tModLoader中物品研究覆盖机制的公开化改进
背景介绍
在tModLoader游戏模组开发中,开发者经常需要创建具有多种状态的物品,例如游戏中的"贝壳电话"或自然指南等物品。这类物品通常具有一个主要形态和多个次级形态,玩家可以通过右键点击在不同形态间切换。然而,当涉及到物品研究系统时,开发者希望所有次级形态的研究进度都能计入主物品的研究进度。
技术挑战
在tModLoader的现有实现中,ContentSamples.AddItemResearchOverride()方法被标记为private,这意味着模组开发者无法直接调用这个方法来设置物品研究覆盖关系。开发者不得不采用以下两种变通方案:
- 使用反射技术绕过访问限制
- 直接修改
ContentSamples.CreativeResearchItemPersistentIdOverride字典
这些方法虽然可行,但都不够优雅,且可能带来维护上的问题。
解决方案
tModLoader团队决定将AddItemResearchOverride()方法的访问修饰符从private改为public,使其成为官方支持的API。这一改动使得模组开发者可以更安全、更方便地实现多状态物品的研究进度共享功能。
实现示例
以下是一个典型的多状态物品实现示例,展示了如何使用这个新公开的方法:
public class MultiStateItem : ModItem
{
public override void SetStaticDefaults()
{
// 设置主物品的研究解锁数量
Item.ResearchUnlockCount = 5;
// 注册次级形态的研究覆盖关系
ContentSamples.AddItemResearchOverride(
Type,
ModContent.ItemType<SecondaryStateA>(),
ModContent.ItemType<SecondaryStateB>()
);
}
// 其他物品属性和方法...
}
注意事项
-
物品类型切换限制:使用
Item.ChangeItemType()方法切换物品类型时,会丢失物品的前缀等附加数据。因此,这种技术最适合用于工具类或非装备类物品。 -
状态切换实现:完整的物品状态切换应该同时处理物品栏右键点击和选中物品时的右键点击两种交互方式。
-
替代方案:对于需要保存更多自定义数据的物品,建议在
ModItem中实现状态逻辑,而不是切换物品类型。
技术展望
这一改进为模组开发者提供了更规范的API来实现复杂物品系统。未来tModLoader可能会进一步优化物品状态切换机制,例如提供保留物品数据的类型切换方法,或者支持动态修改物品显示名称等功能,使多状态物品的实现更加灵活和强大。
通过这次API的公开化,tModLoader继续展现了其对模组开发者友好性的承诺,为创造更丰富的游戏内容提供了坚实的技术基础。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
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
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能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
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00