Hold Rein 五子棋插件：把大模型拉进棋盘里下一局

上一篇文章介绍了 Hold Rein 这个本地优先、可插件化的 AI Agent 运行平台。

如果说 CLI 和工作台解决的是"怎样让 Agent 在本地项目里持续工作"，那么五子棋插件展示的就是另一个更有趣的方向：插件不一定只用来读文件、跑命令、提交代码，也可以把 Agent 变成一个真正参与交互的对手。

五子棋插件做的事情很直接：在 Hold Rein 的右侧面板里打开一张五子棋棋盘，让用户和大模型轮流落子。你可以让自己先手，也可以让模型执黑先下。模型不是只在聊天框里口头说"我下这里"，而是通过插件工具真实地把棋子落到棋盘上；你也不是回复一段坐标文本，而是直接在可视化棋盘上点击落子。

更有意思的是，如果再配合 Hold Rein 的记忆插件，模型可以把每一局的经验、失误和你的棋风记录下来。今天它可能还会被你三三冲四打得手忙脚乱，明天它就可能开始记住你喜欢从哪里起手、喜欢怎样做活三、什么时候会贪攻不防守。

项目地址：

• GitHub
• npm
• 主页
• 五子棋插件

为什么要做一个五子棋插件

AI Agent 平台最常见的使用场景是研发自动化：读代码、改文件、跑测试、写文档、查资料。

这些能力当然重要，但如果一个平台真的支持插件扩展，它不应该只能长出"工具箱"，也应该能长出"小游戏""训练场""实验室"和"交互式工作流"。

五子棋插件就是一个很好的例子。

它不是为了证明大模型一定能成为职业棋手，而是为了展示三件事：

1. Agent 可以通过插件进入一个明确规则的交互环境。
2. 用户和模型可以围绕同一个状态持续互动，而不是只交换文本。
3. 插件可以把可视化界面、工具调用、任务上下文和记忆机制组合起来。

在普通聊天里，你也可以对模型说："我们来下五子棋，我下 H8。"

但这种体验很容易崩：

• 棋盘状态靠模型在上下文里记，走多了容易记错。
• 坐标转换不直观，玩家需要自己脑补棋盘。
• 模型可能忘记轮到谁，也可能在已有棋子的位置重复落子。
• 一旦对话中断，再继续时很难恢复棋局。
• 复盘和记忆只能靠用户手动整理。

Hold Rein 的五子棋插件把这些事情交给插件系统处理：棋盘状态由插件维护，落子通过工具完成，棋盘在右侧面板实时展示，任务恢复时可以继续读取当前对局。模型只需要专注于"下一手怎么下"。

这就从"和模型玩一个文字游戏"，变成了"和一个带棋盘、带状态、带记忆的 Agent 对战"。

一局棋从哪里开始

安装并启动 Hold Rein 后，在启用五子棋插件的任务里，可以直接对 Agent 说：

我们来下一局五子棋。

模型会调用五子棋插件提供的工具，在右侧面板打开棋盘。

默认情况下，棋盘是标准的 15 路棋盘，也就是 15 x 15 个交叉点。黑棋先行，白棋后行。插件默认让用户执黑、模型执白，所以开局后界面会进入"等待你落子"的状态。

这时你不需要输入坐标，只要在右侧棋盘上点击一个空位，就完成了第一手。

你落子之后，插件会把当前棋盘状态返回给模型。模型看到棋盘上已有的棋子、当前手数、下一步该谁走，然后选择一个位置调用工具落下自己的棋子。模型下完以后，棋盘再次进入等待用户落子的状态。

整个流程很像这样：

1. 用户说"开始一局五子棋"。
2. 插件打开右侧棋盘。
3. 用户点击棋盘落黑子。
4. 模型根据棋盘状态思考并落白子。
5. 用户继续落子。
6. 双方轮流直到五连、平局或重新开局。

这和传统聊天最大的区别是：棋局不是靠文字想象出来的，而是实实在在渲染在界面上的。

你能看到每一颗棋子的位置，也能看到最新一步在哪里。对局不需要一直用"第几行第几列"来回确认，玩家的注意力可以回到棋本身。

也可以让模型先手

如果你想提高难度，可以让模型执黑先行。

五子棋里黑棋先下，通常先手会有一定主动权。默认玩法是用户执黑，适合第一次体验；如果想观察模型的开局思路，就可以让它先手。

比如你可以说：

你执黑先下，我们下一局。

这时模型需要在开局时给出自己的第一手位置。插件会先把模型的黑子落到棋盘上，然后等待你作为白棋回应。

这种玩法很适合观察不同模型的风格。

有些模型喜欢稳稳地下在天元附近，先占中心；有些模型会偏向边角，尝试制造不对称局面；还有些模型会在开局时显得比较保守，需要几手之后才开始形成攻击意图。

你可以多开几局，看看它是不是每次都走同一种开局，还是会根据上局输赢调整策略。

棋盘可以不止 15 路

插件默认使用 15 x 15 的棋盘，这也是最常见的五子棋体验。

不过它也支持调整棋盘尺寸。棋盘大小可以在 5 到 25 之间变化。

小棋盘适合快速对局，比如 9 x 9：

我们来一局 9 路五子棋，节奏快一点。

小棋盘的好处是节奏紧凑，攻防转换很快。几手之内就会出现强威胁，模型也更容易因为局面空间小而暴露判断问题。

大棋盘则更适合拉长战线，比如 19 x 19 或 25 x 25：

开一局 19 路五子棋，你执白。

大棋盘空间更大，开局更自由。玩家可以把战线拉开，也可以故意在多个区域制造威胁，测试模型能不能同时关注全局和局部。

如果只是想体验插件，建议从 15 路开始。

如果想快速分出胜负，可以试试 9 路。

如果想看模型的布局能力和长期记忆能力，可以试试更大的棋盘。

怎么赢：插件认的是清晰规则

五子棋的核心规则很简单：谁先连成五颗同色棋子，谁就获胜。

插件会检查四个方向：

• 横向五连。
• 纵向五连。
• 左上到右下的斜向五连。
• 右上到左下的斜向五连。

黑棋和白棋轮流落子。棋子只能落在棋盘内的空位上，不能下到已有棋子的位置。如果棋盘全部填满还没有人五连，就是平局。

这套规则对用户来说很自然，对模型来说也很重要。

因为模型每次落子时，不是随便说一句"我想下这里"，而是必须调用插件工具，把行列坐标交给插件。插件会检查这个位置是否合法：是不是在棋盘范围内，是不是已经有棋子，是不是该模型落子。

这意味着模型不能用文字糊弄过去。

如果它下错了，工具会报错；如果它下在已有棋子上，插件不会接受；如果游戏已经结束，它也不能继续乱下。

对 Agent 来说，这就是一个小型但完整的规则世界。

用户看到的是棋盘，模型看到的是状态

五子棋插件有一个很有意思的分工：

用户看到的是右侧面板里的棋盘。

模型看到的是结构化的棋盘状态。

当你点击棋盘落子后，插件会把当前棋局整理成模型能理解的数据，例如：

• 当前棋盘大小。
• 已经落下的所有棋子。
• 每颗棋子的行、列和颜色。
• 当前手数。
• 游戏状态是进行中、已获胜还是平局。
• 如果你在上一轮工具调用结束后已经落子，也会把这个待处理的用户落子带给模型。

这些信息会回到 Agent 的上下文里，模型再基于这些状态选择下一手。

这比让模型自己在自然语言里维护棋盘可靠得多。棋盘状态由插件维护，模型只需要阅读状态、判断局势、调用落子工具。

换句话说，插件把"记账"这件事从模型大脑里拿出来，模型可以把更多注意力放在策略上。

一个推荐的对局姿势

第一次玩时，可以不用太正式。

你可以打开一个新任务，然后直接说：

我们来下一局五子棋。你负责认真思考每一步，落子前先简单说说你的判断。

这样模型每次落子前会先解释它在看什么：

• 你有没有形成活三。
• 它自己有没有冲四机会。
• 哪一条线需要防守。
• 当前更应该进攻还是堵截。
• 为什么选择这个位置。

解释不一定总是完美，但它会让对局更像"陪练"，而不是一个黑箱棋力引擎。

如果你想更强一点，可以继续加要求：

你每一步都要先检查：我是否有活四、冲四、活三；你是否有直接成五机会；如果没有，再考虑布局。

这类提示会让模型显式执行五子棋里的基本优先级：

1. 自己能赢就先赢。
2. 对方下一手能赢就必须挡。
3. 优先制造双威胁。
4. 防住对方的活三和冲四。
5. 在没有明显战术时扩展已有棋形。

对很多通用大模型来说，这样的提示非常有用。它不一定让模型突然变成强棋手，但能减少一些明显的低级失误。

把它当成一个"AI 陪练"

五子棋插件最有趣的玩法，不是只下一局，而是把它当成一个可以反复训练的 AI 陪练。

你可以给模型不同的身份设定：

你是一个防守型五子棋陪练，优先阻止我形成双活三。

或者：

你今天用进攻型风格和我下，尽量主动制造威胁，不要只防守。

也可以让它复盘：

这局结束后，请总结我赢在哪里，你输在哪里，并记录三个下次要注意的点。

如果只是一次普通聊天，复盘结束也就结束了。

但在 Hold Rein 里，如果启用了记忆插件，Agent 可以在任务结束后整理记忆，把重要经验写入当前工作区的 .hold-rein/memories 目录。下一次再对战时，模型可以读取这些记忆，把之前的经验带回来。

这就让五子棋插件多了一层"养成感"。

你不是在和一个每次都清空记忆的模型下棋，而是在训练一个会慢慢认识你的对手。

记忆会让它越来越懂你

记忆插件可以记录很多有价值的信息。

例如，你经常喜欢：

• 第一手下在中心。
• 先做斜线，再横向扩展。
• 用连续活三逼迫对手防守。
• 在左上区域制造假威胁，真正杀招藏在右下。
• 一旦对手只顾进攻，就用冲四反杀。

模型如果能在复盘里总结这些模式，并把它们写进记忆，下一局就可以更有针对性地防守。

比如某一局结束后，它可以记住：

用户常在中盘通过斜向活三转横向冲四制造双威胁。下次发现用户连续两手沿斜线扩展时，应提前检查相邻横向延伸点。

这类记忆并不是代码级规则，也不是硬编码棋谱，而是自然语言经验。

对 Agent 来说，这恰好是大模型擅长使用的东西：它可以在下一局开始时读到这些经验，然后把它们转化为当前局面的判断。

随着对局增加，记忆可以逐步积累：

• 用户常用开局。
• 用户常见杀法。
• 模型过去输掉的关键原因。
• 哪些防守原则有效。
• 哪些看似进攻的落子其实太慢。
• 面对特定棋形时应该优先堵哪个点。

这就是"越下越强"的来源。

不是说模型自动拥有了一个专业五子棋引擎，而是它能通过记忆不断减少重复犯错，越来越熟悉你的风格。

一种很适合记忆的玩法：赛季制

如果想把这个插件玩得更有意思，可以给自己设计一个小赛季。

比如规定：

• 每天和模型下三局。
• 每局结束后必须复盘。
• 模型要记录自己输掉的原因。
• 每五局整理一次"防守手册"。
• 每十局调整一次模型的对局策略。

你可以这样对它说：

从今天开始，我们进行一个五子棋训练赛季。每局结束后，你要复盘我的主要进攻套路、你漏防的位置，以及下一局要执行的策略。请把关键经验保存为记忆。

几局之后，你可能会发现它开始形成自己的"习惯"：

• 开局更注意中心控制。
• 中盘更早识别你的活三。
• 不再轻易忽略边线威胁。
• 对你常用的斜线连攻更敏感。
• 在解释落子时会主动引用之前的失败经验。

这时候五子棋就不只是小游戏了。

它变成了一个很小但完整的 Agent 训练实验：规则明确、反馈及时、胜负清晰、记忆可复用。

它不是棋力引擎，但很适合做 Agent 实验

需要说清楚的是，五子棋插件不是传统意义上的专业五子棋 AI。

它没有内置复杂的搜索算法，也不是 AlphaZero 式的棋力系统。真正做专业棋类 AI，通常会用局面评估、博弈树搜索、剪枝、棋形打分、禁手规则和大量对局训练。

这个插件的重点不是"用算法打败所有人"。

它的重点是让大模型通过工具参与一个规则明确的互动场景。

这反而很适合研究 Agent：

• 模型能不能遵守工具流程。
• 模型能不能读懂结构化棋盘状态。
• 模型能不能在多轮交互里保持目标。
• 模型能不能从复盘中提炼经验。
• 记忆能不能影响下一局的策略。
• 可视化插件能不能让用户更自然地参与任务。

五子棋足够简单，用户马上能理解规则；又足够复杂，模型需要真的思考攻防。

这让它成为一个很适合测试 Agent 能力的"小沙盘"。

和普通网页小游戏有什么不同

如果只是想下五子棋，网上已经有很多网页小游戏。

Hold Rein 的五子棋插件不同的地方在于：对手不是固定算法，而是一个可以对话、可以解释、可以记忆、可以调整策略的大模型 Agent。

你可以一边下棋，一边要求它：

• 解释为什么下这一手。
• 用更激进的风格对战。
• 故意降低难度，给新手练习。
• 每步只给简短理由，不要长篇分析。
• 输了以后总结失败原因。
• 记住你的常见套路。
• 下一局专门练习防守活三。

这类交互是普通棋类小游戏很难做到的。

它更像一个有棋盘的对话式陪练。棋盘保证状态准确，对话保证体验灵活，记忆保证长期成长。

适合怎么玩

这个插件可以有很多玩法。

如果你只是想快速体验，可以开一局默认 15 路，让自己执黑先手。

如果你想训练模型，可以让它每步解释判断，并在结束后复盘。

如果你想测试不同模型，可以在 Hold Rein 里切换模型提供商，让它们在同样开局下对战你，观察不同模型的棋感。

如果你想测试记忆插件，可以连续多局使用同一个工作区，让模型保存并读取对局经验。

如果你想测试 Agent 的工具调用稳定性，可以故意设置复杂局面，看它会不会重复落子、漏看五连、忘记防守。

如果你想做教学，也可以让模型扮演老师：

你不要急着赢我。每次我落子后，先指出我这步的优点和问题，然后再下你的棋。

这样它就从"对手"变成了"教练"。

推荐的提示词

下面这些提示词可以直接拿来试。

普通开局：

我们来下一局五子棋，我执黑先手。你每一步都认真思考，但解释控制在三句话以内。

模型先手：

你执黑先下，开一局 15 路五子棋。请用偏进攻的风格。

快节奏小棋盘：

开一局 9 路五子棋，我想快速练习攻防转换。

陪练模式：

你是我的五子棋陪练。不要只追求赢，每次我落子后都指出我这步可能暴露的问题。

复盘加记忆：

这局结束后，请复盘双方关键手，指出你输赢的原因，并把下次要注意的经验保存到记忆里。

针对性训练：

这几局请重点训练防守我的活三和冲四。如果你发现我在做双威胁，要优先防守。

赛季模式：

我们从现在开始进行五子棋训练赛季。每局结束后总结我的常见套路、你的失误和下一局策略，并持续更新记忆。

这些提示词的关键不是"命令模型一定变强"，而是把它的注意力放到正确的对局习惯上。

大模型很容易被当前一手吸引，忘记先检查直接胜负和对方威胁。明确要求它每步检查活四、冲四、活三，通常能显著改善体验。

插件系统带来的想象空间

五子棋插件也说明了 Hold Rein 插件系统的扩展方向。

一个插件可以同时做几件事：

• 给 Agent 增加可调用工具。
• 给 Web 控制台增加右侧面板。
• 渲染工具调用结果。
• 把任务状态持久化。
• 提供专门的 skill，让模型知道游戏规则和工具流程。
• 和记忆插件配合，形成长期反馈。

这套模式不只适用于五子棋。

同样的思路可以扩展到很多场景：

• 数独陪练。
• 代码 kata 训练。
• 英语口语练习。
• 项目管理看板。
• 交互式数据分析。
• 多轮决策模拟。
• 业务流程演练。

只要一个任务有明确状态、有用户交互、有可视化需求，就可以考虑做成 Hold Rein 插件。

五子棋只是一个很小的入口。

它让人直观看到：Agent 平台不一定只有聊天框，插件可以把模型放进一个具体的场景里。

最后

如果一句话概括 Hold Rein 的五子棋插件：

它把五子棋棋盘接入 Agent 任务，让用户可以在可视化界面里和大模型轮流落子，并通过记忆把对局经验沉淀下来。

这个插件好玩的地方不只是"和 AI 下棋"，而是你能看到一个 Agent 如何在规则、工具、界面和记忆的共同约束下行动。

它会犯错，会复盘，会调整，也可能在多局之后开始学会你的套路。

对用户来说，这是一个轻量、有趣的小游戏。

对 Agent 平台来说，这是一个很好的插件化交互样板。

欢迎体验和交流：

• GitHub
• npm
• 主页