最近一场对战
胜利排位赛
JU
ALJU
CrossPlatform
JapanC100%“あでぃ“
Born Evil
MR 1,424#466,337最近 10 场5–5-4最近 20 场11–9+13
胜率
55%
11 胜 · 9 负 · 已存 20 场
排位赛对战
20
已选模式
胜场
11
排位赛
负场
9
排位赛
最高 MR
1,439
Juri
排位 MR · Juri
本地 20 · 导入 0 · 图表显示 20 · 已存 20 场对战
尚未请求回放
JUALJU按差值绝对值从大到小排列23 项习惯
| 习惯 | “あでぃ“ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 1.6% | 19.5% | -17.9% | |
| 斗气前冲（取消） | 47.8% | 31.9% | +16.0% | |
| 斗气技 | 3.7% | 19.4% | -15.7% | |
| CA | 20.3% | 8.9% | +11.4% | |
| 版边压制 | 6.70 | 12.24 | -5.54 | |
| SA1 | 40.6% | 36.7% | +3.9% | |
| SA3 | 37.5% | 34.8% | +2.7% | |
| 投技 | 4.40 | 2.65 | +1.75 | |
| 斗气防御 | 12.0% | 13.4% | -1.5% | |
| 斗气迸放消耗 | 3.2% | 2.0% | +1.2% | |
| 斗气前冲（招架） | 6.2% | 7.1% | -0.9% | |
| 被困版边时间 | 8.30 | 9.20 | -0.90 | |
| 受到投技 | 2.80 | 2.13 | +0.67 | |
| 拆投 | 0.90 | 0.46 | +0.44 | |
| 精准招架 | 0.30 | 0.64 | -0.34 | |
| 斗气反攻 | 0.50 | 0.20 | +0.30 | |
| 斗气迸放 | 0.50 | 0.27 | +0.23 | |
| 惩罚反击命中 | 0.30 | 0.13 | +0.17 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 招架时被投 | 0.20 | 0.26 | -0.06 | |
| 斗气招架 | 2.10 | 2.07 | +0.03 | |
| 受到惩罚反击 | 0.10 | 0.09 | +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。
Juri · 最近100场
需要改进的地方
复盘防守决策
精准招架：档案 0.3 · 参考 0.64
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
- 精准招架：档案 0.3 · 参考 0.64
- 斗气反攻：档案 0.5 · 参考 0.17
- 拆投：档案 0.9 · 参考 0.4
让斗气迸放有明确目的
斗气迸放：档案 0.5 · 参考 0.24
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 0.5 · 参考 0.24
追踪位置得失的过程
版边压制：档案 6.7 · 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 6.7 · 参考 12
- 被困版边时间：档案 8.3 · 参考 9.08
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 253：190场中获胜92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 253：190场中获胜92场
先试探实际防守反应
拆投：档案 0.9 · 参考 0.4
尝试一次熟悉的压制场景并观察真实反应，再据此变化下一次选择。不要把事件次数当作成功率。
试试这样做在理解的局面中尝试常用的打投选择。只在反应稳定时继续针对；对方开始调整时，就改变节奏或重新拉开。
数据依据
- 拆投：档案 0.9 · 参考 0.4
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