当大模型当不好象棋教练

把一局棋丢给聊天机器人，让它解释学生哪里下错了——这大概是很多棋类教练和家长的朴素想法。但开源项目 Second 的作者做了一组对比实验，结果相当扫兴：给 Gemma 4 E4B 一段关于某个失误的事实，让它写教练点评，它把最简单的初学者杀局说成"后翼底线陷阱"，还凭空捏造了一个"发现攻击"。

这不是聊天窗口里的无害错误。它会印在一张纸上，交给一个十岁孩子，而这个孩子的父母正在为"准确性"付费。

Second 的解法很干脆：语言模型只负责写字，所有象棋判断交给代码。 Stockfish 算出事实，python-chess 把事实翻译成自然语言句子，Gemma 只在这些句子的范围内组织措辞，最后一层纯 Python 写的校验器逐条核对——每个棋子、每个格子、每个"N 步杀"、每个战术名词，都必须能在事实表里找到出处。

事实与措辞的分工

流水线是这样的：PGN 或 Lichess/Chess.com 用户名进来，Stockfish 以 depth 14 分析每个局面，python-chess 判断实际发生了什么——哪个子无人保护、被谁攻击、对手最佳应手是什么、是否构成叉子、是否有强制将杀、更好的那步能白吃多少子。这些被写成一份"事实清单"，例如：

走了 19. Rxe5（失误）。走后你的 d6 后正被 g6 后攻击，且无人防守。对手最佳应手是 Qxd6。更好的走法是 Qxe7，白吃对方 e7 马。

Gemma 拿到的就是这份东西，写标题、两三句解释、一个引导学生自己找答案的提问、一条经验法则，再加上总结、作业和一段给家长的话。校验器随后登场：战术词汇（fork、pin、sacrifice、back rank 等）只有在事实里出现过才被允许；"你丢了后""f4 的马悬着"这类断言必须对应事实中确实丢失或无人保护的棋子；给家长的段落不能出现棋谱记号，如果指定印地语就必须真的是天城文。任何一条不过，Gemma 会收到具体的错误清单重写；三次失败后，系统退回到直接由事实拼装的中性文本。

这套设计的成本几乎为零，因为所有模型都跑在教练自己的笔记本上。

Stockfish 是目前公认最强的开源国际象棋引擎，采用 NNUE（高效更新神经网络）评估局面，UCI 协议是它与外部程序通信的标准接口。depth 14 指搜索树深度约为 14 层半回合，对业余对局复盘而言是精度与耗时的平衡点：深度过低会漏掉战术，过高则在普通笔记本上耗时剧增。

PGN（Portable Game Notation）是记录整盘棋着法的纯文本标准格式，绝大多数棋类网站都支持导出；Lichess 与 Chess.com 则提供 API，可按用户名批量拉取学生的历史对局。python-chess 是 Python 生态中最成熟的棋类库，负责合法性校验、局面推演与着法生成——文中“判断哪个子无人保护、是否构成叉子”等逻辑，正是建立在这些底层能力之上。

29 个真实失误给出的数字

作者从 Lichess 开放数据库（CC0）抽取 16 盘 1000 到 1700 分段的真实对局，取每方最大的失误，共 29 个时刻，用同一台机器、同一个模型做三种方式的对比：

指标	裸 Gemma	Gemma + 事实	Second（含校验）
给出具体着法	14/29	29/29	29/29
说中 Stockfish 首选替代着	0/29	29/29	29/29
提到棋盘上不合法的着法	7/29	0/29	0/29
做出引擎未确认的断言	18/29	0/29	0/29

一个 4B 模型单靠自己，29 次里没有一次说中引擎的首选着法，还有 7 次提了根本不存在的走法。而一旦把结构化事实喂进去，它 29 次全中。

作者自己也承认，这个结果让他意外：真正干活的是事实清单，不是模型。在测试中，Gemma 带事实的第一版回答全部通过了校验器，校验层一次都没被触发。他仍然保留它——"安全带是给接地失效的那天准备的"，也让他可以说"不会有编造内容到达学生手里"，而不是"大概不会"。

4B 模型在普通笔记本上跑起来

硬件是一台 Intel Core Ultra 5、16GB 内存、无独显的笔记本，跑 Ollama 里的 gemma4:e4b-it-qat（6.1GB）。默认情况下 Ollama 忽略核显，设置 OLLAMA_IGPU_ENABLE=1 打开 Vulkan 后，prompt 处理速度从约 31 tokens/s 提升到约 315 tokens/s。整盘棋的复盘约 90 秒，其中 Stockfish 约 20 秒，每条点评约 12 秒。一次完整复盘消耗 2000 到 3000 个 prompt token、约 550 个输出 token，全部免费。

公开演示部署在 Render 免费层，内存装不下 Gemma，于是容器内跑 Stockfish，点评交给 Google AI Studio 上的 Gemma 4 26B A4B。因为同属一个开放模型家族，prompt、校验器和模型行为保持一致，只是权重跑在哪里不同。21 步的对局不到 30 秒返回，所有点评首轮通过校验。

Ollama 是本地运行开源大模型的常用工具，默认只使用 CPU，因为它不易判断集成显卡的可用性；设置 OLLAMA_IGPU_ENABLE=1 后会通过 Vulkan 计算接口把推理负载分给核显。Vulkan 是跨厂商的图形与通用计算 API，Intel、AMD 的核显都能受益。模型名中的 qat 指 Quantization-Aware Training（量化感知训练），在训练阶段就模拟低精度运算，使模型量化到 4 位后精度损失更小，因此 4B 参数模型只占约 6.1GB 内存。

prompt token 与输出 token 的区分很关键：prompt 处理是并行可批量的，输出则是逐 token 串行生成，所以打开核显后 prompt 速度提升近十倍，而每条点评仍约需 12 秒。Gemma 4 26B A4B 中的 A4B 指 MoE（混合专家）架构下每个 token 仅激活约 4B 参数，因此大模型也能保持较低推理成本。

一个被刻意做窄的产品

目标用户很具体：印度的国际象棋教练。Gukesh 拿下世界冠军后，当地象棋培训爆发，大量教练是业余强手和兼职的大学生——这本身就是一个副业市场。课程是收费的，课后那部分不是：翻看每个学生的棋、找转折点、写一段孩子和家长都愿意读的东西。20 个学生每周各下两盘，就是 40 盘棋；每盘 5 分钟，每周超过 3 小时的无偿劳动。

Second 把这 40 盘变成笔记本上的后台任务。产品定位是 GPL 开源、可永久自托管，付费的是教练不想自己做的部分：一键安装、打印件上的棋院名字、每周自动导入学生网棋、技术支持，定价约每月 299 卢比（约 3.15 美元）。这个价格成立的前提是边际成本为零——模型跑在教练自己的机器上，第 40 盘棋和第 1 盘棋一样不花钱，也不需要账号、API key 或国际信用卡。

数据合规是另一层考虑。学生是未成年人，印度《2023 年数字个人数据保护法》对儿童数据有额外要求，包括可验证的家长同意。本地运行意味着棋谱和姓名不出机器，没有第三方处理者，没有跨境传输，也不需要向家长额外解释什么。加上比赛场馆常年 Wi-Fi 糟糕，离线可用不是噱头。

许可层面，Gemma 4 采用 Apache 2.0，可以合法构建付费产品；同一套 prompt 可以跑在笔记本的 Gemma、Ollama Cloud 或 Google AI Studio 上，机器升级就换更大的模型。评测之所以能做，是因为 Lichess 数据库是 CC0，每一条点评和每一个分数都公开在 eval/results.json 里，并能链接回原始对局。

印度《2023 年数字个人数据保护法》（DPDP Act）将 18 岁以下用户的数据列为儿童数据，处理前须取得可验证的家长同意，并禁止针对儿童的行为追踪与定向广告。对教育类工具而言，这意味着若把学生棋谱与姓名上传到第三方云服务，教练就可能成为数据处理者，需承担告知、同意留存与安全义务；而数据完全留在本地机器上时，这些义务大幅简化。

GPL（GNU 通用公共许可证）要求分发衍生作品时公开源代码，这与“可永久自托管”的定位相配，但并不意味着不能收费——收费对象是安装、运维与支持等服务，而非软件许可本身。Apache 2.0 则更为宽松，允许闭源分发与商业使用，只需保留版权与许可声明，这正是能用 Gemma 构建付费产品的法律前提。

几个值得抄走的提示词教训

• 告诉模型什么最重要。 早期点评全部正确、全部寡淡（"小心大失误！"）。有一局事实里写着即将出现 Nxc2+ 的马叉，同时攻击王和车，Gemma 却在讲 c2 兵。修复方式是让代码为每个时刻挑一条 KEY FACT，并要求解释以它开头。
• 说清楚读者是谁。 第一版印地语家长信开头是"प्रिय Aarav"——写给了孩子。现在 prompt 明确要求写给家长、用第三人称提孩子，并指出本周练一件事。
• 干脆不要把孩子的名字给模型。 Gemma 写 [STUDENT]，Second 事后替换。本地跑无所谓，但这意味着托管演示从不把儿童姓名发给任何人。

校验器自己一开始也有 bug。首个样本局它报告"抓到 4 处编造细节"，作者逐条核对，发现全是自己的问题：总结里说学生"第 5 步易位"、准确率"75.1%"，两条都真实存在于给 Gemma 的事实表中，只是总结校验器只认识关键时刻。更糟的是，整个总结因此退回英文模板，而家长要的是印地语。修复有两条：总结对照实际展示给模型的那份事实表校验；回退按字段进行，只有坏掉的那一句被替换。

开源拼图与一个诚实的边界

Second 的立论是：难的部分早已开源。世界上最强的象棋引擎 Stockfish 是自由软件，一个 4B 语言模型不会下棋，也不需要会——象棋分析已经被开源解决了，模型只需要会说话。这个项目本质上是两个开源项目之间的一层薄胶水。

产品验证目前还很初步。第一位用户是作者一位棋力不错的朋友，试用后觉得"给教练用相当可以"。作者自己没有把这句话当成精度评审，只当作第一个来自构建过程之外的正向反馈。下一步是把工具放进教练的每周routine：复盘学生的棋、在课上用那些提问、看哪一部分真正省下了备课时间。在那之前，259 卢比的付费方案还只是一个提案。

对于想把大模型塞进教育场景的开发者，这个项目的价值不在于象棋。它示范了一种分工：确定性交给代码和引擎，表达交给语言模型，正确性交给一个能说"不"的校验层——以及一个反直觉的发现，当事实足够好时，4B 模型的表现可以比你以为的更可靠。