阅读本章之前，请参阅上一篇文章《Minimax算法及实例分析》
因为Minimax算法存在计算复杂性的大问题。 所需搜索的节点数随最大深度呈指数函数增长，算法的效果往往与深度相关，因此算法的效果受到很大限制。
alpha-beta剪枝是对Minimax的补充和改进。 通过采用alphabeta剪枝，无需构建和搜索最大深度d内的所有节点。 在构建过程中，如果当前结构再往下移动也找不到更好的解，则停止该结构以下的搜索，即剪枝。
阿尔法-贝塔基于如下朴素的思想：始终记住当前已知的最佳选择，从当前结构进行搜索时，如果找不到比已知的最佳解更好的解，则停止对其结构分支的搜索剪枝)，追溯到父节点继续搜索。
alpha-beta算法可看作变种的极大极小，基本方法是从根节点以深度优先的方式构造结构树，在构造每个节点时读取该节点的alpha和beta两个值。 阿尔法表示搜索当前节点时已知的最佳选择的下界，贝塔表示从该节点搜索下界的最坏结果的上界。 因为假设对方将情况导向最坏的结局之一，所以如果贝塔小于阿尔法，则表示从中无论最终结局是哪一个，其上限价值都将低于已知的最优解，也就是说，从这里开始向下找不到更好的解
上面的示例还介绍了alpha-beta剪枝算法的工作原理。 从根节点开始，详细说明使用alpha-beta的每个步骤。
根节点的alpha和beta分别被初始化为，和。 深度优先搜索的第一个子节点不是叶节点，所以阿尔法和贝塔是从父节点继承的，分别为，搜索的第三层次的第一个子节点与上述相同。 搜索第四个层次，到达叶的节点，利用评价函数得到的该节点的评价值为1。
1.8em; text-align:center”>
此叶节点的父节点为max节点，因此更新其alpha值为1，表示此节点取值的下界为1。
再看另外一个子节点，值为20，大于当前alpha值，因此将alpha值更新为20。此时第三层最左节点所有子树搜索完毕，作为max节点，更新其真实值为当前alpha值：20。
由于其父节点（第二层最左节点）为min节点，因此更新其父节点beta值为20，表示这个节点取值最多为20。
搜索第二层最左节点的第二个孩子及其子树，按上述逻辑，得到值为50（注意第二层最左节点的beta值要传递给孩子）。由于50大于20，不更新min节点的beta值。
搜索第二层最左节点的第三个孩子。当看完第一个叶子节点后，发现第三个孩子的alpha=beta，此时表示这个节点下不会再有更好解，于是剪枝。
继续搜索B分支，当搜索完B分支的第一个孩子后，发现此时B分支的alpha为20，beta为10。这表示B分支节点的最大取值不会超过10，而我们已经在A分支取到20，此时满足alpha大于等于beta的剪枝条件，因此将B剪枝。并将B分支的节点值设为10，注意，这个10不一定是这个节点的真实值，而只是上线，B节点的真实值可能是5，可能是1，可能是任何小于10的值。但是已经无所谓了，反正我们知道这个分支不会好过A分支，因此可以放弃了。
在C分支搜索时遇到了与B分支相同的情况。因此讲C分支剪枝。
此时搜索全部完毕，而我们也得到了这一步的策略：应该走A分支。
可以看到相比普通Minimax要搜索18个叶子节点相比，这里只搜索了9个。采用Alpha-beta剪枝，可以在相同时间内加大Minimax的搜索深度，因此可以获得更好的效果。并且Alpha-beta的解和普通Minimax的解是一致的。