我打造了一个象棋教练,它像特级大师一样解释走法,而不是显示引擎线路——由LLM驱动
摘要
一个象棋教练工具,使用LLM像特级大师一样用自然语言解释走法,用上下文的教练叙述取代原始的引擎评估。它通过本地的Stockfish分析来自Chess.com和Lichess的用户对局,检测重复出现的错误,并提供个性化聊天和对失误的间隔重复训练。
我想要解决的问题:Stockfish告诉你的只是*什么*是最佳走法,但从不说明*为什么*。1800分以下的玩家输棋不是因为看不懂百分之一兵值——他们输是因为不理解计划、结构、关键格子。**这个工具的功能:**
1. 从Chess.com或Lichess导入你的对局
2. Stockfish 17.1 WASM在你的浏览器中运行(完全本地,不上传任何数据)
3. 模式检测器发现你所有对局中18种重复出现的错误类型(错失的捉双、暴露的王、坏象、忽略的出子……)
4. 一个LLM以2700+分教练的风格生成教练叙述
**代替这样的内容:**
-89 cp · 最佳:Nc3 Nf6 Be3
**AI教练这样说:**
> "Bd3是过早的——这象没有攻击任何目标,还堵住了d3格,而王后可能想走到那里。Nc3才是正确的走法:它保护了d4,阻止了黑方…e5的反击,并且让象可以根据黑方的计划自由地落在Be3或Be2上。"
你也可以**与教练聊天**——它知道你的全部对局历史、开局统计数据、具体弱点。问“为什么我用黑棋在法兰西防御中总是输?”它会用来自*你*对局的数据回答。
其他功能:对你自己的漏着进行间隔重复(SM-2)、用真实错误的谜题冲刺、6个月进度追踪。
免费层:无限次Stockfish。专业版($14.99/月,15天免费试用):LLM教练+聊天。
https://chessmentorai.com
很高兴讨论提示词方法——让LLM像教练(而非引擎)一样解释象棋是最难的部分。
相似文章
@N3sOnline: 使用了 @mattpocockuk 的 /teach 技能,并让它访问一个国际象棋引擎和API来获取我最近的所有对局。现在它……
一位用户演示了如何利用自定义AI技能,结合国际象棋引擎和游戏API来获取近期对局,进行分析,并生成带有交互式视觉和谜题的个性化课程。
自我对弈帮助AI在围棋中达到超人类水平,那么为何对LLM未能如此?研究人员找到了解决方案。
研究人员引入了自导自对弈(Self-Guided Self-Play, SGS),这是一种用于LLM的自我对弈算法,通过使用指引角色(Guide)对合成问题进行评分来防止奖励作弊(reward hacking)。应用于Lean4中的定理证明时,SGS超越了强化学习基线,并使7B模型胜过671B模型。
Regex Chess: 一个使用84,688个正则表达式的2层minimax国际象棋引擎
Nicholas Carlini 的项目使用84,688个正则表达式实现了一个2层minimax国际象棋引擎,这些表达式被顺序执行以走出合法的国际象棋走法。文章解释了一个能够解读指令的正则表达式计算机的设计。
我构建了一个1v1核战略游戏来基准测试LLM推理(而不仅仅是选择题)——Age of LLM
名为Age of LLM的新型开源基准通过回合制核战略游戏(包含战争迷雾、外交和虚张声势)来测试LLM推理,相较于传统的多项选择基准,提供了更动态的评估。
@dwarkesh_sp: 与 @ericjang11 的新黑板讲座:他演示了如何用现代AI工具从头构建AlphaGo。一些…
Eric Jang的黑板讲座逐步讲解了如何使用现代AI工具从零构建AlphaGo,涵盖了强化学习、蒙特卡洛树搜索、自我对弈,并与LLM训练相联系,同时讨论了自动化AI研究。