为何带Alpha-Beta剪枝的Minimax在四子棋第二轮扩展更多节点？

这种局部的节点数波动其实完全正常，咱们从几个核心角度来拆解原因：

1. 深度限制下的搜索树“有效分支”变化 #

你的AI用了固定8层深度限制，这意味着每次搜索都会遍历从当前状态出发，8步内的所有可能路径（直到深度耗尽或游戏结束）：

• 开局时（人类走了第1步），棋盘只有1个棋子，虽然总可能状态多，但开局阶段很多走法的评估值差异极小，再加上如果你的搜索逻辑优先走中间列（这是Connect Four的最优开局选择），Alpha-Beta剪枝能快速剪掉大量边缘列的无效分支，所以第一轮扩展节点数不多。
• 到了第二轮，人类的第二步走法形成了特定的局部格局——比如人类走了中间列旁边的位置，或者一个能形成潜在威胁的点，此时AI需要评估更多防御/进攻的分支，而且这些分支的评估值差异变大，剪枝的机会大幅减少，最终导致扩展节点数上升。

2. Alpha-Beta剪枝的“搜索顺序”是关键 #

Alpha-Beta剪枝的效率极度依赖是否能在搜索早期找到高价值走法：

• 第一轮搜索时，你大概率优先搜索中间列（最优开局），一旦确定这个走法的价值最高，其他6个边缘列的分支会被快速剪掉，所以节点数少。
• 第二轮时，人类的走法可能打破了这种“一眼就能找到最优解”的局面——比如人类走了一个能形成双向威胁的位置，AI需要逐一评估多个可能的防御走法，而且这些走法的价值差距不大，剪枝几乎起不到作用，自然扩展的节点数会飙升（这也解释了为什么Alpha-Beta剪枝的情况更明显）。

3. 分支因子的“局部稳定性” #

Connect Four的分支因子（每一步的可选走法数）在开局阶段一直是7（所有列都能放棋子），直到某一列被填满才会下降。第二轮时棋盘只有2个棋子，所有7列依然都能走，分支因子和开局时一样。但此时AI的搜索树中，更多路径会涉及“接近赢/输”的局面（比如再走2-3步就能连成线），所以AI需要深入评估这些路径，而不是像开局那样很多路径都是“无关紧要”的空棋盘状态，这也会导致节点数增加。

4. 评估函数的区分度变化 #

当搜索到深度限制时，你会调用评估函数。开局时，空棋盘的状态差异极小，评估函数返回的值都很接近，AI不需要深入搜索就能确定最优走法；但到了第二轮，人类的走法让某些状态的评估值差异变大，AI必须搜索更多分支才能找到最优选择，自然扩展的节点数就上去了。

总结 #

整体趋势下降是符合预期的（随着棋子增多，空位减少，总可能状态必然下降），但局部回合的节点数上升是多种因素共同作用的结果——剪枝效率、搜索顺序、当前状态的威胁/机会、评估函数的区分度都会影响最终的扩展节点数，完全不用太担心。

内容的提问来源于stack exchange，提问作者RicardoC