python-sc2

GitHub
606 182 中等 1 次阅读 3天前MIT语言模型图像其他开发框架Agent
AI 解读 由 AI 自动生成,仅供参考

python-sc2 是一个专为 Python 3 设计的《星际争霸 II》人工智能机器人开发库。它旨在降低游戏 AI 的编程门槛,让开发者能够用极简的代码(例如仅二十行)快速构建出具备基础功能的 bots,同时也不失对底层细节的控制能力,兼顾了易用性与功能完整性。

该工具主要解决了传统游戏 AI 开发中接口复杂、代码冗余度高的问题,通过提供清晰的高层与底层抽象,让创作者能更专注于策略逻辑而非繁琐的 API 调用。目前,它专注于支持基于脚本的原始数据接口,暂不涉及图形界面交互。

python-sc2 非常适合游戏 AI 开发者、强化学习研究人员以及希望入门即时战略游戏编程的爱好者使用。其独特的技术亮点在于持续的性能优化和对新手的友好引导,尽管部分激进更新可能导致旧版代码需要调整,但项目提供了详细的弃用警告以协助迁移。此外,它不仅支持 Windows 和 macOS,还通过 Wine 或 WSL 提供了完善的 Linux 运行方案,方便不同开发环境的用户进行实验与部署。无论是想尝试简单的“工人 Rush"战术,还是研究复杂的宏观运营策略,python-sc2 都是一个强大且灵活的起点。

使用场景

某高校人工智能实验室的研究团队正致力于开发能够自主决策的星际争霸 II 机器人,以验证多智能体强化学习算法在复杂实时战略环境中的有效性。

没有 python-sc2 时

  • 研究人员必须直接处理繁琐的底层通信协议和原始数据流,编写数百行代码才能实现基础的工人采集逻辑。
  • 缺乏统一的状态封装,开发者需手动解析游戏帧数据来获取单位位置和血量,极易出错且调试困难。
  • 不同版本的星际争霸 II 客户端适配复杂,尤其在 Linux 或 WSL 环境下配置游戏路径和环境变量往往耗费数天时间。
  • 社区现有教程因库版本迭代迅速而失效,新手难以找到可运行的示例代码,导致复现论文算法的门槛极高。

使用 python-sc2 后

  • 借助高层抽象接口,实现一个基础的“工人 Rush"战术仅需约二十行清晰的 Python 代码,大幅缩短原型开发周期。
  • 库自动封装了游戏状态(Game State),开发者可直接通过 unit.position 等直观属性获取信息,无需关心底层解析细节。
  • 内置对 Windows、macOS 及 Linux(含 Wine/WSL)的自动检测与环境配置支持,一键解决跨平台运行难题。
  • 提供详尽的类型提示、文档字符串及最新示例,配合活跃的维护更新,帮助研究者快速上手并聚焦于核心算法创新。

python-sc2 通过将复杂的即时战略游戏交互简化为直观的 Python 调用,让研究人员能从底层工程泥潭中解脱,全心投入 AI 策略的创新与验证。

运行环境要求

操作系统
  • Windows
  • macOS
  • Linux
GPU

未说明

内存

未说明

依赖
notes1. 必须安装星际争霸 II (StarCraft II) 可执行文件。Windows/macOS 用户可通过暴雪战网安装;Linux 用户需通过 Wine、Lutris 或无头 Linux 二进制文件运行。 2. Linux 环境下需设置环境变量 (如 SC2PF, WINE, SC2PATH) 以定位游戏路径。 3. WSL 2 用户需额外配置 SC2CLIENTHOST 和 SC2SERVERHOST 环境变量以便连接。 4. 需要下载官方地图文件并放置在游戏目录的相应子文件夹中。 5. 安装此库即表示同意暴雪的 AI 和机器学习许可协议。
python3.9+
burnysc2
scipy (可选,用于距离计算优化)
python-sc2 hero image

快速开始

Actions Status codecov

适用于 Python 3 的星际争霸 II API 客户端库

这是一个易于使用的 Python 3 库,用于编写星际争霸 II 的 AI 战术机器人。其最终目标是简化开发流程并提高易用性,同时保留所有功能。一个非常简单的工人rush战术机器人代码不应超过二十行,而不是两百行。然而,该库旨在提供高级和低级抽象。

目前,此库仅覆盖原始脚本接口。 截至当前,我无意添加对基于图形界面的支持。

文档在此。对于机器人开发者来说,直接查看 sc2 文件夹 中的文件也会有所帮助:bot_ai.py、unit.py、units.py、client.py、game_info.py 和 game_state.py。这些文件中的大多数函数都带有文档字符串、示例用法和类型提示。

我计划对这个分支进行比主仓库更彻底的改动,以提升机器人性能并增加帮助新手开发者的新功能。这可能会在未来破坏旧版机器人,不过我会尽量加入弃用警告以便提前通知。这意味着由 sentdex 制作的视频教程已经过时,并且不再直接适用于此分支。

有关正在进行的更改以及与 Dentosal 主仓库的区别列表,请参见此处

安装

安装本库即表示您同意受AI与机器学习许可协议条款约束。

对于此分支,您需要 Python 3.9 或更高版本。

安装 pypi 包:

pip install --upgrade burnysc2

或直接从 develop 分支安装:

pip install --upgrade --force-reinstall https://github.com/BurnySc2/python-sc2/archive/develop.zip

这两个命令都会使用 sc2 库文件夹,因此除非您使用虚拟环境,否则无法同时安装 Dentosal 的版本和此分支。

星际争霸 II

您需要一个星际争霸 II 可执行文件。如果您使用 Windows 或 macOS,只需从 暴雪应用安装 SC2 即可。

Linux 安装

您可以通过 WineLutris,甚至使用 Linux 二进制文件在 Linux 上安装星际争霸 II,但后者是无头模式,您将无法看到游戏画面。 一旦通过 Lutris 下载了游戏,就可以直接从 Battlenet 安装星际争霸 II。 默认情况下,它会被安装在这里:

/home/burny/Games/battlenet/drive_c/Program Files (x86)/StarCraft II/

接下来,设置以下环境变量(可以是全局设置,也可以在您的开发环境中设置,例如 Pycharm:运行 -> 编辑配置 -> 环境变量):

SC2PF=WineLinux
WINE=/usr/bin/wine
# 或者来自 lutris 的 wine 二进制文件:
# WINE=/home/burny/.local/share/lutris/runners/wine/lutris-4.20-x86_64/bin/wine64
# 默认的 Lutris 星际争霸 II 安装路径:
SC2PATH='/home/burny/Games/battlenet/drive_c/Program Files (x86)/StarCraft II/'

WSL

在 Windows 中运行 WSL 时,python-sc2 默认会检测到 WSL 并启动 Windows 版星际争霸 II,而不是 Linux 版。如果您希望游戏在 Linux 中运行,可以将 SC2_WSL_DETECT 环境变量设置为“0”。您可以在 Python 中使用以下代码完成此操作:

import os
os.environ["SC2_WSL_DETECT"] = "0"

WSL 第 1 版通常不需要任何配置。您可能需要允许 Python 通过防火墙。

当您运行 WSL 第 2 版时,需要设置以下环境变量,以便您的机器人能够连接:

SC2CLIENTHOST=<您的 Windows IP>
SC2SERVERHOST=0.0.0.0

如果您将这些变量添加到 .bashrc 文件中,可能还需要导出环境变量:

export SC2CLIENTHOST
export SC2SERVERHOST

您可以通过 PowerShell.exeCMD.exe 使用 ipconfig /all 查找您的 Windows IP 地址。

地图

您需要地图才能运行该库。

官方地图

官方暴雪地图下载可从 Blizzard/s2client-proto 获取。 请将这些地图解压到 SC2 地图目录下的相应子目录中。 例如:install-dir/Maps/Ladder2017Season1/

机器人联赛地图

SC2 AI Arena 联赛上使用的地图可以从 SC2 AI Arena Wiki 下载。 请将这些地图解压到 SC2 地图目录的根目录(否则联赛回放将无法正常工作)。 例如:install-dir/Maps/AcropolisLE.SC2Map

运行

在安装好库、星际争霸 II 可执行文件和一些地图后,您就可以开始使用了。只需运行一个机器人文件即可启动一个带有机器人运行的星际争霸 II 实例。例如:

python examples/protoss/cannon_rush.py

示例

正如承诺的那样,不到二十行代码就能实现工人rush战术:

from sc2 import maps
from sc2.player import Bot, Computer
from sc2.main import run_game
from sc2.data import Race, Difficulty
from sc2.bot_ai import BotAI

class WorkerRushBot(BotAI):
    async def on_step(self, iteration: int):
        if iteration == 0:
            for worker in self.workers:
                worker.attack(self.enemy_start_locations[0])

run_game(maps.get("Abyssal Reef LE"), [
    Bot(Race.Zerg, WorkerRushBot()),
    Computer(Race.Protoss, Difficulty.Medium)
], realtime=True)

这可能是最简单的、有一定胜算的机器人之一。我曾多次将其与中级 AI 对战,偶尔也能获胜。

更多示例可在 examples/ 文件夹中找到。

API 配置选项

API 支持多种配置选项来调整其运行方式。

unit_command_uses_self_do

如果您的机器人使用 self.do(Unit(Ability, Target)) 而不是 Unit(Ability, Target) 来发出命令,请将此选项设置为“True”。

class MyBot(BotAI):
    def __init__(self):
        self.unit_command_uses_self_do = True

raw_affects_selection

将此选项设置为“真”可以略微提升机器人性能。

class MyBot(BotAI):
    def __init__(self):
        self.raw_affects_selection = True

distance_calculation_method

距离计算方法:

  • 0 表示原生 Python
  • 1 表示 scipy pdist
  • 2 表示 scipy cdist
class MyBot(BotAI):
    def __init__(self):
        self.distance_calculation_method: int = 2

game_step

在游戏开始时,或者在任何一帧中,你都可以设置游戏步长。这决定了你的机器人 step 方法被调用的频率。
请勿在 __init__ 函数中设置此值,因为此时客户端尚未初始化!

class MyBot(BotAI):
    def __init__(self):
        pass  # 不要在这里设置!

    async def on_start(self):
        self.client.game_step: int = 2

社区 - 帮助与支持

如果你有疑问但又不想创建问题?欢迎加入 SC2 AI Arena Discord 服务器。关于本仓库的问题可以在 #python 文本频道中提出。每天都有关于 SC2 机器人编程以及本仓库的讨论和提问。

错误报告、功能请求和想法

如果你有任何问题、想法或反馈,请创建一个新的 issue。我们也欢迎提交 pull request!

贡献与代码风格指南

Git 提交信息应采用【祈使句式】(参考:stackoverflow),首字母大写且不使用结尾逗号。

要运行预提交钩子(用于自动格式化和自动排序导入语句),可以执行以下命令:

uv run pre-commit install
uv run pre-commit run --all-files --hook-stage pre-push

常见问题

相似工具推荐

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面,旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点,将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师,还是想要深入探索模型潜力的开发者与研究人员,都能从中获益。其核心亮点在于极高的功能丰富度:不仅支持文生图、图生图、局部重绘(Inpainting)和外绘(Outpainting)等基础模式,还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外,它内置了 GFPGAN 和 CodeFormer 等人脸修复工具,支持多种神经网络放大算法,并允许用户通过插件系统无限扩展能力。即使是显存有限的设备,stable-diffusion-webui 也提供了相应的优化选项,让高质量的 AI 艺术创作变得触手可及。

162.1k|★★★☆☆|今天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手(如 Claude Code、Codex、Cursor 等)打造的高性能优化系统。它不仅仅是一组配置文件,而是一个经过长期实战打磨的完整框架,旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能,everything-claude-code 能显著提升 AI 在复杂任务中的表现,帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略,使得模型响应更快、成本更低,同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库,还是需要 AI 协助进行安全审计与自动化测试,everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目,它融合了多语言支持与丰富的实战钩子(hooks),让 AI 真正成长为懂上

139k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎,专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式,采用直观的节点式流程图界面,让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景,也能自由组合模型、调整参数并实时预览效果,轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性,不仅支持 Windows、macOS 和 Linux 全平台,还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构,并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者,还是追求极致创作自由度的设计师与资深 AI 绘画爱好者,ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能,使其成为当前最灵活、生态最丰富的开源扩散模型工具之一,帮助用户将创意高效转化为现实。

107.7k|★★☆☆☆|2天前
开发框架图像Agent

NextChat

NextChat 是一款轻量且极速的 AI 助手,旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性,以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发,NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言,它也提供了便捷的自托管方案,支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性,原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型,让用户在一个界面即可自由切换不同 AI 能力。此外,它还率先支持 MCP(Model Context Protocol)协议,增强了上下文处理能力。针对企业用户,NextChat 提供专业版解决方案,具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能,满足公司对数据隐私和个性化管理的高标准要求。

87.6k|★★☆☆☆|今天
开发框架语言模型

ML-For-Beginners

ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。

85k|★★☆☆☆|今天
图像数据工具视频

ragflow

RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。

77.1k|★★★☆☆|2天前
Agent图像开发框架