规则引擎
先把游戏规则做硬：发牌、盲注、下注轮、all-in、摊牌和分池都由 Python 引擎统一处理，界面不替规则兜底。
Game AI System
Texas Hold'em Poker AI
一个能真实对局的德州扑克 Heads-up 系统：规则引擎管牌局，AI 在不完全信息里做下注决策。
德州扑克好玩的地方在于：你永远看不全牌，却必须做一个像样的决定。这个项目把这件事拆成两层： 底层是一套不讲情面的规则引擎，负责每一手牌的合法流程；上层是一套可训练的 AI 策略， 在牌力、位置、赔率和对手行为之间做取舍。
AI stack 4820
A♠K♥8♣4♦J♠
Pot 360
Q♠10♠
equity 0.61SPR 2.8raise 3x
界面截图
下面是实际运行界面：模式选择、实时牌桌、玩家行动按钮、公共牌和行动日志都已经跑通。 对一个扑克 AI 来说，最基本的诚意是牌局真的能打完。
系统结构
我把“能玩起来”和“会做决策”分开处理：先让规则闭环可靠，再把可调策略接到同一个行动接口。 这样 AI 可以换，牌桌不会跟着散架。
策略决策
AI 不是看见大牌就冲。它会综合胜率、位置、底池赔率、SPR 和 fold equity，再选择 fold / call / raise / all-in。
对手建模
玩家不会总按教科书出牌。系统记录 VPIP、PFR、AF、fold-to-cbet 等指标，用行为反推对手范围。
离线训练
CMA-ES 负责离线调参，自博弈结果保存为 JSON；Web 和 CLI 只加载冠军参数，不把训练压力带进对局。
决策链路
每次轮到 AI 行动，引擎会打包可用动作、底池、下注额、位置、公共牌和对手快照。 AI 只负责在约束内做选择，不能凭空发明一个“不合规但很聪明”的动作。
01Game Engine
规则引擎生成牌局状态
02Decision Context
整理底池、位置、可用动作
03Advanced AI
估算胜率并选择行动
04Flask Web UI
把结果反馈到牌桌界面
可展示亮点
- 这不是一张会动的牌桌，而是一套从发牌到结算都能自洽运行的 heads-up 系统。
- AI 决策没有停在固定 if-else，而是把胜率、收益、对手范围和历史风格放到同一张决策桌上。
- 训练和对局解耦：慢活交给离线 self-play，玩家看到的是已经加载好的策略版本。
已补充模式选择、牌桌对局和翻牌阶段截图
核心引擎：engine.py 处理发牌、下注轮、all-in、摊牌和分池
AI 策略：advanced_ai.py 根据胜率、位置、SPR、pot odds 和 fold equity 选择 fold / call / raise / all-in
训练流程：train.py 使用 CMA-ES 和 self-play opponent pool 训练参数
Web 入口：server.py 用 Flask session 包装同步游戏引擎，static/ 提供中英文牌桌界面
当前展示方式：用截图证明可交互版本已经跑通，在线试玩后续再上服务器
运行方式
本地启动后可以直接在浏览器里进行玩家 vs AI 对局，适合复现一手牌的完整流程。
cd C:\homework\poker_github_repo
.\.venv\Scripts\activate
python server.py
# 训练 AI 参数
python train.py --generations 5 --lambda 6 --hands 800 --workers 4