最近一场对战
失败排位赛
CH
LUCH更新于5天前
Steam
JapanC100%
SteamJapanC100%Ricorabbit
Angel Devil Kingdom
最近 10 场5–5-1最近 20 场9–11-13
胜率
48%
60 胜 · 65 负 · 已存 125 场
排位赛对战
125
已选模式
胜场
60
排位赛
负场
65
排位赛
最高 MR
1,491
Chun-Li
排位 MR · Chun-Li
本地 125 · 导入 0 · 图表显示 125 · 已存 193 场对战
尚未请求回放
CHLUCH按差值绝对值从大到小排列23 项习惯
| 习惯 | Ricorabbit | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 46.3% | 33.0% | +13.3% | |
| SA2 | 22.2% | 32.6% | -10.3% | |
| SA3 | 18.5% | 25.9% | -7.4% | |
| 斗气前冲（取消） | 49.1% | 43.1% | +6.0% | |
| 斗气技 | 9.9% | 15.6% | -5.6% | |
| CA | 13.0% | 8.5% | +4.4% | |
| 版边压制 | 9.80 | 12.05 | -2.25 | |
| 受到投技 | 2.50 | 1.97 | +0.53 | |
| 斗气迸放消耗 | 1.9% | 1.5% | +0.5% | |
| 拆投 | 0.70 | 0.35 | +0.35 | |
| 精准招架 | 0.30 | 0.57 | -0.27 | |
| 斗气前冲（招架） | 4.7% | 4.5% | +0.2% | |
| 斗气反攻 | 0.00 | 0.18 | -0.18 | |
| 受到惩罚反击 | 0.20 | 0.07 | +0.13 | |
| 斗气招架 | 1.50 | 1.61 | -0.11 | |
| 投技 | 2.60 | 2.51 | +0.09 | |
| 斗气防御 | 9.7% | 9.6% | +0.1% | |
| 造成昏厥 | 0.00 | 0.05 | -0.05 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 斗气迸放 | 0.20 | 0.17 | +0.03 | |
| 招架时被投 | 0.20 | 0.22 | -0.02 | |
| 被困版边时间 | 8.40 | 8.40 | -0.00 | |
| 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 0.2 · 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 1.7% · 参考 1.4%
复盘防守决策
斗气反攻：档案 0 · 参考 0.17
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 · 参考 0.17
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Char 253：194场中获胜91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Char 253：194场中获胜91场
- 对阵Elena：45场中获胜21场
- 对阵Akuma：22场中获胜10场
区分持续倾向与偶发失误
已保存的近期排位赛样本：81场中获胜37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：81场中获胜37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 1.7% · 参考 1.4%
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