最近一场对战
胜利排位赛
LU
A.LU更新于1小时前
Steam
OtherC100%
SteamOtherC100%Techi(C)
Let's Do This
MR 1,372#571,947最近 10 场5–5+5最近 20 场8–12-23
胜率
45%
170 胜 · 205 负 · 已存 375 场
排位赛对战
375
已选模式
胜场
170
排位赛
负场
205
排位赛
最高 MR
1,500
Luke
排位 MR · Luke
本地 51 · 导入 0 · 图表显示 51 · 已存 375 场对战
尚未请求回放
LUA.LU按差值绝对值从大到小排列23 项习惯
| 习惯 | Techi(C) | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 51.6% | 30.0% | +21.6% | |
| SA2 | 9.4% | 26.9% | -17.5% | |
| SA3 | 21.9% | 33.7% | -11.8% | |
| 斗气技 | 7.9% | 16.3% | -8.5% | |
| CA | 17.2% | 9.4% | +7.8% | |
| 斗气迸放消耗 | 8.7% | 1.4% | +7.3% | |
| 斗气防御 | 9.4% | 13.7% | -4.3% | |
| 斗气前冲（取消） | 39.2% | 37.0% | +2.2% | |
| 被困版边时间 | 7.20 | 8.85 | -1.65 | |
| 版边压制 | 12.20 | 13.81 | -1.61 | |
| 斗气前冲（招架） | 6.8% | 7.7% | -1.0% | |
| 斗气招架 | 0.90 | 1.87 | -0.97 | |
| 精准招架 | 0.10 | 0.77 | -0.67 | |
| 受到惩罚反击 | 0.60 | 0.09 | +0.51 | |
| 斗气迸放 | 0.50 | 0.20 | +0.30 | |
| 投技 | 2.10 | 2.35 | -0.25 | |
| 受到投技 | 2.00 | 2.11 | -0.11 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 拆投 | 0.50 | 0.46 | +0.04 | |
| 受到昏厥 | 0.10 | 0.07 | +0.03 | |
| 造成昏厥 | 0.10 | 0.08 | +0.02 | |
| 斗气反攻 | 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。
Luke · 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 0.06
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 0.06
- 惩罚反击命中：档案 0.5 · 参考 0.08
复盘防守决策
斗气招架：档案 0.6 · 参考 1.8
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 0.6 · 参考 1.8
- 精准招架：档案 0.1 · 参考 0.69
研究反复出现的角色对局场景
对阵Akuma：117场中获胜55场
用引用的角色对战记录选择要看的录像，寻找多场败局中重复的决策，并与胜局比较后再下结论。
试试这样做选择对阵该角色时反复出现的一个场景，在训练中验证替代应对，并记录接下来五场中的这一判断。
数据依据
- 对阵Akuma：117场中获胜55场
- 对阵Yasmine：63场中获胜23场
- 对阵Alex：92场中获胜45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10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Akuma：117场中获胜55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Akuma：117场中获胜55场
- 对阵Yasmine：63场中获胜23场
- 对阵Alex：92场中获胜45场
区分持续倾向与偶发失误
已保存的近期排位赛样本：100场中获胜40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：100场中获胜40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10日 · AI：nex-agi/nex-n2.5-mini:free