phillip
Phillip 是一个基于深度强化学习的《任天堂明星大乱斗：梅塔骑士》（SSBM）AI，能够自主玩这款游戏，模仿人类玩家的操作风格。它通过与 Dolphin 模拟器交互，在真实游戏环境中不断试错学习，从而提升对战能力，解决了传统 AI 在复杂动作游戏中难以掌握精细操作和战术决策的问题。Phillip 最适合对游戏 AI、强化学习或游戏研究感兴趣的开发者和研究人员使用，尤其适合希望在经典格斗游戏中实践机器学习技术的用户。其独特之处在于采用端到端强化学习，直接从游戏画面和输入中学习，无需人工标注数据，且曾训练出接近人类水平的“FalcoBF”等代理模型。需要注意的是，Phillip 已停止维护，官方推荐使用其继任项目 Slippi-AI（基于模仿学习）。Windows 用户需配置特定 Dolphin 版本并调整路径与端口，Linux/macOS 用户则相对更易部署。如需复现或研究，建议参考配套的训练脚本与社区资源，或直接体验其预训练模型。
使用场景
一位《超级马里奥兄弟》竞技玩家兼AI爱好者，正在为本地电竞社团训练AI对手，以提升成员在《任天堂明星大乱斗 特别版》（SSBM）中的实战反应与策略水平。由于社团缺乏专业教练，成员长期依赖真人对战，进步缓慢且难以复现高阶对局。
没有 phillip 时
- 成员只能靠真人对战练习，但高水平玩家稀缺，训练频率低且不稳定。
- 难以复现特定对手的风格（如Falcon的快速突进），导致战术针对性训练缺失。
- 无法持续输出高精度、低延迟的AI行为，训练中常因操作卡顿或AI“发呆”打断节奏。
- 缺乏可量化的AI表现数据，无法评估成员进步是否源于技术提升还是运气。
- 每次调整训练难度需手动更换对手，流程繁琐，占用大量筹备时间。
使用 phillip 后
- 可随时启动FalconFalconBF或FalcoBF等预训练AI，24小时稳定提供高水准对战，训练频率提升3倍以上。
- 能精准加载特定风格的AI代理，如专门练习应对Falco的空中压制，实现“定制化陪练”。
- AI通过深度强化学习实现接近人类的反应延迟（如delay18模型），操作流畅无卡顿，训练体验真实。
- 训练过程自动生成日志与胜率统计，成员可清晰看到自己对特定战术的胜率变化，数据驱动进步。
- 一键启动AI对战，无需手动配置，训练准备时间从30分钟缩短至2分钟，极大提升训练效率。
phillip 让一个业余电竞社团拥有了媲美职业战队的AI陪练系统，把“靠运气进步”变成了“靠数据成长”。
运行环境要求
- Linux
- macOS
- Windows
未说明
未说明
快速开始
菲利普AI
基于深度强化学习的SSBM玩家。
注意：该项目已不再活跃，且存在老化问题。目前有一个基于Slippi回放模仿学习的继任项目，地址为：https://github.com/vladfi1/slippi-ai。
要求
测试环境：Ubuntu >=14.04、OSX、Windows 7/8/10。
- Dolphin模拟器。在Linux上可能需要从源码编译。在Windows上，你需要安装一个定制版Dolphin——只需将zip文件解压到某个位置即可。
- SSBM的ISO镜像。你需要NTSC 1.02版本。
- Python 3。在Windows上，你可以使用Anaconda，它会自动配置好必要的路径。你也可以在Windows 10上使用Linux子系统。
- 安装菲利普。你可以下载并解压一个zip文件或克隆这个仓库。然后，在菲利普根目录下运行
pip install -e .。 agents目录中包含了一些训练好的智能体。完整的训练智能体集可在这里获取。
玩法
你需要知道Dolphin的安装路径。在Mac上，Dolphin的路径是/Applications/Dolphin.app/Contents/MacOS/Dolphin。如果dolphin-emu已经在你的PATH中，那么可以省略这一步。
python3 phillip/run.py --gui --human --start 0 --reload 0 --epsilon 0 --load agents/FalconFalconBF --iso /path/to/SSBM.iso --exe /path/to/dolphin [--windows]
训练好的智能体存放在agents目录中。除了FalconFalconBF，agents/delay0/中的智能体也相当强大。使用--help查看所有选项。最好的类人智能体是delay18/FalcoBF，已在Google Drive的zip文件中提供。
Windows注意事项
--exe参数应指向你解压后的Binary\x64\Dolphin.exe路径。一般来说，所有路径中的正斜杠/都应改为反斜杠\，除非你使用MinGW、Cygwin、Git Bash或其他Unix shell模拟器。- 你可能需要省略
python3和pip3命令中的数字3。 - 如果没有使用Anaconda，你很可能需要修改你的PATH，让Python能在命令提示符中被识别。
- 与Dolphin的通信通过本地回环接口进行，需使用
--tcp 1标志（现在--windows已隐含此设置）。你可能还需要在防火墙中开放端口5555。 - 如果你在Windows 10上，可以在Linux子系统中完成所有操作，并按照Linux的说明进行，但获取Dolphin除外。你需要用
--user tmp显式指定用户目录（Python创建的临时目录以/tmp/...开头，不适用于Windows上的Dolphin）。
训练
训练由phillip/train.py控制。此外，runner.py和launcher.py可用于在Slurm集群上大规模并行训练。菲利普曾在MGHPCC进行过训练。建议使用一个定制版Dolphin，它采用zmq与AI同步——否则下面的命令可能会失败。
本地训练也是可行的。首先，用你想要的训练参数编辑runner.py（高级选项）。然后执行：
python3 runner.py # 会输出一个路径
python3 launcher.py saves/path/ --init --local [--agents number_of_agents] [--log_agents]
要查看训练过程中的统计信息：
tensorboard --logdir logs/
训练器和（可选）智能体会将stdout/err重定向到slurm_logs/。要结束训练：
kill $(cat saves/path/pids)
要恢复训练，再次运行launcher.py，但省略--init（它会覆盖旧的网络模型）。
Windows上不支持训练。
感谢microsoftv，现在还有一个教学视频！
支持
加入Discord吧！
录制内容
致谢
非常感谢altf4让我入门，还要感谢spxtr提供的Python内存监视器。一些与Dolphin交互的代码借自这两个项目（尤其是后者，因为我现在改用纯Python了）。
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。