这篇文章分享了作者使用Trae平台，通过PyTorch和TensorFlow实现井字棋AI开发，并结合PyQt5优化用户体验的实践过程。作者将童年井字棋游戏与Minimax算法、Alpha-Beta剪枝等人工智能技术联系起来，探讨了算法背后的决策智慧，以及在青春记忆中的情感共鸣。文章不仅介绍了技术实现，更融入了对青春岁月的怀念，引发了对人工智能与人类情感关系的思考。

🕹️ **青涩的“如果体”思维**：文章指出，井字棋游戏中的预判思维，与Minimax算法的雏形相符，即推演两三步后的棋局，提前预判对方的应对。

🧠 **懵懂的最大最小原则**：作者解释了在井字棋中，玩家本能地遵循最大最小原则，即在自己回合最大化收益，对方回合最小化收益，最终在“最坏可能”里选择“相对最好”的策略。

⚖️ **Alpha-Beta剪枝的实现技巧**：文章详细介绍了Alpha-Beta剪枝的原理，通过维护alpha和beta两个值，当alpha >= beta时，终止当前分支的探索，从而提高算法效率。

🏆 **胜负判定函数**：文章展示了胜负判定函数，该函数作为赛场裁判，每走一步就检查是否有玩家连成直线。返回1表示玩家胜，-1表示AI胜，0代表继续比赛。

我正在参加Trae「超级体验官」创意实践征文，本文所使用的 Trae 免费下载链接：www.trae.com.cn/?utm_source…

藏在井字棋里的青春密码

十五岁的午后，教室窗外的梧桐叶在初夏的风里沙沙作响。她用铅笔在草稿纸上画下歪歪扭扭的井字格，抬头时马尾辫扫过我的课本。"该你了"，她指着第三行第二列的空格，眼睫在阳光下扑闪。那时我们总以为，这九宫格里的"X"与"O"不过是课间十分钟的游戏，却不知那些交错的三连棋里，藏着后来让我痴迷的算法奥秘。

二十年后的今天，当我用代码复现这个游戏时，屏幕上的AI总能精准落子。那些被橡皮擦抹去的棋局，那些故意输掉的对局，那些藏在胜负里的小心思，忽然在记忆里鲜活起来——原来当年我们稚嫩的博弈策略，早已预言了人工智能领域最经典的Minimax算法。

Trae 圆梦

首先，我们向Trae发出请求： “基于pytorch或者TensorFlow实现井字棋AI开发（Minimax算法+alpha-beta剪枝）”

随后系统会自动生成大量代码，其中部分内容你可能熟悉，也可能有些陌生。不过无需担心，我们可以根据提示信息，将这些代码逐一复制粘贴到对应的项目文件中。

完成代码的复制粘贴后，请运行 main.py 文件。若程序正常运行，控制台将进入交互模式，此时可以开始输入指令。

由于命令行交互体验不佳，我们进一步向 Trae 发送指令： “使用 PyQt5 实现 GUI 界面” ，以优化用户操作体验。

执行效果如下：

现在，这个小游戏已经可以发送给你的初恋对象啦！下面我们简单分析下游戏原理：为什么当年玩井字棋总是赢不了呢？

藏在青春悸动里的决策智慧

2.1 青涩的"如果体"思维

"如果我把棋子放在这里，她会怎么应对？"当年的课桌上，我们本能地推演着两三步后的棋局。这种朴素的预判思维，正是Minimax算法的雏形。

就像少年在纸条上写下又划去的告白词，算法也在虚拟的决策树上反复权衡：

若此刻落子角落（最大收益）但对方可能封堵中间（最小收益）于是转而抢占中心（平衡策略）

2.2 懵懂的最大最小原则

那时的我们不懂算法，却在本能践行着核心逻辑：

自己回合（最大化层）：偷偷创造双杀机会对方回合（极小化层）：假设她会做出最聪明的应对最终选择：在所有"最坏可能"里选"相对最好"

这种思维模式，像极了初恋时小心翼翼的试探：既期待对方察觉心意，又害怕被直接拒绝后的尴尬。算法中的评分机制，恰似少年藏在课桌抽屉里的日记，给每个选择默默打分。

逐行解析核心算法

3.1 胜负判定函数

这个函数就像赛场裁判，每走一步就检查是否有玩家连成直线。返回1表示玩家胜，-1表示AI胜，0代表继续比赛。

def check_winner(board):    # 检查横向三连    for i in range(3):        if board[i,0] !=0 and (board[i] == board[i,0]).all():            return board[i,0]    # 检查纵向三连（类似逻辑）    # 检查两条对角线    return 0

3.2 Minimax递归框架

这个递归函数像一位深谋远虑的军师，不断推演后续可能的发展。参数说明：

depth：记录递归深度（井字棋最多9层）is_maximizing：当前是AI还是玩家回合alpha/beta：记录当前最优解的上下界

def minimax(board, depth, is_maximizing, alpha, beta):    # 终止条件    winner = check_winner(board)    if winner !=0:        return 1 if winner==-1 else -1  # AI胜得1分        if 棋盘已满:        return 0  # 平局    if is_maximizing:  # AI回合        best = -∞        for 每个空位:            模拟落子            score = minimax(新棋盘, depth+1, False, alpha, beta)            best = max(best, score)            alpha = max(alpha, best)            if beta <= alpha:  # Alpha-Beta剪枝                break        return best    else:  # 玩家回合        # 类似逻辑，取最小值

Alpha-Beta剪枝原理

4.1 剪枝的必要性

假设AI在评估某个走法时，发现后续存在必输的局面，就可以立即放弃这个分支。就像下棋时说："这步棋走下去肯定要输，不用再算了！"

4.2 剪枝的实现技巧

通过维护两个值：

alpha：已知的玩家最少能给AI的分数beta：已知的AI最多能获得的分数

当alpha >= beta时，说明当前分支已经没有继续探索的价值。代码中对应的关键片段：

if beta <= alpha:    break  # 剪枝！

4.3 实际案例演示

假设当前棋盘：AI（O方）在计算时，发现某步棋可能导致玩家下一步形成双杀。这时Alpha-Beta机制会立即终止该分支的深入计算。

X |   | O---------  | X |  ---------O |   |  

当代码中的check_winner()函数扫描棋盘时，我总会想起她突然亮起来的眼睛——那年午后，她用手指划过三个连成一线的"O"，欢呼声惊飞了窗台的白鸽。如今的AI虽能瞬间判断胜负，却永远读不懂获胜时人类眼底的星光。

在minimax()函数的递归深处，算法在虚拟时空中推演着万千可能。这多像十七岁那个雨季，我在数学课上草稿本写满的"如果"："如果那天帮她捡起橡皮时多说一句话"、"如果校运会时报名双人项目"...那些未说出口的选择枝桠，最终都成了记忆里的alpha-beta剪枝。

致青春

当我们用算法复现青春的游戏，那些冰冷的代码竟也有了温度。屏幕上的AI永远理性，但当年故意输掉棋局时，藏在规则漏洞里的温柔，才是人类最珍贵的算法。或许人工智能永远学不会，为什么某个初夏的课间，有个少年明明看到必胜棋路，却悄悄把棋子落在了别处。

完整代码示例

import sysimport torchfrom PyQt5.QtWidgets import QApplication, QWidget, QPushButton, QGridLayout, QMessageBoxPLAYER = 1AI = -1EMPTY = 0symbols = {PLAYER: 'X', AI: 'O', EMPTY: ' '}def check_winner(board):    for i in range(3):        if board[i, 0] != 0 and (board[i] == board[i, 0]).all():            return board[i, 0].item()        if board[0, i] != 0 and (board[:, i] == board[0, i]).all():            return board[0, i].item()    if board[1, 1] != 0:        if (board[0, 0] == board[1, 1] and board[2, 2] == board[1, 1]) or \           (board[0, 2] == board[1, 1] and board[2, 0] == board[1, 1]):            return board[1, 1].item()    return 0def minimax(board, depth, is_maximizing, alpha, beta):    winner = check_winner(board)    if winner != 0:        return 10 - depth if winner == AI else depth - 10    if torch.all(board != 0):        return 0    if is_maximizing:        best_score = -float('inf')        for move in torch.nonzero(board == 0):            row, col = move            new_board = board.clone()            new_board[row, col] = AI            score = minimax(new_board, depth + 1, False, alpha, beta)            best_score = max(best_score, score)            alpha = max(alpha, best_score)            if beta <= alpha:                break        return best_score    else:        best_score = float('inf')        for move in torch.nonzero(board == 0):            row, col = move            new_board = board.clone()            new_board[row, col] = PLAYER            score = minimax(new_board, depth + 1, True, alpha, beta)            best_score = min(best_score, score)            beta = min(beta, best_score)            if beta <= alpha:                break        return best_scoredef find_best_move(board):    best_score = -float('inf')    best_move = None    for move in torch.nonzero(board == 0):        row, col = move        new_board = board.clone()        new_board[row, col] = AI        score = minimax(new_board, 0, False, -float('inf'), float('inf'))        if score > best_score:            best_score = score            best_move = (row.item(), col.item())    return best_moveclass TicTacToe(QWidget):    def __init__(self):        super().__init__()        self.setWindowTitle("Tic Tac Toe - PyQt5")        self.board = torch.zeros((3, 3), dtype=torch.int)        self.buttons = [[None for _ in range(3)] for _ in range(3)]        self.init_ui()    def init_ui(self):        layout = QGridLayout()        for row in range(3):            for col in range(3):                btn = QPushButton('')                btn.setFixedSize(100, 100)                btn.setStyleSheet("font-size: 24px;")                btn.clicked.connect(lambda _, r=row, c=col: self.player_move(r, c))                self.buttons[row][col] = btn                layout.addWidget(btn, row, col)        self.setLayout(layout)    def player_move(self, row, col):        if self.board[row, col] != 0:            return        self.board[row, col] = PLAYER        self.update_ui()        if self.check_game_end():            return        self.ai_move()    def ai_move(self):        move = find_best_move(self.board)        if move:            row, col = move            self.board[row, col] = AI            self.update_ui()            self.check_game_end()    def update_ui(self):        for row in range(3):            for col in range(3):                self.buttons[row][col].setText(symbols[self.board[row, col].item()])    def check_game_end(self):        winner = check_winner(self.board)        if winner != 0:            QMessageBox.information(self, "Game Over", "You win!" if winner == PLAYER else "AI wins!")            self.reset_game()            return True        elif torch.all(self.board != 0):            QMessageBox.information(self, "Game Over", "It's a tie!")            self.reset_game()            return True        return False    def reset_game(self):        self.board[:] = 0        self.update_ui()if __name__ == '__main__':    app = QApplication(sys.argv)    window = TicTacToe()    window.show()    sys.exit(app.exec_())