Patzer：自托管开源国际象棋平台，Stockfish+本地LLM打造私有Chess.com

当隐私成为父母的刚需

一位开发者为自己孩子的国际象棋需求做出了一个决定。他的孩子在 Chess.com 上下棋——这是一款优秀的产品，但账号体系、云端数据和广告，并不是他愿意交给一个九岁小孩的东西。于是他动手构建了 Patzer：一个可以运行在树莓派、NAS 或旧笔记本上的自托管、开源的 Chess.com 替代方案。

这个项目的核心诉求非常清晰：把下棋这件事完全留在自己的局域网里。游戏记录、用户档案和各项设置永远不会离开家庭网络。项目采用 MIT 许可证，默认以英语为主，同时内置保加利亚语、西班牙语、德语和俄语支持。

五大功能构成完整的下棋体验

Patzer 并非一个简陋的 demo，而是覆盖了从复盘到对战再到教学的完整链路。

对局复盘（Game Review）

用户可以拉取自己在 Chess.com 或 Lichess 上的公开对局，也可以直接粘贴 PGN 棋谱。内置的 Stockfish 引擎会对每一步进行分类——精彩（Brilliant）、好棋（Great）、不精确（Inaccuracy）、失误（Mistake）、漏着（Blunder），并给出准确率、估算 Elo 以及形势评估曲线图。此外还有一个“威胁探测”功能，用通俗的语言回答“当前的威胁是什么”。

PGN（Portable Game Notation）是国际象棋领域通用的棋谱记录格式，由标准化的文本符号描述每一步棋，例如 1. e4 e5 2. Nf3 Nc6。几乎所有棋类平台都支持导出或导入 PGN 文件，这意味着用户无需重新录入棋局，直接从 Chess.com 或 Lichess 复制棋谱粘贴即可开始分析。

Stockfish 是目前世界上最强的开源国际象棋引擎之一，在标准硬件上的棋力已远超任何人类顶尖棋手（Elo 约 3500+）。它通过搜索数百万条后续变化来评估每一步棋的优劣，输出以"厘兵"（centipawn，1/100个兵的价值）为单位的形势分值。Patzer 利用 Stockfish 的这一能力对用户的每步棋打标签，使复盘分析具备客观、精确的事实基础，而非依赖模型的主观判断。

人机对战与朋友对战

Play vs Bot 提供从“Kid”到“Stockfish max”七个命名档位，覆盖所有标准时限设置，并为儿童模式加入了漏着警告。Play vs Friend 则实现了同一服务器上不同档案之间的实时 PvP，基于 WebSocket，支持和棋提议、悔棋以及一键再战。对于家庭场景来说，孩子之间互相对弈的需求被很好地照顾到了。

AI 教练

这是整个项目最有想象空间的部分。用户可以把它指向自己的 Ollama 或 vLLM 主机。AI 教练会解释一步棋为什么行得通或行不通，展示更好的走法，并把当前错误与你最近的对局联系起来——比如提示“你最近十局里有四局都把棋子暴露在无保护状态”。

Ollama 是一个让用户在本地计算机上运行开源大语言模型（如 LLaMA、Mistral、Gemma 等）的工具，无需连接云端 API，数据完全不离开本机。vLLM 则是面向更高吞吐量场景的开源 LLM 推理框架，通常部署在具备 GPU 的服务器上。两者都提供与 OpenAI API 兼容的接口，方便第三方应用集成。对于 Patzer 的家庭用户而言，Ollama 是更典型的选择：在一台性能普通的机器上运行 7B 参数左右的模型即可满足需求，完全不必订阅任何云服务，AI 教练的所有对话也因此留在了家庭网络内部。

家庭友好设计

Patzer 支持多用户，配有管理员控制台，可按档案设置语言、开启儿童模式，甚至为最小的孩子提供“horsey”这样的卡通化棋子名称。

真正值得学习的架构决策

开发者反复强调的一个设计选择是：LLM 永远不负责分析。服务器端先用 Stockfish 把事实算清楚——一步棋允许了什么、挂了什么、赢了什么，对手的最佳应对，以及你反复出现的错误模式——而大模型只负责把这些事实转化为可理解的教学语言。

这个思路带来两个直接好处。其一，一个小体量的本地模型就足以胜任，不需要昂贵的 GPU 或云端 API。其二，“幻觉”在原理上被杜绝了：模型不可能凭空臆造出一个不存在的棋子或错误的局面判断。更关键的是，系统设置了一道防线——如果 AI 给出的回答夸奖了一步明明是漏着的棋，这个答案会在你看到之前就被拦截。

这种“引擎负责真相、模型负责表达”的分工，对所有想在垂直领域落地 LLM 的开发者都有参考价值。它说明在很多场景下，LLM 不应该是决策者，而应该是把结构化结果翻译成自然语言的那一层。

LLM 的"幻觉"（Hallucination）问题指的是大语言模型有时会生成听起来合理但实际上错误的内容——在棋类场景中，这可能表现为模型错误地描述棋盘局面、夸奖实际上损失子力的走法，或凭空引用不存在的变化。这一问题的根源在于语言模型本质上是概率性的文本生成器，它"预测下一个词"的机制并不天然绑定于外部的事实核验。

Patzer 的解法是将"真相来源"与"语言表达"彻底解耦：所有关于局面的事实判断由 Stockfish 完成并结构化输出，LLM 只能在这些已经验证过的事实范围内进行自然语言转述。这种 RAG（检索增强生成）思路的变体——用确定性工具替代检索、用引擎输出替代知识库——在垂直领域 AI 落地中具有广泛的借鉴意义。

一行命令完成部署

Patzer 的部署极其简洁，整个系统打包在一个 Docker 容器里：

docker run -d -p 8800:8800 -v patzer-data:/app/data \
  --name patzer ghcr.io/SikamikanikoBG/patzer:latest

一条命令即可拉起全部服务。对于家里已经有 NAS 或者闲置树莓派的用户来说，几乎没有门槛。项目仓库地址为 github.com/SikamikanikoBG/patzer。

小结

Patzer 是一个把“数据主权”和“AI 落地”结合得相当巧妙的个人项目。它没有试图在棋力上超越商业产品，而是精准地解决了家长的真实痛点——不想让孩子的数据流向云端，也不想让广告出现在孩子面前。同时，它用 Stockfish 保证分析的严谨性，用本地 LLM 补足教学的温度，并通过架构设计规避了大模型最大的短板。对于关注自托管、隐私保护和本地化 AI 应用的用户，这是一个值得一试的开源方案。