hearthbreaker
Hearthbreaker 是一款专为机器学习和数据挖掘设计的《炉石传说》开源模拟器。它并非用于玩家对战或替代官方客户端，而是作为一个分析库，帮助研究者通过模拟对局来评估卡牌之间的配合效果，识别强势或弱势的卡牌组合。
该项目完整实现了游戏截至“冠军的试炼”版本的所有可收集卡牌，并力求在逻辑上精确还原官方机制，甚至包含了一些边缘情况和已知漏洞，以确保仿真数据的真实性。其核心引擎支持游戏状态复制、JSON 序列化以及对战回放功能，允许开发者灵活地定义随从与武器。此外，它还提供了一个基础控制台应用，用户可加载特定卡组与随机或智能交易机器人进行测试。
需要注意的是，Hearthbreaker 目前已停止主动开发，官方建议有新需求的用户转向 HearthSim 社区的相关项目。尽管如此，它依然非常适合人工智能研究人员、数据科学家以及对游戏平衡性分析感兴趣的开发者使用。对于希望深入理解卡牌交互逻辑或训练 AI 模型的技术人员来说，Hearthbreaker 提供了一个透明且可编程的实验平台，但普通玩家若想体验游戏乐趣，则不适合使用此工具。
使用场景
某游戏数据分析师正试图为《炉石传说》构建一套基于胜率的最优卡组推荐系统，需要验证成千上万种卡牌组合在复杂对局中的实际表现。
没有 hearthbreaker 时
- 只能依赖少量人工对战录像或有限的天梯统计数据，样本量不足且难以覆盖所有稀有卡牌的互动情况。
- 想要测试特定卡牌组合（如“熔核巨人”配“冰风雪人”）的效果，必须手动编写复杂的逻辑代码来模拟游戏规则，开发成本极高。
- 无法精确复现游戏中的边缘判定和已知机制漏洞，导致理论分析与实际游戏环境存在偏差，模型训练数据失真。
- 缺乏高效的批量仿真能力，跑完一次完整的蒙特卡洛树搜索可能需要数天时间，严重拖慢迭代节奏。
使用 hearthbreaker 后
- 直接调用其内置的全量卡牌库和精准规则引擎，瞬间生成数百万局高保真模拟对局，获得充足的训练数据。
- 利用现成的 Python 接口快速定义自定义卡组与策略机器人，无需重复造轮子即可专注于机器学习算法本身的优化。
- 完美复刻包括边界案例和游戏漏洞在内的真实环境，确保数据挖掘结果与线上实际表现高度一致。
- 支持游戏状态序列化与回放功能，可并行运行大规模仿真任务，将原本数天的测试周期缩短至几小时。
hearthbreaker 通过将复杂的卡牌逻辑封装为可调用的分析库，让开发者能从繁琐的规则实现中解脱，专注于数据挖掘与策略优化的核心价值。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
炉石破坏者
一款炉石传说模拟器
炉石破坏者目前已不再进行积极开发。如果您对炉石传说模拟感兴趣，请查看https://hearthsim.info/上的项目。
炉石破坏者是一款开源的炉石传说模拟器，主要用于机器学习和数据挖掘暴雪的《炉石传说：魔兽英雄传》(http://battle.net/hearthstone)。它实现了游戏中所有的卡牌，并且尽可能精确地复现了炉石传说的各种细节，包括边缘情况和已知的bug。通过运行模拟对战，可以分析哪些卡牌搭配效果好，哪些则不太合适。炉石破坏者并非设计用来让玩家之间直接对战，也不是为了在炉石传说游戏中与真人对手对抗，而是作为一个用于分析的库来使用。
- 文档（正在编写中）http://danielyule.github.io/hearthbreaker/
- Travis CI 构建状态：
- Coveralls 代码覆盖率：
- 开发者邮件列表：Google Group
使用方法
炉石破坏者兼容任何支持 Python 3.2 及以上版本和 PyPy3 2.3 及以上版本的操作系统。
控制台应用
提供了一个基础的控制台界面，可用于与机器人对战。目前有两个可选的机器人：一个完全随机出牌的随机机器人，以及一个尝试高效交换随从的交易机器人。
启动控制台的方法是：python text_runner.py deck1.hsdeck deck2.hsdeck。其中两个牌组文件采用Cockatrice格式，每行包含一张英文名称的卡牌，并在其前注明数量。例如：
2 Goldshire Footman
2 Murloc Raider
2 Bloodfen Raptor
2 Frostwolf Grunt
2 River Crocolisk
2 Ironfur Grizzly
2 Magma Rager
2 Silverback Patriarch
2 Chillwind Yeti
2 Oasis Snapjaw
2 Sen'jin Shieldmasta
2 Booty Bay Bodyguard
2 Fen Creeper
2 Boulderfist Ogre
2 War Golem
角色职业将根据牌组中的卡牌自动推断，若无明确职业则默认为法师。
控制台应用需要 ncurses 库，该库通常在类 Unix 系统和 macOS 上随 Python 自带，但如果你使用的是 Windows，则需从 http://www.lfd.uci.edu/~gohlke/pythonlibs/#curses 下载安装。
注意： ncurses 不适用于 PyPy。
单元测试
测试代码位于 tests 包中。
可以通过以下命令运行所有测试：python -m unittest discover -s tests -p *_tests.py
对于 Python 3.2 和 PyPy3，单元测试依赖于 mock 包。
进展
截至目前，所有可收集卡牌均已实现，直到“大锦标赛”扩展包为止。未来暂无进一步扩展卡牌列表的计划。
游戏引擎已经完成，可以用来模拟对局。游戏状态可以被复制或序列化为 JSON 格式。此外还提供了回放功能。另外，随从和武器既可以以 Python 对象的形式表示，也可以通过 JSON 声明来定义。
有关后续工作的概述，请参阅 维基页面。
结构
几乎所有的游戏逻辑都集中在 hearthbreaker.game_objects 中。游戏主要基于标签系统运作。更多详细信息请参阅 维基页面。
游戏由多名玩家组成，每位玩家都有手牌、英雄、秘策和随从。决策由代理作出，这些代理可以是计算机控制的，也可以是人类控制的。系统采用回调机制：当需要做出决策时，游戏会向代理请求决策，而不是由代理直接决定游戏的进程。
每张卡牌都是一个独立的类，存放在 hearthbreaker/cards 目录下，按类型（法术/随从/秘策/武器）和职业分类存放。
该项目定义了一些有趣的格式，详情请参阅 维基页面。
贡献
如需贡献代码，只需 fork 本仓库，修改后提交 pull request 即可。
所有实现新卡牌的 pull request 必须附带针对该卡牌的单元测试。如果该卡牌除了召唤随从外没有其他副作用，则测试应包含其他卡牌对其产生的影响。
所有 pull request 都会通过 travis-ci.org 自动验证，并通过 coveralls.io 生成覆盖率报告。
新的想法和即将推出的功能请参阅 维基页面。欢迎参与其中的任何部分。
来自本项目及其他炉石传说模拟项目的开发者可以在 freenode.net 的 IRC 频道 #hearthsim 上交流。
有关更详细的贡献说明，请参阅 贡献页面，或加入 开发者邮件列表。
相关项目
关于炉石传说 AI 的相关项目集合可在 hs-ai.com 找到。
HearthSim
Hiroaki Oyaizu 创建了 HearthSim，另一款用 Java 编写的炉石传说模拟器，其重点在于效率和 AI 建模。目前实现的卡牌数量较少，但 AI 模型更为复杂。
Focus
Raffy 正在致力于开发一种用于炉石传说卡牌的领域特定语言 (DSL)，以 JSON 格式编写。卡牌的定义已经完整，但名为 Focus 的引擎仍在开发中。这将允许任何人仅通过编写一个 JSON 对象来定义新卡牌。
Fireplace
Jerome Leclanche 正在尝试逆向工程炉石传说卡牌所使用的 XML 格式，并基于此构建一个完整的模拟器，涵盖所有可收集卡牌和任务卡牌。他的工作可以在 Fireplace GitHub 页面 上找到。
Soot
Soot 是一个略显过时的 Clojure 实现，涵盖了《炉石传说》中的所有卡牌。目前尚不清楚这些实现的效果如何。不过，它以函数式的方式实现卡牌逻辑，这一点颇为有趣。
Hearthstone JSON
Hearthstone JSON 是一个 JSON 文件，包含了从游戏可执行文件中提取出的《炉石传说》所有卡牌数据。Hearthbreaker 就利用这些数据来验证其卡牌实现是否正确。
《炉石传说：魔兽英雄传》和“暴雪娱乐”均为暴雪娱乐公司的商标。
常见问题
相似工具推荐
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。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
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。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。