最近一场对战
失败排位赛
JU
LUJU更新于1周前
Steam
JapanC100%
SteamJapanC100%死にたい夜に花束を
Let's Do This
LP 20,446最近 10 场1–9最近 20 场7–13
胜率
26%
10 胜 · 28 负 · 已存 38 场
排位赛对战
38
已选模式
胜场
10
排位赛
负场
28
排位赛
最高 LP
21,031
Juri
排位 LP · Juri
此角色的 LP 走势
尚未请求回放
JULUJU按差值绝对值从大到小排列23 项习惯
| 习惯 | 死にたい夜に花束を | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 4.0% | 38.3% | -34.3% | |
| CA | 36.0% | 9.8% | +26.2% | |
| SA3 | 60.0% | 34.9% | +25.1% | |
| SA2 | 0.0% | 16.9% | -16.9% | |
| 斗气技 | 10.6% | 18.9% | -8.3% | |
| 版边压制 | 6.40 | 12.56 | -6.16 | |
| 斗气前冲（招架） | 2.0% | 7.0% | -5.0% | |
| 斗气防御 | 9.9% | 13.4% | -3.5% | |
| 被困版边时间 | 11.00 | 8.68 | +2.32 | |
| 受到投技 | 3.50 | 2.13 | +1.37 | |
| 投技 | 3.50 | 2.72 | +0.78 | |
| 拆投 | 1.00 | 0.41 | +0.59 | |
| 斗气前冲（取消） | 33.3% | 32.9% | +0.4% | |
| 精准招架 | 0.50 | 0.75 | -0.25 | |
| 斗气迸放消耗 | 2.2% | 2.0% | +0.2% | |
| 斗气招架 | 1.80 | 2.03 | -0.23 | |
| 斗气反攻 | 0.00 | 0.20 | -0.20 | |
| 惩罚反击命中 | 0.30 | 0.12 | +0.18 | |
| 受到昏厥 | 0.20 | 0.06 | +0.14 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 招架时被投 | 0.20 | 0.28 | -0.08 | |
| 斗气迸放 | 0.30 | 0.26 | +0.04 | |
| 受到惩罚反击 | 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。
Juri · 最近100场
需要改进的地方
检查近距离选择
投技：档案 3.5 · 参考 2.58
回看五次近距离交锋，区分投技机会、投技尝试和防守选择。仅靠汇总次数无法判断当时的正确答案。
试试这样做在重复场景中记录打击和投技，练习选定的应对，再检查自己能否在实战中有意识地做出判断。
数据依据
- 投技：档案 3.5 · 参考 2.58
- 受到投技：档案 3.5 · 参考 2.07
- 拆投：档案 1 · 参考 0.4
追踪位置得失的过程
版边压制：档案 6.4 · 参考 12
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 6.4 · 参考 12
- 被困版边时间：档案 11 · 参考 9.08
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
- 精准招架：档案 0.5 · 参考 0.64
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Ryu：48场中获胜11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Ryu：48场中获胜11场
- 对阵Yasmine：21场中获胜7场
- 对阵Zangief：15场中获胜4场
区分持续倾向与偶发失误
已保存的近期排位赛样本：38场中获胜10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：38场中获胜10场
寻找可重复利用的反击机会
惩罚反击命中：档案 0.3 · 参考 0.11
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
- 惩罚反击命中：档案 0.3 · 参考 0.11
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