最近一场对战
胜利自定义房间
EL
CA更新于1周前
Steam
New Zealand俱乐部 · NZFGCC100%
SteamNew Zealand俱乐部 · NZFGCC100%Grove
Aren't We Already Friends?胜率
—
0 胜 · 0 负 · 已存 0 场
排位赛对战
0
已选模式
胜场
0
排位赛
负场
0
排位赛
最高 MR
—
排位 MR
本地 0 · 导入 0 · 图表显示 0 · 已存 48 场对战
此时间范围内的排位 MR 数据不足。
尚未请求回放
ELCAEL按差值绝对值从大到小排列23 项习惯
| 习惯 | Grove | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 45.2% | 31.4% | +13.7% | |
| SA3 | 20.0% | 32.8% | -12.8% | |
| 斗气技 | 22.9% | 18.1% | +4.8% | |
| 斗气前冲（取消） | 27.6% | 31.0% | -3.5% | |
| 版边压制 | 16.00 | 13.06 | +2.94 | |
| 斗气前冲（招架） | 6.4% | 7.5% | -1.0% | |
| CA | 8.9% | 9.5% | -0.6% | |
| 投技 | 1.60 | 2.14 | -0.54 | |
| 斗气迸放消耗 | 1.7% | 1.2% | +0.5% | |
| 被困版边时间 | 8.80 | 9.26 | -0.46 | |
| SA2 | 25.9% | 26.3% | -0.4% | |
| 受到投技 | 2.60 | 2.24 | +0.36 | |
| 精准招架 | 1.00 | 0.80 | +0.20 | |
| 斗气招架 | 2.00 | 1.85 | +0.15 | |
| 招架时被投 | 0.30 | 0.19 | +0.11 | |
| 拆投 | 0.60 | 0.54 | +0.06 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 斗气迸放 | 0.20 | 0.15 | +0.05 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 | |
| 斗气防御 | 13.9% | 13.8% | +0.0% | |
| 受到惩罚反击 | 0.10 | 0.07 | +0.03 | |
| 惩罚反击命中 | 0.10 | 0.08 | +0.02 | |
| 斗气反攻 | 0.20 | 0.22 | -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。
Elena · 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 0.2 · 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 0.2 · 参考 0.17
- 斗气迸放消耗：档案 1.7% · 参考 1.4%
复盘防守决策
精准招架：档案 1 · 参考 0.72
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
- 精准招架：档案 1 · 参考 0.72
- 斗气招架：档案 2 · 参考 1.81
- 斗气反攻：档案 0.2 · 参考 0.2
明确每次量表消耗的目的
SA1：档案 45.2% · 参考 30.5%
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
- SA1：档案 45.2% · 参考 30.5%
- SA3：档案 20% · 参考 34.1%
- 斗气技：档案 22.9% · 参考 17.5%
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9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Yasmine：236场中获胜186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Yasmine：236场中获胜186场
- 对阵Cammy：194场中获胜130场
- 对阵Ryu：147场中获胜107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 0.07
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 0.07
试探近距离模式
投技：档案 1.6 · 参考 2.27
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
- 投技：档案 1.6 · 参考 2.27
- 受到投技：档案 2.6 · 参考 2.08
- 拆投：档案 0.6 · 参考 0.46
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9日 · AI：dots-studio/dots-3-note-preview:free