《Mortal》它替人打麻将，替人挨了封号

但这不影响这篇的价值。因为今天要写的这个仓库，故事性比数据好看得多：一个个人开发者开源了一个强得离谱的麻将 AI，然后第一波“商业价值”根本不是他赚的——是代打工作室抢着拿去上分，被平台封了一波又一波。开源游戏的变现众生相，全在这一个仓库里了。

仓库档案

项目	内容
仓库	Equim-chan/Mortal
定位	立直麻将（日本麻将）AI，可打牌、可复盘
Star	千星量级（据仓库页面，未联网核实）
语言	C# 为主（据仓库页面）
作者	Equim-chan，个人开发者，同时是 mjai 麻将数据协议的作者
状态	长期维护，配套生态成熟（据仓库页面）
License	以仓库页面为准

它隔壁还有一圈配套：mjai——作者自己定义的麻将对局事件流协议（JSON），以及一堆基于这套生态的复盘工具。一个人，定义协议、训练模型、做工具链，这是标准的“个人做出行业基础设施”的路径。

这游戏是什么

一句话：把一副立直麻将的每一张切牌，变成一道有标准答案的题。

Mortal 吃进一份牌谱（mjai 格式的事件流），吐出来的不是“这手该打 3 万”一个答案，而是整张决策表——你手里每一张候选牌的和率、放铳率、点数期望，全摆在你面前。你觉得自己打的是最优解？它把每个决策和你之间的差距量化出来。

它有两副面孔：Mortal 是研究级强度，重，慢，用来做复盘和实验；Akagi 是轻量版，小到能塞进线上平台实时打牌（据仓库说明）。天凤、雀魂这类平台上流传的“打得像人的怪东西”，多半和这套模型沾亲带故。

麻将玩家最熟悉的用法是复盘：把昨天那局半庄喂进去，看着 AI 给你的每一打打分，尤其是那一张放铳的牌——原来在它眼里，你打这张之前就已经错了两巡。这种“上帝视角补课”的体验，就是 Mortal 在麻将圈口的真正钩子。

一局立直麻将的核心循环，加上 Mortal 套在外面的那层复盘壳，长这样：

flowchart LR
    A[摸牌:13+1张里挑一张] --> B[判断:进张?防守?副露?]
    B --> C[切牌:点数期望最高的那张]
    C --> D[系统反馈:立直棒/宝牌/他家鸣牌]
    D --> E{有人和了or流局}
    E --> F[半庄结算:段位点数变动]
    F --> G[复盘:牌谱喂给AI逐打评分]
    G --> H[看到每个决策差多少点]
    H --> I[下一局带着修正上场]
    I --> A

普通玩家走 A→F 就重开了；Mortal 把 G→H 这一层补上，让“输了”从玄学变成错题本。这是它跟其他麻将 AI（比如微软当年打上天凤十段的 Suphx）最不一样的地方：Suphx 是秀肌肉，Mortal 是给你发教材。

为什么上头

麻将能让人一坐一下午，机制上每一条都能对应到个人开发者的设计清单里：

即时反馈做到极点。 每摸一张牌，14 张里挑一张切出去，两秒一次决策，每次决策都有微反馈——进张变多变少、他家表情动作、门前清的听牌形态。麻将把“操作→反馈”的延迟压到了秒级，这是俄罗斯方块同一个量级的东西。

随机奖励是明牌的。 起手配牌看天赏，和了翻里宝像开盲盒，役满是六万四千点的彩票。关键是麻将的随机是“可归因的随机”——输了你能复盘（或者怪队友怪平台），赢了你觉得是技术。这种归因弹性是留存率的天才设计。

进度感分层叠加。 局内有点数，一局有顺位，一天有段位，一年有稳定段。短中长三条进度线互相补偿：今天段位掉了，好歹这局点数是正的。

策略深度靠攻防张力。 押还是引（进攻还是弃和）是每一巡的核心抉择，副露抢速度和门清做大牌是路线分岔。它给了新手“跟牌就行”的保底策略，又给老手留了读牌、筋和、玉之间这些能钻研十年的空间。

再来一局的成本极低。 东风场五到十分钟，输了怪不了操作怪运气，心理重开成本为零。对比一局三十分钟的半庄重开要下决心得多——所以线上平台都在主推速东风。

社交攀比现成。 段位截图、放铳吐槽、“这 AI 是不是针对我”，都是自带的传播素材。麻将圈的 UGC 产量，是一般棋牌比不了的。

对做游戏的人，这六条里最值得抄的是第二条和第六条：可归因的随机 + 自带攀比素材，成本几乎为零，全靠规则设计。

技术拆解

Mortal 真正值得抄的不是模型权重（那玩意你也训不起），是它的三层架构：

第一层：事件流协议（mjai）。 把一局麻将抽象成 start、draw、discard、dora、hora 这样的 JSON 事件序列。AI、复盘工具、对局平台全部只认协议，互相解耦。这意味着你可以拿任何平台的牌谱转成 mjai 喂进去，也可以把 Mortal 接到任何自建平台上。任何想做棋牌 AI 的个人开发者，第一步都该先定义事件协议再谈模型——这是这个仓库教的最值钱的一课。

第二层：策略分布输出。 Mortal 每次决策输出的是“每一张候选牌的概率和期望值”，不是 one-hot 答案。这个输出格式天然就是教学产品：概率条一画，复盘报告就出来了。你做任何“AI 陪练”类产品，照这个格式设计接口，后面接 UI、做付费报告都是顺水推舟。

第三层：双模型分级。 研究级 Mortal + 轻量级 Akagi，一套权重体系覆盖“服务器复盘”和“客户端实时陪练”两种部署场景。个人开发者做 AI 功能，几乎必然遇到“效果好但跑不动”的问题——分级是标准答案。

可以直接复用的组件：mjai 协议和它的牌谱转换生态（平台牌谱 ID 进，事件流出）；规则引擎部分社区有现成开源实现；“策略分布→复盘报告”的整条链路都有参考实现。你真正要写的只剩 UI 和商业化壳，一两周的量。

变现观察

这个仓库最有意思的地方，是它的价值全被别人变现了，作者本人一分没拿。三条路径摆在这里：

灰产：AI 代打。 天凤明令禁止 AI 上场，但拿 Akagi 类模型开小号冲段、再把“高段账号”或“代练服务”卖钱的产业链一直存在，封号新闻隔一阵就来一波（据社区公开讨论）。开源免费的东西，被代练市场抽走了第一波价值——这在一切“开源强 AI + 竞技段位”的组合里都会重演。给个人开发者的提醒就一句：你开源的不是代码，是别人生意的原料。

白产：复盘与教学。 把同一套模型换个出口，就是完全合规的生意——牌谱复盘工具（社区里的 mjai.app、akochan review 这类都是据仓库生态链接可查的参考）、付费教学局、麻将教练社群。麻将玩家的付费意愿是被验证过的：天凤靠付费会员跑了十几年，雀魂更狠，把麻将套上二次元角色皮肤做成 gacha，成了这个品类变现天花板的证明。同一个玩法，换皮加收集，商业上限差一个数量级。

作者本人拿到的是什么？ 不是现金，是行业地位：mjai 成了事实上的数据标准，Equim-chan 的名字在麻将技术圈就是招牌。对个人开发者，这是另一条真实路径——协议和标准也是资产，它换工作机会、换合作、换别人替你维护生态。

红线标注：AI 代打违反一切对战平台条款，赌博式变现碰不得。复盘、教学、单机陪练，是安全区里的三张椅子。

给我的灵感

点子一：单机麻将 + AI 陪练 App（推荐起步）。 卖点一句话：“没有队友坑你，打错了 AI 告诉你为什么。”规则引擎和轻量模型生态里都有现成的，你写 UI 和包装，MVP 两到四周。变现走移动端免费 + 激励视频（看广告解锁一次深度复盘）+ 买断去广告。麻将用户基数大、单机需求真实存在（社交恐惧是刚需）。

点子二：牌谱复盘 SaaS。 用户贴雀魂/天凤牌谱 ID，你出逐打评分报告和“本局最亏三手”，免费每天一次、订阅解锁全部。模型现成，MVP 一到两周，订阅制天花板高。注意两条：先读平台服务条款，别把服务器直接架在模拟登录上；先做单一平台，跑通再扩。

点子三：换皮本土化。 把“策略分布 + 复盘教学”整套搬到川麻、国标、广东麻将——规则适配是主要工作量，模型可以用公开牌谱微调。做进微信小游戏，靠激励视频广告分成，这是国内验证最充分的休闲棋牌变现路径。MVP 三到四周，风险在平台审核，棋牌类目进小游戏要提前查资质。

三个点子共同的地基是同一条：“AI 给的不是胜负，是解释”——把 Mortal 的决策表变成人话，就有人愿意付钱。

上手

动手顺序建议：先拿一份公开牌谱转成 mjai 格式跑一遍 Mortal 复盘，亲眼看看那张“每一打的决策表”——看完你就知道，麻将玩家为什么愿意为“知道自己错在哪”付钱。