Claude Code با ادغام Stockfish تحلیل بازی‌های شطرنج را خودکار کرد

تصور کنید بعد از یک بازی سخت شطرنج، به‌جای خیره شدن به اعداد خشک و بی‌روح، مربیی داشته باشید که دقیقاً بداند در لحظهٔ حرکت چهارم به چه چیزی فکر می‌کردید و چرا آن ایده اشتباه بود. این دقیقاً همان چیزی است که مجموعه‌ای از مهارت‌های جدید Claude Code هدف قرار داده است تا بازی‌های استاندارد را به تحلیل‌های انسانی و روایت‌محور تبدیل کند. سوال مرکزی که این ابزار به دنبال پاسخ به آن است این است: «چرا این حرکت یک اشتباه بود؟»

طبق مستندات منتشر شده در ۲۶ سپتامبر ۲۰۲۶، این سامانه فراتر از شناسایی اشتباهات پیش می‌رود و با بازجویی از موتور Stockfish، دلیل خطاها را به زبان ساده توضیح می‌دهد. اکثر شطرنج‌بازان با «نوار ارزیابی» (Eval Bar) آشنا هستند؛ عددی که بعد از یک اشتباه فاحش به‌شدت سقوط می‌کند. اما همان‌طور که در مستندات گیت‌هاب این پروژه ذکر شده، این اعداد برای انسان خسته‌کننده هستند و اغلب واریانت‌هایی ۱۲ حرکتی ارائه می‌دهند که هیچ انسانی در پشت تخته قادر به یافتن آن‌ها نیست. این ابزار تمرکز را از داده‌های خام به استدلال‌های آموزشی تغییر می‌دهد.

این پروژه بر پایه مفهوم تحلیل جنایی مبتنی بر هوش مصنوعی بنا شده است؛ مشابه همان روشی که پیش‌تر در مورد توانایی‌های Claude Code در ساخت تابلوهای خبری حقیقت‌سنج برای فایل‌های ذخیره بازی RimWorld بررسی کردیم. اکنون این پروژه همان دقتِ عامل‌محور (Agentic) را به یک ورزش رقابتی آورده است و هوش مصنوعی را از یک ناظر منفعل به یک بازرس فعال تبدیل می‌کند. برای بهینه‌سازی چنین سیستم‌های عامل‌محوری، مدیریت حافظه حیاتی است؛ درست مانند رویکردی که Engrim برای کاهش ۹۹ درصدی هزینه توکن‌های حافظه در عامل‌های هوش مصنوعی به کار گرفت.

کاربردها و زمینه‌های استفاده

این سیستم به‌طور خاص برای بازیکنانی طراحی شده که در بازی‌های کند (Slow) یا سریع (Rapid) شرکت می‌کنند و می‌خواهند از اشتباهاتشان درس بگیرند، به‌جای آنکه صرفاً ببینند ارزیابی موتور در کجا افت کرده است. این ابزار برای کسانی که تمایل دارند حین مسابقه یادداشت بردارند یا افکار خود را ضبط کنند ایده‌آل است، هرچند این مورد کاملاً اختیاری است.

به نقل از سازنده پروژه، این ابزار برای بررسی‌های سریع بازی‌های برق‌آسا (Blitz) در نظر گرفته نشده است، زیرا تحلیل‌های Lichess یا chess.com می‌توانند این کار را در عرض چند ثانیه انجام دهند. به‌دلیل عمق زیاد تحقیقات، یک اجرای کامل — شامل بررسی کلی (Sweep)، بازجویی‌ها، یادداشت‌گذاری و تولید ویدیو — حدود یک ساعت زمان پردازش می‌برد.

برای نمایش قدرت این ابزار، نویسنده از یک بازی Rapid با زمان ۱۵+۱۰ در Lichess (بازی 5KmlrdyT) استفاده کرد. او در این بازی با مهره سفید در مقابل دفاع نایدورف (Open Sicilian) در سطح ریتینگ تقریبی ۱۷۰۰ بازی کرده بود. او با ضبط افکار خود به زبان فرانسوی، توانست تحلیل نهایی (Post-mortem) را به‌گونه‌ای بسازد که به‌جای حدس زدن منطق بازیکن، دقیقاً همان استدلالی را که در لحظه داشت، رد کند.

سازوکار فنی و گردش کار

این سامانه از طریق سه مهارت اصلی chess-analysis ،chess-video و chess-play عمل می‌کند. فرآیند زمانی آغاز می‌شود که کاربر یک لینک Lichess و در صورت تمایل، یک فایل ضبط صوتی از افکارش حین بازی را ارائه دهد:

• همراستاسازی صوتی: سیستم از whisper.cpp برای تبدیل صوت به متن به‌صورت محلی استفاده می‌کند. سپس این جملات را با زمان‌بندی‌های ثبت‌شده در فایل PGN تطبیق می‌دهد تا هر جمله به حرکت خاصی متصل شود. مثلاً اگر بازیکن در حرکت هشتم از خود بپرسد «آیا فیل باید در c4 باشد یا e2؟»، سیستم دقیقاً همان لحظه را در بازی شناسایی می‌کند.
• حلقه بازرس: به‌جای یک بررسی ساده و تک‌مرحله‌ای، هوش مصنوعی چندین «عامل بازرس» (Investigator sub-agents) را به‌صورت موازی فعال می‌کند. این عامل‌ها سوالاتی ساده و انسانی از موتور می‌پرسند؛ مثلاً «چرا حرکتی که من بازی کردم بد بود؟» یا «اگر سیاه صرفاً بزند چه می‌شود؟» و این روند تا زمانی ادامه می‌یابد که دلیل تاکتیکی اشتباه کاملاً روشن شود.
• تأیید صحت: برای مقابله با توهم (Hallucination) — یعنی وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد — هر ادعا با Stockfish چک می‌شود و یک مرحله تأیید مجدد (Verifier pass) نتایج را بازخوانی می‌کند تا از دقت آن‌ها مطمئن شود. اگر نتیجه‌ای مشکوک به نظر برسد، کاربر می‌تواند به‌سادگی از Claude بخواهد که آن موقعیت خاص را دوباره با موتور بررسی کند.

خروجی‌ها و نتایج

خروجی نهایی تنها یک فایل متنی نیست، بلکه یک بسته رسانه‌ای جامع است. مهارت chess-analysis یک فایل PGN لایه‌بندی شده و یادداشت‌شده و یک صفحه HTML تعاملی برای تحلیل تخته تولید می‌کند.

برای کسانی که یادگیری بصری را ترجیح می‌دهند، مهارت chess-video یک فایل MP4 روایت‌محور تولید می‌کند. این ویدیو شامل تخته‌ای با فلش‌های راهنما، یک نوار ارزیابی و زیرنویس است. روایت صوتی این ویدیو توسط piper TTS ساخته می‌شود که یک بررسی استوری‌بورد شده از بازی ایجاد می‌کند. این قابلیت تولید ویدیو از طریق کد، یادآور دستاورد جدید Claude Opus 5.5 در تولید ویدیوهای قطعی با کد خالص است که تصادفی‌بودن در خروجی‌های بصری را حذف کرد. در نمونه ارائه شده (out-010.mp4)، نتیجه یک ویدیوی ۶ دقیقه و ۴۹ ثانیه‌ای با روایت انگلیسی است.

جزئیات پیاده‌سازی

کاربران می‌توانند با کلون کردن مخزن گیت‌هاب و کپی کردن پوشه‌های مهارت در مسیر .claude/skills/ یا ~/.claude/skills/ برای دسترسی جهانی، این ابزار را نصب کنند:

git clone https://github.com/brumar/chess-postmortem-skills
cp -r chess-postmortem-skills/skills/* ~/.claude/skills/

نیازمندی‌های فنی:

• محیط پایتون: یک venv (معمولاً .venv-chess) شامل python-chess و cairosvg برای تحلیل، و pillow و piper-tts برای تولید ویدیو.
• موتور: Stockfish (نصب شده از طریق scripts/get_stockfish.sh یا موجود در PATH سیستم).
• ابزارهای ویدیو: ffmpeg و یک فایل صوتی piper.
• تبدیل صوت: whisper.cpp برای پردازش افکار ضبط‌شده.

یک نکته کلیدی، «سطح مخاطب» است. کاربر می‌تواند ریتینگ Elo خود را (مثلاً «تحلیل را برای بازیکن ۱۸۰۰ بنویس») در فایل CLAUDE.md مشخص کند. این کار تضمین می‌کند که هوش مصنوعی توضیحات خود را متناسب با سطح مهارت واقعی بازیکن ارائه دهد. در غیر این صورت، مهارت به‌طور پیش‌فرض از Elo موجود در PGN استفاده می‌کند یا از کاربر سطحش را می‌پرسد.

هزینهٔ عمق تحلیل

تأکید می‌شود که این ابزار برای بازی‌های سریع (Blitz) نیست. یک اجرای کامل — شامل بررسی موتور، پرس‌وجوهای بازرس و رندرینگ ویدیو — تقریباً یک ساعت زمان پردازش می‌برد. این سیستم برای بازی‌های کند یا Rapid طراحی شده است، جایی که بازیکن زمان کافی برای فکر کردن و ضبط استدلال‌هایش داشته است.

این رویکرد، تمرینات بنیادین بهبود شطرنج را تغییر می‌دهد. با تغذیه دادن ترس‌ها و نقشه‌های واقعی بازیکن به هوش مصنوعی، مدل می‌تواند منطق خاصی را که بازیکن در حین بازی به کار برده رد کند. این فرآیند، موتور شطرنج را از یک «قاضی» که فقط امتیاز می‌دهد، به یک «مربی» تبدیل می‌کند.

اگر بازی‌های Rapid یا مکاتبه‌ای انجام می‌دهید، اکنون می‌توانید از نوار ارزیابی فراتر بروید. گام بعدی برای این گردش کار، احتمالاً ادغام عامل‌های مربیگری در لحظه (Real-time) است که بتوانند در حین بازی‌های مکاتبه‌ای دخالت کنند و استدلال بازیکن را پیش از انجام حرکت به چالش بکشند.

گام بعدی شما

• اگر بازیکن شطرنج هستید، بازی‌های Rapid خود را همراه با ضبط صدای افکارتان تحلیل کنید تا نقاط کور ذهنی‌تان را بیابید.
• مخزن گیت‌هاب پروژه را بررسی کنید تا ببینید چگونه می‌توان از ساختار «عامل‌های بازرس» برای تحلیل‌های غیرشطرنجی استفاده کرد.
• ریتینگ Elo خود را در فایل تنظیمات دقیق وارد کنید تا از توضیحات بیش از حد ساده یا پیچیده جلوگیری شود.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.