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

【免费下载链接】Akagi支持雀魂、天鳳、麻雀一番街、天月麻將，能夠使用自定義的AI模型實時分析對局並給出建議，內建Mortal AI作為示例。 Supports Majsoul, Tenhou, Riichi City, Amatsuki, with the ability to use custom AI models to analyze games in real time and provide suggestions. Comes with Mortal AI as a built-in example.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：

1. 实时数据捕获层- 基于mitmproxy的中间人代理系统
2. 协议转换引擎层- 专有协议到通用mjai格式的标准化转换
3. 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：

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：

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：

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：

1. 克隆项目仓库：

   git clone https://gitcode.com/gh_mirrors/ak/Akagi cd Akagi

2. 安装依赖包：

   pip install -r requirement.txt

3. 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

4. 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：

🎯 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：

1. 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

2. 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：

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：

1. 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

2. 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：

1. 训练自定义麻将AI模型
2. 实现BaseBot接口
3. 在config.json中配置模型路径
4. 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：

🚀 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：

1. 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

2. 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

3. 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：

🎓 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：

1. 技术开放性：完整的开源代码和模块化架构
2. 教育导向性：强调学习而非替代
3. 平台兼容性：支持主流日本麻将平台
4. 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。

【免费下载链接】Akagi支持雀魂、天鳳、麻雀一番街、天月麻將，能夠使用自定義的AI模型實時分析對局並給出建議，內建Mortal AI作為示例。 Supports Majsoul, Tenhou, Riichi City, Amatsuki, with the ability to use custom AI models to analyze games in real time and provide suggestions. Comes with Mortal AI as a built-in example.项目地址: https://gitcode.com/gh_mirrors/ak/Akagi