最近一场对战
胜利排位赛
JU
IN
CH更新于34分钟前
Steam
Japan俱乐部 · KungFuAcademyM100%
SteamJapan俱乐部 · KungFuAcademyM100%Chise
Let's Do This
MR 1,704#29,501最近 10 场9–1最近 20 场18–2+56
胜率
55%
98 胜 · 81 负 · 已存 179 场
排位赛对战
179
已选模式
胜场
98
排位赛
负场
81
排位赛
最高 MR
1,712
Chun-Li
排位 MR · Chun-Li
本地 166 · 导入 0 · 图表显示 166 · 已存 309 场对战
尚未请求回放
JUINCH按差值绝对值从大到小排列23 项习惯
| 习惯 | Chise | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 20.2% | 34.5% | -14.2% | |
| SA2 | 43.8% | 31.7% | +12.1% | |
| 斗气前冲（取消） | 33.0% | 40.1% | -7.2% | |
| SA3 | 30.3% | 26.2% | +4.1% | |
| 斗气前冲（招架） | 7.1% | 5.0% | +2.1% | |
| CA | 5.6% | 7.6% | -2.0% | |
| 投技 | 4.30 | 2.39 | +1.91 | |
| 版边压制 | 9.40 | 11.27 | -1.87 | |
| 被困版边时间 | 11.30 | 9.57 | +1.73 | |
| 斗气防御 | 11.0% | 10.2% | +0.8% | |
| 受到投技 | 2.80 | 2.08 | +0.72 | |
| 拆投 | 0.80 | 0.40 | +0.40 | |
| 精准招架 | 0.20 | 0.57 | -0.37 | |
| 斗气技 | 16.7% | 16.9% | -0.2% | |
| 斗气反攻 | 0.00 | 0.17 | -0.17 | |
| 斗气招架 | 1.50 | 1.64 | -0.14 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 斗气迸放消耗 | 1.5% | 1.4% | +0.1% | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 造成昏厥 | 0.00 | 0.04 | -0.04 | |
| 斗气迸放 | 0.20 | 0.16 | +0.04 | |
| 招架时被投 | 0.20 | 0.22 | -0.02 | |
| 惩罚反击命中 | 0.10 | 0.10 | -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。
Chun-Li · 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 0.1
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 0.1
- 受到惩罚反击：档案 0.3 · 参考 0.09
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%
追踪位置得失的过程
版边压制：档案 8.1 · 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 8.1 · 参考 11.27
- 被困版边时间：档案 11.6 · 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Alex：98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Alex：98场中获胜54场
- 对阵C. Viper：93场中获胜47场
- 对阵Luke：87场中获胜52场
区分持续倾向与偶发失误
已保存的近期排位赛样本：83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：83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 0.3 · 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 0.3 · 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6日 · AI：dots-studio/dots-3-note-preview:free