以下是一个示例代码，演示了如何使用加权移动评分来计算AI的行动：

import numpy as np

# 定义一个游戏状态类
class GameState:
    def __init__(self):
        self.board = np.zeros((3, 3))  # 3x3的棋盘，0表示空格，1表示玩家1的棋子，-1表示玩家2的棋子
        self.current_player = 1  # 当前玩家

    # 返回可行的行动
    def get_possible_moves(self):
        return np.argwhere(self.board == 0)

    # 返回下一个游戏状态
    def make_move(self, move):
        new_state = GameState()
        new_state.board = np.copy(self.board)
        new_state.board[move[0], move[1]] = self.current_player
        new_state.current_player = -self.current_player
        return new_state

    # 判断当前游戏状态是否结束
    def is_game_over(self):
        # 判断行是否连成一线
        if np.any(np.abs(np.sum(self.board, axis=1)) == 3):
            return True
        # 判断列是否连成一线
        if np.any(np.abs(np.sum(self.board, axis=0)) == 3):
            return True
        # 判断对角线是否连成一线
        if abs(np.trace(self.board)) == 3 or abs(np.trace(np.fliplr(self.board))) == 3:
            return True
        # 判断是否平局
        if np.all(self.board != 0):
            return True
        return False

    # 返回当前玩家的得分
    def get_score(self):
        # 判断行是否连成一线
        if np.any(np.sum(self.board, axis=1) == 3):
            return 1 if self.current_player == 1 else -1
        # 判断列是否连成一线
        if np.any(np.sum(self.board, axis=0) == 3):
            return 1 if self.current_player == 1 else -1
        # 判断对角线是否连成一线
        if np.trace(self.board) == 3 or np.trace(np.fliplr(self.board)) == 3:
            return 1 if self.current_player == 1 else -1
        # 平局
        return 0

# 定义一个AI类
class AI:
    def __init__(self):
        self.max_depth = 4  # 最大搜索深度

    # 使用加权移动评分选择最佳行动
    def choose_action(self, state):
        best_score = float('-inf')
        best_action = None
        for move in state.get_possible_moves():
            new_state = state.make_move(move)
            score = self.minimax(new_state, self.max_depth, False)
            if score > best_score:
                best_score = score
                best_action = move
        return best_action

    # 使用minimax算法搜索最优解
    def minimax(self, state, depth, is_maximizing):
        if state.is_game_over() or depth == 0:
            return state.get_score()
        if is_maximizing:
            best_score = float('-inf')
            for move in state.get_possible_moves():
                new_state = state.make_move(move)
                score = self.minimax(new_state, depth - 1, False)
                best_score = max(best_score, score)
            return best_score
        else:
            best_score = float('inf')
            for move in state.get_possible_moves():
                new_state = state.make_move(move)
                score = self.minimax(new_state, depth - 1, True)
                best_score = min(best_score, score)
            return best_score

# 创建游戏状态和AI对象
state = GameState()
ai = AI()

# 使用AI进行行动选择
action = ai.choose_action(state)
print(f"AI的行动: {action}")

在上述代码中，GameState类表示游戏的状态，包括棋盘和当前玩家。get_possible_moves()方法返回当前可行的行动，make_move()方法返回下一个游戏状态。is_game_over()方法判断游戏是否结束，get_score()方法返回当前玩家的得分。

AI类表示AI玩家，其中choose_action()方法使用加权移动评分选择最佳行动