最近一场对战
胜利排位赛
JA
GUJA更新于7天前
Steam
JapanC100%
SteamJapanC100%irohasu
Let's Do This
MR 1,737#16,899最近 10 场3–7-33最近 20 场7–13-49
胜率
50%
38 胜 · 38 负 · 已存 76 场
排位赛对战
76
已选模式
胜场
38
排位赛
负场
38
排位赛
最高 MR
1,806
Jamie
排位 MR · Jamie
本地 76 · 导入 0 · 图表显示 76 · 已存 76 场对战
尚未请求回放
JAGUJA按差值绝对值从大到小排列23 项习惯
| 习惯 | irohasu | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 53.9% | 29.0% | +24.9% | |
| SA3 | 19.6% | 39.7% | -20.1% | |
| 斗气防御 | 14.8% | 11.0% | +3.8% | |
| SA2 | 17.6% | 21.4% | -3.7% | |
| 斗气前冲（取消） | 30.9% | 33.8% | -3.0% | |
| 斗气技 | 21.5% | 23.2% | -1.8% | |
| 斗气招架 | 2.90 | 1.78 | +1.12 | |
| CA | 8.8% | 9.8% | -1.0% | |
| 斗气迸放消耗 | 2.4% | 1.4% | +1.0% | |
| 版边压制 | 14.20 | 14.89 | -0.69 | |
| 斗气前冲（招架） | 6.4% | 5.7% | +0.6% | |
| 精准招架 | 0.30 | 0.67 | -0.37 | |
| 斗气反攻 | 0.60 | 0.26 | +0.34 | |
| 拆投 | 0.10 | 0.40 | -0.30 | |
| 投技 | 2.60 | 2.40 | +0.20 | |
| 受到投技 | 2.00 | 2.15 | -0.15 | |
| 被困版边时间 | 8.70 | 8.56 | +0.14 | |
| 招架时被投 | 0.30 | 0.20 | +0.10 | |
| 斗气迸放 | 0.30 | 0.21 | +0.09 | |
| 惩罚反击命中 | 0.00 | 0.07 | -0.07 | |
| 受到惩罚反击 | 0.10 | 0.06 | +0.04 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.08 | +0.02 |
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。
Jamie · 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 · 参考 0.07
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 · 参考 0.07
- 受到惩罚反击：档案 0.1 · 参考 0.08
复盘防守决策
精准招架：档案 0.3 · 参考 0.6
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 0.6
- 斗气招架：档案 3.1 · 参考 1.7
明确每次量表消耗的目的
SA3：档案 21.4% · 参考 38.6%
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
- SA3：档案 21.4% · 参考 38.6%
- SA1：档案 52.4% · 参考 30%
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7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Zangief：59场中获胜29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Zangief：59场中获胜29场
- 对阵JP：88场中获胜49场
- 对阵Ken：77场中获胜39场
区分持续倾向与偶发失误
已保存的近期排位赛样本：59场中获胜28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：59场中获胜28场
验证斗气迸放倾向
斗气迸放：档案 0.4 · 参考 0.2
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 0.2
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7日 · AI：dots-studio/dots-3-note-preview:free