极大极小算法核心是递归模拟双方最优决策：Max层取最大评估值，Min层取最小；需正确定义状态、终局判断与evaluate()，并用alpha-beta剪枝优化，其中alpha/beta必须值传递、更新后判断剪枝、走法应预排序以提升效率。
极大极小算法本质是递归模拟双方最优决策：Max层（当前玩家）选最大评估值，Min层（对手）选最小评估值。关键不是“写多深”，而是**状态表示、胜负判断、递归终止条件**是否闭环。
常见错误是忘记在叶节点返回 evaluate() 值，或在非叶节点漏掉 std::max/std::min 的初始值设定（比如用 0 初始化，但实际评估值可能是负数）。
evaluate() 必须对终局返回明确分数：赢为正无穷（如 INT_MAX），输为负无穷（INT_MIN），平局或未终局返回启发式估值depth，每层递减；到达 0 或检测到终局时直接返回 evaluate()
best = INT_MIN，Min层初始化 best = INT_MAX，否则会污染结果剪枝生效的前提是：在遍历子节点过程中，**及时用当前 alpha 和 beta 剪掉后续无意义分支**。最容易出错的是更新和比较的时机——必须在递归调用 之后 更新 alpha/
beta，并在递归调用 之前 判断是否剪枝。
比如 Max 层中，若当前 value > beta，说明该分支已不可能被父 Min 层选中，立刻 return value；但这个 value 是子节点递归返回的结果，不是当前节点刚算出的中间值。
alpha = std::max(alpha, value) 后，检查 if (alpha >= beta) break;
beta = std::min(beta, value) 后，检查 if (alpha >= beta) break;
break 跳出剩余子节点，不是 return 当前层必须用**值传递**，不是引用。因为每个递归调用需要独立维护自己的 alpha 和 beta 边界——父节点的 alpha 不等于子节点的 alpha，子节点修改它不能影响兄弟节点的剪枝判断。
如果误用 int& alpha，会导致同一层多个子节点共享并污染彼此的边界值，剪枝失效甚至结果错误。
minimax(child, depth - 1, alpha, beta, false)
minimax(child, depth - 1, alpha, beta, true)
minimax(root, max_depth, INT_MIN, INT_MAX, true)
真实博弈场景下，generateMoves() 返回的合法走法列表若没预排序，Alpha-Beta 剪枝效率会大幅下降。越早遇到好走法，剪枝越早发生。另外，递归深度过大可能栈溢出，需考虑迭代加深（IDS）而非固定深度。
还有个隐蔽坑：INT_MAX 和 INT_MIN 在做加减时可能溢出（比如 INT_MAX - 1 没问题，但 INT_MAX + 1 就 UB）。建议用 std::numeric_limits 替代宏定义，并避免在评估函数里做 score + 1 这类操作。
std::vector），改用传入复用的容器引用isTerminal()）必须高效，不能每次遍历全盘
int minimax(const Position& pos, int depth, int alpha, int beta, bool maximizingPlayer) {
if (depth == 0 || pos.isTerminal()) return pos.evaluate();
if (maximizingPlayer) {
int maxEval = std::numeric_limits::min();
for (const auto& move : pos.generateMoves()) {
Position next = pos.applyMove(move);
int eval = minimax(next, depth - 1, alpha, beta, false);
maxEval = std::max(maxEval, eval);
alpha = std::max(alpha, eval);
if (alpha >= beta) break;
}
return maxEval;
} else {
int minEval = std::numeric_limits::max();
for (const auto& move : pos.generateMoves()) {
Position next = pos.applyMove(move);
int eval = minimax(next, depth - 1, alpha, beta, true);
minEval = std::min(minEval, eval);
beta = std::min(beta, eval);
if (alpha >= beta) break;
}
return minEval;
} }
真正卡住人的往往不是算法原理，而是 alpha/beta 的初始值设错、剪枝判断放错位置、或者走法没排序导致剪枝率低于 30%。调试时可以加计数器统计实际访问节点数，对比纯 minimax，差十倍以上才说明剪枝起效。