🎮 Game Console 游戏机

一个 Minecraft 模组，为游戏添加一台便携式游戏机，内含 32 款经典小游戏。

安装与使用 · 围棋 AI 与设置 · 构建与测试 · 围棋训练

📋 基本信息

项目	内容
游戏版本	Minecraft 1.21.1
模组加载器	NeoForge 21.1.241
Java 版本	21
模组版本	1.0.0
作者	Barbatosishere

🕹️ 游戏列表

🟠 棋牌类 (7款)

游戏	说明
五子棋	经典棋类对弈，先连成五子者获胜
围棋	围地为王，黑白博弈的艺术
井字棋	简单而经典的三子连线游戏
中国象棋	千年国粹，楚河汉界的较量
国际象棋	六十四格，黑白王后的战场
斗地主	经典三人扑克牌游戏
猜大小	猜测骰子点数大小，考验运气与直觉

🔴 动作类 (9款)

游戏	说明
贪吃蛇	控制小蛇吃食物，不断成长变长
像素鸟	点击让小鸟飞过管道间隙
打砖块	用挡板反弹球击碎所有砖块
平台跳跃	跳跃平台收集金币的冒险之旅
森林冰火人	双人合作冒险，收集钻石过关
黑洞大作战	控制黑洞吞噬一切的io游戏
水果忍者	挥动鼠标切开飞出的水果
颜色追逐	在色彩世界中追逐与闪避
跳一跳Pro	蓄力跳跃，精准落在平台上

🔵 益智类 (7款)

游戏	说明
扫雷	找出所有地雷而不触发它们
俄罗斯方块	旋转方块组成完整行并消除
接水管	旋转管道使水流从起点到终点
推箱子	推动箱子到指定目标位置
华容道	滑动方块让曹操到达出口
拼图游戏	移动拼图块还原完整图片
数独	填入数字使每行列宫均不重复

🟢 休闲类 (9款)

游戏	说明
迷宫	在迷宫中找到出口，小心鬼魂
记忆翻牌	翻牌找出所有匹配的对子
消消乐	交换相邻物品消除三个以上连线
塔防游戏	建造防御塔抵御怪物入侵
记忆反应	记住并重复越来越长的序列
鼠标反应	控制鼠标穿过不断变窄的隧道
Minecraft 2D	2D版Minecraft，挖掘与建造
音游	跟随节奏点击下落的音符
打地鼠	快速点击冒出的地鼠

🔨 合成配方

黑曜石  铁锭    黑曜石
        红石块
黑曜石  铁锭    黑曜石

共需 4 个黑曜石、2 个铁锭和 1 个红石块。配方见 game_console.json。

🚀 使用方法

1. 使用 Java 21，安装 Minecraft 1.21.1 和 NeoForge；当前构建使用 NeoForge 21.1.241。
2. 将模组 JAR 放入所用游戏实例的 mods 文件夹。可自行构建，或从 GitHub Actions 成功运行的 GameConsole-jar 附件下载并解压。
3. 启动游戏，按配方合成，或在创造模式物品栏「游戏机」分类中获取游戏机。
4. 右键使用游戏机即可打开游戏选择界面

有命令权限时也可使用 /give @s game_console:game_console。多人游戏请在服务端和各客户端安装相同版本的模组，再从游戏选择界面进入「联机大厅」；可用模式以大厅中各游戏的标签为准。

✨ 功能特性

• 🎮 32 款经典小游戏，涵盖棋牌、动作、益智、休闲四大分类
• 🌐 联机大厅，支持局域网多人游戏
• 🎨 精美的暗色主题 UI 界面
• 🏆 部分游戏支持难度选择
• ⌨️ ESC 退出确认弹窗，防止误操作
• 🏅 跳一跳、鼠标反应、俄罗斯方块和像素鸟的个人最高分持久化保存
• 🌏 游戏选择器、联机大厅和公共退出弹窗支持中文与英文
• ⚙️ JSON 设置导入，可配置围棋搜索时间、模型路径和 GPU 开关
• 🧠 围棋内置 MCTS 搜索与神经网络评估，支持自对弈、KataGo 对抗训练及可选 OpenCL 加速

个人最高分保存在游戏实例目录的 game_console/data/game_scores.json，按玩家 UUID 和游戏 ID 区分。纪录只在提高时更新，并在后台保存；它用于个人纪录展示。俄罗斯方块长按移动按固定 tick 推进，像素鸟跳跃响应每次实际按下；失焦和退出确认期间暂停这两款游戏。

围棋 AI 与设置

在游戏选择界面点击「导入设置」，选择 JSON 文件。设置保存至游戏实例目录下的 game_console/data/game_settings.json。下面是围棋配置示例；将 modelPath 改为训练得到的本地模型文件的绝对路径，未训练时可留空。

{
  "go": {
    "searchTime": 1000,
    "mctsIterations": 500,
    "komi": 7.5,
    "gpu": true,
    "modelPath": "D:/models/go.nev"
  }
}

searchTime 单位为毫秒。导入后重新创建围棋对局以加载模型和搜索设置；修改 GPU 开关后重启客户端。没有有效模型文件时，内置 AI 使用随机初始化的网络权重，训练效果和棋力需要另行评估。

GPU 加速需要驱动提供支持双精度运算的 OpenCL 设备。GPU 不可用时自动回退 CPU；初始化失败后会在冷却 30 秒后的下一次尝试中重新探测。模组 JAR 不内嵌 JNA，游戏运行时使用环境提供的 JNA；Gradle 的训练和测试任务会添加所需运行依赖。

🛠️ 构建与测试

需要 JDK 21。首次构建需要联网下载 Gradle、NeoForge 和其他依赖。先获取源码：

git clone https://github.com/Barbatosishere/game_console.git
cd game_console

Windows PowerShell：

.\gradlew.bat test build --no-daemon

Linux / macOS：

bash ./gradlew test build --no-daemon

当前产物为 build/libs/Game Console-1.0.0-NeoForge-1.21.1-beta7.jar，命名由 build.gradle 决定。测试报告位于 build/reports/tests/test/index.html。

游戏生命周期、输入状态、个人纪录和精灵纹理的设计参考了 Tejty/GameDiscs 的 NeoForge 1.21.1 分支，并结合本项目的联机和暂停行为重新实现。

仅运行围棋 GPU 压测和生命周期回归：

.\gradlew.bat test --no-daemon --tests '*GoGpuStressTest' --tests '*OpenCLLifecycleRegressionTest'

2026-10-07，在提交 5c90d39 对应代码上完成全量构建与 227 项测试，0 失败、0 跳过。RTX 2060 上验证了 24 线程、3,072 次并发推理，12 次 GPU/CPU 训练更新，6 轮 OpenCL 上下文创建与释放，以及批次大小 1/64/65/3/129/2 的扩缩容。新增硬件测试在没有可用 GPU 时会跳过，查看报告中的跳过数量可确认本机是否实际执行了设备测试；这些结果不代表其他显卡、驱动或整局棋力的验证。

围棋训练

训练任务从源码目录运行，无需启动 Minecraft。以下使用 PowerShell；Linux / macOS 将 .\gradlew.bat 替换为 bash ./gradlew。当前任务按空白拆分 trainArgs / advArgs，参数中的文件路径请使用不含空格的路径。

GPU 探测

.\gradlew.bat gpuProbe --no-daemon

根据输出的 GPU 可用 / GPU 不可用 判断结果；任务执行成功也可能表示已正常回退 CPU。训练时可以用 --gpu false 强制使用 CPU，此开关只控制内置评估器，KataGo 的设备选择由其自身配置决定。

自对弈训练

.\gradlew.bat trainGoAI --no-daemon "-PtrainArgs=--weights data/go.nev --games 8 --parallelism 4 --generations 10 --epochs 1 --searchTime 300 --iterations 500 --maxMoves 450 --learningRate 0.001 --checkpoint 1 --gpu true"

--weights 为必填参数。文件存在时加载其中权重继续训练，不存在时从随机初始化开始。自对弈按 --checkpoint 指定的代数间隔保存，并在正常结束时保存。续训会重新建立回放样本、动量和学习率调度状态，只恢复模型权重与其版本。

自对弈参数	默认值	含义
--games	30	每代对局数
--parallelism	30	并行对局数，也可使用 --threads
--generations	1	训练代数
--epochs	1	每代收集样本后的训练轮数
--searchTime	300	每步搜索时间预算，毫秒
--iterations	500	每步搜索迭代预算
--maxMoves	450	单局最大手数
--learningRate	0.001	初始学习率，须为有限正数
--warmup	0	学习率预热代数，0 为关闭
--checkpoint	10	保存权重的代数间隔，0 仅关闭定期保存
--maxReplaySamples	20000	回放样本上限
--seed	24301	随机种子
--gpu	读取设置，未配置时开启	true 尝试 OpenCL，false 强制 CPU

达到 maxMoves 仍未结束的对局会丢弃样本，避免用未完成棋局训练。若日志中 completed、samples 长期为 0，先检查是否有大量截断对局。可根据内存、CPU 和 GPU 负载调整并行度；训练任务的 Java 堆上限为 4 GB。

与 KataGo 对抗训练

另行准备 KataGo 可执行文件、兼容的模型和 GTP 配置，修改以下示例路径：

.\gradlew.bat adversarialTrain --no-daemon "-PadvArgs=--weights data/go.nev --katago D:/katago/katago.exe --katagoModel D:/katago/model.bin.gz --katagoConfig D:/katago/gtp.cfg --games 4 --parallelism 2 --generations 5 --epochs 1 --learningRate 0.001 --gpu true"

--weights 与 --katago 必填；--katagoModel 可省略，--katagoConfig 默认是 KataGo 可执行文件目录下的 default_gtp.cfg。对抗训练默认每代 10 局、并行 5 局，其余通用训练参数可参考自对弈表；--threads、--warmup、--checkpoint 仅用于自对弈。对抗训练在正常结束时保存权重，失败或未完成的棋局不加入训练样本。

性能与稳定性

• 复用围棋棋群、候选落子和 CPU 推理缓冲，缓存搜索树子节点统计，减少重复分析与临时对象分配。
• 共享 OpenCL 上下文并合并并发推理请求；最后一个使用者退出时释放原生资源，避免长期占用显存。
• 子块权重直接上传 9 组并由内核复用，省去原先扩展到 81 组的重复传输。
• 修复相同版本模型替换后 GPU 继续使用旧权重，以及上传失败后复用不完整权重缓存的问题。
• 修复推理中断时输入缓冲提前复用的竞态；拒绝会污染模型的非法训练参数。
• 缓存游戏列表筛选与圆形绘制数据，将粒子更新移至游戏 tick，设置导入在后台执行。

实现和回归测试位于 围棋模块 与 围棋测试目录。

📄 许可证

All Rights Reserved