tModLoader中Host and Play模式未传递自定义保存目录参数的问题分析
问题概述
在tModLoader游戏模组加载器的使用过程中,用户可以通过命令行参数savedirectory或tmlsavedirectory指定自定义的保存目录位置。这一功能主要用于解决一些特殊场景下的需求,例如组织管理多个不同的游戏存档配置,或者规避OneDrive、My Documents文件夹以及Windows受控文件夹访问权限等问题。
然而,在Host and Play(主机与游玩)模式下,这些自定义保存目录参数未能正确传递给服务器进程,导致服务器仍然从默认保存位置加载游戏设置和配置文件。虽然世界存档和模组路径能够正确加载(因为-world和-modpath参数被正确传递),但这一缺陷仍然会引发一系列问题。
技术细节分析
保存路径机制
tModLoader的保存路径机制包含以下几个关键部分:
- 默认保存路径:通常位于用户的文档目录下
- 自定义保存路径:通过命令行参数指定
- 临时保存路径:在Host and Play模式下创建临时世界文件
在正常单机游戏情况下,自定义保存路径参数能够正常工作。但在Host and Play模式下,服务器进程启动时未能继承这些参数,导致服务器与客户端使用不同的保存路径。
引发的问题
-
世界存档备份问题:
- 世界备份功能使用
SavePath/Worlds/Backups路径 - 正常世界文件和单个备份会保存在正确的自定义路径中
- 但存档备份操作会尝试写入默认保存路径下的备份目录
- 在受限制的文件夹权限环境下(如启用了受控文件夹访问),这会导致保存失败
- 世界备份功能使用
-
模组配置同步问题:
- 服务器从默认路径加载模组配置
- 客户端从自定义路径加载模组配置
- 可能导致配置不一致,迫使主机在加入自己服务器时重新加载模组
-
进程锁定问题:
- 服务器进程可能无法正常关闭
- 导致日志文件重复创建(server2.log、server3.log等)
- 世界文件锁定可能导致后续操作失败
解决方案
临时解决方案
用户可以使用savehere.txt文件作为临时解决方案。这种方法会同时影响客户端和服务器进程的保存路径,确保两者一致。
永久修复方案
修复此问题的核心在于确保Host and Play模式下服务器进程能够正确继承客户端的保存目录参数。这需要:
- 修改服务器启动逻辑,传递原始客户端的保存目录参数
- 确保所有路径相关操作都使用统一的路径解析机制
- 完善错误处理,特别是在跨路径操作时的错误提示
实现注意事项
- 参数传递机制:需要检查并完善从客户端到服务器进程的所有参数传递
- 路径解析一致性:确保所有文件操作都使用相同的路径解析逻辑
- 错误处理改进:修正错误提示中可能出现的路径显示不一致问题
影响范围评估
这一问题主要影响以下用户场景:
- 使用自定义保存路径的组织性需求用户
- 遇到OneDrive同步问题的用户
- 启用Windows受控文件夹访问功能的用户
- 使用严格防病毒软件设置的环境
对于普通用户使用默认保存路径的情况,则不会受到影响。
总结
tModLoader中Host and Play模式未能传递自定义保存目录参数的问题,虽然看似简单,但实际上影响了游戏多个子系统的协同工作。从技术实现角度看,这提醒我们在设计跨进程协作功能时,需要特别注意环境参数和配置的一致性传递。对于模组加载器这类复杂系统,路径管理更是需要特别关注的核心功能之一。
该问题的修复不仅解决了当前的功能缺陷,也为未来可能的多存档管理、云同步等高级功能打下了更坚实的基础。对于用户而言,这意味着更稳定、更灵活的存档管理体验,特别是在需要特殊目录配置的使用场景下。
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- QQwen3-Coder-Next2026年2月4日,正式发布的Qwen3-Coder-Next,一款专为编码智能体和本地开发场景设计的开源语言模型。Python00
xw-cli实现国产算力大模型零门槛部署,一键跑通 Qwen、GLM-4.7、Minimax-2.1、DeepSeek-OCR 等模型Go06
PaddleOCR-VL-1.5PaddleOCR-VL-1.5 是 PaddleOCR-VL 的新一代进阶模型,在 OmniDocBench v1.5 上实现了 94.5% 的全新 state-of-the-art 准确率。 为了严格评估模型在真实物理畸变下的鲁棒性——包括扫描伪影、倾斜、扭曲、屏幕拍摄和光照变化——我们提出了 Real5-OmniDocBench 基准测试集。实验结果表明,该增强模型在新构建的基准测试集上达到了 SOTA 性能。此外,我们通过整合印章识别和文本检测识别(text spotting)任务扩展了模型的能力,同时保持 0.9B 的超紧凑 VLM 规模,具备高效率特性。Python00
Baichuan-M3-235BBaichuan-M3 是百川智能推出的新一代医疗增强型大型语言模型,是继 Baichuan-M2 之后的又一重要里程碑。Python00
VLOOKVLOOK™ 是优雅好用的 Typora/Markdown 主题包和增强插件。 VLOOK™ is an elegant and practical THEME PACKAGE × ENHANCEMENT PLUGIN for Typora/Markdown.Less00