最近一场对战
失败自定义房间
CH
LICH更新于5天前
Steam
Japan俱乐部 · morimiyaGamingC100%
SteamJapan俱乐部 · morimiyaGamingC100%yamato00
Dance of the Phoenix
MR 1,612#65,300最近 10 场7–3+39最近 20 场13–7+54
胜率
55%
59 胜 · 49 负 · 已存 108 场
排位赛对战
108
已选模式
胜场
59
排位赛
负场
49
排位赛
最高 MR
1,625
Chun-Li
排位 MR · Chun-Li
本地 108 · 导入 0 · 图表显示 108 · 已存 136 场对战
尚未请求回放
CHLICH按差值绝对值从大到小排列23 项习惯
| 习惯 | yamato00 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 51.3% | 31.7% | +19.5% | |
| SA1 | 17.5% | 34.5% | -17.0% | |
| 斗气前冲（取消） | 55.6% | 40.1% | +15.4% | |
| 斗气技 | 5.8% | 16.9% | -11.0% | |
| SA3 | 23.8% | 26.2% | -2.5% | |
| 版边压制 | 12.80 | 11.27 | +1.53 | |
| 被困版边时间 | 8.20 | 9.57 | -1.37 | |
| 斗气防御 | 9.5% | 10.2% | -0.7% | |
| 受到投技 | 2.50 | 2.08 | +0.42 | |
| 斗气迸放消耗 | 1.8% | 1.4% | +0.4% | |
| 拆投 | 0.70 | 0.40 | +0.30 | |
| 精准招架 | 0.30 | 0.57 | -0.27 | |
| 斗气招架 | 1.90 | 1.64 | +0.26 | |
| 投技 | 2.20 | 2.39 | -0.19 | |
| 斗气迸放 | 0.30 | 0.16 | +0.14 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| CA | 7.5% | 7.6% | -0.1% | |
| 斗气反攻 | 0.10 | 0.17 | -0.07 | |
| 造成昏厥 | 0.10 | 0.04 | +0.06 | |
| 斗气前冲（招架） | 5.0% | 5.0% | -0.1% | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 招架时被投 | 0.20 | 0.22 | -0.02 | |
| 受到惩罚反击 | 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。
Chun-Li · 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 0.16
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 1.5% · 参考 1.4%
找出惩罚反击的原因
受到惩罚反击：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
- 受到惩罚反击：档案 0.2 · 参考 0.09
- 惩罚反击命中：档案 0.2 · 参考 0.1
追踪位置得失的过程
版边压制：档案 11.6 · 参考 11.27
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 11.6 · 参考 11.27
- 被困版边时间：档案 6.6 · 参考 9.57
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5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：46场中获胜28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：46场中获胜28场
- 对阵Yasmine：39场中获胜22场
- 对阵Char 253：418场中获胜245场
区分持续倾向与偶发失误
已保存的近期排位赛样本：85场中获胜44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：85场中获胜44场
寻找可重复利用的反击机会
受到惩罚反击：档案 0.2 · 参考 0.09
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 0.2 · 参考 0.09
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5日 · AI：dots-studio/dots-3-note-preview:free