在MMRecompModTemplate中调用原版游戏函数的技巧
理解MMRecompModTemplate的基本原理
MMRecompModTemplate是基于《塞尔达传说:姆吉拉的假面》重编译版(MMRecomp)的模组开发框架。它允许开发者通过修改游戏代码来创建自定义内容,而不需要直接修改原始游戏文件。这种设计理念使得模组开发更加安全和模块化。
函数调用的常见问题
在开发过程中,开发者经常会遇到需要调用原版游戏函数的情况。例如,当修改EnItem00_Draw函数时,该函数内部会调用其他辅助函数如EnItem00_DrawRupee、EnItem00_DrawHeartPiece和EnItem00_DrawHeartContainer。直接调用这些函数可能会导致编译错误,因为模组系统默认不会自动包含这些原版函数的声明。
解决方案:函数声明与外部变量
1. 声明原版函数
对于原版游戏中已存在的函数,不需要使用RECOMP_IMPORT宏导入。正确的做法是简单地声明这些函数原型:
void EnItem00_DrawRupee(Actor* this, PlayState* play);
void EnItem00_DrawHeartPiece(Actor* this, PlayState* play);
void EnItem00_DrawHeartContainer(Actor* this, PlayState* play);
这些声明应该放在模组代码文件的顶部,或者放在一个单独的头文件中。这样编译器就能识别这些函数的存在,链接过程会由重编译系统自动处理。
2. 处理外部变量
对于来自parameter_static.xml等数据文件的变量(如gMagicMeterEndTex),需要查看重编译过程中生成的头文件来获取正确的变量声明。这些头文件通常位于assets/interface/parameter_static/目录下。
正确的做法是:
extern u8 gMagicMeterEndTex[];
这样声明后,模组代码就能正确引用这些原版游戏中的变量。
开发流程注意事项
-
离线重编译:修改代码后,必须通过离线模组重编译流程生成新的DLL文件,并将生成的DLL放入正确的游戏目录。
-
调试与发布版本:确保在切换分支后重新构建发布版本,因为模组加载在调试和发布版本中都能正常工作。
-
性能优势:重编译版相比原版N64游戏有显著的性能提升,能够轻松处理原版无法实现的3D效果和复杂场景。
未来展望
随着MMRecomp项目的推进,1.2版本将不再需要离线模组重编译步骤,这将大大简化模组开发流程。开发者可以期待更便捷的模组开发体验和更强大的功能支持。
通过掌握这些技巧,开发者可以更高效地在MMRecompModTemplate中调用原版游戏函数和变量,实现各种创意模组功能。
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