最近一场对战
胜利休闲赛
JA
RAJA更新于1周前
Steam
JapanC100%
SteamJapanC100%Flor
You Gotta Start Somewhere
MR 1,601#83,453最近 10 场5–5-2最近 20 场11–9+10
胜率
50%
18 胜 · 18 负 · 已存 36 场
排位赛对战
36
已选模式
胜场
18
排位赛
负场
18
排位赛
最高 MR
1,630
Jamie
排位 MR · Jamie
本地 36 · 导入 0 · 图表显示 36 · 已存 100 场对战
尚未请求回放
JARAJA按差值绝对值从大到小排列23 项习惯
| 习惯 | Flor | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 44.3% | 29.0% | +15.2% | |
| SA2 | 12.9% | 21.4% | -8.5% | |
| CA | 5.7% | 9.8% | -4.1% | |
| 版边压制 | 17.70 | 14.89 | +2.81 | |
| SA3 | 37.1% | 39.7% | -2.6% | |
| 斗气前冲（取消） | 34.7% | 33.8% | +0.9% | |
| 斗气前冲（招架） | 4.9% | 5.7% | -0.8% | |
| 被困版边时间 | 7.80 | 8.56 | -0.76 | |
| 斗气防御 | 10.4% | 11.0% | -0.5% | |
| 拆投 | 0.90 | 0.40 | +0.50 | |
| 斗气技 | 22.8% | 23.2% | -0.4% | |
| 斗气招架 | 2.00 | 1.78 | +0.22 | |
| 投技 | 2.50 | 2.40 | +0.10 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 精准招架 | 0.60 | 0.67 | -0.07 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 | |
| 斗气反攻 | 0.20 | 0.26 | -0.06 | |
| 受到投技 | 2.20 | 2.15 | +0.05 | |
| 受到惩罚反击 | 0.10 | 0.06 | +0.04 | |
| 惩罚反击命中 | 0.10 | 0.07 | +0.03 | |
| 斗气迸放消耗 | 1.4% | 1.4% | +0.0% | |
| 斗气迸放 | 0.20 | 0.21 | -0.01 | |
| 招架时被投 | 0.20 | 0.20 | 0.00 |
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。
Jamie · 最近100场
需要改进的地方
复盘防守决策
拆投：档案 0.9 · 参考 0.42
比较五个防守场景：对手做了什么、你选了什么、结果如何。招架或拆投次数少，并不直接说明防守有弱点。
试试这样做从一个棘手场景记录两种不同选择，练习辨别和应对，再检查下一组对战中的判断是否改善。
数据依据
- 拆投：档案 0.9 · 参考 0.42
- 受到投技：档案 2.2 · 参考 1.97
- 斗气招架：档案 2 · 参考 1.7
找出惩罚反击的原因
惩罚反击命中：档案 0.1 · 参考 0.07
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
- 惩罚反击命中：档案 0.1 · 参考 0.07
- 受到惩罚反击：档案 0.1 · 参考 0.08
比较胜负中的决策
已保存的近期排位赛样本：36场中获胜18场
从已保存的近期样本中选两场胜利与两场失败，找出变化的决策。战绩本身无法解释结果变化的原因。
试试这样做写下接下来五场要测试的一项具体判断。复盘是否执行及发生了什么，不要只用胜负评价练习。
数据依据
- 已保存的近期排位赛样本：36场中获胜18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5日 · AI：z-ai/glm-5.2:free
如何应对这位玩家
试探近距离模式
拆投：档案 0.9 · 参考 0.42
观察实际的打击、投技和防守选择。出现倾向后，再改变熟悉攻防中的一个部分。
试试这样做同样的反应连续出现两次后，尝试不同选择。如果对方改变反应，就重新混合选项，不要认定这个模式永远有效。
数据依据
- 拆投：档案 0.9 · 参考 0.42
- 受到投技：档案 2.2 · 参考 1.97
把对局战绩当作观察线索
对阵Ken：20场中获胜11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Ken：20场中获胜11场
- 对阵Ingrid：20场中获胜13场
区分持续倾向与偶发失误
已保存的近期排位赛样本：36场中获胜18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：36场中获胜18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5日 · AI：z-ai/glm-5.2:free