看AI如何全自动运营一个象棋讲解YouTube频道：引擎会下棋、LLM会说话，合体即圣杯。
Running a Chess YouTube Channel entirely by AI — Stephan Steinfurt, TNG · Stephan Steinfurt
全片 16 分钟·真正值得盯屏约 4 分钟·2 个必看点
- 0:00 – 1:04听
开场：象棋编程的圣杯
提出核心命题：引擎棋力极强却不会解释，LLM能说会道却下不好棋，把两者结合就是AI教练式讲解这一“圣杯”。
互补系统的组合本身就是产品创新，不必等一个全能模型。
纯口头立论，无关键画面，适合当播客听。▶ 跳到 0:00讲者 · Stephan Steinfurt - 1:04 – 3:10看
成品演示：全自动生成的讲解视频
现场播放一段完全由AI生成的两分钟棋局讲解视频，从战术叙事到变着推演再到结尾引导订阅全部自动产出。
最终产出已达到可发布的观赏质量，这是后面所有架构讨论的意义所在。
这是LLM判定的首个视觉时刻，视频演示的画面表现力是文字无法替代的，必须亲眼看。▶ 跳到 1:04讲者 · Stephan Steinfurt - 3:10 – 7:03听
工具集设计：把人类教练产品化
拆解Agent的工具箱：合法着法工具防幻觉、完整棋盘支持走子悔棋与推演、引擎随时可调，“将军/吃子/威胁”直接借鉴教初学者的注意力清单，另有联网搜索补历史背景。
好的工具集不是API堆砌，而是把领域专家的思考方式翻译成工具约束。
以口头讲解设计思路为主，画面多为辅助列表，听清逻辑即可。▶ 跳到 3:10讲者 · Stephan Steinfurt - 7:03 – 9:20看
架构转折：谁来思考 + 预测人类着法
项目从Python脚本分析拼装信息，演进为推理模型自己思考局面并自主调用工具；同时引入Maya引擎按等级分预测人类真实会走的棋（含坏着法），让讲解不再只围着引擎最优解转。
推理模型出现后，编排逻辑应从代码移交给模型——“谁来思考”是Agent架构的分水岭。
429秒处有LLM标记的视觉时刻：工具展示人类可能考虑的着法（如错误吃象与不显眼的e3弃车），看棋盘实例才能理解这个设计的妙处。▶ 跳到 7:03讲者 · Stephan Steinfurt - 9:20 – 11:40略
模型选型与生产管线
底座模型的领域底子决定方案成败：去年秋天Grok 4最强，如今Gemini 3.1 Pro对棋的理解显著更好；管线上分析结果转中间格式再渲染成视频，ElevenLabs v3配音支持情绪标签，高亮与箭头由Agent自主决定。
Agent方案能否成立，先取决于底座模型的领域能力，选型要定期重测。
以幻灯片罗列选型对比与管线组件为主，快速扫过图表抓结论即可。▶ 跳到 9:20讲者 · Stephan Steinfurt - 11:40 – 14:04听
运营现实：数据、错误率与成本
频道约50万播放、4000多订阅且增速加快但尚未变现；全自动上传约每20个视频出1个明显问题，策略是先发布、事后下架；单条短视频成本20–30美分，现阶段宁可花钱换质量。
全自动内容生产的可行解是接受可控错误率，用发布速度换迭代，而非追求零错误。
数据与取舍以口头陈述为主，数字不多且都在讲述中，无需盯屏。▶ 跳到 11:40讲者 · Stephan Steinfurt - 14:04 – 16:13听
问答：成本、拟人化与受众分层
回答观众关于成本优化优先级、让引擎着法更像人类、以及按水平为不同受众生成不同视频的问题。
同一局棋可按观众等级分生成不同讲解版本——个性化规模化才是这类产品的终局。
纯问答环节，无画面依赖，通勤时听完即可。▶ 跳到 14:04讲者 · Stephan Steinfurt