最近一场对战
失败排位赛
KE
AKKE更新于17小时前
Steam
JapanC100%
SteamJapanC100%大原893
Let's Do This
MR 1,487#356,246最近 10 场3–7-33最近 20 场8–12-33
胜率
48%
44 胜 · 48 负 · 已存 92 场
排位赛对战
92
已选模式
胜场
44
排位赛
负场
48
排位赛
最高 MR
1,551
Ken
排位 MR · Ken
本地 89 · 导入 74 · 图表显示 145 · 已存 168 场对战
尚未请求回放
KEAKKE按差值绝对值从大到小排列23 项习惯
| 习惯 | 大原893 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 41.6% | 25.9% | +15.7% | |
| SA1 | 13.0% | 27.3% | -14.3% | |
| 斗气技 | 5.7% | 14.9% | -9.3% | |
| 被困版边时间 | 14.10 | 8.95 | +5.15 | |
| 版边压制 | 8.10 | 13.12 | -5.02 | |
| 斗气前冲（取消） | 42.4% | 38.2% | +4.2% | |
| SA3 | 33.8% | 35.8% | -2.0% | |
| 斗气前冲（招架） | 6.1% | 6.8% | -0.6% | |
| CA | 11.7% | 11.0% | +0.6% | |
| 斗气防御 | 13.3% | 12.7% | +0.6% | |
| 受到投技 | 2.80 | 2.26 | +0.54 | |
| 投技 | 2.20 | 2.57 | -0.37 | |
| 斗气迸放消耗 | 1.7% | 1.4% | +0.3% | |
| 拆投 | 0.70 | 0.44 | +0.26 | |
| 招架时被投 | 0.10 | 0.21 | -0.11 | |
| 斗气招架 | 2.00 | 1.89 | +0.11 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 精准招架 | 0.80 | 0.84 | -0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 斗气反攻 | 0.20 | 0.23 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.08 | +0.02 | |
| 斗气迸放 | 0.20 | 0.19 | +0.01 | |
| 惩罚反击命中 | 0.10 | 0.10 | -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。
Ken · 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 0.1 · 参考 0.17
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 0.1 · 参考 0.17
- 斗气迸放消耗：档案 1.1% · 参考 1.3%
复盘防守决策
斗气招架：档案 1.3 · 参考 1.93
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 1.3 · 参考 1.93
- 精准招架：档案 0.6 · 参考 0.8
- 斗气反攻：档案 0.1 · 参考 0.19
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9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Akuma：391场中获胜182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：391场中获胜182场
- 对阵Manon：16场中获胜6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9日 · AI：dots-studio/dots-3-note-preview:free