最近一场对战
失败自定义房间
ED
KEED更新于3周前
Steam
India俱乐部 · IndianFgcC100%
SteamIndia俱乐部 · IndianFgcC100%Shunitsu
Because I'm Cute, Obviously!
MR 1,496#261,796最近 10 场4–6-5最近 20 场7–13-38
胜率
44%
47 胜 · 60 负 · 已存 107 场
排位赛对战
107
已选模式
胜场
47
排位赛
负场
60
排位赛
最高 MR
1,501
Ed
排位 MR · Ed
本地 107 · 导入 0 · 图表显示 107 · 已存 252 场对战
尚未请求回放
EDKEED按差值绝对值从大到小排列23 项习惯
| 习惯 | Shunitsu | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 68.6% | 33.7% | +35.0% | |
| SA1 | 11.8% | 33.3% | -21.6% | |
| SA2 | 5.9% | 23.2% | -17.3% | |
| 斗气前冲（取消） | 30.8% | 35.3% | -4.5% | |
| CA | 13.7% | 9.8% | +3.9% | |
| 斗气前冲（招架） | 9.1% | 6.8% | +2.3% | |
| 版边压制 | 9.50 | 11.75 | -2.25 | |
| 斗气技 | 20.3% | 18.1% | +2.2% | |
| 斗气防御 | 11.1% | 12.9% | -1.8% | |
| 斗气招架 | 0.40 | 1.92 | -1.52 | |
| 被困版边时间 | 7.50 | 8.93 | -1.43 | |
| 精准招架 | 0.10 | 0.79 | -0.69 | |
| 斗气迸放消耗 | 1.3% | 1.7% | -0.3% | |
| 斗气反攻 | 0.00 | 0.22 | -0.22 | |
| 受到投技 | 2.00 | 2.20 | -0.20 | |
| 拆投 | 0.40 | 0.53 | -0.13 | |
| 受到惩罚反击 | 0.20 | 0.10 | +0.10 | |
| 投技 | 2.60 | 2.53 | +0.07 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 | |
| 惩罚反击命中 | 0.10 | 0.14 | -0.04 | |
| 斗气迸放 | 0.20 | 0.22 | -0.02 | |
| 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。
Ed · 最近100场
需要改进的地方
复盘防守决策
斗气招架：档案 0.4 · 参考 1.77
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 0.4 · 参考 1.77
- 精准招架：档案 0.1 · 参考 0.76
- 斗气反攻：档案 0 · 参考 0.2
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.11
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 0.2 · 参考 0.11
- 惩罚反击命中：档案 0.1 · 参考 0.11
明确每次量表消耗的目的
SA3：档案 68.6% · 参考 30%
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
- SA3：档案 68.6% · 参考 30%
- SA2：档案 5.9% · 参考 27.6%
- SA1：档案 11.8% · 参考 33.1%
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8月26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Ken：94场中获胜40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：94场中获胜40场
- 对阵Jamie：66场中获胜32场
- 对阵Sagat：36场中获胜15场
区分持续倾向与偶发失误
已保存的近期排位赛样本：96场中获胜43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：96场中获胜43场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.2
观察特定场景下是否反复出现斗气迸放。考虑距离、硬直和量表，准备在训练中验证过的应对。
试试这样做再次进入该场景时，采用更少暴露破绽的行动。如果迸放出现，就使用练过的应对；如果没有，就回到常规计划。
数据依据
- 斗气迸放：档案 0.2 · 参考 0.2
- 斗气迸放消耗：档案 1.3% · 参考 1.5%
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8月26日 · AI：dots-studio/dots-3-note-preview:free