当前位置: 首页 > article >正文

如何在雀魂对局中获得AI实时分析:Akagi麻将辅助工具完整指南

如何在雀魂对局中获得AI实时分析Akagi麻将辅助工具完整指南【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想在雀魂游戏中获得专业的实时AI分析指导吗Akagi是一个开源麻将AI分析工具能够为雀魂、天鳳、麻雀一番街、天月麻将等平台提供实时对局分析和策略建议。这个工具通过深度学习技术让你在每一局游戏中都能获得专业的决策支持提升你的麻将技能和胜率。为什么你需要一个麻将AI助手麻将作为一款策略性极强的游戏新手往往难以快速掌握复杂的牌局判断。Akagi通过实时分析你的手牌、场况和对手行为提供专业的打牌建议。无论你是想学习麻将策略的新手还是希望提升技术水平的中高级玩家这个工具都能为你提供有价值的参考。工具的核心工作原理Akagi的工作流程分为三个关键阶段数据采集通过MITM中间人技术捕获雀魂游戏的网络通信数据主要处理LiqiProto协议格式的原始数据。这部分代码位于mitm.py文件中。数据转换将捕获的雀魂特有格式转换为AI模型通用的mjai格式这个过程在majsoul2mjai.py中完成。AI分析使用深度学习模型分析牌局每秒可处理超过200种可能的打牌选择。核心AI逻辑位于mjai/bot/model.py文件中。从零开始的安装时间线第1天准备工作5分钟首先你需要获取项目代码。打开终端执行以下命令git clone https://gitcode.com/gh_mirrors/ak/Akagi cd Akagi接下来你需要获取AI模型文件。由于项目本身不包含模型文件你需要从Discord社区获取mortal.pth文件这是系统的大脑。第2天环境配置10分钟根据你的操作系统选择安装方式Windows用户运行scripts/install_akagi.ps1脚本以管理员身份打开PowerShell设置执行策略Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass运行安装脚本macOS用户运行scripts/install_akagi.command脚本确保已安装Python 3.8或更高版本在终端中执行脚本第3天证书配置5分钟首次运行后系统会生成MITM证书打开mitmproxy然后关闭它进入~/.mitmproxy目录安装生成的CA证书到系统信任列表第4天模型部署2分钟将获取的mortal.pth文件放置在mjai/bot/目录下。这是最关键的一步没有模型文件系统无法正常工作。三种使用模式对比模式一学习助手模式配置文件settings.json中设置Autoplay: false, Helper: true适合人群希望学习麻将策略的新手玩家特点显示AI建议但不自动执行让你理解每一步决策的原因模式二半自动模式配置文件settings.json中设置Autoplay: false, Helper: true, Autohu: true适合人群有一定基础但希望减少失误的玩家特点自动和牌其他操作需要手动确认模式三全自动模式配置文件settings.json中设置Autoplay: true适合人群高级玩家或测试用途特点完全由AI控制对局适合观察AI策略常见问题解决路径问题MITM端口冲突解决方案修改settings.json中的端口设置Port: { MITM: 8787, XMLRPC: 8788, MJAI: 28681 }问题无法捕获游戏数据解决方案检查浏览器代理设置是否正确指向MITM端口确认证书已正确安装并信任重启Akagi和游戏客户端问题AI建议延迟过高解决方案检查系统资源占用情况考虑降低分析深度修改相关配置确保模型文件与系统版本兼容实战应用场景解析场景一初期手牌规划当游戏刚开始时你拿到一手看似普通的牌。Akagi会分析所有可能的做牌方向比如断幺九的可能性平和的可能性染手清一色的潜力宝牌利用策略系统会显示每种选择的期望得分数值帮助你做出最优开局决策。场景二中盘攻防判断面对多家立直时传统判断往往依赖经验。Akagi通过计算各家听牌概率剩余牌张分布安全牌范围放铳风险评估用颜色编码直观显示每张牌的安全等级让你在进攻和防守间找到最佳平衡。场景三终局风险控制在最后几张牌时Akagi会特别关注剩余牌张的精确概率各家可能的听牌型流局时的得失计算自摸与荣和的期望值对比技术深度解析核心模块架构协议处理层liqi.py和mahjong_soul_api/目录下的文件负责雀魂协议解析AI引擎层mjai/bot/目录包含深度学习模型和推理逻辑用户界面层gui.py和client.py提供可视化操作界面配置管理config.py和settings.json处理系统设置扩展性设计Akagi支持自定义AI模型你可以替换mjai/bot/mortal.pth为其他训练好的模型修改bot.py中的决策逻辑添加新的协议支持到mahjong_soul_api/目录安全使用指南重要提示使用任何辅助工具都存在账号风险。以下建议可以最大限度降低风险平台选择优先使用网页版而非Steam客户端行为模拟不要完全按照AI建议打牌适当加入自己的判断互动行为定期使用游戏内的贴图功能时间控制避免长时间连续使用自动打牌功能更新关注及时关注项目更新适应游戏版本变化个性化配置进阶性能优化设置在settings.json中调整以下参数{ RandomTime: { new_min: 2.5, new_max: 3.5, min: 0.8, max: 2.5, moqiedelay: true }, Playwright: { enable: false, width: 800, height: 600 } }风险偏好调整通过修改AI模型的权重参数你可以调整系统的进攻性高风险偏好追求高打点适合落后时翻盘平衡策略攻守兼备适合大多数局面保守策略优先避铳适合领先时保分开始你的智能麻将之旅现在你已经了解了Akagi的全部功能和配置方法。这个工具不仅仅是简单的外挂而是一个真正的麻将学习伙伴。它通过展示AI的思考过程帮助你理解复杂的牌局判断逻辑。立即行动步骤克隆项目仓库到本地按照时间线完成安装配置从学习助手模式开始观察AI的分析逻辑逐步尝试不同的使用模式结合AI建议和自己的判断形成个人打牌风格记住真正的麻将高手是那些能够将AI分析与人类直觉完美结合的人。Akagi为你提供了专业级的分析工具但最终的决定权在你手中。开始使用这个工具让每一局麻将都成为提升技能的机会吧【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创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考

相关文章:

如何在雀魂对局中获得AI实时分析:Akagi麻将辅助工具完整指南

如何在雀魂对局中获得AI实时分析:Akagi麻将辅助工具完整指南 【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,…...

如何在Windows上使用BetterJoy实现Switch手柄的完美兼容:5分钟快速指南

如何在Windows上使用BetterJoy实现Switch手柄的完美兼容:5分钟快速指南 【免费下载链接】BetterJoy Allows the Nintendo Switch Pro Controller, Joycons and SNES controller to be used with CEMU, Citra, Dolphin, Yuzu and as generic XInput 项目地址: http…...

毕设选题避坑:这 5 类题目千万不要选,谁选谁挂

毕设选题避坑:这 5 类题目千万不要选,谁选谁挂适用对象:正在选题、或者已经选了但心里没底的计算机 / 软工 / 信管同学。 结论先说:有些题目看起来“高大上”,实际上做不完、讲不清、答辩必翻车,千万别踩坑…...

Transformer残差流与内部策略的深度解析

1. Transformer残差流与内部策略的深层解析在深入探讨大语言模型(LLM)的内部工作机制前,我们需要理解Transformer架构中一个关键但常被忽视的组件——残差流(residual stream)。这个信息高速公路贯穿整个模型,承载着从输入到输出的语义演变过程。1.1 残差…...

Sunshine游戏串流完全指南:从零搭建到专业优化的实战教程

Sunshine游戏串流完全指南:从零搭建到专业优化的实战教程 【免费下载链接】Sunshine Self-hosted game stream host for Moonlight. 项目地址: https://gitcode.com/GitHub_Trending/su/Sunshine Sunshine是一款强大的自托管游戏串流服务器,专为M…...

电商推荐系统中多层注意力架构(MLA)的优化实践

1. 项目背景与核心价值 最近在优化推荐系统时,我深入研究了Deepseek开源的代码库,发现其多层注意力架构(MLA)在序列建模任务中展现出独特优势。这个架构最初是为长文本理解设计的,但经过我们的改造,成功将其…...

AI系统偏见分类与缓解实战指南

1. 项目概述"Bias Taxonomy"这个项目名称直译为"偏见分类学",但它的实际内涵要丰富得多。作为一名在AI伦理领域工作多年的从业者,我见过太多开发者只关注模型准确率而忽视系统偏见的情况。这个项目本质上是一份面向AI开发者的实用指…...

LLM在网页设计中的智能应用与优化实践

1. LLM在网页设计领域的革命性应用大型语言模型(LLM)正在彻底改变传统网页设计的工作流程。作为从业十余年的全栈开发者,我亲眼见证了从手工编码到AI辅助设计的范式转变。以GPT-4为代表的新一代模型,其核心价值在于将自然语言理解…...

VS Code Copilot Next自动化工作流配置(微软内部灰度文档首次公开):覆盖金融/医疗/政企三级等保要求

更多请点击: https://intelliparadigm.com 第一章:VS Code Copilot Next自动化工作流配置企业级应用场景概览 VS Code Copilot Next 不再仅是代码补全工具,而是深度集成于 DevOps 生命周期的智能协作者。它通过语义感知的上下文理解、企业知…...

FireRed-OCR Studio完整指南:从模型权重加载到Streamlit状态管理全流程

FireRed-OCR Studio完整指南:从模型权重加载到Streamlit状态管理全流程 1. 工具概览与核心价值 FireRed-OCR Studio是基于Qwen3-VL多模态大模型深度优化的工业级文档解析工具。与传统OCR工具相比,它不仅能识别文字内容,更能完整保留文档的结…...

AI赋能CAD设计:大语言模型与多模态技术重塑工业软件交互

1. 项目概述:当AI遇见CAD,一场设计领域的效率革命最近在GitHub上看到一个挺有意思的项目,叫Sunwood-ai-labs/ONI-CADIA。光看这个名字,就能嗅到一股浓浓的“AI工业软件”的味道。ONI,很容易让人联想到“洋葱”&#xf…...

LFM2.5-1.2B-Instruct高算力适配:JetPack 6.0+Orin NX显存占用深度优化

LFM2.5-1.2B-Instruct高算力适配:JetPack 6.0Orin NX显存占用深度优化 1. 模型概述与部署价值 LFM2.5-1.2B-Instruct是一个1.2B参数量的轻量级指令微调大语言模型,由Liquid AI和Unsloth团队联合开发。这个模型特别适合在边缘设备和低资源服务器上部署&…...

ContextFlow:零训练视频对象编辑技术解析

1. ContextFlow技术解析:零训练视频对象编辑的革命性突破视频编辑领域正在经历一场静默革命。传统视频编辑工具如Adobe After Effects虽然功能强大,但需要专业操作技能和大量手动调整。而基于深度学习的视频编辑方法通常需要针对特定任务进行大量训练&am…...

七秩航天 苍穹交响 | 2026航天文化之夜成都圆满落幕,全矩阵布局航天文化新生态

2026年是中国航天事业创建70周年。4月24日,恰逢第十一个中国航天日,由中国航天科技国际交流中心指导、北京航天愿景科技有限公司主办的“苍穹交响:2026航天文化之夜”在成都圆满举办。活动以“弘扬航天精神、传播航天文化”为使命&#xff0c…...

终极一键式Steam游戏清单下载器:3步轻松搞定游戏管理

终极一键式Steam游戏清单下载器:3步轻松搞定游戏管理 【免费下载链接】Onekey Onekey Steam Depot Manifest Downloader 项目地址: https://gitcode.com/gh_mirrors/one/Onekey 还在为复杂的Steam游戏文件管理而烦恼吗?面对繁琐的游戏清单获取流程…...

化学推理模型评估与Chem-R架构解析

1. 化学推理模型评估体系构建化学推理作为人工智能与化学科学的交叉领域,其核心挑战在于如何量化评估模型模拟人类专家思维的能力。我们设计了一套多维度的评估体系,从六个正交维度全面考察推理质量:1.1 评估指标设计原理化学推理不同于一般的…...

技术深度解析:开源阅读鸿蒙版如何重塑数字阅读体验

技术深度解析:开源阅读鸿蒙版如何重塑数字阅读体验 【免费下载链接】legado-Harmony 开源阅读鸿蒙版仓库 项目地址: https://gitcode.com/gh_mirrors/le/legado-Harmony 在数字阅读领域,传统应用往往受限于封闭的生态和单一的内容来源&#xff0c…...

基于Git与CI/CD的学术论文自动化评审工作流实践

1. 项目概述与核心价值最近在学术圈子里,特别是计算机、软件工程这些需要大量代码和文档协同的领域,毕业论文的撰写与评审过程常常让人头疼。导师和学生之间来回传递Word文档,用邮件发送压缩包,版本管理混乱,格式调整费…...

从GDAL报错到亚米级解译精度,Python遥感AI pipeline全链路调试手册,含27个真实报错代码片段及修复逻辑

更多请点击: https://intelliparadigm.com 第一章:从GDAL报错到亚米级解译精度的工程认知跃迁 当 GDALOpen() 返回 NULL 且 CPLGetLastErrorMsg() 输出 “Unsupported raster data format”,多数工程师的第一反应是检查文件扩展名或驱动注册…...

浙大最新Nat Neurosci:人脑像GPT一样处理语言吗?揭示人类语言预测的“精度与效率权衡”

来源:PsyBrain 脑心前沿分享人:饭鸽儿审核:PsyBrain 脑心前沿编辑部研究背景当我们听别人说话时,大脑是否像ChatGPT一样,在疯狂且精确地预测对方接下来要说的每一个词?近年来,随着大语言模型&am…...

量子计算中单量子位门分解技术与TAQR算法解析

1. 量子计算中的单量子位门分解概述量子计算作为下一代计算范式的代表,其核心在于利用量子态的叠加性和纠缠性实现并行计算。在传统量子计算模型中,量子比特(qubit)作为基本计算单元,仅包含|0⟩和|1⟩两个能级。然而&a…...

为什么92%的嵌入式团队仍在用MD5做固件校验?——深度拆解SHA-256+HMAC+物理不可克隆函数(PUF)在C固件中的零信任落地实践

更多请点击: https://intelliparadigm.com 第一章:军工级 C 语言防篡改固件开发 在高安全嵌入式场景中,固件完整性是系统可信启动的基石。军工级要求不仅需抵御静态逆向分析,还必须防范运行时内存篡改、闪存重写及物理侧信道攻击…...

聊聊 MQTT:物联网的“普通话”

你有没有想过,智能家居里的设备之间是怎么“聊天”的?比如,温度传感器检测到室温过高,是怎么通知空调自动打开的?又或者,你的手机 APP 是怎么远程控制花园里的喷灌系统的?这些设备往往来自不同厂…...

基于轨迹跟踪的侧倾与曲率变化修正:Simulink与Carsim联合仿真技术探讨

轨迹跟踪,考虑侧倾和曲率变化,同时修正侧偏刚度 simulink carsim联合仿真半躺在工位椅子上盯着屏幕,手里的冰美式已经见底。显示器上Simulink模型里红红绿绿的信号线晃得眼睛发酸,CarSim可视化界面里那辆红色小车又在弯道表演灵魂…...

SwarmUI集成Teacache与Wan 2.1优化分布式渲染

1. 项目概述Teacache与Wan 2.1的集成是SwarmUI生态中一个颇具实用价值的优化方案。作为一名长期从事分布式系统开发的工程师,我发现这套组合能显著提升渲染任务的资源利用率和执行效率。本文将基于我在三个实际项目中的部署经验,详细拆解集成过程中的技术…...

ThinkPad黑苹果终极实战指南:让T480变身为macOS工作站的完整解决方案

ThinkPad黑苹果终极实战指南:让T480变身为macOS工作站的完整解决方案 【免费下载链接】t480-oc 💻 Lenovo ThinkPad T480 / T580 / X280 Hackintosh (macOS Monterey 12.x - Sequoia 15.x) - OpenCore 项目地址: https://gitcode.com/gh_mirrors/t4/t4…...

Kotlin 2.4.0-Beta2 发布,语法与多平台能力全线革新

前言 2026 年 4 月 22 日,JetBrains 发布 Kotlin 2.4.0-Beta2(EAP)。 相对 3 月底的 Beta1,这一版更像 “把 Beta1 画过的路线图往可 ship 状态再推一步”:语言里多了几条值得单独开编译开关试的能力,Nativ…...

从U盘到CAN:汽车ECU升级的“幕后英雄”与安全门道(以AUTOSAR为例)

从U盘到CAN:汽车ECU升级的“幕后英雄”与安全门道(以AUTOSAR为例) 当一辆智能汽车在4S店完成ECU软件升级时,很少有人会注意到诊断仪与车载CAN总线之间那些加密的数据包。这种看似简单的刷写操作背后,实则隐藏着汽车电子…...

多模态大语言模型推理能力提升:DRIFT方法解析

1. 多模态大语言模型的推理能力困境多模态大语言模型(MLLMs)近年来在视觉-语言联合理解方面取得了显著突破,能够完成图像描述生成、视觉问答等任务。然而,当我们深入测试这些模型在需要多步推理的场景(如数学解题、逻辑分析)时&am…...

【12.MyBatis源码剖析与架构实战】11.嵌套查询循环引⽤源码剖析

MyBatis 嵌套查询循环引用源码深度剖析(含流程图) 在 MyBatis 中,当两个实体相互引用(如 User ↔ Address),且双方都通过 <association> 的 select 属性配置了嵌套查询时,若没有特殊处理,查询时会发生无限递归,最终导致栈溢出。MyBatis 通过 一级缓存(localCa…...