最近一场对战
失败排位赛
KE
CAKE更新于5小时前
CrossPlatform
United Kingdom俱乐部 · DamedameM100%
CrossPlatformUnited Kingdom俱乐部 · DamedameM100%Sim4
Let's Do This
LP 22,406最近 10 场6–4最近 20 场10–10
胜率
46%
16 胜 · 19 负 · 已存 35 场
排位赛对战
35
已选模式
胜场
16
排位赛
负场
19
排位赛
最高 LP
22,508
Ken
排位 LP · Ken
此角色的 LP 走势
尚未请求回放
KECAKE按差值绝对值从大到小排列23 项习惯
| 习惯 | Sim4 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气技 | 53.2% | 14.9% | +38.3% | |
| 斗气前冲（取消） | 0.2% | 38.2% | -38.0% | |
| SA2 | 4.8% | 25.9% | -21.1% | |
| 斗气迸放消耗 | 12.9% | 1.4% | +11.5% | |
| SA3 | 46.8% | 35.8% | +11.0% | |
| SA1 | 37.3% | 27.3% | +10.0% | |
| 版边压制 | 6.50 | 13.12 | -6.62 | |
| 斗气防御 | 9.5% | 12.7% | -3.3% | |
| 斗气迸放 | 1.50 | 0.19 | +1.31 | |
| 受到惩罚反击 | 1.10 | 0.08 | +1.02 | |
| 被困版边时间 | 8.00 | 8.95 | -0.95 | |
| 精准招架 | 0.00 | 0.84 | -0.84 | |
| 惩罚反击命中 | 0.90 | 0.10 | +0.80 | |
| 斗气招架 | 1.40 | 1.89 | -0.49 | |
| 受到投技 | 1.90 | 2.26 | -0.36 | |
| 拆投 | 0.10 | 0.44 | -0.34 | |
| 投技 | 2.30 | 2.57 | -0.27 | |
| 斗气前冲（招架） | 6.5% | 6.8% | -0.3% | |
| 斗气反攻 | 0.00 | 0.23 | -0.23 | |
| 招架时被投 | 0.30 | 0.21 | +0.09 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| CA | 11.1% | 11.0% | +0.1% | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 |
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。
Ken · 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 0.9 · 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
- 惩罚反击命中：档案 0.9 · 参考 0.1
- 受到惩罚反击：档案 1.1 · 参考 0.08
明确每次量表消耗的目的
斗气技：档案 53.2% · 参考 14.9%
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 53.2% · 参考 14.9%
复盘防守决策
斗气反攻：档案 0 · 参考 0.23
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
- 斗气反攻：档案 0 · 参考 0.23
- 精准招架：档案 0 · 参考 0.84
- 斗气招架：档案 1.4 · 参考 1.89
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Char 253：467场中获胜202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Char 253：467场中获胜202场
- 对阵Akuma：46场中获胜21场
- 对阵Ryu：45场中获胜18场
区分持续倾向与偶发失误
已保存的近期排位赛样本：35场中获胜16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：35场中获胜16场
寻找可重复利用的反击机会
惩罚反击命中：档案 0.9 · 参考 0.1
把统计作为观察线索。寻找你已验证在该距离能反击的动作，不要仅凭观感认定它有破绽。
试试这样做该动作出现时，尝试已确认的反击。如果对方不再使用，就恢复平常的距离控制，不必强行寻找机会。
数据依据
- 惩罚反击命中：档案 0.9 · 参考 0.1
- 受到惩罚反击：档案 1.1 · 参考 0.08
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