KataGo 实战入门指南
本章节将带你从安装到实际使用 KataGo，涵盖所有实用操作知识。无论你是想将 KataGo 集成到自己的应用程序，还是想深入研究其源代码，这里都是你的起点。
为什么选择 KataGo？
在众多围棋 AI 中，KataGo 是目前最佳选择，原因如下：
| 优势 | 说明 |
|---|---|
| 棋力最强 | 在公开测试中持续保持最高水准 |
| 功能最全 | 目数预测、领地分析、多规则支持 |
| 完全开源 | MIT 授权，可自由使用和修改 |
| 持续更新 | 活跃的开发和社区支持 |
| 文档完善 | 官方文档详尽，社区资源丰富 |
| 多平台支持 | Linux、macOS、Windows 皆可运行 |
本章内容
安装与设置
从零开始搭建 KataGo 环境：
- 系统需求与硬件建议
- 各平台安装步骤（macOS / Linux / Windows）
- 模型下载与选择指南
- 配置文件详细说明
常用指令
掌握 KataGo 的使用方式：
- GTP（Go Text Protocol）协议介绍
- 常用 GTP 指令与示例
- Analysis Engine 使用方法
- JSON API 完整说明
源代码架构
深入了解 KataGo 的实现细节：
- 项目目录结构概览
- 神经网络架构解析
- 搜索引擎实现细节
- 训练流程概述
快速开始
如果你只是想快速尝试 KataGo，以下是最简单的方式：
macOS（使用 Homebrew）
# 安装
brew install katago
# 下载模型（选择较小的模型用于测试）
curl -L -o kata-b18c384.bin.gz \
https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b18c384nbt-s9996604416-d4316597426.bin.gz
# 运行 GTP 模式
katago gtp -model kata-b18c384.bin.gz -config gtp_example.cfg
Linux（预编译版）
# 下载预编译版本
wget https://github.com/lightvector/KataGo/releases/download/v1.15.3/katago-v1.15.3-opencl-linux-x64.zip
# 解压缩
unzip katago-v1.15.3-opencl-linux-x64.zip
# 下载模型
wget https://media.katagotraining.org/uploaded/networks/models/kata1/kata1-b18c384nbt-s9996604416-d4316597426.bin.gz
# 运行
./katago gtp -model kata-b18c384nbt-*.bin.gz -config default_gtp.cfg
验证安装
成功启动后，你会看到 GTP 提示符。试着输入以下指令：
name
= KataGo
version
= 1.15.3
boardsize 19
=
genmove black
= Q16
使用场景指南
根据你的需求，以下是建议的阅读顺序和重点：
场景 1：集成到围棋 App
你想要在自己的围棋应用中使用 KataGo 作为 AI 引擎。
重点阅读：
关键知识：
- 使用 Analysis Engine 模式而非 GTP 模式
- 通过 JSON API 与 KataGo 通信
- 根据硬件调整搜索参数
场景 2：搭建对弈服务器
你想要架设一个让用户与 AI 对弈的服务器。
重点阅读：
关键知识：
- 使用 GTP 模式进行对弈
- 多实例部署策略
- 棋力调整方法
场景 3：研究 AI 算法
你想要深入研究 KataGo 的实现，可能想要修改或实验。
重点阅读：
- 源代码架构 - 全文精读
- 背景知识章节的所有论文解读
关键知识：
- C++ 代码结构
- 神经网络架构细节
- MCTS 实现方式
场景 4：训练自己的模型
你想要从头训练或微调 KataGo 模型。
重点阅读：
- 源代码架构 - 训练流程部分
- KataGo 论文解读
关键知识：
- 训练数据格式
- 训练脚本使用
- 超参数设置
硬件建议
KataGo 可以在各种硬件上运行，但性能差异很大：
| 硬件配置 | 预期性能 | 适用场景 |
|---|---|---|
| 高端 GPU（RTX 4090） | ~2000 playouts/sec | 顶级分析、快速搜索 |
| 中端 GPU（RTX 3060） | ~500 playouts/sec | 一般分析、对弈 |
| 入门 GPU（GTX 1650） | ~100 playouts/sec | 基本使用 |
| Apple Silicon（M1/M2） | ~200-400 playouts/sec | macOS 开发 |
| 纯 CPU | ~10-30 playouts/sec | 学习、测试 |
提示
即使是较慢的硬件，KataGo 也能提供有价值的分析。搜索量减少会降低精确度，但对于教学和学习通常已经足够。
常见问题
KataGo 与 Leela Zero 有什么不同？
| 方面 | KataGo | Leela Zero |
|---|---|---|
| 棋力 | 更强 | 较弱 |
| 功能 | 丰富（目数、领地） | 基本 |
| 多规则 | 支持 | 不支持 |
| 开发状态 | 活跃 | 维护模式 |
| 训练效率 | 高 | 较低 |
需要 GPU 吗？
不是必须的，但强烈建议：
- 有 GPU：可以进行快速分析，获得高品质结果
- 无 GPU：可以使用 Eigen 后端，但速度较慢
模型文件差异？
| 模型大小 | 文件大小 | 棋力 | 速度 |
|---|---|---|---|
| b10c128 | ~20 MB | 中等 | 最快 |
| b18c384 | ~140 MB | 强 | 快 |
| b40c256 | ~250 MB | 很强 | 中 |
| b60c320 | ~500 MB | 最强 | 慢 |
通常建议使用 b18c384 或 b40c256，在棋力和速度之间取得平衡。
相关资源
- KataGo GitHub
- KataGo 训练网站
- KataGo Discord 社区
- Lizzie - 搭配 KataGo 使用的 GUI
准备好了吗？让我们从安装与设置开始吧！