在Alpha Beta剪枝算法中，negamax是一种常用的搜索算法，可以解决零和博弈问题。然而，有时候Alpha Beta剪枝可能会导致negamax选择了糟糕的着法。下面是一个包含代码示例的解决方法：

1. 添加置换表（Transposition Table）：通过保存已搜索过的局面的评估值，可以避免重复搜索相同的局面。在每次搜索之前，可以检查置换表中是否已经存在当前局面的评估值，如果有，则直接返回该值，而不进行搜索。

transposition_table = {}

def negamax_alpha_beta(board, alpha, beta, depth):
    if depth == 0 or board.is_game_over():
        return evaluate(board)

    key = board.get_key()  # 获取局面的唯一标识
    if key in transposition_table:
        return transposition_table[key]

    best_value = float('-inf')
    for move in board.get_legal_moves():
        board.make_move(move)
        value = -negamax_alpha_beta(board, -beta, -alpha, depth - 1)
        board.undo_move(move)

        best_value = max(best_value, value)
        alpha = max(alpha, value)
        if alpha >= beta:
            break

    transposition_table[key] = best_value
    return best_value

2. 添加历史启发（History Heuristic）：通过保存之前搜索过的着法及其对应的分值，可以在搜索中优先考虑这些着法。这样可以加速搜索，并且有助于提高搜索质量。

history_table = {}

def negamax_alpha_beta(board, alpha, beta, depth):
    if depth == 0 or board.is_game_over():
        return evaluate(board)

    key = board.get_key()  # 获取局面的唯一标识
    if key in transposition_table:
        return transposition_table[key]

    best_value = float('-inf')
    for move in board.get_legal_moves():
        board.make_move(move)
        value = -negamax_alpha_beta(board, -beta, -alpha, depth - 1)
        board.undo_move(move)

        best_value = max(best_value, value)
        alpha = max(alpha, value)
        if alpha >= beta:
            break

    transposition_table[key] = best_value

    # 更新历史启发表
    if move in history_table:
        history_table[move] += depth
    else:
        history_table[move] = depth

    return best_value

通过添加置换表和历史启发，可以提高Alpha Beta剪枝算法的效率和搜索质量，减少选择糟糕着法的可能性。值得注意的是，具体实现还需要结合具体的编程语言和游戏规则进行调整和优化。