Jev 打游戏刷屏，这究竟是怎么玩的？我拿迷宫和国际象棋实操了一下，看起来不是辣么难。

Jev 不看画面。程序先把眼前的局面组织为文字，再把这一步能做的动作列成选项。Jev 给每个选项一个概率，程序照概率最高的那个去执行，然后下一步再问。记下走过的路也归程序管，Jev 只负责决策下一步。TypeSafe 官方打 Doom 的演示，也差不多是这样处理的。

迷宫是 5×5 的格子地图，每一步发给 Jev 的是：角色、终点、敌人和墙各在哪，上下左右四格各是什么（比如空地、墙还是出界），再加一句目标：别踩敌人，尽快走到终点。选项是上、下、左、右、原地不动。撞墙和出界的方向我故意留着，好看它会不会选错。它回的是每个选项的概率，比如：上 0.78、左 0.22，其余都是 0，程序就往上走一格。

国际象棋也类似，轮到 Jev 走时，程序先算出所有合法走法（用现成的象棋库，别手搓）。比如开局第一步，白方有 20 种走法，选项就是这 20 个，用棋谱记法书写：e4（兵走到 e4）、Nf3（马跳到 f3）……当前棋局写成一行字，字母是棋子，数字是连着几个空格，开局就是 rnbqkbnr/pppppppp/8/……，这是国际象棋通用的 FEN 记法。问题是「你在下国际象棋，执白。从合法着法里选一步最好的」。Jev 给 20 个选项各一个概率，程序走概率最高的那步。对手走完，程序更新棋局，列出下一步的所有合法走法，再向 Jev 问下一步。

Jev 规定一道选择题最多 255 个选项，国际象棋实际局面最多 218 种走法，刚好在这个范围内。选项里只列出程序算好的合法走法，Jev 挑哪个都是合法的。

用 GPT、DeepSeek 这类大模型玩也类似，只是通常让模型用结构化输出生成下一步动作。对于较弱的模型，尤其是早期的模型，可能会产生幻觉，输出不在允许范围内的动作，甚至是错误的数据格式。相比之下，Jev 不写字，直接给每个选项一个概率，不用解析格式，也编不出列表外的动作。

但玩游戏水平就不好说了，本质上还是看模型智商和训练。例如我尝试让 Jev 下中国象棋，感觉水平很臭，正在折腾。

迷宫和国际象棋的测试脚本已上传到 的 games 目录。