Glulxe:Glulx虚拟机解释器技术文档
1. 安装指南
为了编译Glulxe,需要使用Glk库。详细信息请参阅Glk首页。 Unix Makefile支持Unix库(如CheapGlk、GlkTerm、RemGlk等)。需要在Makefile中设置三个变量以找到库,并设置OPTIONS行上的适当OS_*常量。
编译方法如下:
make glulxe
编译完成后,运行以下命令来执行Glulx游戏文件:
./glulxe filename.ulx
其中filename.ulx是Glulx游戏文件的名称。
要在Mac或Windows平台上编译此程序,需要相应的Glk库。
2. 项目使用说明
Glulxe支持自动保存功能,如果Glk库支持的话。目前只有RemGlk和IosGlk支持此功能。使用--autosave选项可以在每轮结束时写入自动保存文件,而--autorestore选项可以在启动时加载这些文件,从而从上次自动保存的位置开始游戏。
自动保存的文件默认保存在当前目录下,文件名为autosave.json和autosave.glksave。可以使用--autodir更改目录,使用--autoname更改基本文件名。
有两种自动保存场景:
防止进程终止
在这种模式下,程序会在每轮结束时自动保存。如果进程可能在后台被终止,这将非常有用。启动时,如果存在自动保存文件,程序会加载它们并继续游戏。
在Unix环境下,可以这样操作:
./glulxe --autosave --autoskiparrange filename.ulx
使用--autoskiparrange选项可以跳过窗口调整事件时的自动保存。
当重新启动时,如果自动保存文件存在,可以这样操作:
./glulxe --autosave --autoskiparrange --autorestore -autometrics filename.ulx
单轮操作
在这种模式下,解释器会在每次玩家输入时启动,自动恢复,处理输入,自动保存并退出。
在Unix环境下,可以这样操作:
./glulxe --autosave -singleturn filename.ulx
使用-singleturn选项指示解释器在生成输出段后立即退出。
重新启动时,如果自动保存文件存在,可以这样操作:
./glulxe --autosave --autorestore -singleturn -autometrics filename.ulx
3. 项目API使用文档
Glulxe提供了丰富的API,以下是部分API的使用说明:
--autosave:启用自动保存功能。--autorestore:在启动时恢复自动保存的文件。--autodir:设置自动保存文件的目录。--autoname:设置自动保存文件的基本名称。--autoskiparrange:在窗口调整事件时跳过自动保存。-singleturn:启用单轮操作模式。
更多API使用说明,请参考项目文档。
4. 项目安装方式
请遵循以下步骤进行安装:
- 下载源代码。
- 根据需要配置Makefile文件,包括设置Glk库路径等。
- 执行
make glulxe命令进行编译。 - 编译成功后,运行
./glulxe filename.ulx来执行Glulx游戏文件。
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 StartedRust099- 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
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。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
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