麻将向听数计算优化：从枚举到毫秒级

麻将AI的每一次决策都要回答“这手牌离听牌还差几向、打哪张进步最大”，向听数计算因此成为调用频率最高、单次成本最不可控的热点：一次向听计算会在换牌穷举里被成百上千次调用，它慢十倍，整条决策管线就慢十倍。优化它比优化模型更划算。

麻将手牌的空间由34种牌、每种至多4张定义，13张手牌的合法组合在千万量级；向听计算还要在这之上枚举面子分解——同一手牌常有上百种搭子拆法。朴素递归不加剪枝时，单次计算能膨胀到数十万次分解尝试，这就是“从枚举到毫秒级”必须跨过的距离。

有效的优化分三步：先把手牌按万、筒、条三个花色独立分解（字牌单独处理），花色间状态用乘法合并；再在花色内部按“面子、搭子、对子”计数递推，剪掉不可能优于当前最优的分支；最后把34维计数数组编码成整数键做记忆化，重复牌型直接查表。三步之后，单次向听计算进入毫秒级。

// 向听数：按花色分解后合并（标准型，示意）
shanten(hand):
  best = 8
  for man in decompose(manzu):
    for pin in decompose(pinzu):
      for sou in decompose(souzu):
        for hon in decompose(honors):
          sets    = man.sets + pin.sets + sou.sets + hon.sets
          partial = man.partials + pin.partials + sou.partials + hon.has_pair
          if sets > 4: continue                    // 剪枝：面子超4无效
          s = 8 - 2*min(sets, 4) - min(partial, 4 - sets)
          best = min(best, s)
  return best    // 七对/国士另走专用公式，不混入标准型

向听数只回答“差几向”，决策还需要“进哪些牌、各剩几张”：对每个候选弃牌计算进张集合与剩余张数，加权得到有效牌期望收益。高效实现的关键是复用向听分解的中间结果——进张集合就是“加一张后向听数下降”的那些牌，缓存分解结果后，受牌计算从再次全量枚举降为一次增量查询。

攻防切换不能只看向听数：一向手的进攻价值取决于有效牌数量（好形打）与危险度（对手节奏、牌河信号）。工程上用双阈值——有效牌期望高于阈值且危险度低于阈值时进攻，两头都不占时防守，中间地带按人设参数走混合路线。阈值放在配置里而不是模型里，运营才能按段位调节AI风格。

血战到底的工程难点是三人缺一门、胡牌即退出、对局持续降元：同一局里AI要在一桌三人、两人、一人的状态间切换推理。实现上把每个存活对手独立建模，向听与危险度按存活人数分桶缓存；胡牌退出者的牌河转为公共信息，供剩余对手的危险度更新复用。并行推理按座位划分任务、无共享写状态，单桌三路决策在50ms预算内并行完成。