提前声明一下，我只是一个编程新手，水平不高。毕竟是一年前的问题了，也许我现在的水平已经远远比不上题主。
首先我们需要明确斗地主这种牌类游戏与其他AI的区别，如棋类游戏，以选取针对性的算法。棋类游戏的局面对玩家是公开的。因此我们可以用基于决策树的算法，如alpha-beta剪枝对之后的很多步进行模拟，找到最优解。而斗地主这种牌类游戏，由于我们得到的信息相当有限（只有自己的手牌与对手打出的牌），很难搜索很多步，基本还是靠“专家系统”-以人类思维进行模拟，将人类智慧中的一些术语转换为计算机能听懂的语言。
前不久刚刚写了一个斗地主AI。我认为关键在于拆牌和估值。我们认为“牌”是0-53的数字序号。其实也可以无视花色，将其视为0-14（0代表3,14代表大王）的数字序号博彩平台，允许重复。
先实现数据结构。需要定义一个类：牌组(不妨叫CardCombo)，给出一堆牌的输入，这个类需要确定牌组的类型（如对子，三条，飞机，顺子等等），大小（如对6>对4）。判定牌组类型考虑牌组中同点数牌的数量。比如牌组中同点数牌数量为1（3-大王，任何点数仅有1张），可能是单张或者顺子。同点数牌数量2-对子，双顺。3-三条，飞机。3+1-三带1，飞机+小翼。这需要自己慢慢分类讨论。
接下来是出牌。斗地主出牌有两种：一种己方是先手，无限制的出牌（认为是攻击型的），另一种是跟牌（认为是防守型的）。出牌的合法输出仅取决于自己手牌（出自己有的牌），而跟牌需要：出自己有的牌，牌类型与所跟牌：类型相同，张数相同，等级较高。实现了这一点之后，您可以设计出有牌就跟的AI，合法性是可以保证的，但是这样的AI战斗力不高。
想提升AI战斗力，您或许需要实现拆牌的功能，即将手牌拆分成比较好的组合。这里的“好”，粗略指的是手数尽可能少，但尽量用对牌组的估值进行判断。比如手牌是33345677，我认为常人思路应该是拆成(34567)(33)(7)。这里提供一个简单思路（我的思路加入了大量特判，之后举例优化。）拆牌顺序：炸弹-三条-双顺-顺子-对子-单张。例如3334455667888910JQQK。拆分结果应如(333)(445566)(7)(888)(910JQK)。这比有牌就跟的AI相比就要好很多。优化很多，比如发现破坏对子数量过多不拆顺子，将双顺拆成两个顺子（3445566778拆成34567与45678）等。
对于一个可以当做一手牌打出的CardCombo，我们可以对它进行估值。整手牌的估值就是这些拆分好的牌组与牌组数量（出完牌需要的轮数，越小越好）的线性组合。这里粗略说一下估值的思路，大牌肯定要设计成高权值。特殊类型的牌权值也应该有增益。如33一般是优于单张3的。
接下来是进攻性的主动出牌了。一般自己有好的牌型（如双顺，飞机，顺子）对手难以管上，可以优先出，占据主动权。更强的AI要考虑队友与对手可能没有的牌型，针对弱点进行进攻，或避免卡队友。
防守型的被动出牌其实不一定要出拆好的Combo中的牌，因为给了跟牌的限制，搜索数量并不多。这里可以假设出某个Combo，估计剩下手牌的价值，如果破坏牌组并不严重，就可以出这个Combo.
再优化就是残局搜索了。比如，自己剩下两手牌，有一手是绝对大牌。比如双王已经出过，你手里一张2一张7，先出2先出7？答案是先出2.这种局面想优化需要好好考虑。
这个框架是基于人类经验的。其实需要考虑的事情很多，再提升性能也很困难。现在BP神经网络比较流行，思路是将（我方有的手牌，上家出的牌，已经出过的牌）作为完全描述已知信息的游戏状态state，作为神经网络的输入，计算出我方选择所有合法动作（action，也就是可行的操作-出符合游戏规则的牌或跳过）的概率。但是凭我目前的水平很难实现。也许之后实现神经网络会更新答案。
希望对您有所帮助。
