本文揭示 gomoku（五子棋）ai 中一个关键缺陷：minimax 算法在检测对手获胜时错误地使用了当前玩家（player）而非实际获胜方（opponent）来决定评分符号，导致 ai 无法识别并阻止人类玩家的必胜局面。

在您提供的 Minimax 实现中，核心问题出在递归终止条件的胜负判定逻辑上：

if (isWinningMove(board, opponent, latestRow, latestCol)) {
  const multiplier = player === COMP ? 1 : -1; // ❌ 错误：应基于 opponent 判断
  return [ WINNING_MOVE * multiplier, latestRow * COLS + latestCol ];
}

这段代码本意是：当对手（opponent）刚落子形成五连时，立即返回一个极值分数以反映该局面对当前 player 的致命性。但 multiplier 的计算逻辑有根本性错误 —— 它依据的是 当前轮到谁走（player），而非 谁真正赢了（opponent）。

✅ 正确逻辑应为：

• 若 opponent === COMP（即电脑被人类一步绝杀），说明这是对 COMP（最大化方）的失败局面 → 应返回极大负分（-WINNING_MOVE）；
• 若 opponent === HUMAN（即人类被电脑一步绝杀），说明这是对 HUMAN（最小化方）的失败局面 → 应返回极大正分（+WINNING_MOVE）。

因此，multiplier 必须由 opponent 决定，而非 player：

if (isWinningMove(board, opponent, latestRow, latestCol)) {
  const multiplier = opponent === COMP ? 1 : -1; // ✅ 正确：胜者决定符号
  return [ WINNING_MOVE * multiplier, -1 ]; // 同时，move 索引设为 -1（无效），避免误导
}

? 为什么低深度有时“碰巧”能防住？ 在浅层搜索（如 depth=1）中，AI 直接评估所有合法子节点，并可能因 evaluateBoard() 的启发式打分（如邻接计数）偶然给“堵三”位置较高分；但随着深度增加，剪枝和更远的博弈树展开放大了胜负判断错误的影响——当某条分支中人类在第 2 步获胜，而 AI 错误地将其评分为 +WINNING_MOVE（本应是 -WINNING_MOVE），该分支反而被优先选择，导致 AI 主动“送输”。

此外，还有两个重要改进建议：

1. evaluateBoard 启发函数过于简陋
   当前仅统计邻接同色子数，无法区分“活三”、“冲四”、“双三”等关键威胁。建议引入模式匹配（如检测 01110、011110、11110 等局部序列），并为不同威胁等级赋予差异化权重（例如：活四 = +5000，冲四 = +1000，活三 = +200，眠三 = +50）。

2. latestRow/Col 在根节点调用时传入 (-1,-1) 存在隐患
   isWinningMove(..., -1, -1) 可能越界或产生未定义行为。应在进入 minimax 前确保 latestRow/Col 有效，或在 isWinningMove 开头添加边界防护：

   function isWinningMove(grid, who, row, col) {
     if (row < 0 || col < 0 || row >= ROWS || col >= COLS) return false;
     // ...其余逻辑
   }

总结：修复胜负判断中的 multiplier 逻辑是让 AI 具备基础防守能力的前提。在此基础上，升级评估函数、完善边界检查、并辅以合理的搜索深度（建议 3–5 层配合迭代加深），才能构建出既积极进攻又稳健防守的 Gomoku AI。