复盘时，你把引擎标出的最佳一手记下来。下一盘遇到相近的形状，你照着落子，却发现对手的回应和复盘里不同，自己越下越乱。问题不一定出在那手棋上：你记住了落点，还没看见它依赖什么后续。
赛事强度，不等于单步答案
第 27 届 Gomocup 于 2026 年 6 月 5—7 日举行。自由规则组中，RAPFI25 以 Elo 2495、总比分 349:11 排第一；KATAGOMO26 以 Elo 2290、324:36 排第二。两队直接交手是 19:5。看到这样的成绩，你可能会更愿意相信第一名给出的每个落点。
换到标准规则组，RAPFI25 的 Elo 是 2121，KATAGOMO26 是 2112，两队直接交手打成 7:7。同一对程序在不同规则下，比赛记录呈现出不同距离。规则一变，你复盘时要检查的局面条件也跟着变；不能只凭程序名判断某一手有多稳。
赛事 Elo 描述的是程序在一组对局中的整体强度，不能当作某一手棋的分数。复盘界面的局面评分来自当前引擎的评估与搜索：规则、搜索深度，以及搜索中假定的对手应法，都限定了它的含义。把「这手比另一手高一点」读成「我下完也容易处理」，中间还缺了一步检验。
推荐服务于搜索，不负责解释
假设引擎把一个安静的落点排在冲四之前。它可能已经算到，冲四会让对手获得方便的交换，而安静的一手保留了下一回合的选择。界面给你的通常是排序、分数或胜率；若没有展开变化图，这些数字并不会告诉你该防哪一路。
你照着下一手，对手若选择了复盘时没查看的支线，轮到你时就得重新判断。引擎在既定条件下仍可能认为原推荐更好，但这个结论不能替你完成支线里的计算。先问清它预期对手怎样回应，再决定那手棋是否适合带进下一盘。
CHI PLAY 2022 的《(A)I Will Teach You to Play Gomoku》讨论了会下棋的 AI 与帮助人学棋之间的缺口；CHI PLAY 2025 的《(A)I Can Play Gomoku》进一步研究提供提示、反馈与复盘支持的教学系统，并检验其效果。它们提醒你：对局 AI 给出走法，教学层还得帮助人理解、练习和回看。
强棋未必有现成口诀
Cal Poly 的《Mastering the Game of Gomoku Without Human Knowledge》展示了不依赖人类知识、通过自对弈训练的棋手。它能找到有效走法，却没有因此生成一份供你背诵的棋理清单。复盘时若只抄坐标，你得到的是一次搜索的结果，不是产生判断的方法。
Rapfi 论文说明了另一条提高强度的路径：在缺少 GPU 的有限算力下，结合蒸馏过的神经网络、调校过的评估与搜索，超过当时最强的开源 AlphaZero 类引擎 Katagomo。这样的成绩说明走法可以来自精细的计算安排；要把它学会，你仍需把那手棋放回具体变化里检查。
先把推荐变成可回答的问题
把引擎当作查变化的字典，会比把第一名当作老师更实用。打开候选手列表时，先看第 2 到第 5 名：它们各自守住什么、放掉什么？如果其中一手的意图能用棋盘上的两条线说清，你就有了比较第一名的参照。
接着换一个搜索深度，重新跑同一个局面。先留下两次都排在前面的落点，再逐条查看对手最有力的回应；排序明显变动的落点，则标记为待查。深度测试不能证明哪手必胜，但能防止你把一次短搜索里的微小分差当成定论。
看变化图时，试着把「值多少分」改成棋盘问题：这手落下后，对手得处理哪条线？对手可以从几个点处理同一条线？这些问题会迫使你区分威胁本身和挡威胁的落点，也能让你发现自己是否漏看了一路回应。
数清威胁，也数清应点
看一个按自由规则、不设禁手的坐标示意：黑棋在 H8、I8、J8，以及 K7、K9、K10；现在黑棋落 K8。横向 H8—K8 与纵向 K7—K10 都接成活四。若换成对黑棋设禁手的连珠规则，这手会构成四四禁手，不能照此使用。
在这个自由规则示意里，白棋面前是横、竖两条独立的威胁。G8 与 L8 是横线两端可选的挡点，K6 与 K11 是竖线两端可选的挡点；四个坐标不等于四条威胁。挡住其中一端，也挡不住另一端，更顾不到另一条线。这样数，才知道一手棋要求对手处理几件事。
回到你的复盘局面，先确认规则，再标出每条威胁和各自的应点。若一手棋只制造了一条容易化解的威胁，即使界面分数略高，也别急着记住它的坐标。继续看对手应完后，你还剩下什么可走。
一次只带走一个判断
复盘快结束时，从引擎评估可接受的候选手中挑两手比较，试着回答：「哪一手让对手可行的回应更少？」这里的前提是两手都经过变化检查；应点少本身不保证棋好。若你说不出原因，就把对手的一种回应摆出来，继续走到差别出现为止。
下一盘只练这一个判断。遇到相似形状，先辨认独立威胁，再看对手有哪些可行回应；下完回头核对自己漏了哪一处。一次弄清一个判断，比记下一串推荐坐标更容易在实战里用上。
一次只比较可接受候选的后续应法