最近一场对战
胜利自定义房间
LU
ALLU更新于2天前
Steam
JapanM100%
SteamJapanM100%ねこりんぐ
Let's Do This
LP 16,185最近 10 场3–7最近 20 场10–10
胜率
50%
21 胜 · 21 负 · 已存 42 场
排位赛对战
42
已选模式
胜场
21
排位赛
负场
21
排位赛
最高 LP
16,351
Luke
排位 LP · Luke
此角色的 LP 走势
尚未请求回放
LUALLU按差值绝对值从大到小排列23 项习惯
| 习惯 | ねこりんぐ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 49.2% | 37.3% | +11.9% | |
| CA | 18.8% | 9.2% | +9.6% | |
| 斗气防御 | 4.7% | 13.2% | -8.5% | |
| 版边压制 | 5.60 | 13.55 | -7.95 | |
| 斗气前冲（招架） | 0.9% | 7.6% | -6.7% | |
| SA2 | 20.8% | 26.0% | -5.2% | |
| SA3 | 30.2% | 34.2% | -4.0% | |
| 被困版边时间 | 5.70 | 8.74 | -3.04 | |
| 斗气迸放消耗 | 3.9% | 1.4% | +2.5% | |
| 斗气技 | 14.2% | 16.7% | -2.4% | |
| 投技 | 4.10 | 2.43 | +1.67 | |
| 受到投技 | 3.00 | 2.01 | +0.99 | |
| 斗气招架 | 1.10 | 1.80 | -0.70 | |
| 精准招架 | 0.00 | 0.69 | -0.69 | |
| SA1 | 30.2% | 30.6% | -0.4% | |
| 受到惩罚反击 | 0.50 | 0.06 | +0.44 | |
| 惩罚反击命中 | 0.40 | 0.08 | +0.32 | |
| 斗气迸放 | 0.50 | 0.19 | +0.31 | |
| 招架时被投 | 0.00 | 0.22 | -0.22 | |
| 斗气反攻 | 0.00 | 0.20 | -0.20 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 拆投 | 0.40 | 0.37 | +0.03 |
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
找出惩罚反击的原因
惩罚反击命中：档案 0.4 · 参考 0.08
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 0.4 · 参考 0.08
- 受到惩罚反击：档案 0.5 · 参考 0.06
检查近距离选择
投技：档案 4.1 · 参考 2.43
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 4.1 · 参考 2.43
- 拆投：档案 0.2 · 参考 0.37
- 受到投技：档案 2.3 · 参考 2.01
复盘防守决策
斗气招架：档案 0.7 · 参考 1.8
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 0.7 · 参考 1.8
- 精准招架：档案 0 · 参考 0.69
- 斗气反攻：档案 0 · 参考 0.2
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Alex：202场中获胜145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Alex：202场中获胜145场
- 对阵Mai：51场中获胜9场
- 对阵Juri：37场中获胜23场
区分持续倾向与偶发失误
已保存的近期排位赛样本：42场中获胜21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：42场中获胜21场
验证斗气迸放倾向
斗气迸放：档案 0.4 · 参考 0.19
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 0.19
- 斗气迸放消耗：档案 3.1% · 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8日 · AI：dots-studio/dots-3-note-preview:free