最近一场对战
失败休闲赛
LU
LILU更新于2天前
CrossPlatform
JapanM100%
CrossPlatformJapanM100%アルパカ
Let's Do This
MR 1,633#55,072最近 10 场8–2最近 20 场15–5+6
胜率
74%
17 胜 · 6 负 · 已存 23 场
排位赛对战
23
已选模式
胜场
17
排位赛
负场
6
排位赛
最高 MR
1,643
Luke
排位 MR · Luke
本地 10 · 导入 37 · 图表显示 42 · 已存 98 场对战
尚未请求回放
LULILU按差值绝对值从大到小排列23 项习惯
| 习惯 | アルパカ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 43.2% | 37.0% | +6.2% | |
| SA2 | 20.9% | 26.9% | -6.0% | |
| 斗气前冲（招架） | 1.8% | 7.7% | -5.9% | |
| 版边压制 | 8.10 | 13.81 | -5.71 | |
| 斗气防御 | 8.2% | 13.7% | -5.5% | |
| CA | 14.9% | 9.4% | +5.5% | |
| 斗气技 | 20.0% | 16.3% | +3.6% | |
| SA3 | 37.3% | 33.7% | +3.6% | |
| SA1 | 26.9% | 30.0% | -3.1% | |
| 被困版边时间 | 11.20 | 8.85 | +2.35 | |
| 投技 | 1.90 | 2.35 | -0.45 | |
| 受到投技 | 2.40 | 2.11 | +0.29 | |
| 斗气迸放消耗 | 1.1% | 1.4% | -0.3% | |
| 精准招架 | 0.60 | 0.77 | -0.17 | |
| 拆投 | 0.60 | 0.46 | +0.14 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 受到昏厥 | 0.10 | 0.07 | +0.03 | |
| 斗气招架 | 1.90 | 1.87 | +0.03 | |
| 斗气反攻 | 0.20 | 0.22 | -0.02 | |
| 招架时被投 | 0.20 | 0.21 | -0.01 | |
| 斗气迸放 | 0.20 | 0.20 | +0.00 |
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。
Luke · 最近100场
需要改进的地方
找出惩罚反击的原因
受到惩罚反击：档案 0.1 · 参考 0.06
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 0.1 · 参考 0.06
- 惩罚反击命中：档案 0.1 · 参考 0.08
复盘防守决策
斗气反攻：档案 0.4 · 参考 0.2
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 0.4 · 参考 0.2
- 精准招架：档案 0.5 · 参考 0.71
- 斗气招架：档案 2 · 参考 1.82
明确每次量表消耗的目的
斗气前冲（取消）：档案 48.2% · 参考 38.2%
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
- 斗气前冲（取消）：档案 48.2% · 参考 38.2%
- 斗气前冲（招架）：档案 1.9% · 参考 8.1%
- 斗气技：档案 12.3% · 参考 15.4%
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Luke：115场中获胜54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：115场中获胜54场
- 对阵Alex：120场中获胜74场
- 对阵Ingrid：113场中获胜40场
保持压力但不过度冒进
版边压制：档案 8.4 · 参考 14.11
寻找用熟悉选择获取空间的机会。把对手逼到角落后，先观察实际脱身方式，再决定如何调整。
试试这样做试一次熟悉的压制。如果同一种脱身反复出现，就练习针对该动作的应对；如果对方变化防守，就不要押注单一判断。
数据依据
- 版边压制：档案 8.4 · 参考 14.11
- 被困版边时间：档案 13.2 · 参考 8.66
验证斗气迸放倾向
斗气迸放：档案 0.2 · 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 0.2 · 参考 0.17
- 斗气迸放消耗：档案 1.5% · 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