最近一场对战
失败排位赛
SA
DESA更新于6天前
Steam
JapanC100%
SteamJapanC100%＜でつ＞
I Need an E-Tank
MR 1,546#138,951最近 10 场6–4+12最近 20 场11–9+11
胜率
50%
75 胜 · 75 负 · 已存 150 场
排位赛对战
150
已选模式
胜场
75
排位赛
负场
75
排位赛
最高 MR
1,631
Sagat
排位 MR · Sagat
本地 150 · 导入 0 · 图表显示 150 · 已存 150 场对战
尚未请求回放
SADESA按差值绝对值从大到小排列23 项习惯
| 习惯 | ＜でつ＞ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 58.6% | 39.9% | +18.7% | |
| SA2 | 10.3% | 26.4% | -16.1% | |
| SA1 | 10.3% | 24.6% | -14.2% | |
| CA | 20.7% | 9.1% | +11.6% | |
| 斗气前冲（取消） | 41.3% | 34.0% | +7.3% | |
| 斗气前冲（招架） | 2.6% | 8.4% | -5.9% | |
| 斗气防御 | 9.1% | 14.2% | -5.1% | |
| 斗气迸放消耗 | 5.3% | 1.3% | +3.9% | |
| 版边压制 | 10.20 | 12.43 | -2.23 | |
| 投技 | 0.90 | 2.23 | -1.33 | |
| 被困版边时间 | 8.00 | 8.88 | -0.88 | |
| 精准招架 | 0.20 | 0.74 | -0.54 | |
| 惩罚反击命中 | 0.50 | 0.11 | +0.39 | |
| 斗气技 | 16.4% | 16.0% | +0.3% | |
| 斗气迸放 | 0.50 | 0.18 | +0.32 | |
| 受到惩罚反击 | 0.40 | 0.09 | +0.31 | |
| 斗气招架 | 2.10 | 1.81 | +0.29 | |
| 斗气反攻 | 0.00 | 0.24 | -0.24 | |
| 受到投技 | 2.30 | 2.21 | +0.09 | |
| 拆投 | 0.40 | 0.46 | -0.06 | |
| 受到昏厥 | 0.00 | 0.05 | -0.05 | |
| 招架时被投 | 0.20 | 0.25 | -0.05 | |
| 造成昏厥 | 0.10 | 0.08 | +0.02 |
从数据到练习
最近100场对战计划
根据此档案的习惯和战绩，生成可在实战中验证的思路。习惯统计涵盖所有角色；所选角色用于确定对照组。
正在检查已保存的对战计划…
使用OpenRouter的免费AI模型分析公开档案统计。计划会保存以供共享和复用。建议是基于统计的假设，并非回放视频分析。已保存的对战计划
保留生成时依据数据和日期的AI计划。展开即可阅读两种视角。
Sagat · 最近100场
需要改进的地方
找出惩罚反击的原因
受到惩罚反击：档案 0.4 · 参考 0.09
分别回看五次受到和打出的惩罚反击。先区分空挥与被防后留出破绽，再选择练习目标。
试试这样做在训练中重现一个反复出现的场景，检查距离和帧数计量表，再练习更稳妥的选择或确实能命中的反击。
数据依据
- 受到惩罚反击：档案 0.4 · 参考 0.09
- 惩罚反击命中：档案 0.5 · 参考 0.1
让斗气迸放有明确目的
斗气迸放：档案 0.5 · 参考 0.18
回看五次斗气迸放，记录使用场景和结果。保留有效用法，研究反复失败的原因，而不是追求参考平均次数。
试试这样做在不同训练人偶槽位记录斗气迸放与普通攻击，混合播放，练习辨别并选择当前量表状态下可用的应对。
数据依据
- 斗气迸放：档案 0.5 · 参考 0.18
- 斗气迸放消耗：档案 5.3% · 参考 1.3%
AI根据引用统计选择经过检查的练习方案并排序。习惯涵盖整个档案，角色战绩与近期样本的统计范围不同。这些是供验证的思路，并非已确认的弱点或视频分析。 最近100场比赛的已报告趋势，并非生涯习惯平均值。
数据保存于2026年9月8日 · AI：dots-studio/dots-3-note-preview:free
如何应对这位玩家
把对局战绩当作观察线索
对阵Luke：92场中获胜51场
较低胜率提示可以研究哪些录像，但不保证选角优势。确认同一种困难场景是否出现在多场比赛中。
试试这样做如果你使用引用的角色，就试一次录像中熟悉的场景。对方应对良好时，放弃原假设，按实际表现调整。
数据依据
- 对阵Luke：92场中获胜51场
- 对阵Yasmine：70场中获胜34场
- 对阵Alex：55场中获胜19场
区分持续倾向与偶发失误
已保存的近期排位赛样本：100场中获胜51场
研究多场近期比赛，对照胜局与败局。围绕重复场景准备，不要只记住一次显眼失误。
试试这样做用第一回合验证一个观察假设。若重复出现，就应用准备好的调整；若没有，就放弃假设并观察新模式。
数据依据
- 已保存的近期排位赛样本：100场中获胜51场
AI根据引用统计选择经过检查的练习方案并排序。习惯涵盖整个档案，角色战绩与近期样本的统计范围不同。这些是供验证的思路，并非已确认的弱点或视频分析。 最近100场比赛的已报告趋势，并非生涯习惯平均值。
数据保存于2026年9月8日 · AI：dots-studio/dots-3-note-preview:free