Mage项目中的FilterSource设计与多参数匹配优化
背景与问题分析
在Mage这个开源卡牌游戏引擎项目中,Story Circle和Prismatic Circle两张卡牌的实现遇到了技术瓶颈。这两张卡牌的核心机制是允许玩家选择一个特定颜色的伤害来源来防止伤害,但当前的过滤器系统无法准确实现这一功能。
问题的根源在于现有的FilterObject设计存在局限性,特别是在处理伤害来源筛选时,无法同时满足以下需求:
- 对伤害来源进行颜色匹配
- 确保筛选对象是有效的游戏实体(永久物、堆叠对象或卡牌)
- 支持多参数匹配模式
技术方案演进
初始方案:专用FilterSource类
开发团队最初考虑引入专用的FilterSource类,继承自FilterObject。这个方案的优势在于:
- 能够精确匹配TargetSource所遍历的对象类型
- 提供类型安全的筛选机制
- 与现有架构保持一致性
但在实现过程中发现了一些兼容性问题,例如Ajani's Aid卡牌使用了FilterCreaturePermanent,与新的FilterSource不兼容,需要额外编写类型检查和转换逻辑。
改进方案:统一Filter接口
经过深入讨论,团队提出了更根本的解决方案——将四参数match方法提升到Filter接口层面。这一改进具有以下优势:
- 消除重复代码:原先在FilterStackObject、FilterCard和FilterPermanent中分别实现的相似逻辑可以统一
- 增强扩展性:为未来可能新增的过滤器类型提供统一接口
- 保持类型安全:通过泛型机制确保运行时类型正确性
最终方案:FilterObject重构
综合各方意见后,团队决定采用折中方案:
- 保留并完善FilterSource类,确保与TargetSource的兼容性
- 将共享的匹配逻辑上移到FilterObject基类中
- 通过保护构造函数强制使用特定化的过滤器
这一方案既解决了当前卡牌实现的问题,又为系统未来的扩展奠定了基础。
技术实现细节
FilterSource设计要点
FilterSource的核心职责是验证一个游戏对象是否满足作为伤害来源的条件。其关键特性包括:
- 类型验证:确保对象是永久物、堆叠对象或卡牌
- 颜色匹配:支持按选定颜色筛选
- 多条件组合:支持通过谓词链添加额外筛选条件
多参数匹配模式
传统的过滤器匹配通常只考虑对象本身,但在Mage的复杂游戏逻辑中,经常需要基于多个上下文参数进行判断。新的四参数match方法支持:
- 游戏状态上下文
- 玩家信息
- 能力来源
- 目标对象
这种设计极大地增强了过滤器的表达能力,能够处理复杂的游戏交互场景。
实际应用示例
以Story Circle为例,其技术实现现在可以精确表达:
- 入场时选择一种颜色
- 激活能力时:
- 筛选指定颜色的伤害来源
- 确保来源是有效的游戏实体
- 在下一次伤害事件中阻止该伤害
通过新的过滤器系统,这些游戏规则能够被准确、高效地实现,且代码可读性和可维护性都得到了提升。
总结与展望
Mage项目通过这次重构解决了长期存在的过滤器系统局限性问题。技术方案的选择体现了良好的工程权衡:
- 短期需求与长期架构的平衡
- 类型安全与灵活性的兼顾
- 代码复用与专业化的结合
未来,团队计划进一步统一过滤器体系,可能将所有共享方法移至FilterObject基类,为游戏逻辑开发提供更强大、更一致的工具支持。这次改进也为处理类似复杂卡牌机制提供了可复用的技术模式。
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