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。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C094
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00