Harbinger项目解析:Minecraft Mod开发中的物理端与逻辑端处理
引言
在Minecraft Mod开发中,正确处理客户端与服务器端的逻辑是至关重要的技术难点。本文将深入探讨Harbinger项目中涉及的物理端、逻辑端概念及其实现方式,帮助开发者理解Minecraft 1.3版本后的架构变化及其对Mod开发的影响。
Minecraft架构演变与网络IO
自Minecraft 1.3版本起,单人游戏模式实现方式发生了重大变革。游戏不再采用传统的单线程架构,而是通过模拟本地服务器的方式运行。这意味着:
- 即使是在单人游戏中,也存在完整的客户端-服务器架构
- 客户端与服务器之间必须通过网络IO进行通信
- 游戏逻辑被明确分离到两个不同的执行环境中
这种架构变化带来了更清晰的职责划分,但也增加了Mod开发的复杂性。客户端无法直接知晓服务器状态,服务器也无法直接获取客户端输入,所有交互都必须通过网络通信完成。
业务端判定技术
在原版Minecraft中,存在许多客户端与服务器逻辑耦合的情况。例如,当玩家右击方块时,消息可能会被显示两次——一次来自服务器处理,一次来自客户端处理。
传统解决方案的问题
早期开发者可能使用FMLCommonHandler.getEffectiveSide()方法进行判断,但这种方法存在以下问题:
- 早期实现是通过检查线程名来判断执行端,属于hack手段
- 新版本虽然改为检查
ThreadGroup,但仍不够规范 - 性能开销相对较大
推荐解决方案
从1.6.4到1.12.2版本,最可靠且高效的判断方式是检查World实例的isRemote属性:
world.isRemote == true // 客户端(世界是被遥控的)
world.isRemote == false // 服务器端(世界不是被遥控的)
这种方法直接反映了当前代码执行的逻辑端,是官方推荐的做法。
物理端与@SideOnly注解
@SideOnly的本质
@SideOnly是MCP(Mod Coder Pack)使用的注解,主要用途包括:
- 在合并客户端和服务器代码时标识来源
- 根据运行环境移除不匹配的代码
- 确保特定代码只在指定物理端存在
注解的有效值为Side.CLIENT和Side.SERVER,分别表示仅客户端和仅服务器端。
注解的实际效果
当方法被标记为@SideOnly(Side.CLIENT)时:
- 在物理服务器上调用会抛出
NoSuchMethodException - 在物理客户端上可以正常调用
反之,@SideOnly(Side.SERVER)标记的方法:
- 在物理客户端上调用会抛出异常
- 在物理服务器上可以正常执行
使用场景分析
@SideOnly主要适用于以下三种情况:
- 无注解:代码在服务器和客户端同时存在
- @SideOnly(Side.CLIENT):仅客户端存在的代码(如渲染相关)
- @SideOnly(Side.SERVER):仅服务器存在的代码(如某些命令处理)
物理端代理与依赖注入
@SidedProxy机制
@SidedProxy允许Mod在不同物理端使用不同的代理实现:
@SidedProxy(serverSide = "ServerProxy", clientSide = "ClientProxy")
public static Proxy myProxy;
这种机制基于物理端而非逻辑端,使得Mod可以在不同运行环境下拥有不同的行为。
代理模式实现示例
典型的代理实现包含三个部分:
- 公共代理基类:定义通用接口
- 服务器代理:实现服务器特有逻辑
- 客户端代理:实现客户端特有逻辑
// 公共基类
public class CommonProxy {
public void foo() {
System.out.println("CommonProxy says foo");
}
}
// 服务器代理
public class ServerProxy extends CommonProxy {
public void foo() {
System.out.println("ServerProxy says foo");
}
}
// 客户端代理
public class ClientProxy extends CommonProxy {
public void foo() {
System.out.println("ClientProxy says foo");
}
}
物理端与逻辑端的区别
理解物理端和逻辑端的区别是Mod开发的关键:
- 物理端:指实际的运行环境(物理客户端或物理服务器)
- 逻辑端:指代码当前执行的逻辑位置(通过
isRemote判断)
这种区分源于Minecraft 1.3后的架构变化,使得同一物理设备可以同时运行客户端和服务器逻辑。
最佳实践建议
- 优先使用
world.isRemote进行逻辑端判断 - 谨慎使用
@SideOnly,仅在必要时标记客户端或服务器专用代码 - 合理设计代理模式,分离不同物理端的特有逻辑
- 避免在服务器端代码中包含渲染等客户端专用操作
- 在客户端代码中不要处理应由服务器决定的核心游戏逻辑
通过遵循这些原则,可以开发出稳定、高效的跨平台Mod,同时避免常见的端相关错误。
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