掌握DRG Save Editor:7大进阶技巧助你高效定制深岩银河存档
一、环境准备:从零搭建存档修改工作站
系统兼容性配置
深岩银河存档修改器(DRG Save Editor)是一款开源工具,支持在Windows 10/11及主流Linux发行版运行。该工具采用Python 3.8+开发,需确保系统已安装对应版本的Python环境。以下是不同操作系统的配置要点:
| 操作系统 | 必要配置 | 注意事项 |
|---|---|---|
| Windows 10/11 | Python 3.8+、pip包管理器 | 需安装Microsoft Visual C++ Redistributable |
| Linux | Python 3.8+、tkinter库 | 通过包管理器安装python3-tk依赖 |
| macOS | 需通过CrossOver配置Windows环境 | 暂不支持原生运行 |
快速部署步骤
-
克隆项目仓库
git clone https://gitcode.com/gh_mirrors/dr/DRG-Save-Editor -
安装依赖包
cd DRG-Save-Editor && pip install -r requirements.txt -
启动应用程序
python src/main/python/main.py
⚠️ 安全警告:修改存档前请关闭游戏进程,避免文件锁定导致数据损坏。程序会自动创建
.old后缀的备份文件,但建议定期手动备份SaveGames文件夹。
二、核心功能实战:四大模块操作指南
资源编辑:精准控制游戏内经济系统
核心价值:通过调整矿物资源和特殊物品数量,平衡游戏进度与挑战性
适用场景:快速获取稀有材料制作高级装备,补充酿造材料进行资源管理
操作步骤:
- 在左侧导航栏选择"Minerals"分类面板
- 定位"Enor Pearl"输入框(显示当前数量)
- 输入目标数值(建议不超过100000以保持游戏平衡)
- 切换至"Brewing"标签页,调整"Starch Nut"数量至85000
- 点击窗口底部"Save"按钮保存修改
职业管理:多维度角色成长定制
核心价值:独立调整四个职业的等级、经验和晋升状态,实现精准的角色养成
适用场景:解锁特定职业的高级技能,调整季节性等级进度
操作步骤:
- 在主界面中央"Classes"区域选择"Gunner"职业
- 将"Level"参数从16调整为20
- 在"Promotion"下拉菜单中选择"Silver 2"
- 修改"Progress"数值至4500(满级进度)
- 同步调整"Seasonal Lvl"至3级,"Script"数量设为25
💡 进阶技巧:按住Ctrl键可同时选中多个职业进行批量等级调整,效率提升40%。
超频模组:高级装备系统定制
核心价值:管理所有职业的超频模组状态,解锁未获取的强力装备配件
适用场景:为工程师添加"Thermal Exhaust"超频,优化武器性能
操作步骤:
- 切换至"Overclocks"标签页
- 从职业下拉菜单中选择"Engineer"
- 在模组列表中找到"Thermal Exhaust"条目
- 点击右侧"Add to Inventory"按钮
- 确认"Status"状态变为"Unforged"
- 如需立即锻造,在"Blank Cores"区域设置至少3个空白核心
批量操作:高效管理存档数据
核心价值:通过预设动作快速完成复杂修改,节省重复操作时间
适用场景:一次性添加所有未获取的超频模组,快速配置新存档
操作步骤:
- 点击顶部"Mass Actions"标签
- 选择"Add All Unforged Overclocks"选项
- 在弹出窗口中设置"Minimum Blank Cores"为50
- 勾选"Auto-Balance Resources"选项
- 点击"Execute"按钮执行批量操作
三、跨平台适配:全场景使用方案
存档路径配置
不同操作系统的深岩银河存档位置存在差异,修改前需正确定位文件路径:
| 操作系统 | 标准存档路径 | 访问方式 |
|---|---|---|
| Windows | C:\Program Files (x86)\Steam\userdata<用户ID>\548430\remote\SaveGames | 直接访问 |
| Linux (Proton) | ~/.steam/steam/steamapps/compatdata/548430/pfx/drive_c/users/steamuser/Application Data/Deep Rock Galactic/SaveGames | 通过Proton兼容层访问 |
| macOS | 需通过CrossOver配置Windows环境后访问 | 间接访问 |
路径设置步骤:
- 启动DRG Save Editor
- 点击菜单栏"File > Open Save"
- 导航至对应系统的存档路径
- 选择最新修改的存档文件(通常按修改日期排序)
- 点击"Open"加载存档数据
四、高级优化:存档管理进阶策略
数据安全方案
自动备份机制:每次保存修改时,程序会在同一目录创建带.old后缀的备份文件,保留最近5次修改记录。
手动备份流程:
- 定位存档文件夹
- 压缩"SaveGames"目录为ZIP文件
- 重命名为"SaveGames_YYYYMMDD_HHMMSS.zip"
- 存储至非系统盘的安全位置
恢复操作:
- 删除损坏的存档文件
- 将备份文件重命名为原始名称
- 移除文件扩展名(如将"save.sav.old"改为"save.sav")
性能优化设置
对于大型存档文件(超过1MB),建议进行以下优化:
- 关闭"实时预览"功能(在"Settings > Performance"中设置)
- 减少同时加载的存档数量(最多保持2个存档在内存中)
- 定期清理临时文件(通过"Tools > Clean Temp Files")
五、故障排除:常见问题解决方案
存档加载失败
可能原因与解决步骤:
-
文件权限问题
- 右键存档文件 > 属性 > 安全 > 确保当前用户有"读取"和"写入"权限
-
存档被锁定
- 打开任务管理器,结束所有"Deep Rock Galactic"相关进程
- 重启DRG Save Editor后重新尝试加载
-
数据损坏
- 使用"File > Repair Save"功能尝试修复
- 从备份文件恢复(选择最近的
.old文件)
修改不生效
排查流程:
- 确认游戏已完全关闭(检查任务管理器中是否有残留进程)
- 验证是否选择了正确的存档文件(通过修改日期判断)
- 检查修改后是否点击了"Save"按钮(界面底部蓝色按钮)
- 确认存档路径设置正确(在"Settings > Paths"中验证)
程序运行错误
修复方案:
-
依赖问题:重新安装依赖包
pip install --upgrade -r requirements.txt -
Python版本不兼容:创建虚拟环境
python -m venv venv source venv/bin/activate # Linux/Mac venv\Scripts\activate # Windows pip install -r requirements.txt -
权限不足:以管理员/root权限运行程序
sudo python src/main/python/main.py # Linux
六、社区贡献指南
参与项目改进
DRG Save Editor是开源项目,欢迎通过以下方式贡献:
-
代码贡献
- Fork项目仓库
- 创建功能分支(
git checkout -b feature/your-feature) - 提交修改(
git commit -m "Add new feature") - 发起Pull Request
-
测试反馈
- 在项目Issues页面提交bug报告
- 参与新版本测试,提供兼容性反馈
- 分享使用技巧和最佳实践
-
文档完善
- 改进使用说明(编辑项目根目录的
readme.md) - 补充新功能教程
- 翻译界面文本至其他语言
- 改进使用说明(编辑项目根目录的
贡献规范
- 代码提交需遵循PEP 8规范
- 新功能需包含单元测试(放置于
tests/目录) - 文档使用Markdown格式,保持简洁明了
- 所有PR需通过CI自动测试
通过参与社区贡献,你不仅能帮助改进工具,还能与全球的深岩银河玩家共同打造更好的游戏体验!
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust071- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
Kimi-K2.6Kimi K2.6 是一款开源的原生多模态智能体模型,在长程编码、编码驱动设计、主动自主执行以及群体任务编排等实用能力方面实现了显著提升。Python00
Hy3-previewHy3 preview 是由腾讯混元团队研发的2950亿参数混合专家(Mixture-of-Experts, MoE)模型,包含210亿激活参数和38亿MTP层参数。Hy3 preview是在我们重构的基础设施上训练的首款模型,也是目前发布的性能最强的模型。该模型在复杂推理、指令遵循、上下文学习、代码生成及智能体任务等方面均实现了显著提升。Python00
