最近一场对战
胜利排位赛
LI
JULI更新于1天前
Steam
JapanM100%
SteamJapanM100%まるまる
Hoh-hoh-hooooh!
LP 13,060最近 10 场9–1最近 20 场15–5
胜率
64%
68 胜 · 38 负 · 已存 106 场
排位赛对战
106
已选模式
胜场
68
排位赛
负场
38
排位赛
最高 LP
13,060
Lily
排位 LP · Lily
此角色的 LP 走势
尚未请求回放
LIJULI按差值绝对值从大到小排列23 项习惯
| 习惯 | まるまる | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 45.9% | 24.1% | +21.8% | |
| SA2 | 3.3% | 23.6% | -20.3% | |
| SA1 | 26.2% | 43.9% | -17.7% | |
| CA | 24.6% | 8.4% | +16.2% | |
| 斗气防御 | 7.1% | 12.6% | -5.4% | |
| 版边压制 | 4.20 | 8.87 | -4.67 | |
| 斗气前冲（取消） | 25.1% | 29.4% | -4.4% | |
| 斗气招架 | 0.50 | 1.96 | -1.46 | |
| 被困版边时间 | 9.20 | 10.55 | -1.35 | |
| 斗气前冲（招架） | 5.1% | 6.0% | -1.0% | |
| 斗气迸放消耗 | 2.9% | 2.1% | +0.7% | |
| 斗气反攻 | 0.90 | 0.32 | +0.58 | |
| 精准招架 | 0.10 | 0.65 | -0.55 | |
| 拆投 | 0.00 | 0.55 | -0.55 | |
| 受到投技 | 1.80 | 2.35 | -0.55 | |
| 投技 | 2.00 | 2.52 | -0.52 | |
| 斗气技 | 22.1% | 21.8% | +0.3% | |
| 受到惩罚反击 | 0.30 | 0.14 | +0.16 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 惩罚反击命中 | 0.30 | 0.17 | +0.13 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 斗气迸放 | 0.30 | 0.24 | +0.06 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 |
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。
Lily · 最近100场
需要改进的地方
复盘防守决策
斗气反攻：档案 0.7 · 参考 0.33
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 0.7 · 参考 0.33
- 斗气招架：档案 0.6 · 参考 2.05
追踪位置得失的过程
版边压制：档案 5.3 · 参考 9.47
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 5.3 · 参考 9.47
- 被困版边时间：档案 7.8 · 参考 9.95
明确每次量表消耗的目的
SA2：档案 4.9% · 参考 21%
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
- SA2：档案 4.9% · 参考 21%
- SA3：档案 52.5% · 参考 24.4%
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8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：10场中获胜2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：10场中获胜2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8日 · AI：dots-studio/dots-3-note-preview:free