最近一场对战
胜利排位赛
AK
RYAK更新于3天前
Steam
JapanC100%
SteamJapanC100%ホンマ＝カンマ
Let's Do This
MR 1,215#608,935最近 10 场8–2+50最近 20 场13–7+44
胜率
46%
72 胜 · 84 负 · 已存 156 场
排位赛对战
156
已选模式
胜场
72
排位赛
负场
84
排位赛
最高 MR
1,374
Akuma
排位 MR · Akuma
本地 155 · 导入 0 · 图表显示 155 · 已存 301 场对战
尚未请求回放
AKRYAK按差值绝对值从大到小排列23 项习惯
| 习惯 | ホンマ＝カンマ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| CA | 21.4% | 9.9% | +11.5% | |
| SA1 | 21.4% | 28.6% | -7.2% | |
| 斗气技 | 24.6% | 19.2% | +5.4% | |
| SA2 | 17.9% | 22.8% | -4.9% | |
| 斗气防御 | 8.5% | 13.1% | -4.7% | |
| 斗气前冲（取消） | 28.2% | 32.7% | -4.5% | |
| 斗气前冲（招架） | 3.0% | 7.4% | -4.5% | |
| 被困版边时间 | 10.40 | 8.55 | +1.85 | |
| 版边压制 | 9.80 | 11.47 | -1.67 | |
| 投技 | 1.80 | 2.74 | -0.94 | |
| 斗气迸放消耗 | 2.3% | 1.5% | +0.8% | |
| 受到投技 | 2.70 | 2.09 | +0.61 | |
| SA3 | 39.3% | 38.7% | +0.6% | |
| 精准招架 | 0.20 | 0.77 | -0.57 | |
| 招架时被投 | 0.10 | 0.27 | -0.17 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 拆投 | 0.50 | 0.45 | +0.05 | |
| 斗气招架 | 1.60 | 1.65 | -0.05 | |
| 造成昏厥 | 0.00 | 0.03 | -0.03 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 斗气迸放 | 0.20 | 0.20 | -0.00 | |
| 斗气反攻 | 0.20 | 0.20 | +0.00 |
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。
Akuma · 最近100场
需要改进的地方
复盘防守决策
斗气招架：档案 1.6 · 参考 1.79
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 1.6 · 参考 1.79
- 精准招架：档案 0.2 · 参考 0.8
比较胜负中的决策
已保存的近期排位赛样本：100场中获胜47场
从已保存的近期样本中选两场胜利与两场失败，找出变化的决策。战绩本身无法解释结果变化的原因。
试试这样做写下接下来五场要测试的一项具体判断。复盘是否执行及发生了什么，不要只用胜负评价练习。
数据依据
- 已保存的近期排位赛样本：100场中获胜47场
研究反复出现的角色对局场景
对阵Ryu：118场中获胜34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Ryu：118场中获胜34场
- 对阵Akuma：66场中获胜29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11日 · AI：nex-agi/nex-n2.5-mini:free
如何应对这位玩家
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47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47场
把对局战绩当作观察线索
对阵Ryu：118场中获胜34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Ryu：118场中获胜34场
- 对阵Akuma：66场中获胜29场
先试探实际防守反应
斗气招架：档案 1.6 · 参考 1.79
尝试一次熟悉的压制场景并观察真实反应，再据此变化下一次选择。不要把事件次数当作成功率。
试试这样做在理解的局面中尝试常用的打投选择。只在反应稳定时继续针对；对方开始调整时，就改变节奏或重新拉开。
数据依据
- 斗气招架：档案 1.6 · 参考 1.79
- 精准招架：档案 0.2 · 参考 0.8
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11日 · AI：nex-agi/nex-n2.5-mini:free