最近一场对战
胜利排位赛
CACACA更新于1天前
Steam
JapanC100%
SteamJapanC100%nkok_pc
Angel Devil Kingdom
MR 1,707#26,180最近 10 场8–2+50最近 20 场14–6+71
胜率
60%
98 胜 · 64 负 · 已存 162 场
排位赛对战
162
已选模式
胜场
98
排位赛
负场
64
排位赛
最高 MR
1,707
Cammy
排位 MR · Cammy
本地 162 · 导入 59 · 图表显示 209 · 已存 188 场对战
尚未请求回放
CACACA按差值绝对值从大到小排列23 项习惯
| 习惯 | nkok_pc | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 56.4% | 40.7% | +15.7% | |
| SA2 | 4.4% | 16.0% | -11.5% | |
| 斗气技 | 8.9% | 16.8% | -8.0% | |
| 斗气防御 | 4.9% | 10.1% | -5.2% | |
| SA1 | 48.5% | 43.6% | +5.0% | |
| CA | 13.2% | 9.3% | +3.9% | |
| 斗气前冲（招架） | 1.6% | 5.2% | -3.6% | |
| SA3 | 33.8% | 31.2% | +2.6% | |
| 版边压制 | 11.10 | 12.91 | -1.81 | |
| 斗气迸放消耗 | 2.9% | 1.3% | +1.6% | |
| 斗气招架 | 1.00 | 1.56 | -0.56 | |
| 受到投技 | 1.60 | 2.13 | -0.53 | |
| 被困版边时间 | 9.20 | 8.80 | +0.40 | |
| 精准招架 | 0.20 | 0.54 | -0.34 | |
| 斗气迸放 | 0.30 | 0.16 | +0.14 | |
| 投技 | 2.50 | 2.43 | +0.07 | |
| 受到惩罚反击 | 0.00 | 0.06 | -0.06 | |
| 拆投 | 0.40 | 0.35 | +0.05 | |
| 招架时被投 | 0.30 | 0.25 | +0.05 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 斗气反攻 | 0.20 | 0.18 | +0.02 | |
| 惩罚反击命中 | 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。
Cammy · 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 0.09
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 0.09
- 受到惩罚反击：档案 0.1 · 参考 0.06
让斗气迸放有明确目的
斗气迸放：档案 0.2 · 参考 0.16
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 0.2 · 参考 0.16
- 斗气迸放消耗：档案 3.1% · 参考 1.3%
复盘防守决策
斗气招架：档案 0.9 · 参考 1.56
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
- 斗气招架：档案 0.9 · 参考 1.56
- 精准招架：档案 0.2 · 参考 0.54
- 斗气反攻：档案 0.2 · 参考 0.18
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：32场中获胜14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：32场中获胜14场
- 对阵Yasmine：23场中获胜8场
- 对阵Ryu：15场中获胜13场
区分持续倾向与偶发失误
已保存的近期排位赛样本：76场中获胜46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：76场中获胜46场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.16
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 0.2 · 参考 0.16
- 斗气迸放消耗：档案 3.1% · 参考 1.3%
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