最近一场对战
胜利排位赛
SA
JUSA更新于2天前
Steam
OtherC100%
SteamOtherC100%w4s4bi
Because I'm Cute, Obviously!
LP 11,933最近 10 场6–4最近 20 场9–11
胜率
43%
40 胜 · 52 负 · 已存 92 场
排位赛对战
92
已选模式
胜场
40
排位赛
负场
52
排位赛
最高 LP
12,250
Sagat
排位 LP · Sagat
此角色的 LP 走势
尚未请求回放
SAJUSA按差值绝对值从大到小排列23 项习惯
| 习惯 | w4s4bi | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 55.7% | 26.4% | +29.3% | |
| 斗气前冲（取消） | 12.0% | 34.0% | -22.1% | |
| SA3 | 22.7% | 39.9% | -17.2% | |
| SA1 | 9.1% | 24.6% | -15.5% | |
| 斗气迸放消耗 | 16.8% | 1.3% | +15.5% | |
| 斗气技 | 28.9% | 16.0% | +12.9% | |
| 版边压制 | 6.20 | 12.43 | -6.23 | |
| 斗气防御 | 9.2% | 14.2% | -5.0% | |
| CA | 12.5% | 9.1% | +3.4% | |
| 被困版边时间 | 5.50 | 8.88 | -3.38 | |
| 斗气招架 | 0.10 | 1.81 | -1.71 | |
| 斗气迸放 | 1.10 | 0.18 | +0.92 | |
| 精准招架 | 0.00 | 0.74 | -0.74 | |
| 受到惩罚反击 | 0.70 | 0.09 | +0.61 | |
| 惩罚反击命中 | 0.70 | 0.11 | +0.59 | |
| 斗气前冲（招架） | 8.2% | 8.4% | -0.3% | |
| 拆投 | 0.20 | 0.46 | -0.26 | |
| 招架时被投 | 0.00 | 0.25 | -0.25 | |
| 投技 | 2.00 | 2.23 | -0.23 | |
| 受到投技 | 2.00 | 2.21 | -0.21 | |
| 斗气反攻 | 0.10 | 0.24 | -0.14 | |
| 受到昏厥 | 0.00 | 0.05 | -0.05 | |
| 造成昏厥 | 0.10 | 0.08 | +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。
Sagat · 最近100场
需要改进的地方
让斗气迸放有明确目的
斗气迸放：档案 1.1 · 参考 0.17
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 1.1 · 参考 0.17
- 斗气迸放消耗：档案 16.8% · 参考 1.3%
找出惩罚反击的原因
受到惩罚反击：档案 0.7 · 参考 0.08
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
- 受到惩罚反击：档案 0.7 · 参考 0.08
- 惩罚反击命中：档案 0.7 · 参考 0.09
比较胜负中的决策
已保存的近期排位赛样本：92场中获胜40场
从已保存的近期样本中选两场胜利与两场失败，找出变化的决策。战绩本身无法解释结果变化的原因。
试试这样做写下接下来五场要测试的一项具体判断。复盘是否执行及发生了什么，不要只用胜负评价练习。
数据依据
- 已保存的近期排位赛样本：92场中获胜40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11日 · AI：nex-agi/nex-n2.5-mini:free
如何应对这位玩家
验证斗气迸放倾向
斗气迸放：档案 1.1 · 参考 0.17
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 1.1 · 参考 0.17
- 斗气迸放消耗：档案 16.8% · 参考 1.3%
区分持续倾向与偶发失误
已保存的近期排位赛样本：92场中获胜40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：92场中获胜40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11日 · AI：nex-agi/nex-n2.5-mini:free