最近一场对战
失败排位赛
LI
ALLI更新于13小时前
Steam
JapanC100%
SteamJapanC100%Kenny.T
GG
MR 1,540#155,290最近 10 场4–6-8最近 20 场11–9+23
胜率
51%
69 胜 · 66 负 · 已存 135 场
排位赛对战
135
已选模式
胜场
69
排位赛
负场
66
排位赛
最高 MR
1,561
Lily
排位 MR · Lily
本地 135 · 导入 0 · 图表显示 135 · 已存 135 场对战
尚未请求回放
LIALLI按差值绝对值从大到小排列23 项习惯
| 习惯 | Kenny.T | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 9.4% | 31.1% | -21.7% | |
| 斗气技 | 37.6% | 21.7% | +16.0% | |
| CA | 17.4% | 8.4% | +9.0% | |
| SA2 | 13.0% | 22.0% | -9.0% | |
| SA1 | 37.0% | 43.8% | -6.9% | |
| SA3 | 32.6% | 25.7% | +6.9% | |
| 版边压制 | 4.80 | 9.83 | -5.03 | |
| 斗气前冲（招架） | 1.6% | 5.7% | -4.1% | |
| 斗气防御 | 8.7% | 12.0% | -3.2% | |
| 斗气迸放消耗 | 5.2% | 2.1% | +3.1% | |
| 被困版边时间 | 12.00 | 10.41 | +1.59 | |
| 拆投 | 1.60 | 0.48 | +1.12 | |
| 受到投技 | 3.20 | 2.32 | +0.88 | |
| 投技 | 1.80 | 2.61 | -0.81 | |
| 斗气招架 | 2.60 | 1.96 | +0.64 | |
| 斗气迸放 | 0.60 | 0.25 | +0.35 | |
| 受到惩罚反击 | 0.40 | 0.12 | +0.28 | |
| 惩罚反击命中 | 0.40 | 0.16 | +0.24 | |
| 精准招架 | 0.40 | 0.60 | -0.20 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 斗气反攻 | 0.40 | 0.33 | +0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 |
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。
Lily · 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 0.6 · 参考 0.1
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 0.6 · 参考 0.1
- 惩罚反击命中：档案 0.4 · 参考 0.17
明确每次量表消耗的目的
斗气技：档案 37.2% · 参考 23.7%
看着实际量表回顾五次资源决策，记录换来了什么以及还剩哪些选择。使用占比本身不能衡量效率。
试试这样做练习熟悉连段的资源消耗版本与节省版本，比较结果和剩余量表，再决定各自适用的场景。
数据依据
- 斗气技：档案 37.2% · 参考 23.7%
- SA3：档案 27.9% · 参考 24.4%
追踪位置得失的过程
版边压制：档案 6.5 · 参考 9.47
回看五次被逼到角落的过程。除了最后的脱身尝试，也要找出更早交出空间的决策，并对照成功压制角落的场景。
试试这样做在训练中重现反复出现的位置，比较常用应对与较少露出破绽的替代选择，再观察下一组对战中进入角落的频率。
数据依据
- 版边压制：档案 6.5 · 参考 9.47
- 被困版边时间：档案 10.8 · 参考 9.95
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7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Yasmine：113场中获胜61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Yasmine：113场中获胜61场
- 对阵Luke：111场中获胜60场
- 对阵Ryu：104场中获胜63场
区分持续倾向与偶发失误
已保存的近期排位赛样本：40场中获胜26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：40场中获胜26场
试探近距离模式
拆投：档案 1.4 · 参考 0.57
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 1.4 · 参考 0.57
- 受到投技：档案 3 · 参考 2.32
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7日 · AI：dots-studio/dots-3-note-preview:free