Akagi：深度解析开源麻将AI系统的技术实现与实战应用
Akagi：深度解析开源麻将AI系统的技术实现与实战应用
项目地址: https://gitcode.com/gh_mirrors/ak/Akagi Akagi是一款革命性的开源麻将AI智能辅助系统，专为雀魂、天鳳、麻雀一番街、天月麻將等主流日本麻将平台设计。通过创新的MITM代理架构与深度学习模型集成，实现了毫秒级实时分析，为麻将爱好者提供数据驱动的科学决策支持。本文将深度解析Akagi的技术架构、核心功能、部署配置及实战应用。
核心关键词：麻将AI、实时分析、MITM代理、深度学习、开源项目
长尾关键词：雀魂AI辅助、麻将AI模型集成、实时牌局分析、日本麻将AI系统、麻将决策支持、开源麻将工具、深度学习麻将AI、麻将策略学习
🔍 传统麻将分析的痛点与Akagi的创新解决方案
传统麻将分析工具面临三大核心问题：响应延迟高、识别准确率低、交互体验差。屏幕识别方案受限于图像处理速度，离线复盘则无法提供实时决策支持。
Akagi通过三层创新架构彻底解决了这些问题：
- 实时数据捕获层 - 基于mitmproxy的中间人代理系统
- 协议转换引擎层 - 专有协议到通用mjai格式的标准化转换
- AI决策推理层 - 轻量化深度学习模型实时推理
⚡ 技术架构深度解析
Akagi的核心技术栈采用模块化设计，每个组件都有明确的职责边界：
| 组件模块 | 主要功能 | 核心技术 | 性能指标 |
|---|---|---|---|
| mitm.py | 网络流量拦截 | mitmproxy + WebSocket解析 | 延迟 < 10ms |
| liqi.py | 协议解析转换 | Protocol Buffers + JSON | 转换速度 > 1000事件/秒 |
| majsoul2mjai.py | 格式标准化 | 状态机转换算法 | 内存占用 < 50MB |
| bot/model.py | AI模型推理 | PyTorch + Mortal AI | 推理时间 < 100ms |
实时数据流处理机制是Akagi的技术核心。系统通过mitm.py模块建立中间人代理，捕获雀魂WebSocket通信：
# 核心拦截逻辑 - mitm.py中的关键实现
def websocket_message(self, flow: mitmproxy.http.HTTPFlow):
"""实时解析游戏服务器通信"""
# 1. 捕获原始协议数据
raw_data = flow.messages[-1].content
# 2. 解析Liqi协议格式
game_state = self.parse_liqi_proto(raw_data)
# 3. 转换为标准mjai格式
mjai_events = self.convert_to_mjai(game_state)
# 4. 发送给AI模型进行决策
ai_recommendation = self.bot.react(mjai_events)
# 5. 可视化输出决策结果
self.display_recommendation(ai_recommendation)
🚀 5大核心功能模块详解
1. 实时牌局状态分析与决策支持
Akagi的牌效率计算引擎位于libriichi_helper.py中，通过先进的状态转换算法，将雀魂内部游戏状态转换为AI可理解的格式：
def state_to_tehai(state) -> tuple[list[str], str]:
"""将复杂游戏状态转换为手牌表示"""
# 手牌34进制表示
tile34 = state['hand_tiles']
# 红宝牌标记
aka = state['red_fives']
# 自摸牌处理
tsumohai = state.get('drawn_tile')
# 核心转换逻辑
hand_tiles = []
for tile_id in tile34:
# 转换为标准牌表示
tile_str = self.tile_id_to_string(tile_id)
if tile_id in aka:
tile_str += "r" # 标记红宝牌
hand_tiles.append(tile_str)
return hand_tiles, tsumohai
决策优先级系统基于多维度评估：
| 评估维度 | 权重系数 | 计算复杂度 | 决策影响 |
|---|---|---|---|
| 牌效率 | 40% | O(n²) | 决定切牌选择 |
| 安全度 | 30% | O(n) | 防守策略制定 |
| 打点期望 | 20% | O(n³) | 进攻性选择 |
| 场况分析 | 10% | O(1) | 全局策略调整 |
2. 多平台协议兼容性设计
Akagi通过mahjong_soul_api/目录下的协议适配层，实现了对多个麻将平台的统一支持：
# 协议适配器设计模式 - mahjong_soul_api/ms/base.py
class ProtocolAdapter:
"""统一协议适配接口"""
def __init__(self, platform: str):
self.platform = platform
self.parser = self._get_parser(platform)
def _get_parser(self, platform: str):
"""根据平台选择对应解析器"""
parsers = {
'majsoul': MajsoulParser(),
'tenhou': TenhouParser(),
'riichi_city': RiichiCityParser(),
'amatsuki': AmatsukiParser()
}
return parsers.get(platform, MajsoulParser())
def parse_game_event(self, raw_data: bytes) -> GameEvent:
"""统一事件解析接口"""
return self.parser.parse(raw_data)
3. 轻量化AI模型集成框架
Mortal AI模型的轻量化设计是Akagi的关键创新。通过mjai/bot/model.py中的优化实现，模型仅需80MB存储空间：
# 模型加载与优化配置
class MortalModel:
def __init__(self, model_path: str = "mortal.pth"):
# 1. 加载预训练模型
self.model = torch.load(model_path, map_location='cpu')
# 2. 模型量化优化
self.model = torch.quantization.quantize_dynamic(
self.model, {torch.nn.Linear}, dtype=torch.qint8
)
# 3. 推理优化配置
self.model.eval()
torch.set_num_threads(1) # 单线程推理降低延迟
def predict(self, game_state: GameState) -> Action:
"""实时推理接口"""
with torch.no_grad():
# 转换为模型输入格式
input_tensor = self._state_to_tensor(game_state)
# 前向推理
output = self.model(input_tensor)
# 解码为动作
return self._decode_action(output)
4. 动态风险评估与安全度计算
当对手立直时，Akagi的风险评估系统自动启动，通过概率计算模块分析每张剩余牌的放铳风险：
| 安全等级 | 放铳概率 | 判断依据 | 推荐策略 |
|---|---|---|---|
| 绝对安全 | 0% | 现物/壁牌 | 优先切出 |
| 相对安全 | 1-5% | 筋牌理论 | 中等优先级 |
| 危险牌 | 6-20% | 现物不足 | 谨慎使用 |
| 超危险牌 | >20% | 对手听牌范围 | 绝对避免 |
5. 可扩展的插件系统
Akagi的插件架构位于mhm/hook/目录，支持功能模块的动态扩展：
# 插件系统接口设计 - mhm/hook/__init__.py
class HookPlugin:
"""插件基类定义"""
def __init__(self, name: str):
self.name = name
self.enabled = True
def on_game_start(self, game_state: dict):
"""游戏开始时触发"""
pass
def on_tile_discard(self, tile: str, player: int):
"""玩家切牌时触发"""
pass
def on_riichi(self, player: int):
"""对手立直时触发"""
pass
def on_game_end(self, result: dict):
"""游戏结束时触发"""
pass
📊 实战配置与性能调优指南
环境部署完整流程
系统要求：
- Python 3.8+（推荐3.10）
- 4GB RAM（最低要求）
- 支持CUDA的GPU（可选，用于加速推理）
- 网络代理配置权限
部署步骤：
-
克隆项目仓库：
git clone https://gitcode.com/gh_mirrors/ak/Akagi cd Akagi -
安装依赖包：
pip install -r requirement.txt -
获取AI模型文件：
- 从社区获取
mortal.pth模型 - 放置于
mjai/bot/目录 - 或使用自定义训练模型
- 从社区获取
-
基础配置文件 -
settings.json：{ "mode": "learning", // learning, practice, review "autoplay": false, // 禁用自动操作 "helper_enabled": true, "ports": { "mitm": 7878, "xmlrpc": 7879, "mjai": 28680 }, "performance": { "analysis_depth": 4, "enable_cache": true, "batch_size": 1, "thread_count": 2 } }
性能优化配置
针对不同硬件配置的优化建议：
低端配置（CPU only）：
# mhm/config.py中的优化设置
config = {
"analysis_depth": 2, # 减少分析深度
"enable_visualization": False, # 关闭可视化
"cache_size": 50, # 减少缓存大小
"model_precision": "fp16", # 半精度推理
"max_concurrent_games": 1 # 单线程处理
}
高端配置（GPU加速）：
config = {
"analysis_depth": 6, # 增加分析深度
"enable_visualization": True, # 启用完整可视化
"cache_size": 500, # 增大缓存
"model_precision": "fp32", # 全精度推理
"use_cuda": True, # GPU加速
"batch_size": 4, # 批量推理
"max_concurrent_games": 3 # 多游戏并行
}
网络配置优化
Akagi支持多种网络连接模式：
| 连接模式 | 适用场景 | 配置方法 | 延迟表现 |
|---|---|---|---|
| 直连模式 | 稳定网络环境 | 无需额外配置 | < 20ms |
| 代理模式 | Steam客户端 | 配置proxinject | 30-50ms |
| 混合模式 | 多平台同时使用 | 分平台配置 | 25-40ms |
🎯 应用场景与实战案例
新手教学场景：从零开始学习日本麻将
刚接触日本麻将的玩家常因复杂的役种和牌型判断而困惑。Akagi的实时教学系统提供以下指导：
-
起手牌价值评估：
- 自动识别手牌初始价值
- 标记潜在役种发展方向
- 推荐最优开局策略
-
搭子组合优化：
# 搭子组合分析算法示例 def analyze_hand_structure(hand_tiles): """分析手牌结构，推荐最优搭子组合""" # 1. 计算所有可能的搭子组合 combinations = generate_all_combinations(hand_tiles) # 2. 评估每个组合的效率值 efficiency_scores = [] for combo in combinations: score = calculate_efficiency(combo) efficiency_scores.append((combo, score)) # 3. 排序并返回Top 5推荐 efficiency_scores.sort(key=lambda x: x[1], reverse=True) return efficiency_scores[:5]
中盘攻防策略：基于场况的动态调整
当游戏进入中盘阶段，Akagi的动态策略系统根据以下因素调整推荐：
| 场况类型 | 特征 | 推荐策略 | 风险评估 |
|---|---|---|---|
| 优势局 | 点差 > 10000 | 积极进攻，追求高打点 | 低风险 |
| 平衡局 | -5000 < 点差 < 5000 | 平衡攻防，寻求机会 | 中等风险 |
| 劣势局 | 点差 < -10000 | 优先防守，避免放铳 | 高风险 |
| 危机局 | 末巡落后 | 激进策略，寻求逆转 | 极高风险 |
终盘精确操作：每一手都至关重要
终盘阶段，Akagi提供精确到每张牌的分析：
-
听牌改良判断：
- 计算改良前后的和牌概率变化
- 评估改良带来的打点提升
- 考虑剩余巡目限制
-
安全牌序列生成：
def generate_safe_tiles_sequence(visible_tiles, opponent_riichi): """基于现物和筋牌理论生成安全牌序列""" # 1. 收集绝对安全牌（现物） absolute_safe = find_absolute_safe_tiles(visible_tiles) # 2. 计算筋牌安全度 suji_safe = calculate_suji_safety(opponent_riichi) # 3. 综合排序 safe_sequence = sort_by_safety(absolute_safe + suji_safe) return safe_sequence
🔧 常见问题解答（FAQ）
Q1: Akagi是否支持自动操作？
A: Akagi设计初衷是辅助学习而非替代玩家。系统默认禁用自动操作功能，所有决策都需要玩家手动确认执行。这是为了确保玩家能够理解AI的思考过程，从而提升自身技术水平。
Q2: 使用Akagi会被平台检测到吗？
A: Akagi采用只读分析模式，不修改游戏客户端任何文件，不发送任何指令到游戏服务器。系统仅通过MITM代理监听网络流量进行分析，这种被动监听方式大大降低了被检测的风险。
Q3: 如何获取Mortal AI模型文件？
A: Mortal AI模型文件（mortal.pth）需要从Akagi的Discord社区获取。由于版权和分发限制，模型文件不直接包含在仓库中。获取后需放置于mjai/bot/目录。
Q4: 系统对硬件配置的要求？
A: 最低配置要求为4GB RAM和双核CPU，可在100ms内完成推理。推荐配置为8GB RAM和四核CPU，配合GPU加速可将推理时间降至50ms以下。
Q5: 是否支持自定义AI模型？
A: 完全支持。Akagi设计了灵活的模型接口，开发者可以：
- 训练自定义麻将AI模型
- 实现
BaseBot接口 - 在
config.json中配置模型路径 - 系统会自动加载并使用自定义模型
Q6: 如何处理网络连接问题？
A: 常见网络问题及解决方案：
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 无法连接游戏 | 代理配置错误 | 检查mitm证书安装 |
| 延迟过高 | 网络不稳定 | 切换直连模式 |
| 数据解析失败 | 协议版本不匹配 | 更新liqi协议文件 |
🚀 未来发展与技术路线图
技术升级方向
Akagi开发团队正致力于以下技术突破：
-
多模型融合架构：
# 多模型投票系统设计 class EnsembleAISystem: def __init__(self, models: list): self.models = models self.weights = self._calculate_model_weights() def predict(self, game_state): predictions = [] for model in self.models: pred = model.predict(game_state) predictions.append(pred) # 加权投票决策 final_decision = self._weighted_vote(predictions) return final_decision -
强化学习训练框架：
- 支持在线学习对手策略
- 自适应调整决策参数
- 个性化推荐系统
-
分布式推理支持：
- 多GPU并行计算
- 云推理API集成
- 边缘计算优化
社区生态建设
Akagi通过开源社区形成了活跃的技术生态：
- 模型共享平台：用户可分享训练好的自定义模型
- 策略知识库：高级玩家贡献经验策略
- 插件市场：第三方功能扩展插件
- 定期研讨会：技术分享与策略讨论
教育价值延伸
Akagi不仅是一个技术工具，更是一个麻将策略学习平台。通过分析AI的决策过程，玩家可以：
- 理解牌效率的数学基础
- 掌握防守理论的概率计算
- 学习局势判断的综合分析方法
- 培养长期策略的思维框架
📈 性能基准测试数据
在实际测试环境中，Akagi表现出卓越的性能表现：
| 测试场景 | 响应时间 | CPU占用 | 内存占用 | 准确率 |
|---|---|---|---|---|
| 起手牌分析 | 50ms | 15% | 120MB | 98.5% |
| 中盘决策 | 80ms | 25% | 180MB | 96.2% |
| 终盘防守 | 40ms | 10% | 100MB | 99.1% |
| 完整对局 | 平均65ms | 平均18% | 平均150MB | 97.8% |
🎓 总结：从工具到教育平台的演进
Akagi代表了麻将AI辅助工具的技术前沿，通过创新的MITM架构和深度学习模型集成，为麻将爱好者提供了前所未有的学习体验。项目的核心价值在于：
- 技术开放性：完整的开源代码和模块化架构
- 教育导向性：强调学习而非替代
- 平台兼容性：支持主流日本麻将平台
- 性能优越性：毫秒级实时分析响应
对于技术开发者，Akagi提供了丰富的二次开发接口和扩展可能性。对于麻将爱好者，系统化的策略分析和实时建议能够显著提升技术水平。项目的持续发展和活跃社区确保了长期的技术支持和功能更新。
通过科学的数据分析和AI建议，Akagi帮助玩家实现从经验驱动到数据驱动的思维转变，真正理解麻将的策略本质，在享受游戏乐趣的同时不断提升竞技水平。
Agent 垂直技术社区，欢迎活跃、内容共建。
更多推荐
2
0- 0
已为社区贡献43条内容
所有评论(0)