了解纸牌接龙是否能被算法破解、AI 求解器如何运作，以及它们对策略的启示。
答案是：可以，也不完全可以，这取决于"解决"的定义以及具体的游戏类型。计算机求解器已经完全分析了FreeCell的所有标准牌局，确认了少数无法获胜的情况，并证明其余大多数牌局都可以获胜。同样，通过分析数百万随机牌局，算法也估计了克朗代克、蜘蛛接龙和Forty Thieves的可胜率。从这个角度来看，接龙在很大程度上已经被算法"解决"。
是的——也不是，这取决于“解决”的含义以及所讨论的变体。计算求解器已经对FreeCell的标准编号集中的每一局进行了详尽分析，确定了八个无解的局面，并确认其他约32,000局都是可以获胜的。这些求解器还建立了在本策略集群中描述的可赢局面的底线：Klondike、Spider和Forty Thieves局面中本质上可解的比例通过对数百万随机生成的局面的自动化详尽搜索得到了高度可信的估计。从这个意义上说，纸牌游戏在算法上已经得到了广泛的解决——哪些局面是可赢的数学基础已经基本建立，自动化求解器可以找到大多数可赢局面的获胜移动序列。
从另一个角度来看，纸牌游戏并没有完全通过算法解决，未解决的方面确实是难度较大的计算问题。Klondike的可赢性分析并不精确——它仍然是一个概率范围（大约79-91%可赢），而不是一个精确的数字——因为Klondike中的面朝下的牌的不确定性造成了一个隐藏信息问题，使得在规模上进行完全详尽分析在计算上不可行。即使在像FreeCell这样的完全可见变体中，确定特定位置是否可赢也是一个属于计算复杂性类PSPACE完全的问题——这一类问题被认为比NP完全问题更难，目前没有已知的多项式时间算法可以解决。不存在有效算法能够在合理时间内完美解决所有纸牌游戏变体的保证，且几个变体仍然是计算机科学中的开放研究问题。
对于实际的纸牌游戏玩家来说，算法与纸牌游戏策略之间的关系在两个方向上最为有用：理解算法求解器关于局面可赢性的建立（这直接影响我们胜率指南中的胜率预期），以及理解哪些算法技术与人类战略思维相对应——因为最有效的人类纸牌游戏策略实际上应用了与自动化求解器使用的相同启发式搜索的简化版本。
从算法的角度来看，纸牌游戏是一个单人搜索问题：从初始状态（洗牌后的局面）开始，求解器必须找到一系列合法移动，将初始状态转变为胜利状态（所有牌在基础上按正确顺序排列）。状态空间——游戏可以经过的所有不同棋盘位置的总数——是天文数字。考虑到所有可能的移动序列和所有可能的初始局面，单个Klondike游戏的状态空间估计在数十亿到数万亿个不同位置之间。Forty Thieves由于其80张牌的双牌桌面，具有相对更大的状态空间，这使得即使对于现代硬件，详尽搜索在计算上也非常昂贵。
应用于纸牌游戏搜索的核心算法方法包括：详尽深度优先搜索，系统地探索所有可能的移动序列，直到找到获胜路径或确认所有路径都是失败的；启发式最佳优先搜索，根据估计的位置质量评分优先考虑移动，首先探索有前景的路径；以及蒙特卡洛模拟，从当前状态运行数千次随机游戏，并使用达到胜利状态的游戏比例作为该位置的可赢性概率估计。每种方法在计算成本和解决质量之间有不同的权衡，并且每种方法对应于人类战略思维的不同层次。
详尽深度优先搜索：精确答案，高计算成本。深度优先搜索（DFS）从初始位置探索每一个可能的移动序列，当达到死胡同时回溯，直到确认找到获胜路径或确认所有路径都导致失败位置。对于FreeCell，由于完整信息使状态空间完全可枚举，DFS可以确凿地确定任何给定局面是否可赢，并找到获胜序列（如果存在）。八个无解的FreeCell局面（包括著名的局面11,982和146,692）是通过DFS求解器确认的，这些求解器通过详尽探索确认从这些起始位置没有合法的移动序列能导致胜利。对于Klondike，DFS面临隐藏信息问题：面朝下的牌可能是几张可能的牌中的任何一张，求解器必须假设特定的隐藏牌值（这会产生基于这些假设的结论）或在所有可能的隐藏牌分配上进行分支（这会将搜索空间乘以可能的隐藏牌配置的数量，使得对大样本进行完全详尽搜索变得不可行）。这就是为什么Klondike的可赢率是一个范围而不是一个精确数字——它是通过对许多随机局面的概率抽样的结果，而不是对所有可能局面的完全详尽分析。
启发式最佳优先搜索：快速近似最优解，没有完整性保证。最佳优先搜索使用评估函数——一个估计棋盘位置质量的启发式评分——来优先考虑首先探索哪些状态。对于纸牌游戏，高质量的启发式可能根据基础牌的数量、未揭示的面朝下牌的数量、可用的合法移动数量以及桌面序列中的花色整合程度来评分。使用良好启发式的最佳优先搜索在可赢局面上找到获胜解决方案的速度明显快于DFS，但它不能保证找到最优（最短）解决方案，并且可能在获胜路径需要暂时偏离启发式认为的良好位置的局面上找不到任何解决方案。启发式最佳优先方法与人类专家策略最直接的类比：两者都使用位置质量评估函数（启发式）来指导移动选择，首先探索有前景的路径，并且都可能错过需要反直觉的中间位置的解决方案，这些位置在看起来更好之前看起来更糟。
蒙特卡洛模拟：概率估计，适合隐藏信息。蒙特卡洛方法从当前状态运行大量随机游戏——随机进行合法移动，直到游戏以胜利或失败结束——并使用所有游戏中的胜利比例作为该位置的可赢性概率估计。蒙特卡洛特别适合Klondike和其他隐藏信息变体，因为它自然处理不确定性：每次游戏随机分配与当前已知分布一致的隐藏牌值，从那里探索随机移动序列，并将其胜负结果贡献给估计。最终的胜率估计不是一个精确答案——它是一个具有统计不确定性的样本平均值——但它在计算上是可行的，并且随着更多游戏的增加，产生的置信区间会得到改善。蒙特卡洛模拟是我们概率策略指南中描述的人类概率评估的计算类比：两者都从可能结果的样本中估计位置的可赢性，而不是通过完全枚举。
启发式搜索模型解释了为何强制扫描序列有效。强制扫描序列——基础？揭示？纯构建？空列？最后抽牌——是一种人类可执行的启发式方法，按照与算法启发式相同的方式为移动类型分配优先权重。基础移动被优先考虑，因为它们直接推进胜利条件；揭示移动被优先考虑，因为它们扩展了未来可赢得位置的状态空间；抽牌则被降级，因为它们消耗有限资源，而这些资源在表格完全评估时价值最高。这种优先级排序并非任意——它与经验训练的纸牌游戏启发式对相同移动类型分配的优先级顺序密切相关。强制扫描序列实际上是人类可执行的最佳优先启发式的近似，正如自动解算器所使用的。
撤销功能使人类能够进行类似于算法分支的假设测试。自动解算器同时探索移动树的多个分支，从死胡同回溯以尝试替代路径。人类玩家无法同时探索分支，但在线纸牌游戏中的撤销功能提供了一种近似：玩家可以进行一次移动，观察几步后的结果，如果第一条路径不理想，可以撤销回到分支点尝试替代路径。这种推测性分支——进行一次移动以测试关于其启用的假设，然后在假设被证伪时撤销——是人类可玩版本的深度优先搜索中的回溯步骤。系统性地使用撤销进行假设测试的玩家，而不仅仅是纠正错误，正在应用一种人类规模的穷举搜索，使得深度优先搜索解算器在复杂位置上有效。
循环依赖识别是人类可执行的死胡同检测版本。当深度优先搜索解算器达到一个没有胜利路径的位置时，它通过耗尽所有可能的延续并发现没有通向胜利的路径来检测这一点——这是一个计算成本高昂的过程。人类玩家可以通过识别循环依赖更快地检测到一部分死胡同位置：配置中卡片A在卡片B之前无法移动，而卡片B在卡片A之前也无法移动，且没有外部解决方案可用。这种循环依赖检查是一种人类可执行的死胡同检测启发式，当结果为正时，提供的信息与算法死胡同检测相同，而无需进行穷举搜索。培养循环依赖识别的习惯是理解算法解算器工作原理的主要实际好处——它将一个昂贵的计算过程转化为一个快速的人类可执行检查，更高效地产生相同的放弃决策。
FreeCell的完整信息使其成为算法与人类策略最紧密结合的变体。在FreeCell中，所有卡片从第一步开始都是面朝上的，人类玩家原则上可以计算出与自动解算器探索的相同完整移动树。实际差异在于计算能力：解算器每秒可以探索数百万个位置，而人类玩家每分钟只能评估五到十个位置。但问题的结构——完整信息、确定性结果、完全可枚举的状态空间——在人类和算法游戏之间是相同的。这就是为什么FreeCell是发展最深层次战略思维的最佳变体：其完整的信息环境使人类玩家能够访问启发式解算器使用的完整位置质量评估，从而实现条件移动序列和完整期望值评估，如概率策略指南中专家级别所描述的那样。通过系统性的基于撤销的假设测试玩FreeCell是人类玩家最接近手动运行算法解算器的方式。
相信算法解算器的存在意味着每一局都是可解的。算法解算器在可赢的局中找到胜利路径——它们并不创造不存在的胜利路径。八个不可赢的FreeCell局正是通过算法解算器识别的，因为解算器耗尽了所有可能的路径，发现没有通向胜利的路径。在不可赢率更高的变体中（如Forty Thieves为40-60%，Spider 4-Suit为45-60%），算法解算器确认大量随机局没有胜利路径，这意味着没有任何算法——无论多么复杂——能够赢得这些游戏。强大的解算器的存在并不改变局的结构；它只是让我们能够更精确地分析该结构。
假设解算器的胜利路径是唯一的胜利路径。大多数可赢的纸牌游戏局都有多条胜利路径——多种不同的移动序列都能导致胜利条件。找到一条胜利路径的解算器并没有找到唯一的路径；它找到了可能成百上千条路径中的一条。这对人类游戏很重要，因为解算器的特定路径可能是高度不直观的——需要进行看似有害的移动，几步后其好处才显现出来，而同一局的其他胜利路径对人类的模式识别更为可及。解算器找到的胜利路径的存在确认了一局是可赢的；但这并不一定是人类玩家应如何最有效地处理同一局的指南。
将算法胜率视为适用于休闲游戏。当解算器确定35%的Klondike Turn 1局在最佳游戏下是可赢的，这个数字假设完美的信息处理、每个决策点的最佳移动选择，以及没有人类认知限制。休闲人类游戏在Klondike中实现15-25%，战略游戏实现35-45%，但算法的最佳上限约为79-91%（可赢的底线）仅能由访问完整状态空间的解算器实现。对人类玩家来说，算法胜率数据的正确解读不是作为个人基准，而是作为结构参考：它告诉玩家他们当前胜率与理论上限之间的差距有多少是由局数学造成的，多少是由策略质量造成的。有关使用这些结构数据的完整框架，请参见我们的局质量指南。
FreeCell是体验算法与策略连接的最佳游戏，因为其完整信息使系统搜索与正确游戏之间的关系直接可观察。一个FreeCell玩家如果系统地追踪移动树——评估所有合法移动，选择最高优先级路径，使用撤销测试替代分支，并识别确认死胡同的循环依赖——正在执行一种简化版本的启发式最佳优先搜索，正如自动解算器所使用的那样。Spider Solitaire引入了隐藏信息的维度，使得全面的算法分析变得不可行，并且需要蒙特卡罗方法的概率估计方法——在人的游戏中转化为概率加权的移动评估，如概率策略指南中所描述的那样。FreeCell（完整信息、确定性、启发式搜索）和Spider（部分信息、概率、蒙特卡罗估计）共同涵盖了纸牌游戏AI研究探索的两种主要算法范式，发展这两者的强大游戏能力提供了对算法与人类纸牌游戏策略关系的最深刻理解。
最接近自动解算器所做的人的可执行算法结合了三个组件：强制扫描序列作为移动优先级启发式（基础 → 揭示 → 纯构建 → 空列 → 库存），基于撤销的假设测试作为回溯机制，以及循环依赖识别作为死胡同检测的快捷方式。这三个组件共同实现了简化的启发式最佳优先搜索，带有回溯和部分死胡同检测——这也是定义最有效的自动解算器的三个组件，适应人类的认知能力。一个将这三者发展为一致习惯的玩家，正在执行最接近算法的人类近似，这种算法最大化了整个发牌分布的胜率。
FreeCell 对算法来说是最简单的，原因与其对人类战略分析的可操作性相同：完整的信息消除了隐藏卡片的分支问题，接近100%的可赢性意味着几乎所有位置都有赢的路径可以找到，四个空格加上八列提供了足够的舞台灵活性，以至于解决路径很少需要反直觉的回退移动。解决特定 FreeCell 位置的计算复杂性在最坏情况下仍然是 PSPACE 完全的——这意味着没有保证存在多项式时间算法——但在实践中，良好实现的启发式解算器几乎在毫秒内找到几乎所有 FreeCell 发牌的赢的路径。Spider 1-Suit 由于其单色限制也同样易于处理。在困难的方面，Klondike 的隐藏信息使得算法比其表面简单性所暗示的更难以确定性地解决，而 Forty Thieves 的大型双牌状态空间与受限的构建规则使得即使在假设完整信息的情况下，其计算成本也很高。
优先级决策 + 撤销测试 + 死局判断。
FreeCell。
理论上可以，实际上不可行。