【免费下载】 HandheldCompanion 项目使用教程
1. 项目介绍
HandheldCompanion 是一个专为手持游戏电脑设计的优化图形用户界面(GUI)。它旨在提升手持游戏设备的体验,支持多种功能,包括运动控制、快速工具覆盖、虚拟控制器模拟、游戏手柄映射等。该项目适用于 Windows 10 和 Windows 11 系统,支持多种手持设备,如 ASUS ROG Ally、Lenovo Legion Go、MSI Claw 等。
2. 项目快速启动
2.1 环境准备
确保你的系统满足以下要求:
- Windows 10 或 Windows 11
- 支持的手持设备(如 ASUS ROG Ally、Lenovo Legion Go 等)
2.2 安装步骤
-
克隆项目仓库:
git clone https://github.com/Valkirie/HandheldCompanion.git cd HandheldCompanion -
运行安装程序: 进入项目目录后,找到并运行安装程序
install.exe。./install.exe -
启动 HandheldCompanion: 安装完成后,HandheldCompanion 将自动启动。你可以在系统托盘中找到它的图标,右键点击图标可以访问各种设置和功能。
3. 应用案例和最佳实践
3.1 添加通用运动控制(UMC)
HandheldCompanion 支持为任何游戏添加通用运动控制。通过设备的惯性测量单元(IMU)或外部传感器,你可以实现高精度的运动控制。
3.2 游戏手柄映射
你可以将游戏手柄映射到鼠标和键盘,调整游戏手柄的摇杆和触发器的死区。这对于需要高精度控制的游戏非常有用。
3.3 PS Remote Play 支持
HandheldCompanion 支持通过 PS Remote Play 使用 DS4 控制器,包括运动和触控板功能。这使得你可以通过手持设备享受 PlayStation 4 的游戏体验。
4. 典型生态项目
4.1 ViGEmBus
HandheldCompanion 依赖于 ViGEmBus 驱动程序和 ViGEmClient 库。ViGEmBus 是一个开源的虚拟游戏手柄驱动程序,支持模拟 Xbox 360 和 DualShock 4 控制器。
4.2 HidHide
HidHide 是一个内核模式过滤驱动程序,用于隐藏和保护 HID 设备。HandheldCompanion 使用 HidHide 来增强设备的安全性和隐私保护。
4.3 SharpDX
SharpDX 是一个开源的 DirectX 封装库,用于在 .NET 应用程序中访问 DirectX API。HandheldCompanion 使用 SharpDX 来实现高性能的图形渲染和输入处理。
通过以上步骤,你可以快速启动并使用 HandheldCompanion 项目,享受手持游戏设备的优化体验。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00