最近一场对战
胜利排位赛
JU
SAJU更新于2周前
Steam
JapanC100%
SteamJapanC100%じゅりお
Conqueror: Venomous Violet
LP 23,998最近 10 场4–6最近 20 场9–11
胜率
43%
43 胜 · 57 负 · 已存 100 场
排位赛对战
100
已选模式
胜场
43
排位赛
负场
57
排位赛
最高 LP
24,145
Juri
排位 LP · Juri
此角色的 LP 走势
尚未请求回放
JUSAJU按差值绝对值从大到小排列23 项习惯
| 习惯 | じゅりお | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 0.0% | 19.5% | -19.5% | |
| CA | 19.4% | 8.9% | +10.4% | |
| SA1 | 45.2% | 36.7% | +8.4% | |
| 斗气前冲（取消） | 26.0% | 31.9% | -5.9% | |
| 斗气技 | 15.2% | 19.4% | -4.2% | |
| 版边压制 | 9.00 | 12.24 | -3.24 | |
| 被困版边时间 | 10.80 | 9.20 | +1.60 | |
| 斗气迸放消耗 | 2.9% | 2.0% | +0.9% | |
| 斗气防御 | 14.3% | 13.4% | +0.8% | |
| 受到投技 | 2.90 | 2.13 | +0.77 | |
| 斗气前冲（招架） | 7.8% | 7.1% | +0.7% | |
| SA3 | 35.5% | 34.8% | +0.7% | |
| 投技 | 2.10 | 2.65 | -0.55 | |
| 精准招架 | 0.30 | 0.64 | -0.34 | |
| 斗气反攻 | 0.50 | 0.20 | +0.30 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 拆投 | 0.60 | 0.46 | +0.14 | |
| 斗气迸放 | 0.40 | 0.27 | +0.13 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 斗气招架 | 2.00 | 2.07 | -0.07 | |
| 惩罚反击命中 | 0.20 | 0.13 | +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。
Juri · 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 0.2 · 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
- 受到惩罚反击：档案 0.2 · 参考 0.08
让斗气迸放有明确目的
斗气迸放：档案 0.4 · 参考 0.24
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 0.4 · 参考 0.24
- 斗气迸放消耗：档案 2.9% · 参考 1.8%
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4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Luke：22场中获胜6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Luke：22场中获胜6场
- 对阵Yasmine：25场中获胜4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：100场中获胜43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4日 · AI：dots-studio/dots-3-note-preview:free