten und interpretieren wollte, habe ich mir ein automatisches Feedback-System gebaut. Das Ziel: Direkt nach dem Verfassen der Aktivität soll ein digitaler Laufcoach die Daten analysieren, mit dem Trainingsplan abgleichen und mir ein fundiertes Feedback direkt aufs Smartphone schicken.

Hier zeige ich dir, wie ich meinen KI-Laufcoach mit n8n und Google Gemini aufgesetzt habe, wie der Workflow im Hintergrund arbeitet und welches Fazit ich nach der Marathon-Vorbereitung ziehe.

1. Das Setup: Hosting ohne Infrastruktur-Stress

Für ein solches Setup gibt es zwei Wege: Lokal auf dem heimischen Server oder direkt in der Cloud. Ich habe mich bewusst für eine Testumgebung bei Hostinger entschieden.

Auf dem externen Linux-Server war n8n als Workflow-Engine im Docker-Container schnell eingerichtet. Der Vorteil: Ich musste mich nicht mit Dynamic DNS, Port-Freigaben oder lokaler Ausfallsicherheit herumschlagen, sondern konnte mich sofort auf die eigentliche Logik und den Fach-Workflow konzentrieren.

2. Die Technologie-Wahl: n8n & Google Gemini

Als Automatisierungs-Plattform setze ich auf n8n. Dank der flexiblen Webhook-Anbindungen und der nativen Einbindung von AI-Nodes eignet es sich perfekt für solche Projekte.

Für die KI-Analyse habe ich mich für Google Gemini als Large Language Model (LLM) entschieden. Gemini verarbeitet strukturierte Daten extrem schnell und liefert präzise, natürlich formulierte Analysen.

3. Der Workflow im Detail

So verarbeitet das System die Laufdaten Schritt für Schritt:

1. Trigger via Strava: Da ein direkter API-Zugriff auf die Rohdaten von Garmin recht Hürden-reich ist, dient Strava als Bindeglied. Sobald die Garmin-Uhr die Aktivität synchronisiert, feuert Strava einen Webhook an n8n.
2. Abgleich mit dem Trainingsplan: Über eine Kalender-Anbindung liest der Workflow aus, welche Einheit (z. B. 12 km Tempodauerlauf oder Langer Lauf mit Endbeschleunigung) für diesen Tag eigentlich vorgesehen war.
3. Kontext durch Wetterdaten: Gerade im sommerlichen Marathon-Training spielt die Hitze eine entscheidende Rolle für Puls und Pace. Der Workflow holt sich über eine Wetter-API die aktuellen Temperatur- und Luftfeuchtigkeitswerte zum Zeitpunkt des Laufs.
4. Modus-Schalter (Saison vs. Off-Season): Über einen eingebauten Switch unterscheidet das System, ob ich mich in einer aktiven Marathon-Vorbereitung befinde oder in der Off-Season. Je nach Modus bewertet die KI die Daten mit unterschiedlichem Schwerpunkt.
5. KI-Analyse mit Gemini: Das LLM erhält nun alle Bausteine – Ist-Daten aus Strava (Pace, Distanz, Höhenmeter), Soll-Daten aus dem Kalender, das Wetter und den aktuellen Trainingsmodus. Daraus generiert Gemini das Feedback im Tonfall eines professionellen Laufcoaches.
6. Push-Nachricht via Telegram: Die fertige Analyse landet Sekunden nach dem Upload direkt in meinem privaten Telegram-Chat.

Fazit: Nützliches Experiment mit Ausbaupotenzial

Der erste Test hat richtig Spaß gemacht. Es war extrem motivierend, nach dem Lauf das Smartphone in die Hand zu nehmen und direkt eine fundierte Rückmeldung zur absolvierten Einheit zu bekommen.

Mein Fazit zur ersten Version: Auf Dauer wurden die Antworten der KI stellenweise etwas repetitiv, da der Workflow aktuell noch „gedächtnislos“ arbeitet – jede Einheit wird isoliert betrachtet. Für die Version 2.0 plane ich daher eine Datenbank-Anbindung: Der KI-Coach soll die historischen Pace- und Puls-Entwicklungen über Wochen hinweg vergleichen und so echte Trendanalysen (z. B. Entwicklung der aeroben Schwelle) liefern.

Für den Testlauf in der München-Marathon-Vorbereitung war das Projekt aber ein voller Erfolg und ein super Beispiel dafür, wie man Open-Source-Automatisierung sinnvoll mit modernen LLMs verknüpfen kann!