最近一场对战
胜利排位赛
JU
AKJU更新于1周前
Steam
JapanC98%
SteamJapanC98%しいたけ
Let's Do This
MR 1,356#534,619最近 10 场5–5+2最近 20 场10–10+2
胜率
44%
11 胜 · 14 负 · 已存 25 场
排位赛对战
25
已选模式
胜场
11
排位赛
负场
14
排位赛
最高 MR
1,432
Juri
排位 MR · Juri
本地 25 · 导入 0 · 图表显示 25 · 已存 56 场对战
尚未请求回放
JUAKJU按差值绝对值从大到小排列23 项习惯
| 习惯 | しいたけ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 23.7% | 34.9% | -11.2% | |
| SA1 | 48.7% | 38.3% | +10.3% | |
| 斗气前冲（取消） | 22.8% | 32.9% | -10.0% | |
| CA | 19.7% | 9.8% | +9.9% | |
| SA2 | 7.9% | 16.9% | -9.1% | |
| 被困版边时间 | 10.00 | 8.68 | +1.32 | |
| 投技 | 1.70 | 2.72 | -1.02 | |
| 斗气技 | 19.8% | 18.9% | +0.9% | |
| 斗气迸放消耗 | 2.9% | 2.0% | +0.9% | |
| 受到投技 | 2.90 | 2.13 | +0.77 | |
| 斗气防御 | 14.0% | 13.4% | +0.7% | |
| 版边压制 | 11.90 | 12.56 | -0.66 | |
| 斗气前冲（招架） | 7.5% | 7.0% | +0.6% | |
| 精准招架 | 0.40 | 0.75 | -0.35 | |
| 拆投 | 0.70 | 0.41 | +0.29 | |
| 斗气招架 | 1.90 | 2.03 | -0.13 | |
| 斗气反攻 | 0.10 | 0.20 | -0.10 | |
| 受到惩罚反击 | 0.20 | 0.10 | +0.10 | |
| 惩罚反击命中 | 0.20 | 0.12 | +0.08 | |
| 招架时被投 | 0.20 | 0.28 | -0.08 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 斗气迸放 | 0.30 | 0.26 | +0.04 | |
| 造成昏厥 | 0.10 | 0.09 | +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。
Juri · 最近100场
需要改进的地方
找出惩罚反击的原因
惩罚反击命中：档案 0.2 · 参考 0.11
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
- 惩罚反击命中：档案 0.2 · 参考 0.11
- 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 0.3 · 参考 0.24
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 0.3 · 参考 0.24
- 斗气迸放消耗：档案 2.9% · 参考 1.8%
复盘防守决策
斗气反攻：档案 0.1 · 参考 0.17
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 0.1 · 参考 0.17
- 拆投：档案 0.7 · 参考 0.4
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Terry：14场中获胜6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Terry：14场中获胜6场
区分持续倾向与偶发失误
已保存的近期排位赛样本：21场中获胜9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：21场中获胜9场
试探近距离模式
拆投：档案 0.7 · 参考 0.4
观察实际的打击、投技和防守选择。出现倾向后，再改变熟悉攻防中的一个部分。
试试这样做同样的反应连续出现两次后，尝试不同选择。如果对方改变反应，就重新混合选项，不要认定这个模式永远有效。
数据依据
- 拆投：档案 0.7 · 参考 0.4
- 受到投技：档案 2.9 · 参考 2.07
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