最近一场对战
胜利休闲赛
ED
C.ED更新于6天前
Steam
JapanC100%
SteamJapanC100%misodare
Owl at Dawn
LP 20,080最近 10 场5–5最近 20 场11–7
胜率
61%
11 胜 · 7 负 · 已存 18 场
排位赛对战
18
已选模式
胜场
11
排位赛
负场
7
排位赛
最高 LP
20,091
Ed
排位 LP · Ed
此角色的 LP 走势
尚未请求回放
EDC.ED按差值绝对值从大到小排列23 项习惯
| 习惯 | misodare | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 58.3% | 33.7% | +24.7% | |
| 斗气前冲（取消） | 10.9% | 35.3% | -24.4% | |
| SA2 | 2.1% | 23.2% | -21.1% | |
| 斗气迸放消耗 | 6.0% | 1.7% | +4.4% | |
| SA1 | 29.2% | 33.3% | -4.2% | |
| 版边压制 | 7.60 | 11.75 | -4.15 | |
| 斗气防御 | 16.8% | 12.9% | +3.9% | |
| 斗气技 | 21.8% | 18.1% | +3.7% | |
| 斗气前冲（招架） | 9.8% | 6.8% | +3.0% | |
| 被困版边时间 | 10.80 | 8.93 | +1.87 | |
| 投技 | 3.80 | 2.53 | +1.27 | |
| 受到投技 | 2.80 | 2.20 | +0.60 | |
| CA | 10.4% | 9.8% | +0.6% | |
| 精准招架 | 0.30 | 0.79 | -0.49 | |
| 斗气招架 | 2.40 | 1.92 | +0.48 | |
| 斗气迸放 | 0.60 | 0.22 | +0.38 | |
| 惩罚反击命中 | 0.40 | 0.14 | +0.26 | |
| 受到惩罚反击 | 0.30 | 0.10 | +0.20 | |
| 拆投 | 0.70 | 0.53 | +0.17 | |
| 招架时被投 | 0.10 | 0.21 | -0.11 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 斗气反攻 | 0.20 | 0.22 | -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。
Ed · 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 0.11
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 0.11
让斗气迸放有明确目的
斗气迸放：档案 0.6 · 参考 0.2
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 0.6 · 参考 0.2
- 斗气迸放消耗：档案 6.2% · 参考 1.5%
明确每次量表消耗的目的
SA3：档案 54.9% · 参考 30%
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 54.9% · 参考 30%
- SA2：档案 2% · 参考 27.6%
- CA：档案 13.7% · 参考 9.3%
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Yasmine：79场中获胜28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Yasmine：79场中获胜28场
- 对阵Ryu：37场中获胜16场
- 对阵Akuma：37场中获胜20场
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