AI在做出决策前经过三个不同的步骤。首先，他找到所有规则允许的棋步（通常在开局时会有20-30种，随后会降低到几种）。其次，它生成一个棋步树用来随后决定最佳决策。虽然树的大小随深度指数增长，但是树的深度可以是任意的。假设每次决策有平均20个可选的棋步，那深度为1对应20棋步，深度为2对应400棋步，深度为3对应8000棋步。最后，它遍历这个树，采取x步后结果最佳的那个棋步，x是我们选择的树的深度。后面的文章为了简单起见，我会假设树深为2。
生成棋步树
这个类有五个属性。首先是move，即它包含的棋步，它是个Move类，在这不是很重要，只需要知道它是一个告诉一个起子往哪走的棋步，可以吃什么子，等等。然后是children，它也是个MoveNode类。第三个属性是parent，所以通过它可以知道上一层有哪些MoveNode。pointAdvantage属性是AI用来决定这一棋步是好是坏用的。depth属性指明这一结点在第几层，也就是说该节点上面有多少节点。生成棋步树的代码如下：
变量moveTree一开始是个空list，随后它装入MoveNode类的实例。第一个循环后，它只是一个拥有没有父结点、子结点的MoveNode的数组，也就是一些根节点。第二个循环遍历moveTree，用populateNodeChildren函数给每个节点添加子节点：
这个函数是递归的，并且它有点难用图像表达出来。一开始给它传递了个MoveNode对象。这个MoveNode对象会有为1的深度，因为它没有父节点。我们还是假设这个AI被设定为深度为2。因此率先传给这个函数的结点会跳过第一个if语句。
如果不是将死或者和棋，那么legalMoves变量中的所有棋步都被加入当前结点的子节点中作为MoveNode，然后函数被调用来给这些子节点添加他们自己的MoveNode。
假设/我们有了一个MoveNode的树，我们需要遍历他，找到最佳棋步。这个逻辑有些微妙，需要花一点时间想明白它(在明白这是个很好的算法之前，我应该更多地去用Google)。所以我会尽可能充分解释它。比方说这是我们的棋步树：
如果这个AI很笨，只有深度1，他会选择拿“象”吃“车”，导致它得到5分并且总优势为+7。然后下一步“兵”会吃掉它的“后”，现在优势从+7变为-2，因为它没有提前想到下一步。
在假设它的深度为2。将会看到它用“后”吃“马”导致分数-4，移动“后”导致分数+1，“象”吃“车”导致分数-2。因此，他选择移动后。这是设计AI时的通用技巧，你可以在这找到更多资料（极小化极大算法）。
所以我们轮到AI时让它选择最佳棋步，并且假设AI的对手会选择对AI来说最不利的棋步。下面展示这一点是如何实现的：
这也是个递归函数，所以一眼很难看出它在干什么。有两种情况：当前结点有子节点或者没有子节点。假设棋步树正好是前面图中的样子（实际中每个树枝上会有更多结点）。
第一种情况中，当前节点有子节点。拿第一步举例，Q吃掉N。它子节点的深度为2，所以2除2取余不是1。这意味着子节点包含对手的一步棋，所以返回最小步数（假设对手会走出对AI最不利的棋步）。
该节点的子节点不会有他们自己的节点，因为我们假设深度为2。因此，他们但会他们真实的分值（-4和+5）。他们中最小的是-4，所以第一步，Q吃N，被给为分值-4。
其他两步也重复这个步骤，移动“后”的分数给为+1，“象”吃“车”的分数给为-2。
选择最佳棋步
最难的部分已经完成了，现在这个AI要做的事就是从最高分值的棋步中做选择。
此时有三种情况。如果变量bestMoveNodes为空，那么moveNode的值是多少，都添加到这个list中。如果moveNode的值高于bestMoveNodes的第一个元素，清空这个list然后添加该moveNode。如果moveNode的值是一样的，那么添加到list中。
最后一步是从最佳棋步中随机选择一个(AI能被预测是很糟糕的)
这就是所有的内容。AI生成一个树，用子节点填充到任意深度，遍历这个树找到每个棋步的分值，然后随机选择最好的。这有各种可以优化的地方，剪枝，剃刀，静止搜索等等，但是希望这篇文章很好地解释了基础的暴力算法的象棋AI是如何工作的。