Create项目中的列车调度系统崩溃问题分析与解决方案
问题背景
在Create模组的列车调度系统中,发现了一个可能导致游戏崩溃的严重问题。当计算机模组(CC:Tweaked)尝试为一个没有有效调度表的列车设置调度时,系统会崩溃。这个问题特别容易在玩家使用Lua脚本通过计算机接口操作列车调度时触发。
技术分析
崩溃根源
问题的核心在于currentEntry变量被设置为-1,而系统没有正确处理这种边界情况。具体来说:
- 当调度表为空时,
ScheduleRuntime#setSchedule方法中的以下代码会导致问题:
currentEntry = Mth.clamp(schedule.savedProgress, 0, schedule.entries.size() - 1);
- 由于
clamp方法的实现是:
public static int clamp(int value, int min, int max) {
return Math.min(Math.max(value, min), max);
}
- 当调度表为空时,
entries.size()为0,导致max参数为-1,最终currentEntry被设置为-1。
调用链分析
正常情况下,大多数调用setSchedule的地方都会进行空表检查,如:
StationBlockEntity#applyAutoScheduleScheduleItem#handScheduleToBlazeBurnerInteractionBehaviour#handlePlayerInteraction
然而,计算机接口的实现(StationPeripheral)存在验证不足的问题。它虽然检查了"entries"映射表是否为空,但存在两个关键缺陷:
-
键名大小写敏感性问题:代码检查的是"entries"而非"Entries",而Create内部使用的是"Entries"(首字母大写)
-
更严重的是,
toCompoundTag方法会将所有键名转换为蛇形命名法(SnakeCase),导致各种大小写变体("entries", "Entries", "eNtRiEs"等)都能通过解析,但无法通过验证
解决方案
针对这个问题,可以从以下几个层面进行修复:
-
输入验证强化:在计算机接口中严格验证输入的调度表格式,确保必须包含正确大小写的键名和有效的条目
-
边界条件处理:在设置
currentEntry时增加额外的检查,确保其值永远不会小于0 -
键名规范化:统一内部使用的键名格式,避免大小写不一致导致的问题
-
错误处理改进:为无效输入提供更清晰的错误信息,帮助用户理解问题所在
技术启示
这个问题给我们几个重要的技术启示:
-
防御性编程:即使上层调用应该保证输入有效性,底层实现仍需处理所有可能的边界情况
-
数据验证:对外部输入(如来自Lua脚本的数据)必须进行严格验证,包括类型、格式和业务逻辑层面的检查
-
命名一致性:在跨系统交互时,键名/字段名的大小写和格式必须严格一致
-
错误隔离:一个组件的错误不应导致整个系统崩溃,应有适当的错误隔离机制
总结
Create模组的列车调度系统是一个复杂而精密的机制,这次发现的问题提醒我们在处理外部输入和边界条件时需要格外小心。通过加强输入验证、改进错误处理和确保内部一致性,可以显著提高系统的健壮性和用户体验。对于模组开发者而言,这类问题的解决不仅修复了当前缺陷,也为未来开发提供了宝贵的设计经验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Spark-Prover-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00