最近一场对战
胜利排位赛
JP
JAJP更新于6天前
Steam
JapanC100%
SteamJapanC100%fcen
Gentleman of the Abyss
LP 21,743最近 10 场7–3最近 20 场12–8
胜率
63%
19 胜 · 11 负 · 已存 30 场
排位赛对战
30
已选模式
胜场
19
排位赛
负场
11
排位赛
最高 LP
21,743
JP
排位 LP · JP
此角色的 LP 走势
尚未请求回放
JPJAJP按差值绝对值从大到小排列23 项习惯
| 习惯 | fcen | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 39.4% | 56.6% | -17.2% | |
| SA3 | 30.3% | 19.2% | +11.1% | |
| 斗气防御 | 2.7% | 12.8% | -10.2% | |
| 版边压制 | 3.60 | 10.77 | -7.17 | |
| CA | 12.1% | 5.0% | +7.2% | |
| 斗气迸放消耗 | 8.3% | 2.1% | +6.1% | |
| 斗气前冲（招架） | 0.5% | 6.5% | -6.0% | |
| 被困版边时间 | 15.10 | 12.04 | +3.06 | |
| 斗气招架 | 0.40 | 2.07 | -1.67 | |
| SA1 | 18.2% | 19.2% | -1.0% | |
| 斗气前冲（取消） | 24.1% | 23.1% | +1.0% | |
| 受到投技 | 3.00 | 2.13 | +0.87 | |
| 精准招架 | 0.10 | 0.79 | -0.69 | |
| 投技 | 2.30 | 1.97 | +0.33 | |
| 受到惩罚反击 | 0.30 | 0.08 | +0.22 | |
| 惩罚反击命中 | 0.30 | 0.13 | +0.17 | |
| 斗气迸放 | 0.50 | 0.34 | +0.16 | |
| 斗气反攻 | 0.00 | 0.13 | -0.13 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 拆投 | 0.30 | 0.39 | -0.09 | |
| 招架时被投 | 0.50 | 0.41 | +0.09 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 斗气技 | 32.1% | 32.1% | -0.0% |
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。
JP · 最近100场
需要改进的地方
复盘防守决策
斗气招架：档案 0.4 · 参考 2.07
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
- 斗气招架：档案 0.4 · 参考 2.07
- 精准招架：档案 0.1 · 参考 0.79
- 斗气反攻：档案 0 · 参考 0.13
追踪位置得失的过程
版边压制：档案 3.6 · 参考 10.77
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 3.6 · 参考 10.77
- 被困版边时间：档案 15.1 · 参考 12.04
检查近距离选择
投技：档案 2.3 · 参考 1.97
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 2.3 · 参考 1.97
- 受到投技：档案 3 · 参考 2.13
- 拆投：档案 0.3 · 参考 0.39
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8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M. Bison：25场中获胜6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M. Bison：25场中获胜6场
- 对阵Rashid：19场中获胜6场
- 对阵Lily：13场中获胜6场
区分持续倾向与偶发失误
已保存的近期排位赛样本：30场中获胜19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：30场中获胜19场
验证斗气迸放倾向
斗气迸放：档案 0.5 · 参考 0.34
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 0.5 · 参考 0.34
- 斗气迸放消耗：档案 8.3% · 参考 2.1%
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8日 · AI：dots-studio/dots-3-note-preview:free