棋类长期被用作研究搜索、专业水平、决策和人工智能的模型领域。随着大语言模型（LLM）的出现，棋类再次成为一个受控环境，用于探讨战略推理并比较人类与人工决策。本文对近期涉及人类玩家、传统棋类引擎、神经网络与强化学习系统、LLM 以及混合方法的研究进行系统映射。最终得到 84 个核心研究族，依据主体类型、战略推理阶段和评估维度进行分类。映射结果显示，文献主要聚焦于局面评估、价值判断和动作选择，而对显式规划、解释、元认知以及人机协作的探讨相对不足。LLM 研究特别关注状态表示和跨局面的泛化能力；而将语言模型与引擎、专家知识或其他外部结构结合的混合方法，则更常出现基于事实的解释。映射还揭示了两类未被解决的区分：混合系统在何时何地融合异构能力各不相同；以及提升人类表现的评估并不必然意味着实现人机协同。基于此，我们提出将这两点作为映射框架的扩展方向。我们认为，棋类能够在认知与计算视角之间架起桥梁，并将显式规划、可信解释、元认知校准以及人机互补性列为未来研究的重点。
点评：本文提供了一个清晰的全景图，帮助研究者快速定位已有工作与空白，为后续在棋类环境中深化战略推理研究提供了明确路线。