👋 hi,这里是
随手记下关于代码、设计 与日常的一些小想法。
Journal
随笔、研究与作品 — 一个持续生长的写作实验室。
按标签筛选
玩家在商店里写下的差评，是最容易被浪费的一手数据。本文用 2026 年 11 月 1 日实抓的 1873 条真实评论（Steam 官方 GetAppReviews 接口 1573 条 + iTunes Store 评论 RSS 300 条）实测：同款游戏用 filter=recent 与 filter=helpful 抽出的负评密度可差 24 倍；纯词典分类精确率仅 27.37%，贴近 22.26% 的随机基线；无监督聚类 100% 的簇跨越多个人工缺陷类别。本文给出三家商店接口差异、采样无偏校准、SimHash 折叠 review bomb、LLM 强制引证分诊，到「频次×严重度」帕累托排序与成本测算的完整管线。
跨队列同步不是加一个 async compute 开关，而是把队列族拓扑、单调计数器信号量、present 侧一次性原语与资源所有权转移显式建模成可编译、可环检测、可量化的调度问题。本文用 Vulkan 规范、D3D12 与 Metal 官方文档、UE5 RDG 源码逐条对照，并给出四组自算模型：理想双队列拓扑省下 38.71% 帧时间，每条跨队列边的同步开销盈亏平衡点是 1.13 毫秒，而三段交接的随机提交顺序只有 0.14% 安全，所以等待图环检测是必需品而非加分项。
工具返回值不是交付物本身。本文把 AI 应用的交付物当作一等工程对象，给出取回窗口、内容寻址句柄、分层验证 ROI 三套可计算方法，附 MCP Apps 规范、容器过期语义与 CSP 权限面的一手事实来源。
打击感不是美术问题，而是一道客户端时序题。本文把一次命中拆成视觉、听觉、触觉、时间四条通道，逐条给出工程口径：顿帧为什么必须用毫秒而非帧定义、创伤模型的平方衰减如何把能量集中在冲击瞬间、伤害到幅度该走平方根映射而非线性、多目标命中如何先聚合伤害再映射、每个通道的并发预算与降级顺序，以及从输入到光子的延迟总账与四条可落地的可观测指标，全部数值现场自算并附一手文档与源码出处。
游戏内广告收入不由「放多少广告」决定，而由三个可分离的决策层决定：何时请求、向谁请求、这一枪值多少钱。本文逐层拆解并现场计算：填充率饱和下的次线性收益、eCPM 重尾下用均值当底价少收 5.01%、最优广告负载只由留存疲劳系数决定，以及最关键的一层——观测上「看广告的人留存高 15.7 个百分点」，真实因果却是掉了 9.1 个百分点，方向完全相反。
色调映射不是渲染管线末端的一个可选滤镜，而是决定画面观感的核心环节。本文从色彩空间的三个坐标出发，逐段拆解色调映射算子、色域映射与 HDR 输出链路，用现场实算的数值对照说明 Reinhard、ACES 拟合曲线与 Khronos PBR Neutral 的响应差异，并给出曝光标定、PQ 曲线锚点、3D LUT 插值误差与抖动量的可核对判据。
决定 AI 应用记忆质量下限的是写侧而非读侧——一条信息凭什么被记住、被合并、被提升作用域又如何被改回。本文把写侧拆成抽取、归一、闸门、消解、晋升、过期、台账七个可审计决策点，对照 Anthropic memory tool、Mem0、Letta 一手文档核对做法。文中数值均现场实算：分层 TTL 比统一 TTL 降 48.3% 代价，显式纠正优先的消解正确率是最后写入胜的 1.51 倍。
红点不是图标，而是一条派生链路的末端产物：业务状态变成叶子信号，信号经入口依赖图聚合，按打扰预算排序，最后才落到 Android 与 iOS 的角标上。本文给出纯客户端的装配方案，含依赖图建模、增量与全量重算的实测代价、未读计数合并的语义误差、打扰预算的公平性度量，以及跨平台角标的真实约束，全部数值由现场脚本算出。
把虚拟经济当成有货币数量约束的活系统来做。本文给出三层工程做法：守恒层用货币数量论把通胀率写成可断言的不变量，纠正「通胀只看产出」的误判——实测通胀率实为 F/m̄−g，人均存量减半通胀就翻倍；代理层用规则、行为参数与 LLM 三层代理跑沙盘，2000 名异质玩家单次 0.043 秒，1000 组参数约 43 秒，足以挂进 CI；回归层用固定种子做差分回归并盯二阶效应。
半透明是引擎里最容易做错、也最难被测出来的一类几何。本文从 Porter-Duff 的 OVER 算子出发，拆解排序路径的三个结构性失效点与 OIT 家族的四条路线，讲清加权混合 OIT 的两个渲染目标如何分工、混合因子为什么是这四个、binary16 在多少层之后下溢、权重函数的拐点该推到哪。最后给出按层数与颜色差异决策的落地框架，并说明移动端为何应优先消除而非排序。
向量库选型不是哪个库更好的榜单问题。本文把负载还原为规模维度、过滤选择性、召回形态三个正交维度,沿着 Postgres 内建路径(pgvector 的事务一致性与迭代扫描)与专用引擎路径(Qdrant 的原生过滤与 RRF/DBSF 融合、Milvus 的分布式分片)分别推演,给出过滤塌陷、多租户隔离、量化预算、embedding 迁移与离线评估的可执行判断标准。
养成系统是游戏里最容易被低估、也最容易在版本迭代中腐化的一块功能：等级、装备、词条、资源、保底进度，每一项都要在客户端被正确计算、展示、持久化。本文讲清楚一个养成系统是怎么在客户端被工程化做出来的——属性派生模型的分层求值与依赖图、背包模板与实例分离及存档版本迁移、PCG 可复现随机与保底状态机、客户端离线经济模拟器，以及把配表变更拦在 CI 里的校验与回归。全部工作在客户端完成，不涉及服务端架构，也不涉及 AI 与渲染管线。
本地化是游戏工业化里少数几个成本完全线性、且每次迭代都要重做的环节。这篇讲的不是用大模型翻游戏，而是把本地化改造成一条可回归、可度量、可门禁的工程管线：七个阶段的输入输出契约、确定性代码该守住哪些硬约束、无参考评估模型怎么用来筛高价值子集，以及语音资产在包体与版权上的真实约束。
屏幕空间效果是把渲染方程的可见性项压进一张深度缓冲求解的工程折中：2026 年它在 Lumen 等混合光照管线中反而升格为第一优先快路径，上限由深度预滤波、时域重投影与方差裁剪这套重建底座决定。本文考据 HBAO、Alchemy、GTAO 的算法谱系与常见讹误，拆解 UE、Unity、Godot 三家引擎的落地实现，并厘清与 DLSS/FSR/XeSS 的边界。
AI 应用里的一次删除请求，横跨会话原文、嵌入向量、语义缓存、trace 快照、训练数据集与模型供应商六类派生副本，是一张有向无环图上的可达性遍历，而非一条 DELETE 语句。本文给出 DSAR 四元组与删除扇出图的形式化、三套法定时钟的对照、五种存储介质各自不同的删除语义，以及一套让「删掉了」变成「可复现地证明删掉了」的删除台账与三类验证证据。
客户端 UI 难交付不是美术问题，而是缩放、安全区、界面层级、长列表规模与刷新时机在运行时互相耦合。本文以 Unity uGUI、UI Toolkit 与 Godot 4 的源码和官方文档为事实来源，实算七种屏幕的缩放系数，拆解 Screen.safeArea 在 Android 14 与 15 的行为差异与两套 UI 的原点冲突，并给出界面栈、焦点栈、列表虚拟化与刷新门禁的落地方案。
游戏无障碍长期被当作美术与策划的合规成本，而不是一条工程管线。本文把 AI 游戏无障碍拆成三条可独立落地的通道：用视觉追踪替代物理操作，用视觉语言模型离线生成可时间轴对齐的音频描述轨，以及把 UI 改造成屏幕阅读器可消费的节点树；并给出对比度与色觉缺陷的实测算例、无障碍 CI 门禁设计、端侧延迟预算与十二周落地路径。
大世界坐标的精度问题不在浮点位宽，而在数字所处的坐标系。本文用实测数值拆解灾难性抵消与深度非线性，逐行解读 UE5.3 的 LWC 类型定义与 SceneView 相机相对矩阵、UE4.22 的 WorldComposition 原点重定位策略、Godot 的 precision=double 构建开关，给出相机相对化、原点重定位、LWC 三条路线的成本矩阵与落地顺序。
当 AI 应用开始替用户去操作第三方系统——发邮件、改工单、调支付——真正的工程难题不再是模型够不够聪明，而是这份凭证到底代表谁、授权给谁、覆盖哪一次动作。本文以 RFC 9700、9449、8693、8707、9728 与 MCP 2025-06-18 授权规范为骨架，给出一套从授权码流、受众绑定、委托语义到撤销断权的完整落地方法与十二项检查清单。
资产管线是客户端工程里最容易被低估的一段：策划表、美术源文件与关卡数据如何变成可运行资产，直接决定迭代速度与线上质量。本文从 Unity 与 Godot 的原生导入机制出发，拆解自定义导入器、依赖图与增量构建、构建期校验门禁、批量工具链与自动化测试五条工程主线，给出一套纯客户端团队可直接落地的资产管线方案，并附分阶段行动清单。