Hastur_official

项目就是基于ygopro训练的，已经可以生成ygopro兼容的AI对战录像。正在和ygopro网页版客户端neo-ts合作实现人机对战功能，估计1-2月内上线，敬请期待

neos-ts支持连接到MC服，只要在neos-ts中实现了AI bot，所有可以连接到MC服的客户端都可以和AI对战。对战方式是，浏览器打开neos-ts，创建MC服自定义房间，开启AI自动选择功能，然后任何客户端都可以通过房间密码加入这个MC服上的房间，与AI进行对战。

功能已经在[Neos](https://neos.moecube.com/)上线测试，还支持自己训练的AI模型，具体操作可以看[README](https://github.com/sbl1996/ygo-agent?tab=readme-ov-file#play-against-the-agent)

1. 我觉得残局不需要AI，通过搜索就能够解决。残局的解空间一般不大，只要能导入到环境中，遍历所有可行动作应该就能解出来了。 2. 如果是训练AI来解残局可能不太合适，AI强化学习训练依靠奖励，而残局只有在解出时给予奖励，其他时候都没有奖励，所以不适合训练AI。 3. 如果是用普通对局训练好的AI来解残局，也不太合适。因为残局的情况与一般对局相差很大，比如残局中玩家的卡的数量一般非常少，这种分布与通常对局相差很大，导致模型很容易输出错误结果，可能反而不如用随机搜索。

主要难点是搜索空间有多大，以及搜索过程是否会陷入无限循环以及如何打破无限循环。我的库的实现可以做到普通PC每秒搜索1万步，一天是8亿步，如果能覆盖搜索空间大小，就可以解出来。当然这是理论可能性，实际还有一些如何做合适的树搜索并行化等考虑。

如果有中间奖励的话，可以用比暴力搜索更好的方法，减少搜索步数。

> 主要难点是搜索空间有多大，以及搜索过程是否会陷入无限循环以及如何打破无限循环。我的库的实现可以做到普通PC每秒搜索1万步，一天是8亿步，如果能覆盖搜索空间大小，就可以解出来。当然这是理论可能性，实际还有一些如何做合适的树搜索并行化等考虑。 游戏王每一步的可能性数量并不大，除了以下情况，一般每一步的可行动作数量不超过16： - 从整个卡组或额外卡组中选择一张卡，可选的卡的数量为N，可能性数量就为N，如果是同时选多张卡，则为组合数 - 选择种族或数字，因为种族或数字的可能性很多 - 选择某些卡作为素材进行特殊召唤，同样因为组合数很多

@spktrm Do you know the reason? Thanks.

> Yeah could you plz send your WeChat id to me through email? > > Let me create a group and work together. > > [[email protected]](mailto:[email protected]) I've already wrote a...