Akagi智能麻将AI实战全攻略：从部署到高阶应用

核心价值解析：重新定义麻将辅助工具

在竞技麻将领域，精准的决策往往决定胜负。Akagi智能辅助系统通过实时数据采集→牌局动态分析→策略生成反馈的闭环工作流程（图1），为玩家提供从基础判断到深度博弈的全方位支持。该系统采用模块化设计，核心算法模块集中在mjai/bot/目录，通过融合博弈论与深度学习模型，实现对手牌价值评估、风险概率计算和最优策略推荐的一体化处理。

解决三大核心痛点

• 信息过载：将复杂牌局数据转化为直观决策建议
• 经验依赖：为新手提供标准化策略框架
• 复盘困难：通过majsoul2mjai.py实现牌局数据结构化分析

从零到一部署指南：5步完成环境搭建

操作步骤	注意事项
1. 克隆项目仓库 bash<br>git clone https://gitcode.com/gh_mirrors/ak/Akagi<br>cd Akagi<br>	确保网络通畅，仓库大小约200MB
2. 执行系统安装脚本 - Windows：管理员PowerShell运行 scripts\install_akagi.ps1 - Mac：终端执行 bash scripts/install_akagi.command	安装过程需5-10分钟，期间不要关闭窗口
3. 配置AI模型文件 将下载的mortal.pth模型文件复制到 mjai/bot/目录	模型文件需单独获取，大小约800MB
4. 安装系统证书 根据安装脚本提示完成证书信任配置	证书用于游戏数据捕获，必须通过系统安全验证
5. 启动应用程序 双击运行run_akagi.bat(Windows)或 run_akagi.command(Mac)	首次启动会自动生成默认配置文件

⚠️ 常见部署问题排查：若启动失败，检查config.json中proxy_port参数是否与系统端口冲突，建议设置为8080或8888

场景化应用指南：三级能力体系实践

新手入门：快速掌握基础辅助功能

核心目标：在30分钟内获得可用的打牌建议

1. 基础配置：保持config.json默认设置，将analysis_depth设为"基础"
2. 功能启用：
   • 开启"手牌分析"：实时显示当前手牌价值评分
   • 启用"舍牌建议"：在界面右侧显示推荐弃牌顺序
3. 实战操作：
   • 每回合查看AI给出的★星级推荐（★越多表示优先级越高）
   • 通过gui.py界面的可视化牌谱学习标准打法

进阶提升：定制化战术开发

核心目标：针对特定牌型构建个性化策略

1. 参数调优：
   • 当连续遇到复杂牌型判断失误时，建议将ai_memory调整至2048MB
   • 比赛场景下将update_interval设为300ms提升响应速度
2. 专项训练：
   • 使用example.py运行预设牌局模拟
   • 通过convert.py工具将实战记录转为训练数据
3. 决策验证：
   • 对比protocol.py中定义的标准策略与个人习惯差异
   • 利用online.json分析不同段位玩家的战术偏好

专家模式：深度定制与扩展开发

核心目标：打造专属的AI辅助系统

1. 策略自定义：
   • 修改mhm/config.py中的权重参数调整AI决策倾向
   • 通过mhm/hook/开发自定义事件响应逻辑
2. 性能优化：
   • 调整settings.json中的线程数配置（建议设为CPU核心数的1.5倍）
   • 优化mitm.py中的网络捕获规则减少延迟
3. 插件开发：
   • 基于mahjong_soul_api/提供的接口开发新功能模块
   • 通过setup.py打包自定义插件

避坑指南与最佳实践

性能优化对比

常见问题	错误配置	最佳实践
系统卡顿	analysis_depth设为"深度"同时开启全部功能	根据电脑配置分级启用功能：低配电脑建议关闭"对手行为预测"
数据延迟	默认update_interval500ms	网络环境良好时可降至300ms，不稳定时建议设为800ms
内存占用过高	ai_memory设置超过物理内存50%	保持在系统内存的40%以内，8GB内存建议设为2048-3072MB

安全使用规范

1. 账号保护：
   • 避免连续使用超过2小时，设置随机使用间隔
   • 通过my_logger.py定期清理操作日志
2. 系统兼容：
   • Windows用户需确保PowerShell版本≥5.1
   • Mac用户需安装Xcode命令行工具（xcode-select --install）

决策流程图

开始游戏 → AI初始化([mjai/bot/bot.py](https://gitcode.com/gh_mirrors/ak/Akagi/blob/18a781e5f50efe12a35a24e63dcb0225a05b4e73/mjai/bot/bot.py?utm_source=gitcode_repo_files)) → 数据采集([mitm.py](https://gitcode.com/gh_mirrors/ak/Akagi/blob/18a781e5f50efe12a35a24e63dcb0225a05b4e73/mitm.py?utm_source=gitcode_repo_files))
→ 手牌分析 → 生成决策树 → 推荐操作 → 用户执行 → 结果反馈 → 模型迭代

个性化定制：打造专属辅助系统

界面定制

通过修改client.tcss自定义UI样式，调整建议窗口位置和大小，优化视觉体验。

策略模板

在mhm/proto/目录下创建自定义策略配置文件，实现：

• 防守型：提高安全牌优先级，适合逆风局
• 进攻型：增加听牌概率权重，适合优势局
• 均衡型：默认配置，平衡攻防

数据导出

使用libriichi_helper.py导出多种格式的分析报告：

• JSON格式：用于深度数据挖掘
• CSV格式：适合Excel分析
• 图片格式：生成可视化牌谱

通过本指南的系统部署、场景应用和个性化定制，您已具备充分利用Akagi智能辅助系统的能力。记住，工具始终是辅助手段，真正的麻将大师需要将AI建议与实战经验有机结合，在不断博弈中提升自己的决策能力。