最近一场对战
失败排位赛
AK
SAAK更新于4天前
Steam
Japan俱乐部 · nobinobifireC100%
SteamJapan俱乐部 · nobinobifireC100%Nagatsuki
Kick Back and Relax
MR 1,556#127,241最近 10 场5–5-1最近 20 场9–11-8
胜率
50%
51 胜 · 51 负 · 已存 102 场
排位赛对战
102
已选模式
胜场
51
排位赛
负场
51
排位赛
最高 MR
1,628
Akuma
排位 MR · Akuma
本地 101 · 导入 0 · 图表显示 101 · 已存 104 场对战
尚未请求回放
AKSAAK按差值绝对值从大到小排列23 项习惯
| 习惯 | Nagatsuki | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 20.3% | 28.6% | -8.3% | |
| CA | 14.1% | 9.9% | +4.1% | |
| SA3 | 42.2% | 38.7% | +3.5% | |
| 斗气前冲（取消） | 35.3% | 32.7% | +2.6% | |
| 斗气防御 | 11.1% | 13.1% | -2.0% | |
| 被困版边时间 | 7.30 | 8.55 | -1.25 | |
| 版边压制 | 12.30 | 11.47 | +0.83 | |
| 投技 | 2.00 | 2.74 | -0.74 | |
| SA2 | 23.4% | 22.8% | +0.7% | |
| 斗气技 | 19.8% | 19.2% | +0.6% | |
| 斗气前冲（招架） | 6.8% | 7.4% | -0.6% | |
| 精准招架 | 0.30 | 0.77 | -0.47 | |
| 斗气招架 | 1.30 | 1.65 | -0.35 | |
| 斗气迸放消耗 | 1.2% | 1.5% | -0.3% | |
| 拆投 | 0.30 | 0.45 | -0.15 | |
| 受到投技 | 2.20 | 2.09 | +0.11 | |
| 斗气迸放 | 0.10 | 0.20 | -0.10 | |
| 招架时被投 | 0.20 | 0.27 | -0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.00 | 0.03 | -0.03 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.09 | +0.01 | |
| 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
精准招架：档案 0.3 · 参考 0.85
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
- 精准招架：档案 0.3 · 参考 0.85
- 斗气招架：档案 1.3 · 参考 1.8
- 斗气反攻：档案 0.2 · 参考 0.22
检查近距离选择
投技：档案 2 · 参考 2.66
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 2 · 参考 2.66
- 受到投技：档案 2.2 · 参考 2.04
- 拆投：档案 0.3 · 参考 0.38
明确每次量表消耗的目的
SA3：档案 42.2% · 参考 35.7%
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
- SA3：档案 42.2% · 参考 35.7%
- CA：档案 14.1% · 参考 10.5%
- SA1：档案 20.3% · 参考 29.6%
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7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：139场中获胜48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：139场中获胜48场
- 对阵Alex：110场中获胜62场
- 对阵Akuma：67场中获胜35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51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51场
验证斗气迸放倾向
斗气迸放：档案 0.1 · 参考 0.21
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 0.1 · 参考 0.21
- 斗气迸放消耗：档案 1.2% · 参考 1.6%
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7日 · AI：dots-studio/dots-3-note-preview:free