最近一场对战
胜利排位赛
JA
KE
C.更新于8小时前
Steam
OtherM100%
SteamOtherM100%ShiomiHY
GG
LP 14,734最近 10 场7–3最近 20 场14–6
胜率
77%
59 胜 · 18 负 · 已存 77 场
排位赛对战
77
已选模式
胜场
59
排位赛
负场
18
排位赛
最高 LP
14,734
C. Viper
排位 LP · C. Viper
此角色的 LP 走势
此时间范围内的排位 LP 数据不足。
尚未请求回放
JAKEC.按差值绝对值从大到小排列23 项习惯
| 习惯 | ShiomiHY | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气技 | 52.2% | 22.2% | +30.0% | |
| SA1 | 21.3% | 40.4% | -19.1% | |
| 斗气前冲（取消） | 0.0% | 18.1% | -18.1% | |
| SA3 | 46.3% | 29.7% | +16.6% | |
| 斗气迸放消耗 | 17.6% | 1.7% | +15.9% | |
| CA | 14.8% | 7.7% | +7.1% | |
| 斗气防御 | 8.6% | 14.7% | -6.1% | |
| SA2 | 17.6% | 22.2% | -4.6% | |
| 被困版边时间 | 4.20 | 8.60 | -4.40 | |
| 版边压制 | 7.30 | 10.80 | -3.50 | |
| 投技 | 5.30 | 2.29 | +3.01 | |
| 斗气迸放 | 2.10 | 0.17 | +1.93 | |
| 斗气前冲（招架） | 5.3% | 7.3% | -1.9% | |
| 惩罚反击命中 | 1.40 | 0.10 | +1.30 | |
| 精准招架 | 0.10 | 0.71 | -0.61 | |
| 斗气招架 | 1.00 | 1.55 | -0.55 | |
| 受到惩罚反击 | 0.50 | 0.08 | +0.42 | |
| 斗气反攻 | 0.00 | 0.24 | -0.24 | |
| 拆投 | 0.70 | 0.49 | +0.21 | |
| 受到投技 | 2.30 | 2.20 | +0.10 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 受到昏厥 | 0.00 | 0.03 | -0.03 | |
| 招架时被投 | 0.20 | 0.21 | -0.01 |
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。
Ryu · 最近100场
需要改进的地方
找出惩罚反击的原因
惩罚反击命中：档案 1.4 · 参考 0.08
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 1.4 · 参考 0.08
- 受到惩罚反击：档案 0.5 · 参考 0.07
让斗气迸放有明确目的
斗气迸放：档案 2.1 · 参考 0.16
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 2.1 · 参考 0.16
复盘防守决策
斗气招架：档案 1 · 参考 1.69
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
- 斗气招架：档案 1 · 参考 1.69
- 精准招架：档案 0.1 · 参考 0.71
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14日 · AI：nex-agi/nex-n2.5-mini:free
如何应对这位玩家
把对局战绩当作观察线索
对阵Ed：24场中获胜14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Ed：24场中获胜14场
- 对阵Jamie：21场中获胜14场
- 对阵Terry：18场中获胜7场
区分持续倾向与偶发失误
已保存的近期排位赛样本：23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：23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14日 · AI：nex-agi/nex-n2.5-mini:free