3.9 Capstone：国象对弈 App 与评测

到终点了。这是国象的收口，也是整门课的终章。我们把国象的人机对弈做成可玩程序、给各引擎定级，最后做一件最有意义的事——把井字棋、五子棋、国象三个棋种的引擎，统一成一组 ANIMA 可以调用的“下棋技能”，让这门课从“造引擎”真正接上“认知框架的工具”。

一、pygame 国象人机对弈

界面还是 1.8 那套骨架，第三次复用——画成 8×8、加载棋子图、点击走子。因为接口统一，对手可以一键切换：自研的 α-β+NNUE、或者直接挂 Stockfish。借助 3.6 的 info()，界面还能实时显示评分条（谁占优）和主变 PV（引擎预判接下来双方会怎么走）——和五子棋高亮威胁线一样，让“AI 在想什么”看得见。

到这里你应该深有体会了：从井字棋到国象，三套界面几乎是同一份代码。这正是从 1.2 起死磕“统一接口”的终极回报——界面、擂台、可视化全都跨棋种复用，换的只是棋盘形状和引擎。

二、多引擎对战与定级

老规矩，上 1.8 的擂台、用 2.10 的 Elo 定级。国象有个得天独厚的好处：Stockfish 可以调成各种棋力档位当标尺，把自研引擎的水平测得明明白白：

自研 α-β + 手工评估（3.3 + 3.4）：能下得有模有样，但离顶级有差距。
自研 α-β + NNUE（3.5）：评估换成网络后大幅跃升——印证 NNUE 的威力。
Stockfish：天花板，世界冠军级，自研引擎能在它手下走得越久越说明功力。

这张天梯不只是排名，更是对全课技术路线的定量印证：神经网络评估 > 手工评估、搜索越深越强、融合路线最强——每一个结论，都能在 Elo 分上看见。

三、三引擎归一：交付一组 ANIMA「下棋技能」

最后，回扣贯穿全课的那条暗线。三章下来，我们让井字棋、五子棋、国象三个引擎都实现了同一套 GameEngine 接口。这意味着，对上层的 ANIMA 认知框架来说，它们是三个长得一模一样、可以一视同仁调用的“下棋技能”：

SKILLS = {
    "tictactoe": TicTacToeEngine(),
    "gomoku":    GomokuEngine(),      # 启发式 / AlphaZero / 混合，任选
    "chess":     StockfishEngine(),   # 或自研 α-β + NNUE
}

# ANIMA 不关心是哪种棋、背后是搜索还是神经网络，统一这样问：
def anima_play(skill_name, state):
    engine = SKILLS[skill_name]
    info = engine.info()              # 谁占优？最佳着法？有无威胁/必杀？
    return engine.best_move()         # 直接拿到该走的一步

这正是我们从第一章 1.2 起、用三章时间一点点铺就的目标：每个引擎都通过 info() 把自己的判断——评分、最佳着法、威胁分析、必胜线、残局结论——用人能看懂的方式开放出来。于是 ANIMA 想下棋时，不必懂任何棋类算法的内部，只要选一个技能、问一句 info()，就能既拿到该走的棋、又拿到“为什么”。这种可解释的工具化，正是 Soma（身体）之外，Anima（认知）最需要的东西。

四、全课总结：你走过的路

三章一气走下来，回头看这条由“游戏复杂度递增”驱动的主线，你已经把下棋 AI 的整个版图都亲手走了一遍：

第一章 · 井字棋：在小到能看清一切的沙盘里，学透了 Minimax、α-β、评估/排序、MCTS、AlphaZero，并立下统一接口。
第二章 · 五子棋：当棋盘大到搜不到底，逼出了候选生成、棋型评估、威胁搜索/VCF、置换表、真实 AlphaZero 训练、以及融合二者的混合引擎。
第三章 · 国象：面对未解 + 异质棋子，迁移了搜索框架，补上静态搜索、手工评估、NNUE、残局库，并学会把 Stockfish 当工具。

更重要的是，你看清了一条反复出现的主线：“神经网络的判断 + 经典搜索的精确”，是当今棋类 AI 最强的范式——它在五子棋叫混合引擎、在国象叫 NNUE，殊途同归。而贯穿始终的开放信息接口，则让这些引擎不止会下棋，更能把判断讲清楚，从而成为 ANIMA 认知框架手中真正可用的工具。

这门课到此结束，但你的引擎之路才刚开始。下一步，就是把这些代码真正写出来、训起来——在 anima-tools/ 里，从第一章的井字棋开始，一行一行把它变成会下棋、能对话的真东西。祝你玩得开心。🎉