Mark Ku's Blog

注意事項

  1. 機票最好提前四個月前訂,會比較便宜
  2. 單車廂攜帶注意事項,華航長榮都有30kg的免費行李,但華航目前只支持硬殼行李箱,並請提前向航空公司報備需要攜帶大件行李。
  3. 組車很花時間請在家練習熟,否則時間都花在坐車組車和拆車
  4. 五六月是梅雨季,河口湖天氣變化很大,所以我們這次沒看到富士山。「目前已經兩年比賽都在雨中進行」
  5. 卡踏在拆要注意右踏是逆牙,左踏是順牙
  6. 新宿到河口湖可以搭富士急行巴士可以省點錢單趟JP 1500,他有超大下層行李廂
  7. 河口湖住宿單價偏高且搶手,請提前訂房

比賽注意事項

  1. 因為大會文件只有日文,很多東西有寫,但沒寫的很清楚,我們也錯過了寄物時間6:00,所以到了山上冷的要死。(山頂上加上大雨,最低有7度)
  2. 日本比賽比較特別的地方是,過程中可能沒有補給,只有水和廁所,請自行帶補給品,在20km有家商店可以買東西吃;有聽說是為了保護環境沒補給,但是多數還是會自己帶,路上也一大堆自己帶的垃圾,還不如集中在補給區,對於我們第一次參加的來說資訊確實不足,這是我和同行的友人,都感覺是相當不好的部份!
  3. 若沒寄物到,可以到富士北麓的競技場,那邊廁所旁有「寄物櫃 」50日圓
  4. 天氣冷體力消耗大,冷到手麻腳麻,想上廁所以乳酸堆積較不容易恢復
  5. 下山小心,有看到兩件自行車相撞,日本人習慣靠最左側及中間,其實可以靠馬路中線左一點可以減少相撞的風險
  6. 官方合作的reric的車衣偏小,因為有混類似萊卡材質,可以參考shimano asia尺寸在往上加一號
  7. 因爲河口湖,河口湖附近東西都偏貴,便宜的吃不飽及吃不慣,若想省點錢,就吃超商和超市!回東京在吃頓好 。

FAQ

會不會再來富士山?
肯定是會,因該不會挑在「梅雨季」的賽事,並覺得大會在「雨備」及外國人的「現場協助」,工作人員也
不是很清楚,「文件沒有英文版」,加上參加比賽時間都被綁住,這次的風雨也算是一次蠻特別的體驗
,其實除了比賽無法盡興的旅遊。
最後感謝同行的同事及朋友的日語支持及日本情報協助
費用(回台灣在更新)
台北-東京 來回機票 NT 11500
成田特快 (新宿-成田) JP 32002
富士疾行Bus新宿河口湖來回 JP1500
2
河口湖住宿的部分比較貴,所以我和我同事是一起攤
新宿中央飯店NT3800/2 人
從Airbnb 定2天 NT 6400 /2 人
富士山登山賽報名費JP1xxxx
秋葉原雷姆 NT 3200
海外旅遊保險五天四夜NT 7xx

照片

富士山五合目,單車手與登山紀念牌合影 富士山登山賽選手在濃霧濕地中準備 富士山濃霧中停靠的黑紅公路車 單車軌跡詳情介面,顯示海拔速度圖與爬坡分析

作者

Mark Ku

擁有 10+ 年經驗的資深軟體工程師,現為 AI 應用 Builder,專注於大型平台架構與簡化複雜系統設計,從電商系統到訂閱與收費平台,結合 AI Agent、AI 整合與自動化開發,打造高效率且可持續演進的產品技術基礎。閱讀更多

覺得這篇有幫助?

作者做的免費工具、每日 Podcast 與電子報,都在這裡。

Mark Ku · 本文採用 CC BY 4.0 授權,轉載請註明作者並附上原文連結。

留言

訂閱電子報

訂閱後即時收到新文章通知,不錯過任何技術分享。

提交即表示同意接收電子報,隨時可

熱門文章

View all
Mark Ku
··603

Oracle Cloud 永久免費方案 Linux 主機及固定 IP :0 元打造雲端解決方案

Oracle Cloud 永久免費方案 Linux 主機及固定 IP :0 元打造雲端解決方案
Mark Ku
··440

告別 Postman 收費陷阱!開源 Git 原生 API 測試神器 Bruno 實戰指南

告別 Postman 收費陷阱!開源 Git 原生 API 測試神器 Bruno 實戰指南
Mark Ku
··323

一款免費開源類似於 Notion 類知識庫系統 — Outline Wiki 佈署與備份全攻略

一款免費開源類似於 Notion 類知識庫系統 — Outline Wiki 佈署與備份全攻略
Mark Ku
··239

打造高效 API 管理平台:從 0 開始部署 Kong Gateway - Part 1

打造高效 API 管理平台:從 0 開始部署 Kong Gateway - Part 1
Mark Ku
··222

在 Ubuntu 上設置 Samba 來共享資料夾,讓 Windows 11 用戶可以存取

在 Ubuntu 上設置 Samba 來共享資料夾,讓 Windows 11 用戶可以存取
Mark Ku
··199

訓練自己的 AI 語音:硬體門檻、開源模型比較與 LoRA 微調

訓練自己的 AI 語音:硬體門檻、開源模型比較與 LoRA 微調