最近一场对战
胜利排位赛
YA
JU
IN更新于6天前
CrossPlatform
JapanC100%
CrossPlatformJapanC100%Clear_Style
Let's Do This
MR 1,809#7,828最近 10 场7–3+39最近 20 场15–5+84
胜率
59%
17 胜 · 12 负 · 已存 29 场
排位赛对战
29
已选模式
胜场
17
排位赛
负场
12
排位赛
最高 MR
1,809
Ingrid
排位 MR · Ingrid
本地 29 · 导入 0 · 图表显示 29 · 已存 77 场对战
尚未请求回放
YAJUIN按差值绝对值从大到小排列23 项习惯
| 习惯 | Clear_Style | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 15.8% | 57.0% | -41.2% | |
| SA1 | 51.5% | 23.4% | +28.1% | |
| SA3 | 24.8% | 15.0% | +9.8% | |
| 斗气前冲（取消） | 31.6% | 25.3% | +6.3% | |
| CA | 7.9% | 4.6% | +3.3% | |
| 斗气前冲（招架） | 5.2% | 7.4% | -2.2% | |
| 被困版边时间 | 12.00 | 10.23 | +1.77 | |
| 斗气防御 | 10.7% | 12.2% | -1.5% | |
| 投技 | 3.40 | 2.31 | +1.09 | |
| 版边压制 | 11.00 | 11.85 | -0.85 | |
| 斗气技 | 28.2% | 27.5% | +0.6% | |
| 斗气反攻 | 0.00 | 0.30 | -0.30 | |
| 斗气招架 | 1.80 | 1.51 | +0.29 | |
| 拆投 | 0.20 | 0.41 | -0.21 | |
| 精准招架 | 0.30 | 0.50 | -0.20 | |
| 造成昏厥 | 0.00 | 0.14 | -0.14 | |
| 斗气迸放消耗 | 2.2% | 2.1% | +0.1% | |
| 惩罚反击命中 | 0.20 | 0.13 | +0.07 | |
| 受到投技 | 2.20 | 2.13 | +0.07 | |
| 斗气迸放 | 0.20 | 0.27 | -0.07 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 受到惩罚反击 | 0.10 | 0.08 | +0.02 | |
| 招架时被投 | 0.30 | 0.28 | +0.02 |
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。
Ingrid · 最近100场
需要改进的地方
明确每次量表消耗的目的
SA1：档案 51.5% · 参考 23.4%
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
- SA1：档案 51.5% · 参考 23.4%
- SA2：档案 15.8% · 参考 57%
- SA3：档案 24.8% · 参考 15%
复盘防守决策
斗气招架：档案 1.8 · 参考 1.51
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 1.8 · 参考 1.51
- 精准招架：档案 0.3 · 参考 0.5
- 斗气反攻：档案 0 · 参考 0.3
检查近距离选择
投技：档案 3.4 · 参考 2.31
回看五次近距离交锋，区分投技机会、投技尝试和防守选择。仅靠汇总次数无法判断当时的正确答案。
试试这样做在重复场景中记录打击和投技，练习选定的应对，再检查自己能否在实战中有意识地做出判断。
数据依据
- 投技：档案 3.4 · 参考 2.31
- 拆投：档案 0.2 · 参考 0.41
- 受到投技：档案 2.2 · 参考 2.13
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6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Elena：133场中获胜37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Elena：133场中获胜37场
- 对阵Luke：99场中获胜47场
- 对阵JP：80场中获胜34场
先试探实际防守反应
斗气反攻：档案 0 · 参考 0.3
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
- 斗气反攻：档案 0 · 参考 0.3
- 拆投：档案 0.2 · 参考 0.41
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.27
观察特定场景下是否反复出现斗气迸放。考虑距离、硬直和量表，准备在训练中验证过的应对。
试试这样做再次进入该场景时，采用更少暴露破绽的行动。如果迸放出现，就使用练过的应对；如果没有，就回到常规计划。
数据依据
- 斗气迸放：档案 0.2 · 参考 0.27
- 斗气迸放消耗：档案 2.2% · 参考 2.1%
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6日 · AI：dots-studio/dots-3-note-preview:free