ARTICLE · 1129413
不会写软件,怎么做一个自己的围棋让子引擎?
很多人第一次听到“自己做一个围棋让子引擎”，都会先想到一句话：
我连软件都不会写，这事是不是只能看看？
还真不一定。
只要你会下围棋，知道什么样的让子下法更厉害，再借助现在的 AI 工具，完全可以一步一步做出来。你不需要先学会 C++，也不需要先把人工智能教材啃完。你要做的是把围棋要求讲清楚，让 AI 负责把要求变成代码。
这篇文章的目标很明确：从下载 KataGo 源码开始，让 AI 帮你准备环境、编译出 KataGo 程序，再做出一个可以让子的版本。
先说明一下：这不是重新训练一个围棋 AI。我们使用已经很强的 KataGo，在它的基础上调整让子参数和算法。
先感谢 KataGo 的作者
KataGo 的官方项目地址是：
https://github.com/lightvector/KataGo
KataGo 的主要作者和项目维护者是 David J. Wu，GitHub 用户名是 lightvector。项目采用开源方式发布，代码、文档和配置都可以公开查看。
这里必须先说一句感谢。
因为有 KataGo 这样的开源项目，很多原本需要专业团队完成的事情，才有机会被普通棋友拿来研究。我们不用从零训练一个围棋模型，也不用自己实现整套搜索算法，只需要在已有成果上继续做一点适合自己的改造。
AI 也不只是陪你聊天、帮你下棋。现在的 AI 工具，还可以读项目、写代码、运行命令、分析报错、修改配置，甚至把一个能运行的软件一步步做出来。
让四子时白棋应该采用什么策略，需要结合围棋经验、对局测试和实际效果来判断。AI 可以帮你分析已有配置、比较不同参数、设计测试，并把确定下来的思路写进程序。你负责提出判断和要求，它负责把这些要求落到文件和程序里。
第一步：挑一个能真正干活的 AI 工具
可以选择的工具很多，国外有 Codex，国产有 WorkBuddy、Qoder、Trae Work、DSh、ZCode、Kimi 等。
前面列出的这些工具，都可以完成这三件事：
1.读取文件；
2.运行终端命令；
3.根据报错继续修改。
不同工具的界面、权限和操作方式可能不一样。安装后做一次简单检查，是为了确认你当前使用的版本已经开启了文件和终端能力，而不是为了给这些工具排高低。
安装好以后，可以用一个很小的任务测试它：
请打开终端，告诉我当前系统版本和当前工作目录。然后检查 Git 和 CMake 是否已经安装，只做检查，不要修改文件。请把实际执行结果发给我。它能正常返回检查结果，就说明基本可以开始。此时还没有下载 KataGo 源码，不需要打开什么项目目录。
如果你有选择困难症，不想花时间比较，我建议先安装腾讯的 WorkBuddy。它有赠送的免费积分，也可以通过邀请好友、完成任务等方式获得积分，适合先把这次 KataGo 实践做起来。等以后对模型能力、代码修改范围或终端自动化有更高要求，再去体验和对比其他 AI 工具也不迟。
安装好工具后，选择目录 D:\workspace\KataGo 创建一个项目。项目创建完成后，后面的所有对话都基于这个项目进行，让 AI 能持续读取同一批文件、运行同一个终端环境。
第二步：让 AI 下载 KataGo 源码
现在回到刚才创建的 D:\workspace\KataGo 项目，在这个项目对话里把官方仓库地址交给 AI：
请在当前项目目录 D:\workspace\KataGo 中获取 KataGo 官方源码：https://github.com/lightvector/KataGo.git请完成以下工作：1. 先列出当前目录内容；2. 如果只有项目配置文件，保留这些文件，并用不会覆盖它们的方式获取源码；3. 如果发现与源码同名的文件，先告诉我情况，不要擅自覆盖；4. 记录当前分支、版本和提交号；5. 阅读 README.md 和 Compiling.md；6. 告诉我 Windows 编译 KataGo 需要哪些工具；7. 先不要修改源码，也不要凭空生成文件。如果电脑没有 Git，可以让 AI 先检查并说明安装方法。不要直接让它猜一个下载地址，也不要看到命令执行失败后仍然说“源码已经下载完成”。
下载结束后，再让 AI 做一次目录确认：
请检查 KataGo 源码是否完整。重点确认 README.md、Compiling.md、cpp、configs、python 等目录或文件是否存在。如果缺少内容，请告诉我缺少什么，不要继续编译。这一步完成后，AI 应该能说清楚：源码放在哪里、当前版本是什么、后面需要哪些依赖。
第三步：让 AI 根据源码准备环境
不要把一张网上的安装清单原封不动地装进电脑。KataGo 源码和你的电脑，才是判断环境的依据。
把下面的提示词发给 AI：
请根据当前 KataGo 源码中的 README.md 和 Compiling.md，检查我的 Windows 编译环境。请检查：1. Visual Studio 或其他 C++ 编译器；2. CMake；3. Git；4. Python（如果当前构建或测试需要）；5. 显卡型号和驱动；6. 可用的 KataGo 后端，例如 CPU、OpenCL、CUDA 或 TensorRT。要求：- 先检查，不要直接安装一堆软件；- 将结果分成“已具备”“缺少”“本次不需要”；- 每安装一个依赖前，说明它是做什么的；- 优先选择最容易编译和测试的方案；- 如果没有合适显卡，给出 CPU 方案；- 所有步骤都要在当前项目目录下验证。一般来说，只想把 KataGo 编译出来，重点是 C++ 编译器和 CMake。想使用 GPU，再根据显卡选择后端。没有 NVIDIA 显卡，就不要让 AI 盲目安装 CUDA；没有 GPU，也可以先用 CPU 把流程跑通。
你还可以让 AI 把环境检查结果写成文件：
请把刚才的环境检查结果保存为 docs/environment-check.md。记录电脑配置、已安装工具、缺少的工具、选择的 KataGo 后端，以及以后重新搭建环境时需要执行的命令。这样以后换电脑，或者项目交给别人，都会方便很多。
第四步：让 AI 编译出一个 KataGo 程序
环境准备好以后，再开始编译。把任务拆成“小步测试”，不要一句话让 AI 同时编译、下载模型、连接棋盘软件。
可以这样发：
请根据 KataGo 官方编译说明，先生成 Windows Release 构建目录。使用当前电脑已经确认可用的编译器和后端。不要覆盖源码，不要修改上游文件，除非编译确实需要。执行构建并记录完整命令和输出。如果 CMake 配置成功，再让它编译：
请继续编译 KataGo 的 Release 版本。编译失败时：1. 保留完整错误日志；2. 解释错误属于依赖、编译器、路径还是源码问题；3. 只修复当前问题；4. 修复后重新执行同一项测试。编译成功后告诉我生成的 katago.exe 的准确路径。编译完成不等于程序可用。接着做三个最小测试：
请测试刚刚生成的 KataGo 程序：1. 运行 katago version；2. 运行一次 benchmark，确认后端可以工作；3. 使用 GTP 模式加载模型，发送 protocol_version、boardsize 19、 clear_board 和 genmove b；4. 检查是否返回合法坐标；5. 将测试结果保存到 logs/build-and-gtp-test.txt。第一次用 OpenCL 或 GPU 后端时，初始化可能需要一点时间。AI 如果提示“第一次运行正在调优”，先等它完成，不要立刻中断。
到这里，你应该已经拥有一个真正能运行的 katago.exe。如果程序能返回一手合法棋，不要急着继续改。先把这次成功的命令、模型路径和配置文件保存下来。
第五步：把自己的让子思路告诉 AI
前面的 KataGo 程序已经可以运行，接下来才开始做让子引擎。
这一步最重要的工作，不是先写代码，而是把你的围棋思路告诉 AI。你可以参考这篇文章中的调整：
文章里的思路可以用围棋语言概括成几件事。
让子越多，白棋越主动，但不能无限变得冒险
给不同的让子数设置不同的 PDA，让白棋随着让子增加，逐步提高主动进攻的倾向。比如让两子、三子、四子时逐级增加；让到五子以后逐渐封顶，避免让子太多时白棋为了“搅局”而无谓冒险。
参考文章给出了一组可作为起点的数值：让二子 3.0、让三子 5.5、让四子 8.0、让五子 10.0、让六子 10.5、让七子 11.0、让八子及以上 12.0。实际使用时仍然要通过对局校准，不要把这些数值当成固定答案。
复杂战斗时，白棋要先稳住判断
高 PDA 的白棋容易在大规模对杀、劫争、薄棋和缠绕局面里下得过于冒险。因此，让 AI 同时计算一份 PDA=0 的无偏评估，用它观察局面到底有多不稳定。
当无偏评估显示局面波动很大时，临时降低实际 PDA，并增加搜索量。这样白棋仍然保持主动，但不会只因为策略偏好而冲进看不清的战斗。
参考实现使用 EvenScoreStdev >= 20 作为高波动信号，将实际 PDA 限制为 min(原 PDA, 5)，同时把搜索量加倍。这个阈值和倍数可以交给 AI 做成配置项，方便以后校准。
只有确认真的领先，白棋才可以快下
让子局里，带 PDA 的胜率和目差会受到策略偏好影响，不能直接用来判断白棋是否已经稳胜。快下应该参考无偏评估中的真实目差，落后、均势或局面波动大时，仍然正常计算。
开局增加变化，但不强行追求新奇
让子棋如果每次都走同样的小目、低夹或固定定式，黑棋很快就能提前准备。可以把三三、目外、高目、五五、超高目、挂角和侵扰等候选加入开局候选池，再交给搜索结果筛选。
这些只是候选，不是强制落子。目标是让白棋开局更灵活，同时保持基本棋理。
不采用效果不好的开局评分调整
如果某种开局动态提高 ScoreUtilityFactor 后，导致棋局越来越保守，就不要为了“抢角”保留它。开局变化交给候选池和搜索来处理，避免额外的评分偏置影响中后盘。
把这些思路告诉 AI 时，可以直接使用下面的提示词：
请在当前 KataGo 项目中实现一个围棋让子引擎。参考思路文章：https://mp.weixin.qq.com/s/qyhWoz-r5c__7_U9Dy0rJg我的目标是：人类执黑，KataGo 执白。让子越多，白棋越主动，但在复杂战斗中不能因为 PDA 过高而无谓冒险。请根据下面的思路设计和实现：1. 为不同让子数量设置递进的 PDA。可先使用：2 子 3.0、3 子 5.5、4 子 8.0、5 子 10.0、6 子 10.5、7 子 11.0、8 子及以上 12.0，并做成可校准配置；2. PDA 在让子较多时逐渐封顶，避免无限提高；3. 同时计算 PDA=0 的无偏评估，用于判断真实目差和局面波动；4. 在复杂对杀、劫争、薄棋和缠绕局面中，当 `EvenScoreStdev >= 20` 时，将实际 PDA 限制为 `min(原 PDA, 5)`，并把搜索量加倍；5. 只有无偏评估中的 `EvenScoreLead` 确认白棋真正领先时，才允许缩短思考时间；6. 落后、均势或局面波动较大时，保持正常搜索；7. 增加开局候选的多样性，包括不同空角、三三、目外、高目、五五、超高目和合理挂角；8. 开局候选只能参与加权和搜索，不能强制落子；9. 不使用会导致棋局越来越保守的动态 ScoreUtilityFactor 调整；10. 保留普通 KataGo 模式，不要破坏原有 GTP 功能。请先阅读源码和配置，给出设计方案、参数位置、文件修改清单和测试方案。确认方案后再修改代码。这段提示词里，围棋判断由你给出，AI 负责把它拆成参数、配置和程序逻辑。以后你有新的让子想法，也可以继续按同样方式告诉 AI，让它修改、测试，再和实际对局效果比较。
修改完成后，再让 AI 做验证：
请不要只说明代码已经完成。请实际启动程序，测试不同让子设置，检查棋盘状态、GTP 通信、复杂局面下的 PDA 调整、开局候选多样性和连续落子是否正常。把执行过的命令、测试结果和仍然存在的问题列出来。最后，怎样判断真的做成了
不要听 AI 说“已完成”就结束。用下面这份清单验收：
•能从源码成功生成 katago.exe；
•katago version 能返回版本信息；
•GTP 模式能加载模型并返回合法落点；
•普通模式和让子模式都能正常启动；
•不同让子设置下，棋盘上的棋子位置正确；
•让子后白棋能正常接着落子；
•可以通过围棋软件连续下一盘；
•关闭程序后，日志能说明使用的模型、配置和让子数量；
•原来的普通 KataGo 模式没有被破坏。
如果某一项失败，把失败时的完整命令、日志和项目状态交给 AI。不要只说“还是不行”，也不要让 AI 在没有日志的情况下猜答案。
这套方法的核心很简单：围棋问题由你定义，软件问题由 AI 拆解；每次只完成一个能验证的小目标。
KataGo 已经替我们完成了最难的那一大段工作。我们要做的，是在开源成果上加一个自己真正用得上的入口：让几子、怎么下、如何陪练，都由自己决定。