最近在折腾本地大模型时我一直在思考一个问题把云端模型换成本地 LLM 之后除了日常聊天它还能不能真正“干点实事”如果只是问答离线模型和云端模型的差距其实挺明显但如果我们换一种思路给 LLM 接上专业的“技能模块”比如一个开源国际象棋引擎它就会变成一个能聊天、能陪你下棋、还能保持固定人设的离线 AI 人格。这篇文章就围绕一个具体项目展开Abby Steele一个由本地 LLM 和象棋引擎共同驱动的离线 AI 人格。我会从架构设计讲起拆解本地 LLM、象棋引擎、工具调用三层是如何协作的然后给出完整的 Python 实现、运行验证、常见问题排查和工程化建议。如果你正在玩 Ollama、本地 LLM、Agent 工具调用或者想给自己的离线 AI 加一个“真能算”的领域技能这篇文章应该能给你一条完整可复制的路径。1. 什么是离线 AI 人格不只是聊天机器人1.1 项目要解决什么问题先看一个很常见的现象本地 LLM 模型越做越强能写诗、能写代码、能模仿语气但当你问它一些需要“确定性计算”的问题时它很容易一本正经地给出错误答案。国际象棋就是典型场景。一个大模型可以告诉你“e4 是常见的开局”但它无法像专业引擎一样在 10 步棋之后计算出一系列分支更不可能保证每一步都绝对合法、绝对最优。让 LLM 硬算棋步本质上是在让它做不擅长的事。Abby Steele 这个项目的核心思路是让 LLM 当“人格层”让象棋引擎当“能力层”。LLM 负责理解用户的话判断用户是不是想下棋。维持 Abby 这个角色的性格、语气和口癖。把引擎算出来的冰冷走法翻译成有个性的对白。处理非棋局场景下的闲聊。象棋引擎Stockfish负责判断局面优劣。计算合法走法和最优走法。保证棋力水平不让 Abby 在关键时刻犯低级错误。这样组合之后Abby Steele 既不是一个只会聊天的虚拟角色也不是一个只会下棋的冷冰冰程序而是两者结合的“离线 AI 人格”。1.2 为什么选择完全离线的方案“离线”是这个项目的关键词之一。为什么要费劲把模型放到本地跑而不是直接调云端 API我总结下来主要有几个原因隐私性对话记录、对局过程全部留在本机不上传到任何云端服务。成本本地推理不需要按 token 付费跑多少次都不花钱适合长期挂机