1. 项目概述从零构建一个能“思考”的C#五子棋最近在整理硬盘翻出来一个十多年前写的C# WinForm五子棋小游戏带人机对战功能。当时写它纯粹是为了练手顺便琢磨一下最简单的AI是怎么“思考”的。没想到现在回头看这个不到200行核心逻辑的小项目麻雀虽小五脏俱全几乎涵盖了桌面应用开发、游戏逻辑、基础AI算法这几个经典模块。对于想入门C#桌面开发或者对游戏AI哪怕是入门级的感兴趣的朋友来说这是一个绝佳的练手项目。这个项目本质上是一个基于估值函数的单步“贪心”AI。它不会像AlphaGo那样“深谋远虑”地推算未来十几步而是非常“务实”地只考虑当前局面下走哪一步对自己最有利。听起来很简单对吧但正是这种简单让它成为了理解更复杂博弈算法比如极大极小值、Alpha-Beta剪枝的完美跳板。整个项目用C# WinForm实现UI交互、棋盘绘制、胜负判定、AI决策一应俱全。接下来我就把这个项目的设计思路、核心代码以及我当年踩过的坑掰开揉碎了跟大家分享一下。2. 核心设计思路如何让电脑“看懂”棋盘要让电脑下棋首先得解决一个根本问题如何将人类眼中的“棋盘形势”转化为计算机可以量化和比较的“分数”这就是估值函数Evaluation Function的核心任务。2.1 棋盘与棋子的数据建模在代码里棋盘被抽象成一个13x13的二维逻辑网格。但这里有个小技巧我们并没有用一个二维数组来直接存储而是用一个ListPos来管理所有棋位。Pos是一个自定义的类记录了每个位置的坐标(X, Y)、是否有棋子(Have_chess)以及棋子类型(Type0为空1为白棋2为黑棋)。class Pos { public int X { get; set; } public int Y { get; set; } public bool Have_chess { get; set; } public int Type { get; set; } // ... 构造函数 } private ListPos null_chess_pos_list; // 存储所有棋位状态的列表为什么用List而不是二维数组在当时主要是为了遍历和查找空位方便。List配合Linq写起来更“C#”一些。但回过头看如果纯粹追求性能二维数组在内存访问上会更连续、更快。不过对于13x13这种小规模棋盘差异微乎其微。实操心得在小型项目中代码的清晰度和可维护性往往比极致的性能更重要。用ListPos让棋位状态成为一个“对象”后续要添加新属性比如这个位置的历史评分、热度等会非常方便。这是一种面向对象思维的体现。2.2 胜负判定逻辑四向递归扫描五子棋的胜负判定规则很直观横、竖、左斜、右斜四个方向任意一方有连续五个同色棋子即获胜。在代码中这个逻辑被拆分成四个独立的递归函数horizontal_check,vertical_check,left_up_check,right_up_check。每个函数的逻辑都类似从一个棋子出发沿着一个方向比如横向向右递归检查下一个位置是否也是同色棋子累计连续数量。当数量达到5时触发游戏结束。private int horizontal_check(Pos pos, int count) { if (count 5) // 五连珠达成 { // 弹出获胜提示 game_over true; } // 递归检查下一个位置 if (pos.X 1 13 pos.Type ! 0) { var nextPosIndex get_pos_index_from_null_chess_list(pos.X 1, pos.Y); if (null_chess_pos_list[nextPosIndex].Type pos.Type) horizontal_check(null_chess_pos_list[nextPosIndex], count 1); } return count; }这里有一个关键细节每次玩家或AI落子后check_win()函数会遍历棋盘上每一个有棋子的位置并从这个位置出发向四个方向进行胜负判定。这是一个O(n*m)的操作n为棋子数量m为方向数在棋盘较空时效率尚可但当棋子布满大半棋盘时会有不必要的性能开销。优化思路更高效的做法是只检查最新落子的那个点。因为新形成的五连珠必然包含这个最新落子。只需从这个新落子点出发向四个方向延伸检查即可将复杂度降至常数级O(1)。这是我后来重构时才优化的点最初的版本采用了全局遍历是典型的“初学者思维”虽然逻辑正确但不够高效。2.3 AI大脑基于模式匹配的估值函数这是本项目的灵魂。AI如何决定下一步走哪里其核心是一个预定义的模式字典和一个评分函数。第一步定义模式与分数。在init_score_dict()函数中我们预先定义了一系列棋盘模式用字符串表示如22222代表黑棋五连及其对应的分数。分数设定是主观的但遵循一个核心原则对自己越有利或对对手威胁越大的模式分数越高。private void init_score_dict() { // 黑棋AI五连直接获胜分数极高 dict.Add(22222, 122222); // 黑棋活四两边都没被堵住离胜利一步之遥 dict.Add(022220, 12222); // 黑棋冲四一边被堵住威胁也很大 dict.Add(122220, 5222); // 白1黑2222空0 // 黑棋活三 dict.Add(02220, 2522); // ... 其他模式如死四、活二、跳三等 }字符串中的数字含义0代表空位1代表白棋玩家2代表黑棋AI。模式122220表示“白棋 | 黑棋黑棋黑棋黑棋 | 空位”这是一个黑棋的“冲四”局面非常危险。第二步为每个空位打分。AI在决策时会遍历棋盘上所有空位。对于每一个空位它会进行一个思维实验如果我把我的棋子黑棋放在这里会形成什么样的局面模拟落子创建一个临时的Pos对象其Type设为2黑棋。获取四向格局以这个虚拟落子点为中心向横、竖、左斜、右斜四个方向各取一个长度为最多11个位置的字符串中心点两边各延伸最多5格。这个字符串代表了该方向上的棋子分布。// 例如获取横向格局 private string get_horizontal_pos_str(Pos tempPos) { // 向左、向右各找最多5个位置连同中心点自己组成一个字符串 // 比如可能是 00122200 }模式匹配与计分将得到的四个方向的字符串与模式字典中的每一个键进行匹配。如果当前格局包含某个模式或其反转字符串因为方向可逆就把该模式对应的分数累加到当前空位的总分上。int score 0; string horizontalPattern get_horizontal_pos_str(virtualPos); foreach (var pattern in dict) { if (horizontalPattern.Contains(pattern.Key) || horizontalPattern.Contains(ReverseString(pattern.Key))) score pattern.Value; } // 对 vertical, leftUp, rightUp 方向做同样操作第三步选择最高分。所有空位都打完分后AI简单地选择分数最高的那个空位落子。这就是“贪心”算法——只选择当前瞬间看起来最好的那一步不考虑对手的后续反应。深度解析为什么模式匹配有效这个方法的巧妙之处在于它把复杂的棋盘形势评估转化为了字符串的模式识别问题。02220活三比00220活二分数高是因为活三的获胜概率远大于活二。通过给不同模式赋予精心设计的分数我们实际上是将人类棋手的经验“活三要堵”“冲四必须防”编码进了程序。虽然它没有“前瞻性”但通过评估所有可能的“下一步”所形成的静态局面它依然能做出相当不错的防守和进攻选择。3. 关键代码模块拆解与实现细节3.1 界面绘制与交互透明按钮的妙用WinForm绘制棋盘通常有两种方式1) 在Paint事件中用Graphics画线2) 使用TableLayoutPanel或Panel动态放置控件。这里采用了第一种方式绘制网格线而棋子则是用动态生成的Button控件来表现。绘制棋盘网格在draw_chess_grid()中使用Graphics.DrawLine方法画出13x13的网格线。这里坐标计算是关键棋盘左上角起点是(50, 50)每个格子宽高50像素。private void draw_chess_grid() { var graphics this.CreateGraphics(); var pen new Pen(Brushes.Black, 2.0f); // 画竖线 for (int x 0; x 13; x) { graphics.DrawLine(pen, new Point(50 x * 50, 50), new Point(50 x * 50, 50 50 * 12)); } // 画横线类似逻辑 }创建棋子落点透明按钮为了让玩家能点击落子我们在每个网格交叉点共13x13169个放置了一个透明的Button。这是UI交互的核心。private void new_chess_pos(int x, int y) { var button new Button(); button.Location new Point(x, y); // 位置对应网格交叉点 button.Size new Size(40, 40); // 按钮比格子稍小视觉更舒适 set_btn_style(button); // 关键设置为透明无边框样式 this.Controls.Add(button); button.Click new EventHandler(button1_Click); // 绑定点击事件 buttons.Add(button); // 统一管理 } private void set_btn_style(Button btn) { btn.FlatStyle FlatStyle.Flat; btn.ForeColor Color.Transparent; btn.BackColor Color.Transparent; // 背景透明 btn.FlatAppearance.BorderSize 0; // 无边框 // 鼠标悬浮和按下时也保持透明 btn.FlatAppearance.MouseOverBackColor Color.Transparent; btn.FlatAppearance.MouseDownBackColor Color.Transparent; }踩坑记录透明按钮的点击区域。最初我把按钮大小设成和格子一样大50x50但发现相邻按钮的边缘会重叠导致点击一个位置可能触发两个按钮的事件。后来将按钮大小调整为40x40小于格子间距解决了这个问题。UI设计时交互控件的热区一定要考虑清楚避免重叠或歧义。3.2 游戏状态管理与坐标转换游戏中有两套坐标系统窗口坐标像素按钮的Location属性用于界面显示。逻辑坐标网格棋子在13x13棋盘上的(X, Y)索引用于所有游戏逻辑计算。两者需要频繁转换窗口坐标 - 逻辑坐标(button.Location.X - 30) / 50。因为棋盘起点是(30, 30)每个格子50像素。逻辑坐标 - 窗口坐标pos.X * 50 30。private Point location_to_point(Button button) { return new Point((button.Location.X - 30) / 50, (button.Location.Y - 30) / 50); } private Point point_to_location(Pos pos) { return new Point(pos.X * 50 30, pos.Y * 50 30); }状态同步null_chess_pos_list列表是核心的状态存储。每当一个按钮被点击落子程序会通过location_to_point找到对应的逻辑坐标。在null_chess_pos_list中找到对应的Pos对象。更新其Have_chess true和Type1或2。同时改变按钮的BackgroundImage来显示白棋或黑棋的图片。这种数据与视图分离的设计虽然简单但概念清晰。所有胜负判断、AI计算都只依赖于null_chess_pos_list这个数据源UI只是它的一个可视化反映。3.3 AI决策核心get_best_pos()函数详解这是AI的“决策中心”让我们一步步拆解private Pos get_best_pos() { // 1. 初始化一个字典用于存储每个空位及其评分 var dict_score new DictionaryPos, int(); // 2. 遍历所有棋位只处理空位 for (int i 0; i null_chess_pos_list.Count; i) { if (null_chess_pos_list[i].Have_chess false) { // 3. 关键为AI黑棋2模拟落子在这个空位 // 注意这里创建了一个新的Pos对象Type设为2但并未修改原始棋盘数据 Pos virtualPos new Pos(null_chess_pos_list[i].X, null_chess_pos_list[i].Y, null_chess_pos_list[i].Have_chess, 2); // 假设AI黑棋落子 // 4. 调用评分函数计算如果AI落子在此局面的得分 int score get_pos_score(virtualPos); // 5. 将原始的空位不是virtualPos和得分存入字典 dict_score.Add(null_chess_pos_list[i], score); } } // 6. 按分数从高到低排序 var sortedDict dict_score.OrderByDescending(o o.Value) .ToDictionary(p p.Key, o o.Value); // 7. 返回分数最高的那个空位 return sortedDict.Keys.First(); }这里有一个极其重要的细节第3步中我们创建了一个新的Pos对象virtualPos并将其Type设为2用于模拟评分。我们没有直接修改null_chess_pos_list[i]的Type。这是因为评分过程是“假设性”的我们不能因为评估一个位置就污染了真实的棋盘状态。这个virtualPos对象在评分函数get_pos_score中使用后就被丢弃了。get_pos_score(Pos pos)函数的工作就是前面提到的以pos为中心获取四个方向的格局字符串并与模式字典匹配累加分数。3.4 模式字典的设计哲学与分数设定模式字典是这个AI的“知识库”。分数不是随便填的它直接决定了AI的棋风是激进还是保守。我们来分析一下原代码中的一些设定dict.Add(22222, 122222); // 己方五连必胜分数最高 dict.Add(022220, 12222); // 己方活四下一手必胜分数次高 dict.Add(122220, 5222); // 己方冲四一端被堵必须应对分数高 dict.Add(02220, 2522); // 己方活三有发展潜力分数中高 dict.Add(00220, 522); // 己方活二基础连接 dict.Add(211112, 52222); // **注意这个**这是“白棋五连”不仔细看是“白1 | 黑1 | 白1 | 白1 | 黑2”这似乎是个无效或错误模式。这可能是一个笔误。常见问题与修正 原代码中的211112等模式令人费解。一个合理的五子棋模式字典应该专注于描述单一颜色的棋子排列。通常我们会分别为**AI黑棋和玩家白棋**定义威胁模式并在评分时同时评估。一个更清晰的思路是评估AI落子进攻计算如果AI下这里能形成多强的攻击阵型黑棋模式。评估玩家落子防守计算如果玩家下这里会形成多强的攻击阵型白棋模式。AI需要优先阻止玩家的高威胁点位。因此更合理的实现是双模式字典或者在一个字典中同时包含对黑棋和白棋模式的评分。AI的最终得分可能是进攻分 * 进攻权重 防守分 * 防守权重。原代码似乎试图在一个字典里混合两种颜色的模式这容易导致逻辑混乱和评分失衡。我的优化方案我后来重构时将模式字典分成了两个attackPatterns黑棋模式和defendPatterns白棋模式。get_pos_score函数会分别计算“假设我下这里”的进攻分和“假设对手下这里”的威胁分。AI的最终选择会综合考虑优先堵死对手的活四、冲四其次创造自己的活四、活三。这样AI会显得“聪明”很多攻防兼备。4. 项目扩展与优化方向这个200行的Demo是一个完美的起点但也有很多可以深化和优化的地方。4.1 从“单步贪心”到“多步搜索”极大极小值算法当前AI最大的局限是“短视”。它看不到对手的应对。比如它可能创造一个自己的“活三”但没注意到对手在另一边已经有一个“冲四”了结果只顾进攻而输掉比赛。引入极大极小值算法可以解决这个问题。其核心思想是AI最大化玩家试图选择让最终分数最大化的走法。对手最小化玩家试图选择让最终分数最小化的走法。通过递归模拟未来几步例如3步AI - 玩家 - AI形成一个搜索树。在树的叶子节点用我们现在的估值函数计算局面分数。通过回溯选择对AI最有利的路径。简单来说就是AI会想“如果我走这里对手最好的应对是那里然后我再这样走……最后局面大概会是多少分”结合Alpha-Beta剪枝可以大幅减少需要评估的节点数提升搜索深度。我们的单步估值函数get_pos_score在这里就成为了极大极小值算法中评估叶子节点局面的静态评估函数。这是从“直觉型”AI升级到“思考型”AI的关键一步。4.2 性能优化实战胜负判定优化如前所述将全局遍历改为仅检查最新落子点。AI评分缓存get_pos_score函数计算量较大涉及大量字符串生成和模式匹配。可以引入一个缓存字典Dictionarystring, int键是“位置坐标当前棋盘快照的哈希值”值是该位置的评分。当棋盘变化不大时可以直接使用缓存值。空位筛选启发式搜索AI不需要评估棋盘上所有169个空位。通常有意义的落子点都在已有棋子的周围。可以首先收集所有已有棋子周围一格范围内的空位只对这些“热点区域”进行评分能极大减少计算量。使用位棋盘Bitboard对于五子棋这种二元状态黑、白、空的游戏使用位运算一个64位long型整数表示一种棋子的分布可以极大提升状态判断、模式匹配的速度。这是高级棋类AI的常用技巧但实现复杂度较高。4.3 功能增强与体验提升游戏模式当前有双人、人机、联网预留模式。可以完善联网对战使用Socket或网络库实现双人远程对战。难度分级简单使用当前的单步贪心算法。中等实现2-3层深度的极大极小值搜索。困难实现4-5层深度的Alpha-Beta剪枝搜索并配合更复杂的估值函数。UI/UX改善落子动画和音效。显示最后获胜的五颗棋子高亮。实现游戏回放和保存/加载功能。代码重构将游戏逻辑Game、棋盘数据Board、AI引擎AIEngine、UI控制器Form分离遵循MVC或类似模式。这样代码更清晰也便于单元测试。将模式字典、评分函数等配置参数外置到配置文件方便调整AI难度和棋风。5. 开发中遇到的典型问题与解决方案5.1 棋盘坐标偏移与数组越界这是最初调试时最常见的问题。棋盘逻辑是13x13索引从0到12。但在向四个方向延伸获取格局字符串时很容易写出while (head_x - 1 0)这样的边界条件0是对的但有时会错写成0导致漏掉边界上的格子。解决方案在get_horizontal_pos_str这类函数中将边界检查逻辑单独提取成方法并仔细测试边界情况如棋子在棋盘四个角上时。5.2 模式字典的“漏判”与“误判”最初设计的模式字典可能不完整导致某些重要局面如“跳活三”020220没有被识别或者某些无关紧要的局面被赋予了高分。解决方案系统化枚举理论上在5个点的序列中枚举所有黑棋和白棋的组合情况并根据其威胁程度人工赋予分数。这是一个繁琐但必要的过程。测试驱动编写单元测试构造大量典型棋形活三、冲四、双活三等验证AI是否能正确识别并走到最佳应对点。动态调整让AI自己跟自己下自我对弈记录输赢用简单的强化学习思路微调模式分数。例如如果某种模式经常出现在赢棋方就适当提高其分数。5.3 AI“智障”时刻忽视防守这是单步贪心算法的通病。AI可能只顾着连接自己的两个子而对玩家即将成五的“冲四”视而不见。解决方案如前所述在评分函数中加入对对手威胁的评估。计算某个空位对白棋玩家的潜在分数并将这个“防守分”以更高的权重加入到总评分中。例如// 伪代码 int aiScore EvaluatePosition(pos, AI_COLOR); // AI下这里的进攻价值 int playerScore EvaluatePosition(pos, PLAYER_COLOR); // 玩家下这里的威胁程度 int finalScore aiScore playerScore * DEFEND_WEIGHT; // 防守权重可以设为1.5或2这样AI会优先抢占那些既能发展自己又能破坏对手的关键点。5.4 悔棋功能在AI对战中的特殊性在双人模式下悔棋一步即可。但在人机对战模式下玩家悔棋时需要连续回溯两步先撤销玩家上一步再撤销AI对应的上一步。原代码在button_back_Click事件中对此做了处理case 1: // 人机对战模式 back_chess(); // 撤销玩家步 back_chess(); // 撤销AI步 break;这保证了棋盘状态和回合顺序的正确性。6. 总结与资源这个C#五子棋项目虽然代码量不大但它像一颗棱镜折射出小型游戏项目开发的多个基本面UI绘制与交互、核心游戏逻辑、基础AI算法。通过它你可以实践面向对象设计、事件驱动编程、递归算法、以及最重要的——如何将模糊的人类策略“这里好像很重要”转化为精确的计算机指令“这个模式的分数是12222”。给初学者的建议先跑起来把代码复制到Visual Studio中理解每一行确保它能运行。修改与破坏尝试修改模式字典的分数观察AI行为的变化。故意写一个错误的胜负判断看看会怎样。实现一个功能比如给游戏加上“提示”功能高亮显示AI认为当前最好的落子点。挑战自己尝试实现前面提到的“极大极小值算法”的简化版比如只思考2层。这个项目的完整源码你可以在许多开源代码托管平台如GitHub上搜索“C# Gomoku”或“C# Five in a Row”找到类似的实现。我建议不要直接复制而是参照思路自己动手从头实现一遍。过程中遇到的每一个bug和每一次优化都是你实实在在的成长。编程的乐趣就在于这种从无到有、从笨拙到精巧的创造过程。希望这个小小的五子棋能成为你探索更广阔编程世界的一个有趣起点。