搭建基于 Katago 的围棋游戏 链接到标题

回顾 链接到标题

李世石 vs AlphaGo 链接到标题

2016 年 3 月，韩国首尔，全世界都在关注一场特殊的围棋比赛。

李世石九段对战 DeepMind 的 AlphaGo。五番棋，1:4。李世石赢下了第四局——那一步"挖"成了围棋史上的经典。那时候，人们还在讨论：AI 到底能不能真正理解围棋？

答案是：能，而且远超人类。

开源的 KataGo 链接到标题

仅仅几年后，开源的 KataGo 横空出世。它基于 AlphaGo Zero 的论文思路，但做了大量优化——更快的训练速度、更强的网络结构、支持多规则多路盘、还开源。

到今天，KataGo 的官方评级系统中，主力模型 ELO 已经达到 14095。作为参考：职业顶尖棋手在这个标度上大约是 3000-3500 ELO。

差距已经不是"能不能赢"的问题，而是"赢多少"的问题。

平民化部署 链接到标题

最让人感慨的是——这样的 AI 不需要 Google 的超级计算机。

一台普通单机服务器 + 一块 NVIDIA RTX 4060 Ti（~3000元级别显卡），配合 TensorRT 加速，就能跑起 KataGo，棋力依然碾压一切人类选手。

这正是本文想要分享的部署方案：用最普通的硬件，搭建一套基于 KataGo 的围棋对弈环境。

搭建环境概述 链接到标题

整体架构 链接到标题

工作流程 链接到标题

macOS 前端 (KaTrain/Sabaki)
    └─ SSH Bridge 脚本
        └─ 服务器 Docker 容器
            └─ KataGo + TensorRT + GPU

前端工具通过 SSH 连接到服务器，服务器上 Docker 容器动态拉起 KataGo，用完即销毁（--rm）。每一局都是一个干净进程，没有 GPU 竞争问题。

组件清单 链接到标题

服务器端搭建 链接到标题

Docker 镜像构建 链接到标题

KataGo 的官方发布版主要支持 OpenCL 和 Eigen 后端。要使用 TensorRT（NVIDIA GPU 的最佳后端），需要自行编译。

采用多阶段 Docker 构建：

• builder 阶段：基于 cuda:12.4.1-cudnn-devel-ubuntu22.04，从源码编译 KataGo v1.16.2，编译参数 -DUSE_BACKEND=TENSORRT
• runtime 阶段：基于 cuda:12.4.1-cudnn-runtime-ubuntu22.04，仅保留运行所需文件

# 构建命令
docker build -t katago:tensorrt .

关于 HTTP 代理 链接到标题

服务器无法直连 GitHub，Docker daemon 需配置 HTTP 代理：

# Docker daemon 代理配置
# /etc/systemd/system/docker.service.d/proxy.conf
[Service]
Environment="HTTP_PROXY=http://proxy-address:port"
Environment="HTTPS_PROXY=http://proxy-address:port"

模型和配置文件 链接到标题

• 模型下载：KataGo Networks
• 当前使用：kata1-b28c512nbt-s12763923712-d5805955894.bin.gz（259MB）
• 备用模型：kata1-b20c256x2-s5303129600-d1228401921.bin.gz（84MB，较老）

配置文件位于 /opt/katago/configs/simple_gtp.cfg，核心参数：

前端工具 链接到标题

Sabaki 链接到标题

Sabaki 是一款基于 Electron 的围棋前端，界面简洁美观，操作直观。适合快速对弈、打谱。

现状：

• 已多年未更新（最新版 v0.52.2 发布于 2022 年）
• Homebrew 因未通过 Apple Gatekeeper 公证，将其标记为 Deprecated
• 禁用日期：2026-09-01（届时无法通过 brew install 安装）
• 替代方案：可直接从 GitHub 下载 .dmg 手动安装

KaTrain 链接到标题

KaTrain 是另一款 KataGo 前端，功能比 Sabaki 强大得多：

• 分析模式（ownership、policy 可视化）
• AI 训练功能（对局复盘、错误标记）
• 仍在积极更新（几个月前有新版发布）
• 适合学习和提高棋力

现状：

• Homebrew 同样因未通过 Gatekeeper 公证，将其标记为 Deprecated
• 禁用日期：2026-09-01（与 Sabaki 相同）
• 建议直接从 GitHub Releases 下载最新版手动安装

安装方式：

# 通过 Homebrew（2026-09-01 后禁用）
brew install --cask katrain

# 推荐：从 GitHub Releases 下载

前端工具对比 链接到标题

Brew 权限说明 链接到标题

Homebrew 从 2025 年开始配合 Apple 的安全策略，大规模清理未签名/未公证的 Cask 应用。Sabaki 和 KaTrain 都是 Electron 应用，开发者未加入 Apple Developer Program（每年 $99），应用没有代码签名，因此被标记为 Deprecated，统一设定了 2026-09-01 的禁用日期。

这并非某个应用的问题，而是整个开源 Electron 生态共同面临的困境。如果届时仍需使用，可以从 GitHub Releases 手动下载安装（可能会遇到 Gatekeeper 警告，右键 → 打开即可）。

Bridge 脚本 链接到标题

前端通过 SSH 连接服务器上的 KataGo，需要一个"桥梁"脚本。一共两个版本：

GTP 模式（对弈用） 链接到标题

文件：~/bin/katago-bridge

#!/bin/bash
exec ssh -T ubuntu@服务器 \
  "docker run --rm -i --device nvidia.com/gpu=all \
    -v /opt/katago/configs:/configs:ro \
    -v /opt/katago/models:/models:ro \
    katago:tensorrt \
    gtp -model /models/kata1-b28c512nbt-s12763923712-d5805955894.bin.gz \
    -config /configs/simple_gtp.cfg"

Analysis 模式（分析用） 链接到标题

文件：~/bin/katago-bridge-analysis

#!/bin/bash
exec ssh -T ubuntu@服务器 \
  "docker run --rm -i --device nvidia.com/gpu=all \
    -v /opt/katago/configs:/configs:ro \
    -v /opt/katago/models:/models:ro \
    katago:tensorrt \
    analysis -model /models/kata1-b28c512nbt-s12763923712-d5805955894.bin.gz \
    -config /configs/simple_gtp.cfg"

创建后赋予执行权限：

chmod +x ~/bin/katago-bridge ~/bin/katago-bridge-analysis

Sabaki 配置 链接到标题

1. 打开 Sabaki → File → Preferences → Engines
2. 点击 Add
3. Name: KataGo
4. Path: /Users/xxx/bin/katago-bridge
5. Arguments: 留空
6. 点击 OK

KaTrain 配置 链接到标题

KaTrain 通过 altcommand 机制使用远端 KataGo：

1. 打开 KaTrain → Settings → Engine
2. 勾选 Alternative KataGo Command (engine/altcommand)
3. 填入：/Users/xxx/bin/katago-bridge-analysis

用户配置文件 ~/.katrain/config.json 中关键字段：

{
  "engine": {
    "altcommand": "/Users/xxx/bin/katago-bridge-analysis",
    "threads": 12,
    "max_visits": 500,
    "max_time": 8.0
  }
}

RTX 4060 Ti 运行效果 链接到标题

模型棋力 链接到标题

使用模型 kata1-b28c512nbt-s12763923712-d5805955894（259MB）：

显存消耗 链接到标题

以 RTX 4060 Ti（16GB 显存）运行，KataGo 显存消耗仅约 358 MB，几乎不影响其他服务。可以和其他 AI 任务同时运行。

核心参数 链接到标题

maxVisits（最大搜索次数） 链接到标题

这是 KataGo 最核心的棋力参数。每次落子前，KataGo 在脑海中模拟尽可能多的棋局变化，搜索次数越多，决策越精准。

RTX 4060 Ti 上不同 visits 的耗时和等效水平：

numSearchThreads（搜索线程数） 链接到标题

这个参数常被误解。它不是 GPU 核心数，也不是 CPU 物理核心数。而是负责生成搜索树、攒 batch 喂给 GPU 的 CPU 线程数。

线程太少 (8)   → GPU 等 CPU → batch 小，利用率低
线程太多 (64)  → CPU 调度竞争 → 缓存抖动，反而掉速
线程适中 (32)  → GPU 吃到饱 → 吞吐最高

Benchmark 测试 链接到标题

KataGo 自带 benchmark 命令，自动测试不同线程数并给出评分。在你自己的设备上运行以下命令，找到最优值：

docker run --rm -i --device nvidia.com/gpu=all \
  -v /opt/katago/configs:/configs:ro \
  -v /opt/katago/models:/models:ro \
  katago:tensorrt \
  benchmark -model /models/kata1-b28c512nbt-s12763923712-d5805955894.bin.gz \
  -config /configs/simple_gtp.cfg

RTX 4060 Ti 实测结果：

结论：RTX 4060 Ti 的最佳搜索线程数为 32，相比 5 线程基线提升约 +173 ELO。

结语 链接到标题

从 2016 年 AlphaGo 战胜李世石时的举世震惊，到今天可以在自己家里用几千元的显卡运行开源 KataGo——围棋 AI 已经彻底改变了这项古老游戏的生态。

现在的 KataGo 不再是"能不能赢"的问题，而是人类如何借助 AI 来学习和探索围棋的无限可能。

无论是用 Sabaki 快速对弈一局，还是用 KaTrain 深入分析棋局，这套方案都能让你在家享受顶级的围棋 AI 体验。