最新

旨在成为一个包含所有功能的集成（融合？）网络服务器/内容管理系统/应用框架，支持开箱即用的简单多租户部署。 <p>* 存储基于LMDB实现 * 命令行界面、API和应用服务器使用Rust编写 * 客户端代码执行在wasmtime中沙箱化 * 身份验证扩展了OPAQUE协议 * 通过tantivy实现高效的日志索引/查询 * 通过Let's Encrypt实现自动TLS

两年前，我偶然发现了用于制作游戏的Godot引擎。我的编程经验可以追溯到30年前。当时我是一名雷达设计师，花了多年时间开发用于模拟电磁波传播的软件。为此，我甚至获得过一个科学奖项。我按照Godot网站上的教程进行学习，结果深深吸引了我。 我并没有为游戏制定具体的计划，而是让它自然发展。然而，我有一个愿景：随着地球资源的日益稀缺，人类将不得不超越地球，甚至超越我们自己的太阳系去开采资源。在这个过程中，人类将面临天体的危险，可能会遇到外星人，还有一些坏人，即海盗。故事开始于一名宇航员收集金矿石。随后，我当然添加了采矿机器人。为了增加趣味性，我加入了流星暴风和可以击碎流星的激光枪。接着，我设计了海盗作为反派角色，因此开发自主机器人枪（类似于空间战争无人机）就显得合情合理。然后，我设计了攻击宇航员的外星人。在我看来，外星人就像是保护自己领土不受侵略的西部土著人民。于是，开发其他技术，比如磁力收集器、磁力排斥器和电磁武器，便显得顺理成章。 两年前，我开始在一台Linux笔记本电脑上构建这个游戏。没有团队，没有预算，也没有任何人会玩它的保证。只有一个想法和大量的时间。还有与我妻子之间的紧张关系，她对我长时间面对电脑屏幕感到不满。这就是《宇宙淘金热》诞生的故事。 **我为什么要制作这个游戏** 我曾是《模拟城市》的粉丝。我喜欢《团队要塞》的快速动作。我喜欢《帝国时代》和《将军》中战术战斗与战略资源之间的平衡。我觉得许多AAA游戏在3D华丽效果上表现强劲，但在目的和机制上却显得薄弱。我想要一些原创的东西，因此我忽略了其他科幻/太空游戏，专注于我个人的愿景。我知道许多人可能不喜欢它，但我相信它会找到一群喜欢它的人。 **为什么选择Godot** 我信仰开源。多年来，我知道我必须离开Windows，因为它的监控遥测。完全转向Linux花了我整整一年，而人工智能在这个转变中帮助了我很多。因此，Godot是一个显而易见的选择。此外，我对Unity的定价丑闻感到失望。即使当时Godot的功能较弱，我仍然觉得这是正确的选择。如今，Godot越来越成为显而易见的选择。我的Godot使用经验是，它从未让我失望过。我从未被任何事情阻塞。我喜欢它加载速度极快的方式。我喜欢GDScript语言。我对它优雅的面向对象结构充满热情。唯一的不足是：我希望在编辑器中能够打开两个并排窗口，并且希望插件库更加丰富。但这都是小问题。 **目前的进展** 游戏功能已完整，处于测试阶段。核心循环运作良好，9项技术已实现，7个太阳系可供探索。两个敌对派系——海盗和外星人——都已全面运作，拥有自己的AI行为和武器。现在我需要的是玩家。真正的玩家，他们会推动系统，发现边界，并告诉我哪些地方感觉不对，哪些地方感觉不错。游戏名为《宇宙淘金热》。它已经上架Steam，演示版是免费的。

仓库：<a href="https://github.com/getpaseo/paseo" rel="nofollow">https://github.com/getpaseo/paseo</a><p>主页：<a href="https://paseo.sh/" rel="nofollow">https://paseo.sh/</a><p>Discord：<a href="https://discord.gg/jz8T2uahpH" rel="nofollow">https://discord.gg/jz8T2uahpH</a>

这部分内容属于Balladic，这是我和我的团队在过去一年中自主开发的项目。如果你感兴趣，可以去看看，但我认为你们大多数人会对即时生成叙述用户界面更感兴趣。这更像是一个概念性的概述，而不是技术性的细节，如果你对幕后工作感兴趣，随时可以问，我会很乐意分享。 如同名字“Balladic”所暗示的，我们每晚为所有用户生成一个新的叙述页面，并为每个特定的叙事项目生成专属的叙述。这个展示的形式类似于书籍章节——今天的热点是什么，过去一周的情况如何，等等。这个过程由多个开放权重模型之间的反复调用驱动，同时结合一些经典的算法解析、压缩等技术（因为令牌的成本很高）。大致流程如下： 1. 数据合成：解析变更日志、评论（当然是匿名的）、各种活动。对数据进行拆分、变形、拉伸——直到我们能够合成出干净的信息提炼，实质上是提取出潜台词。 2. 事实核查：将数据交给具有MCP访问权限的事实核查员。这个人会审查所有可能被理解为事实的陈述，并使用mcp.balladic.com进行探查和查询。然后将其裁定结果附加到原始合成文档中。 3. 编纂：最终文档包括事实核查附录，经过进一步处理后，传递给我们的用户界面渲染器。这是我们对@json-render的独特改进（顺便说一句，@json-render做得非常好）。 在幕后，我们有一个定制的记忆库，采用了一些巧妙的技巧来防止幻觉和不良增长。如果有人感兴趣，我很乐意进一步解释这部分内容。 所有的LLM工作都在欧洲的GPU上运行，我们使用的是Mistral和一些中国的开放权重模型。这里展示了一个没有认证的演示，希望能激发一些灵感。