宝可梦对战AI：基于50万场对战的神经网络决策系统

一个Chrome浏览器扩展，通过拦截宝可梦对战协议、提取完整战场状态，利用深度为2的expectiminimax搜索和神经网络评估，为玩家提供实时最优行动建议。

• 原作者/维护者: ayuan153
• 来源平台: GitHub
• 原始标题: randbot-web
• 原始链接: https://github.com/ayuan153/randbot-web
• 发布时间: 2026年6月2日

---

这是一个专为宝可梦Showdown随机对战设计的Chrome浏览器扩展，能够在对战中实时分析战场局势并给出最优行动建议。项目结合了博弈树搜索、贝叶斯推断和神经网络评估，展示了如何将复杂的AI技术应用于游戏辅助场景。

---

系统采用多层架构，从页面注入到神经网络评估形成完整的数据处理链：

hook.ts (页面层) → bridge.ts (内容脚本) → sw.ts (服务工作线程) → eval-worker.ts
    ├── minimax.ts (搜索算法)
    ├── learned-eval.ts (ONNX神经网络)
    ├── features.ts (206维特征提取)
    ├── damage.ts (@smogon/calc伤害计算)
    └── opponent-model.ts (贝叶斯对手建模)
    ↓
overlay (Preact, Shadow DOM界面)

hook.ts（页面层）: 直接注入到宝可梦Showdown页面，拦截app.receive()函数以捕获对战协议消息。

bridge.ts（内容脚本）: 作为页面层与扩展之间的桥梁，转发状态数据并挂载UI覆盖层。

sw.ts（服务工作线程）: 协调消息路由，将任务分发给各个处理模块。

eval-worker.ts（Web Worker）: 在独立线程中运行搜索和评估，避免阻塞主线程。

---

状态提取：系统通过拦截对战协议提取完整的战场状态，包括：

• 双方队伍信息（宝可梦、属性、道具、特性）
• 场地效果（天气、场地、状态）
• 对手已揭示的信息

贝叶斯对手建模：这是系统的核心创新之一。由于随机对战中对手的宝可梦配置是随机的，系统采用贝叶斯集合收窄策略：

• 维护对手可能的配置集合
• 随着对战进行和信息披露，逐步排除不可能的配置
• 动态更新对手模型的概率分布

这种建模方式允许AI在信息不完全的情况下做出更准确的决策，类似于扑克AI中的对手建模技术。

---

系统使用深度为2的expectiminimax算法进行决策搜索，结合了alpha-beta剪枝优化：

Expectiminimax的特点：

• 处理游戏中的随机因素（如技能命中率、随机伤害波动）
• 在决策节点使用max（选择最优行动）
• 在随机节点使用expectation（计算期望值）
• 在对手节点使用min（假设对手选择最优应对）

Alpha-beta剪枝： 在搜索过程中剪除不可能影响最终决策的分支，大幅提高搜索效率。尽管搜索深度仅为2，但结合强大的评估函数，已经能够产生高质量的建议。

---

叶节点的评估由一个多层感知器（MLP）神经网络完成：

特征工程：系统提取206维特征向量，涵盖：

• 双方宝可梦的状态（HP、属性、能力值）
• 可用技能及其效果
• 场地状态和环境因素
• 道具和特性的影响
• 对战历史信息

神经网络架构：

• 输入层：206维特征
• 隐藏层：多层感知器结构
• 输出层：胜率预测（0-1之间）
• 准确率：65%的胜率预测准确率

ONNX运行时：模型导出为ONNX格式，使用onnxruntime-web在浏览器中进行实时推理，无需服务器端支持。

---

数据来源：

• HuggingFace数据集：3170万场对战回放
• 筛选条件：Gen 9随机对战，评分1400+的对局
• 最终使用：50万+高质量对局

训练流程：

# 1. 下载对战回放
python -m scraper.download_replays --count 100000

# 2. 提取特征
python -m features.extract_features --input data/replays --output data/training_data.npz

# 3. 训练模型
python -m train.train_model --data data/training_data.npz

# 4. 导出ONNX
python -m export.export_onnx --model models/value-net-v1.pt --output ../models/value-net-v1.onnx

技术栈：

• @smogon/calc: 官方伤害计算库
• @pkmn/data: 宝可梦、技能、特性数据
• onnxruntime-web: 浏览器端神经网络推理
• preact: 轻量级UI框架
• vite: 多入口扩展构建工具

---