最近一场对战
胜利排位赛
LU
RYLU更新于2天前
Steam
JapanC100%
SteamJapanC100%エノキAG
Angel Devil Kingdom
MR 1,313#589,660最近 10 场2–8-41最近 20 场8–12-21
胜率
41%
29 胜 · 41 负 · 已存 70 场
排位赛对战
70
已选模式
胜场
29
排位赛
负场
41
排位赛
最高 MR
1,386
Luke
排位 MR · Luke
本地 70 · 导入 0 · 图表显示 70 · 已存 70 场对战
尚未请求回放
LURYLU按差值绝对值从大到小排列23 项习惯
| 习惯 | エノキAG | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 6.7% | 26.0% | -19.4% | |
| CA | 23.3% | 9.2% | +14.2% | |
| 斗气前冲（取消） | 24.0% | 37.3% | -13.3% | |
| SA1 | 38.3% | 30.6% | +7.7% | |
| 版边压制 | 9.30 | 13.55 | -4.25 | |
| 斗气防御 | 17.2% | 13.2% | +4.0% | |
| SA3 | 31.7% | 34.2% | -2.5% | |
| 斗气前冲（招架） | 9.7% | 7.6% | +2.1% | |
| 被困版边时间 | 7.10 | 8.74 | -1.64 | |
| 斗气迸放消耗 | 2.8% | 1.4% | +1.4% | |
| 斗气技 | 17.8% | 16.7% | +1.1% | |
| 斗气招架 | 2.40 | 1.80 | +0.60 | |
| 投技 | 2.90 | 2.43 | +0.47 | |
| 斗气反攻 | 0.50 | 0.20 | +0.30 | |
| 精准招架 | 0.40 | 0.69 | -0.29 | |
| 拆投 | 0.10 | 0.37 | -0.27 | |
| 受到惩罚反击 | 0.30 | 0.06 | +0.24 | |
| 惩罚反击命中 | 0.20 | 0.08 | +0.12 | |
| 斗气迸放 | 0.30 | 0.19 | +0.11 | |
| 招架时被投 | 0.30 | 0.22 | +0.08 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 | |
| 受到投技 | 2.00 | 2.01 | -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。
Luke · 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 0.4 · 参考 0.17
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 0.4 · 参考 0.17
检查近距离选择
投技：档案 3.1 · 参考 2.57
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 3.1 · 参考 2.57
- 拆投：档案 0.2 · 参考 0.4
- 受到投技：档案 2.8 · 参考 2.04
明确每次量表消耗的目的
SA1：档案 50% · 参考 30.7%
看着实际量表回顾五次资源决策，记录换来了什么以及还剩哪些选择。使用占比本身不能衡量效率。
试试这样做练习熟悉连段的资源消耗版本与节省版本，比较结果和剩余量表，再决定各自适用的场景。
数据依据
- SA1：档案 50% · 参考 30.7%
- SA2：档案 7.8% · 参考 22.5%
- SA3：档案 25% · 参考 36.2%
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：52场中获胜23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：52场中获胜23场
- 对阵Luke：32场中获胜14场
- 对阵Ken：47场中获胜27场
区分持续倾向与偶发失误
已保存的近期排位赛样本：52场中获胜23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：52场中获胜23场
验证斗气迸放倾向
斗气迸放：档案 0.4 · 参考 0.17
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 0.4 · 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