棋盘游戏中蒙特卡洛树搜索（MCTS）的对手落子实现方法

一、节点表示：选「单状态+当前玩家」的标准方案就对了 #

你一开始想的「每个动作生成新状态节点（s₀→a_b→s₁→a_w→s₂）」其实是零和博弈MCTS的标准实现方式，担心它会让AI偏向探索白方糟糕落子是个很典型的误区——问题的核心在于每个节点必须绑定当前轮到谁行动这个信息：

• s₀节点：当前玩家是黑方（你方），分支都是黑方的合法落子
• s₁节点：当前玩家是白方（AI），分支都是白方的合法落子
• s₂节点：玩家回到黑方，以此类推

这种设计不会让AI乱选的原因是选择阶段的UCT公式是站在当前玩家视角计算的：

• 黑方节点会挑能最大化黑方收益的动作；
• 白方节点会挑能最大化白方收益（也就是让黑方收益最小）的动作。

白方节点的价值评估是从它自己的角度出发的，它绝对不会主动去选那些让黑方赚大的落子——因为对它来说那是负收益，UCT计算会自动避开这类选项。

至于你考虑的「合并双方动作到单个节点」的方案，反而会把问题复杂化：根节点的分支数会直接爆炸（黑方每个动作要对应所有白方可能的回应），而且节点内要处理两个玩家的动作组合，完全没必要走这条路。

二、回溯时翻转奖励的做法完全正确 #

你这个思路非常对！在零和博弈的MCTS回溯环节，必须根据节点对应的玩家翻转奖励值：

• 假设模拟结束后黑方获胜（奖励以黑方为基准是+1）：
  • 所有黑方节点（轮到黑方走的节点）的累计奖励加+1；
  • 所有白方节点（轮到白方走的节点）的累计奖励加-1（毕竟白方输了，从它的视角这是实打实的负收益）。

这么做的好处太明显了：

1. 所有节点的价值都是从当前玩家视角出发的，UCT公式可以统一用——不管是黑方还是白方节点，我们只需要选UCT值最高的分支就行，不用针对不同玩家改逻辑；
2. 完美契合零和博弈的核心：一方赚多少，另一方就亏多少，确保AI（白方）只会做对自己最有利的决策，不会帮你方铺路。

三、现成的框架参考 #

几乎所有成熟的零和博弈MCTS实现（比如早期AlphaGo、Leela Zero的基础MCTS模块）都是用的「单状态+当前玩家」的节点设计，核心规则就三条：

• 每个节点唯一对应「游戏状态+当前行动玩家」；
• 选择阶段：当前玩家基于自身视角的UCT值选最优分支；
• 回溯阶段：按节点对应的玩家翻转奖励，更新访问次数和累计价值。

这种设计简洁又靠谱，不用搞花里胡哨的变种，照着实现就行。

内容的提问来源于stack exchange，提问作者ppyht2