gobang
gobang 是一个基于 JavaScript 开发的开源五子棋人工智能项目，旨在通过浏览器即可体验经典的博弈对抗。它核心解决了传统棋类 AI 依赖复杂神经网络或庞大算力的问题，采用极小化极大搜索算法配合 Alpha-Beta 剪枝技术，在纯前端环境中实现了稳定且具备一定水平的对弈能力。2023 年重构后的版本代码更加简洁，修复了偶发的决策错误，并升级至 React V18，确保了运行的流畅性与稳定性。
该项目不仅提供可在线试玩的游戏界面，更是一份珍贵的教学资料。作者配套发布了详尽的系列博客教程，从博弈论基础、启发式评估函数到 Zobrist 缓存优化，一步步拆解 AI 的构建过程。因此，gobang 非常适合对算法感兴趣的开发者、计算机专业学生以及希望深入理解传统搜索算法原理的研究人员使用。对于普通用户，它是一个轻量有趣的休闲工具；对于学习者，它则是掌握游戏 AI 底层逻辑的绝佳入门案例。无需配置复杂的深度学习环境，只需具备基础的 Node.js 知识，即可在本地运行、调试甚至扩展属于自己的五子棋智能体。
使用场景
某高校计算机系教师计划开设一门“经典博弈算法”实践课，希望学生能在浏览器中直观理解极小化极大搜索与 Alpha-Beta 剪枝原理，而非仅停留在理论公式上。
没有 gobang 时
- 教师需从零编写前端界面与后端逻辑，耗费数周时间搭建基础环境，挤占了讲解核心算法的课时。
- 学生难以将抽象的递归搜索过程可视化，只能对着枯燥的代码调试，无法直观看到“剪枝”如何减少计算量。
- 若尝试引入基于神经网络的现代 AI，配置 TensorFlow 等重型依赖对初学者门槛过高，且无法清晰展示传统搜索算法的逻辑链条。
- 缺乏可调节难度的对照实验，学生无法通过调整搜索深度来验证算法性能与棋力之间的直接关系。
使用 gobang 后
- 教师直接部署 gobang 的开源代码，利用其简洁的 React 架构和完整教程，一天内即可构建出可交互的教学演示平台。
- 学生通过网页端实时对战，结合项目配套的九篇系列博客，能清晰追踪每一步棋背后的评分函数与剪枝过程，学习曲线大幅平缓。
- 依托纯 JavaScript 实现且无需神经网络依赖的特性，学生在本地浏览器即可运行并修改源码，专注于理解传统搜索算法的精髓。
- 利用内置的难度分级功能，学生可自由切换搜索深度，直观观察到耗时增加与棋力提升的正比关系，完美复现课堂理论。
gobang 将复杂的博弈算法转化为即开即用的教学工具，让开发者与学习者能低成本地深入掌握经典 AI 搜索策略的核心逻辑。
运行环境要求
- 未说明
不需要 GPU
未说明
快速开始
五子棋AI
✨🎉🎉🎉✨ 2023年11月重写了全部代码，代码更加简洁易懂，并修复了之前存在的AI可能会偶尔走错棋的问题，棋力更加稳定，React也更新到了最新的V18版本。
本仓库代码仅供个人业余研究AI用，代码肯定存在有很多不完善的地方，精力和专业所限请谅解
极小化极大算法的五子棋AI实现。 扫描上方二维码，或者打开此页面可以直接体验 https://gobang2.light7.cn/ 如果 http 协议无法打开，可以用这个http的链接 http://gobang2.light7.cn/
如果你对机器学习、神经网络有兴趣，这里有一个基于Alpha Zero原理的AI alpha-zero-gobang 正在开发中，Tensorflow2.x实现，有兴趣的可以关注交流。
一些常见问题
- Q：AI的原理是什么？
- A：参考后文中我的博客。基本原理是极小化极大搜索算法，做了一些常见的性能优化。没有用到神经网络、强化学习之类的机器学习算法。
- Q：为什么感觉AI的棋力不强？
- A：这个AI是极小化极大算法，做了有限的优化，并且受限于浏览器执行JS的速度，其搜索的深度比较浅，所以棋力不会很强。
- Q：不同难度有啥区别？
- A：不同难度的区别在于搜索的深度，AI的搜索深度越深，棋力越强，相应的耗时也会变长。
- Q：需要联网吗？
- A：第一次打开页面或者刷新需要联网，但AI的执行是本地的，因此只要页面打开之后，就不需要联网了。
- Q：为啥感觉电脑走棋很慢？
- A：这个AI是本地浏览器执行的，AI的速度受硬件性能影响比较大，并且难度越高，搜索的深度越深，耗时越长。如果发现耗时过长，可以降低难度。
- Q：AI涉及到的算法是你原创的吗？
- A：并不是我原创的，绝大部分都是网络上公开的算法，我只是把它们组合起来，并做了一些有限的优化。
联系方式
需要交流的同学可以加QQ群 622613966,进群验证信息请填写 gobang
更新日志
- 2023/11/23 更新：V3版本重写了所有代码，现在代码更加简洁易懂，并修复了之前存在的AI可能会偶尔走错棋的问题，棋力更加稳定。
- 2020/11/29 更新: 修复了评分的明显bug，随机开局库可配置，网站已修复，可以愉快玩耍了
教程
我写了一个系列博客，教你如何一步步编写自己的五子棋AI：
- 五子棋AI设计教程第二版一：前言
- 五子棋AI设计教程第二版二：博弈算法的前世今生
- 五子棋AI设计教程第二版三：极小化极大值搜索
- 五子棋AI设计教程第二版四：Alpha Beta 剪枝算法
- 五子棋AI设计教程第二版五：启发式评估函数
- 五子棋AI设计教程第二版六：迭代加深
- 五子棋AI设计教程第二版七：Zobrist缓存
- 五子棋AI设计教程第二版八：算杀
- 五子棋AI设计教程第二版九：性能优化
注意教程中的代码与代码仓库的有一定区别，但原理是一样的。作者本着开源分享的精神，知道的都写出来，没有任何保留，如有遗漏或错误可以提issue。
安装依赖
本仓库是一个纯前端仓库，AI也是用JS写的，所以本地开发必须安装Node和NPM。Node版本没有完善测试过，但理论上 v16~20 应该都可以。
先执行 npm install 安装依赖。然后有如下命令可用：
npm start启动本地开发服务npm test运行单元测试npm run js编译JSnpm run less编译lessnpm run watch进入watch模式 自动编译文件npm run build编译生成dist目录
关于作者
大厂前端工程师，曾（现）任职百度、阿里、字节等公司，业务时间会研究一些和工作无关的技术。
常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
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。
markitdown
MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。 在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。 这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备