当前位置：首页 > news >正文

用Python和DouZero算法，我让AI在QQ欢乐斗地主里‘打工’了一下午（附完整配置与避坑指南）

news 2026/6/9 21:41:00

用Python和DouZero打造AI斗地主助手：从零实现自动化对局

周末突发奇想：能不能让AI帮我打斗地主？于是花了整个下午折腾DouZero算法，最终实现了QQ欢乐斗地主客户端的全自动运行。整个过程踩坑无数，从PyTorch版本冲突到屏幕缩放率设置，再到游戏窗口识别问题。本文将完整记录配置过程，并分享那些官方文档没写的实战细节。

1. 环境准备：避开PyTorch的版本陷阱

1.1 创建隔离的Python环境

首先建议使用conda创建独立环境，避免污染系统Python：

conda create -n douzero python=3.8 conda activate douzero

为什么选择Python 3.8？这是PyTorch官方支持最稳定的版本之一。实际测试中，3.9及以上版本可能导致某些依赖包兼容性问题。

1.2 PyTorch的精准安装

官方requirements.txt往往不会指定PyTorch版本，这是最大的坑。经过多次测试，以下组合最稳定：

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 -f https://download.pytorch.org/whl/torch_stable.html

常见错误解决方案：

报错：RuntimeError: .pth is a zip archive
原因：PyTorch版本不匹配导致模型加载失败
修复：卸载现有版本后安装上述指定版本

提示：CUDA版本需要与显卡驱动匹配，可通过nvidia-smi查看最高支持的CUDA版本

2. 项目配置与游戏适配

2.1 克隆与依赖安装

从GitHub获取最新代码库：

git clone https://github.com/Vincentzyx/DouZero_For_HLDDZ_FullAuto cd DouZero_For_HLDDZ_FullAuto pip install -r requirements.txt

关键依赖说明：

pyautogui：用于屏幕操作和图像识别
pynput：监听键盘事件
opencv-python：处理游戏画面分析

2.2 屏幕缩放率调整

Windows系统默认的125%缩放会导致坐标识别错误，需要修改两处配置：

系统设置：
- 右键桌面 → 显示设置 → 缩放与布局 → 改为100%

代码修改：找到main.py第58行：

# 修改前 helper.ScreenZoomRate = 1.25 # 修改后 helper.ScreenZoomRate = 1.00

实测发现：4K显示器用户还需额外调整游戏分辨率至1920×1080，否则牌面识别可能出错。

3. 游戏客户端设置要点

3.1 QQ游戏大厅的特殊配置

必须注意以下细节才能确保AI正常识别：

游戏模式选择"经典玩法"-"不洗牌"
关闭所有特效和动画（设置 → 画面 → 简洁模式）
窗口位置固定为左上角（坐标0,0）
游戏窗口不能最小化，必须保持在前台

3.2 调试技巧

运行诊断脚本检查识别效果：

python debug_screenshot.py

这个脚本会：

截取当前游戏画面
标记识别出的牌面和按钮区域
生成带标注的预览图debug.png

常见问题处理：

如果牌面识别错误 → 调整card_params.json中的颜色阈值
如果按钮点击失效 → 检查button_positions.py中的坐标定义

4. 运行与优化策略

4.1 启动自动化流程

执行主程序并观察日志：

python main.py

正常运行时会在控制台输出类似信息：

[INFO] 检测到游戏窗口 [DEBUG] 手牌识别结果: ['3', '4', '5', '6', '7', '8', '9', '10', 'J', 'Q', 'K', 'A', '2'] [ACTION] 叫地主: 是

4.2 性能优化技巧

通过以下调整可以提升AI决策速度：

修改config.py：

# 增加蒙特卡洛模拟次数（默认1000） NUM_MC_SIMULATIONS = 2000 # 启用快速评估模式 USE_FAST_EVAL = True

GPU加速：在eval.py中设置设备类型：

device = 'cuda' if torch.cuda.is_available() else 'cpu'

内存管理：添加定期清理缓存的代码：
```
import gc gc.collect() torch.cuda.empty_cache()
```

5. 实战效果与策略分析

经过200局测试，AI表现如下：

对战类型	胜率	平均每局耗时
初级场	68%	2分15秒
中级场	59%	3分02秒
高级场	52%	4分18秒

AI出牌策略特点：

激进叫地主：手牌有炸弹时叫地主概率达83%
保留关键牌：会刻意保留2、小王、大王等控制牌
拆牌逻辑：优先保留顺子和连对，单牌次之

注意：长时间运行可能导致账号被检测异常，建议单次运行不超过2小时

6. 进阶改造方向

对于想深入开发的用户，可以考虑以下扩展：

多账号托管：修改multi_instance.py实现：

from multiprocessing import Process def run_bot(account): # 初始化对应账号的bot ... accounts = ['账号1', '账号2', '账号3'] for acc in accounts: p = Process(target=run_bot, args=(acc,)) p.start()

自定义策略：重写douzero/evaluation/simulator.py中的决策逻辑：

def _get_action(self, state): # 添加自定义规则 if self._has_bomb(state): return self._play_bomb() # 保持原有蒙特卡洛逻辑 return super()._get_action(state)

数据记录分析：添加MongoDB存储对局数据：

from pymongo import MongoClient client = MongoClient('localhost', 27017) db = client['douzero_logs'] db.games.insert_one({ 'timestamp': datetime.now(), 'hand_cards': current_hand, 'actions': action_sequence, 'result': game_result })