Lux-Design-S1
Lux-Design-S1 是专为"Lux AI 挑战赛第一季”打造的开源游戏引擎与设计框架,托管于 Kaggle 平台。它构建了一个充满策略性的虚拟战场:两支智能体队伍需在昼夜交替的环境中对抗黑暗、采集资源并跨越时代发展。白天需争分夺秒地建设与储备,夜晚则依赖城市产生的光芒生存,任何光照不足的城市都将被黑暗吞噬。
该工具核心解决的是多变量优化、资源分配及实时博弈问题。使用者不仅要设计高效的资源管理算法,还需让智能体具备分析对手策略并动态调整战术的能力,从而在 1v1 对抗中占据上风。
Lux-Design-S1 非常适合开发者、人工智能研究人员以及编程爱好者使用。无论是希望锻炼强化学习算法的专家,还是想要入门多智能体博弈的学生,都能在此找到实践场景。其技术亮点在于提供了完善的跨语言启动套件(涵盖 Python 等主流语言),支持通过命令行或 Docker 便捷地运行本地比赛、生成可视化回放并进行错误日志分析。此外,项目基于 Dimensions 包构建,拥有清晰的规则文档与活跃的社区支持,帮助用户快速上手并专注于核心算法的创新与迭代。
使用场景
某高校 AI 实验室团队正备战 Kaggle 算法竞赛,需要开发一个能在昼夜交替环境中进行资源采集与对抗决策的智能体。
没有 Lux-Design-S1 时
- 环境搭建繁琐:团队需手动编写游戏引擎逻辑、地图渲染及规则判定代码,耗费数周时间仍难以保证仿真环境的准确性。
- 调试反馈滞后:缺乏可视化的复盘工具,智能体在“黑夜”中失败的原因只能靠查阅枯燥的文本日志猜测,难以定位策略漏洞。
- 多语言协作困难:队员分别擅长 Python 和 Node.js,但缺少统一的标准化接口(Starter Kits),导致代码整合与对战测试极其麻烦。
- 评估标准缺失:无法在本地快速运行大规模模拟赛或生成排行榜,难以客观量化不同策略版本的优劣。
使用 Lux-Design-S1 后
- 开箱即用引擎:通过一条 npm 命令即可安装包含完整游戏规则与物理引擎的环境,团队当天便开始了核心算法的开发。
- 可视化精准复盘:利用内置的 Replay 回放系统与可视化器,队员能直观看到智能体因光照不足被吞噬的全过程,迅速优化资源分配策略。
- 多语言无缝对接:借助官方提供的 Python、Node.js 等多语言启动包,不同技术背景的队员可独立开发模块并直接在同一环境中对战验证。
- 高效本地评估:通过 CLI 命令行工具轻松运行本地锦标赛并生成误差日志,实现了策略迭代效果的即时量化与对比。
Lux-Design-S1 将复杂的博弈环境构建转化为标准化的开发流程,让研究者能专注于核心算法创新而非底层基建。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明

快速开始
Lux AI 挑战赛:第 1 季
黑夜漫长而充满恐惧。两支队伍必须对抗黑暗,收集资源,并穿越各个时代。白昼则是争分夺秒地搜集和建造能够帮助你熬过即将到来的夜晚的资源。请谨慎规划与扩张——任何无法产生足够光芒的城市都将被黑暗吞噬。
欢迎来到 Lux AI 挑战赛第 1 季!
Lux AI 挑战赛是一项竞赛,参赛者需要设计智能体,在一对一的对抗场景中解决多变量优化、资源采集与分配的问题。除了优化能力之外,成功的智能体还必须能够分析对手,并制定相应的策略以取得优势。
要开始,请前往我们的 入门指南 部分。比赛将持续到 2021 年 12 月 6 日,提交截止时间为 UTC 时间晚上 11:59,提交地址为:https://www.kaggle.com/c/lux-ai-2021
感谢我们的赞助商 QuantCo、J Ventures 和 QAImera,今年我们设立了 1 万美元的奖金池,以及众多非现金奖品!更多信息请访问:https://www.lux-ai.org/sponsors-2021
请务必加入我们的社区 Discord 群组:https://discord.gg/aWJt3UAcgn,与其他参赛者交流、制定策略并互相学习!我们将在 Kaggle 论坛和 Discord 上发布相关公告。
本项目由 Lux AI 挑战赛团队使用 Dimensions 工具包构建。
第 1 季的规则说明可在此查阅:https://lux-ai.org/specs-2021。其中详细介绍了游戏机制及智能体需遵守的规则。
入门指南
您需要安装 Node.js 12 或更高版本。安装说明请参见 这里,直接下载推荐版本即可。
接下来的部分将详细介绍开发和参赛机器人的推荐设置。如果您希望使用 Python 和 Jupyter Notebook / Kaggle Interactive Notebook,可以跳过本节,直接参考 教程笔记本。
打开命令行,通过以下命令安装比赛框架:
npm install -g @lux-ai/2021-challenge@latest
您可以忽略出现的任何警告,这些警告并无影响。要在命令行(CLI)中运行一场比赛,只需执行:
lux-ai-2021 path/to/botfile path/to/otherbotfile
系统将运行比赛并记录日志,同时将错误日志和对局回放保存在新创建的 errorlogs 文件夹和 replays 文件夹中。errorlogs 文件夹中的日志包含所有错误输出以及您的智能体打印到标准错误流的内容。您可以通过我们的 可视化工具 观看 replays 文件夹中的回放。如需在本地观看回放,请按照此处说明操作:https://github.com/Lux-AI-Challenge/LuxViewer2021/
如需查看 CLI 的完整命令列表,运行:
lux-ai-2021 --help
或前往 下一节,了解更多关于如何使用命令行工具的说明,包括生成带状态信息的回放以及运行本地排行榜进行评估。您也可以使用本仓库中的 cli.sh 脚本在 Docker 容器中运行所有操作,具体说明请参见 这里。
每种编程语言都提供了 starter kit,通用 API 文档可在以下链接找到:https://github.com/Lux-AI-Challenge/Lux-Design-2021/tree/master/kits
此仓库中的 kits 文件夹包含了所有可用的 starter kit,您可以使用它们开始参赛并构建 AI 智能体,了解如何使用您选择的语言启动项目,并用该机器人进行对局。我们强烈建议您阅读所选语言的相关文档,链接如下:
- Python
- JavaScript
- Rust(由 @tye-singwa 维护)
- C++
- Java
- TypeScript
- Kotlin(由 @Tolsi 维护)
此外,还有许多 社区提供的工具,可以帮助大家打造更优秀的机器人,请随意查看并根据需求选用。
想使用其他语言但尚未支持?欢迎在我们的问题页面提出建议,或者更好的是,为社区创建一个 starter kit,并向本仓库提交 Pull Request。更多相关信息请参阅我们的 CONTRIBUTING.md 文档。
要随时了解比赛和引擎的最新动态与更新,请关注 论坛 或 Discord 上的通知。完整的变更日志请参阅:https://github.com/Lux-AI-Challenge/Lux-Design-2021/blob/master/ChangeLog.md。
CLI 使用说明
CLI 常规选项
CLI 工具提供多种选项。例如,您可以设置随机数种子,只需运行:
lux-ai-2021 --seed=100 path/to/botfile path/to/otherbotfile
即可使用种子 100 运行一场比赛。
您还可以通过 --storeLogs 和 --storeReplay 选项控制是否保存智能体日志或对局回放。这些布尔选项的设置方式如下:
# 设置为 true
lux-ai-2021 --statefulReplay
# 设置为 false
lux-ai-2021 --storeLogs=false
默认情况下,工具会生成基于动作的轻量级回放文件,这类回放可以在可视化工具中播放,但不包含每回合的地图状态信息,比如资源数量等。若需生成包含状态信息的回放,请将 --statefulReplay 选项设置为 true。若要将基于动作的回放转换为带状态信息的回放,可将 --convertToStateful 选项设置为 true,并指定要转换的文件。
您还可以通过 --out=path/to/file.json 指定回放文件的保存路径。
此外,您可以通过设置 --loglevel=x 来调整日志级别,x 的取值范围为 0 到 4。默认值为 2,此时终端会显示所有游戏警告和错误信息。
CLI 排行榜评估
您可以通过以下命令在本地运行自己的排行榜或锦标赛,以同时评估多个智能体:
lux-ai-2021 --rankSystem="trueskill" --tournament 路径/到/agent1 路径/到/agent2 路径/到/agent3 路径/到/agent4 ...
这将运行一个基于 TrueSkill 算法的排行榜,并将结果以表格形式打印到您的控制台。智能体会自动匹配与自己评分相近的对手。建议添加 --storeReplay=false --storeLogs=false 参数,因为长时间运行会产生大量的对局回放和日志文件。
更多选项请参阅 lux-ai-2021 --help。
CLI Docker 版本
此工具与 lux-ai-2021 完全一致,但在竞赛服务器所使用的 Ubuntu 18.04 系统上运行。请先 安装 Docker。
要使用 lux-ai-2021 的 CLI 工具,只需调用 bash cli.sh,它将接受完全相同的参数。首次运行时,它会构建一个 Docker 镜像并在后台启动容器。后续运行将会快得多。此外,该工具使用了绑定挂载,因此您可以在本地编辑文件,这些更改会立即反映到 Docker 容器中,反之亦然。
该工具的唯一限制是无法访问当前工作目录(即 pwd 命令输出的目录)以上层级的文件。
另外,该工具不会继承您计算机上已安装的 Python 包。如需添加包,请将此仓库中的 Dockerfile 下载到与 cli.sh 文件相同的目录,并在文件末尾添加如下安装命令:
RUN pip3 install <package_name>
修改 Dockerfile 后,运行 bash cli.sh clean 清理旧的 Docker 相关内容,然后即可正常使用 cli.sh。
社区工具
以下是社区成员开发的所有工具列表!
- Lux AI Python Gym:一个兼容 OpenAI Gym 的环境,完整复现了 Lux AI 2021 的设计。对于 Python 智能体而言,速度约为官方环境的 45 倍,便于尝试更多机器学习或搜索密集型方法。由 glmcdona 维护。
- Optics:一个简单、快速的俯视图可视化工具,由 rooklift 开发。
- 命令行可视化工具:通过在命令行中运行单条命令即可观看对局回放的精简工具。
- 公开笔记本:所有公开的竞赛选手分享创意、代码等内容的笔记本集合。这里包含了各种解决方案,从强化学习、模仿学习到基于规则的方法。
- 提交统计:用于跟踪任何参赛提交的工具,可显示分数随时间的变化、胜负情况等。
贡献说明
请参阅贡献指南。
作者
第一赛季的原始设计由 Bovard 和 Stone 共同构思。
UI/UX 设计由 Isa 完成。
平衡性测试得到了 David 的协助。
赞助商
我们衷心感谢今年的三位赞助商——QuantCo、J Ventures 和 QAImera,正是他们的支持才使得我们能够为参赛者提供丰厚的奖金池和精彩的机会!有关他们的更多信息,请访问:https://www.lux-ai.org/sponsors-2021
引用
如果您在工作中使用了 Lux AI 第一赛季的环境,请按以下格式引用本仓库:
@software{Lux_AI_Challenge_S1,
author = {Doerschuk-Tiberi, Bovard and Tao, Stone},
month = {7},
title = {{Lux AI Challenge Season 1}},
url = {https://github.com/Lux-AI-Challenge/Lux-Design-2021},
version = {1.0.0},
year = {2021}
}
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。
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
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。
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。
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。
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。