Harbinger项目解析:Minecraft 1.12+进度系统深度指南
2025-07-02 12:30:45作者:侯霆垣
进度系统概述
Minecraft 1.12版本引入的进度系统(Advancement)是对旧版成就系统的全面升级。作为Harbinger项目的重要组成部分,这套系统不仅保留了成就的核心功能,还提供了更强大的自定义能力和更丰富的交互体验。
进度系统核心特性
进度系统相比旧版成就系统具有以下显著优势:
- 灵活的回调机制:可以在进度达成时给予经验、执行指令或从战利品表中抽取奖励
- 强大的判据系统:支持复杂的布尔逻辑组合条件
- 可视化展示:自动生成树状结构展示进度关系
- 多语言支持:支持使用JSON文本格式实现本地化
进度文件结构解析
进度文件采用JSON格式存储,主要包含三个核心部分:
1. 显示属性(display)
"display": {
"icon": { "item": "...", "nbt": "..." },
"title": "进度标题",
"frame": "goal",
"background": "modid:...",
"description": "进度描述",
"show_toast": false,
"announce_to_chat": false,
"hidden": false
}
- icon:定义进度图标,可使用物品ID和NBT数据
- title/description:支持纯文本或JSON文本格式
- frame:进度图标边框类型(task/challenge/goal)
- background:仅根进度需要,定义标签页背景
- show_toast:是否显示右上角弹窗
- announce_to_chat:是否在聊天栏公告
- hidden:是否隐藏进度直到完成
2. 触发条件(criteria)
"criteria": {
"condition1": {
"trigger": "...",
"conditions": { "...": "..." }
}
}
每个条件需要指定触发器(trigger)和具体条件(conditions)。Minecraft提供了丰富的内置触发器,如物品获取、生物击杀等。
3. 奖励系统(rewards)
"rewards": {
"recipes": [ "..." ],
"loot": [ "..." ],
"experience": 100,
"function": "..."
}
奖励系统支持四种类型:
- 解锁合成配方
- 给予经验值
- 从战利品表抽取奖励
- 执行函数
进度树构建技巧
构建进度树需要注意以下要点:
- 父子关系:通过"parent"字段指定父进度
- 根进度:必须包含background属性
- 分支进度:不需要background属性
{
"parent": "modid:parent_advancement",
// 其他属性...
}
高级条件逻辑
进度系统支持复杂的布尔逻辑组合:
"requirements": [
["a", "b"],
"c"
]
这表示 (a OR b) AND c 的逻辑关系。如果不指定requirements,默认为所有条件都必须满足(AND关系)。
自定义扩展能力
虽然原版进度系统功能已经很强大,但Harbinger项目还提供了额外的扩展能力:
- 自定义触发器:可以创建全新的进度触发条件
- 自定义物品谓词:对涉及物品判定的条件提供更灵活的匹配规则
最佳实践建议
- 合理规划进度树结构,避免过于复杂
- 善用hidden属性控制进度显示
- 使用JSON文本实现多语言支持
- 为重要进度添加适当的视觉反馈(toast/chat)
- 平衡奖励设置,避免破坏游戏平衡
通过Harbinger项目提供的进度系统,开发者可以创建出比原版成就系统更丰富、更有趣的游戏进度体验。掌握这些技巧将帮助你为玩家设计出更具吸引力的游戏内容。
登录后查看全文
热门项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
25
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
415
3.19 K
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
暂无简介
Dart
680
160
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
65
19
Ascend Extension for PyTorch
Python
229
259
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
689
327
React Native鸿蒙化仓库
JavaScript
265
326
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
23
0
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660