你复盘时可能遇到过这种局面：棋盘很空，读起来却很慢；另一局已经挤成一团，关键点反而只剩两三个。强引擎面对的也是同一件事。Rapfi 的论文把一个安静的问题摆到台前：棋力不只来自更大的网络，也来自对棋盘上反复出现的局部形状处理得更轻、更准。
快，常常从小范围开始
五子棋的棋盘看起来是一个整体，计算时却充满局部。一个活三附近的四五个交叉点，会比远处十几个空点更急；一个冲四旁边的防点，会直接改变下一手的生死。人类读棋会自然缩小视野，引擎也在寻找类似的节省方式。
Rapfi 论文讨论的方向，是把局部棋形编码成更容易复用的形式。论文称这种做法为 pattern codebook，并结合增量更新，减少每一步之后从头计算的负担；相关实验和系统说明见 Rapfi 论文。它没有把棋盘看粗；重点在于先整理那些经常重复的形状。
局部形状为什么会反复出现
五子棋的胜负条件很干净：连成五子。可干净的规则会制造出大量相似的小形状。活三、眠三、冲四、活四，这些名字背后都是局部空点、己子、对方棋子的排列关系。
以活三为例。你在一条线上看到三个连续己子，两端都还空，第一反应通常是检查两头的延伸点。若旁边还有一条斜线也在成形，这个局部就不再只是一个三，它可能指向双三、连续威胁，甚至禁手判断。
这解释了为什么局部形状值得被单独对待。棋盘上许多点没有同等价值，价值来自邻近棋子的组合。把这些组合识别得快，搜索就少走很多空路。
速度藏在重复的形状里
增量更新像复盘时只改一处
落下一子后，整张棋盘都变了吗？规则上变了，局部关系上只变了一圈。新子所在的横、竖、两条斜线会改变，远处的形状仍旧保持原样。
增量更新抓住的就是这个事实。每下一手，只更新受影响的局部编码和相关评估，保留其余部分。对引擎设计者来说，这是一种很朴素的节制：少碰没有变化的东西。
威胁空间搜索早就提醒过我们
这种局部意识并不新。1993 年的 Victoria 程序在论文 Go-Moku Solved by New Search Techniques 中，把威胁空间搜索和证明数搜索结合起来，给出了自由规则五子棋的求解结果。它关心的核心也是威胁：哪些手会迫使对方回应，哪些分支可以暂时放下。
从 Victoria 到 Rapfi，技术材料换了很多，棋盘上的压力点没有消失。冲四要应，活四更急，双威胁会压缩选择。引擎越强，越需要把这种强制性读得稳定。
规则会改变形状的重量
同一个棋形，在不同规则下可能有不同含义。连珠规则使用 15×15 棋盘，在交叉点落子，并对黑方的长连、双三、双四等设有禁手；基础说明可见 Renju International Federation 规则页。这会直接影响引擎对局部形状的判断。
举个常见场景：黑棋看似能造出两个活三，但在禁手规则下，这手可能不能下。对人来说，这是“漂亮手变成坏手”的瞬间；对引擎来说，这是局部编码必须携带的规则语义。只识别形状还不够，还要知道它在当前规则里是否可用。
玩家能从引擎学到什么
玩家当然不会在脑中维护码本。可引擎的做法能提醒我们一件实用的小事：读棋先读变化处。上一手落在哪里，哪四条线被改写，哪里多了一个缺口，哪里少了一个气口。
这比漫无目的地扫全盘更可靠。尤其在中盘，棋子密集，人的注意力很容易被远处的形状吸走。先沿最后一手做局部检查，再把结果放回全盘，你会少漏一些直接威胁。
设计棋盘界面时也一样。标记、提示、复盘工具若能围绕最后一手附近展开，会更贴近真实读棋路径。好的辅助不必喧闹，只要把刚刚改变的地方交代清楚。
先读变化处，再读全盘