Companion自定义变量的数值范围控制技巧
概述
在Companion自动化控制系统中,自定义变量(Custom Variable)是构建复杂控制逻辑的基础元素。虽然Companion目前没有直接提供变量数值范围限制的内置功能,但通过表达式(Expression)可以灵活实现各种数值边界控制需求。
数值范围限制的实现方法
基础限制方法
对于需要限制变量在特定范围内的场景,可以使用以下表达式模式:
-
设置下限(不低于最小值):
max(最小值, 变量表达式)例如:确保变量不小于0
max(0, $(custom:some_variable) - 1) -
设置上限(不超过最大值):
min(最大值, 变量表达式)例如:确保变量不超过10
min(10, $(custom:some_variable) + 1)
循环滚动的实现
对于需要循环滚动的场景(如旋钮控制),可以使用以下技术:
-
正向循环(达到最大值后回到最小值):
(变量 + 步长) % (最大值 + 1)示例:0-255循环
($(custom:some_variable) + 1) % 256 -
反向循环(低于最小值后跳转到最大值):
变量 - 步长 >= 最小值 ? 变量 - 步长 : 最大值示例:255到0的反向循环
$(custom:some_variable) - 1 >= 0 ? $(custom:some_variable) - 1 : 255 -
对称循环(超出正负范围后跳转):
变量 + 步长 <= 上限值 ? 变量 + 步长 : 下限值示例:-128到128的对称循环
$(custom:some_variable) + 1 <= 128 ? $(custom:some_variable) + 1 : -128
技术实现原理
Companion的表达式引擎支持多种逻辑运算符和数学函数,使得开发者可以在变量赋值时直接实现复杂的边界控制逻辑。这种设计避免了创建额外的触发器,保持了系统的简洁性。
表达式中的条件运算符(?:)和数学函数(min/max/mod)是实现这些功能的关键。通过组合这些基本元素,可以构建出满足各种业务场景的边界控制方案。
应用场景建议
-
物理控制器集成:当使用Stream Deck Plus等带旋钮的硬件时,循环滚动模式可以提供更自然的用户体验。
-
状态机控制:在有限状态机实现中,使用范围限制可以确保状态值始终有效。
-
参数调节:对于需要限制调节范围的参数(如音量、亮度等),使用上下限限制可以防止意外越界。
注意事项
-
目前Companion的自定义变量是弱类型的,可以存储各种数据类型。数值范围控制仅适用于数值型变量。
-
对于复杂的边界条件,建议先在测试环境中验证表达式逻辑。
-
表达式中的变量引用使用$(custom:variable_name)语法,确保变量名正确。
通过掌握这些表达式技巧,开发者可以在Companion中实现灵活而强大的变量控制逻辑,满足各种自动化控制场景的需求。
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