最近一场对战
失败自定义房间
LU
KILU更新于5天前
Steam
Japan俱乐部 · NakedOROKAM91%
SteamJapan俱乐部 · NakedOROKAM91%アイドルタロ子
Fights for Love
MR 1,772#13,354最近 10 场4–6-19最近 20 场11–9+22
胜率
50%
92 胜 · 91 负 · 已存 183 场
排位赛对战
183
已选模式
胜场
92
排位赛
负场
91
排位赛
最高 MR
1,861
Luke
排位 MR · Luke
本地 183 · 导入 0 · 图表显示 183 · 已存 430 场对战
尚未请求回放
LUKILU按差值绝对值从大到小排列23 项习惯
| 习惯 | アイドルタロ子 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 8.5% | 26.0% | -17.6% | |
| SA3 | 42.3% | 34.2% | +8.1% | |
| 斗气技 | 10.5% | 16.7% | -6.2% | |
| CA | 14.1% | 9.2% | +4.9% | |
| 被困版边时间 | 13.60 | 8.74 | +4.86 | |
| SA1 | 35.2% | 30.6% | +4.6% | |
| 版边压制 | 9.80 | 13.55 | -3.75 | |
| 斗气前冲（取消） | 39.0% | 37.3% | +1.7% | |
| 受到投技 | 3.40 | 2.01 | +1.39 | |
| 斗气前冲（招架） | 6.7% | 7.6% | -0.9% | |
| 斗气迸放消耗 | 2.2% | 1.4% | +0.8% | |
| 斗气招架 | 2.20 | 1.80 | +0.40 | |
| 斗气防御 | 13.6% | 13.2% | +0.4% | |
| 拆投 | 0.70 | 0.37 | +0.33 | |
| 精准招架 | 0.50 | 0.69 | -0.19 | |
| 招架时被投 | 0.40 | 0.22 | +0.18 | |
| 斗气反攻 | 0.30 | 0.20 | +0.10 | |
| 投技 | 2.50 | 2.43 | +0.07 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 受到惩罚反击 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 惩罚反击命中 | 0.10 | 0.08 | +0.02 | |
| 斗气迸放 | 0.20 | 0.19 | +0.01 |
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。
Luke · 最近100场
需要改进的地方
复盘防守决策
斗气反攻：档案 0.6 · 参考 0.2
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
- 斗气反攻：档案 0.6 · 参考 0.2
- 精准招架：档案 0.3 · 参考 0.71
- 斗气招架：档案 1.7 · 参考 1.82
追踪位置得失的过程
版边压制：档案 9.7 · 参考 14.11
回看五次被逼到角落的过程。除了最后的脱身尝试，也要找出更早交出空间的决策，并对照成功压制角落的场景。
试试这样做在训练中重现反复出现的位置，比较常用应对与较少露出破绽的替代选择，再观察下一组对战中进入角落的频率。
数据依据
- 版边压制：档案 9.7 · 参考 14.11
- 被困版边时间：档案 11.7 · 参考 8.66
明确每次量表消耗的目的
SA3：档案 41.1% · 参考 36.2%
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 41.1% · 参考 36.2%
- CA：档案 5.6% · 参考 10.5%
- 斗气技：档案 13.7% · 参考 15.4%
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Luke：168场中获胜82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：168场中获胜82场
- 对阵Ryu：107场中获胜70场
- 对阵Kimberly：170场中获胜82场
区分持续倾向与偶发失误
已保存的近期排位赛样本：50场中获胜28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：50场中获胜28场
寻找可重复利用的反击机会
受到惩罚反击：档案 0.1 · 参考 0.06
把统计作为观察线索。寻找你已验证在该距离能反击的动作，不要仅凭观感认定它有破绽。
试试这样做该动作出现时，尝试已确认的反击。如果对方不再使用，就恢复平常的距离控制，不必强行寻找机会。
数据依据
- 受到惩罚反击：档案 0.1 · 参考 0.06
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