你好，我是赵伟栋 (Weidong Zhao) 👋

技术复盘：从零构建以撒式 2D Roguelike 框架 🚀 项目概览 本项目是一款 2D 俯视角 Roguelike 动作游戏。开发核心目标是复刻类似《以撒的结合》的程序化关卡生成与高度可堆叠的道具系统。 引擎版本： Unity 2022.3 LTS 核心挑战： 随机地图的拓扑一致性、基于 ScriptableObject 的解耦道具系统、多层级 AI 行为树。 🛠 关键技术实现 1. 程序化随机房间生成算法 (Procedural Room Generation) 为了实现“以撒式”的布局，我放弃了简单的网格填充，采用了一种基于深度优先搜索 (DFS) 变体的增长算法。 逻辑流程： 初始化中心起始房间。 利用队列维护待生成的出口，随机尝试向四周伸展。 约束控制： 通过设置 MaxRooms 和 DeadEnd 概率，确保地图既不会无限延伸，也不会过于拥挤。 特殊房间放置： 算法会在距离起点最远的分支末端自动计算并放置 Boss 房，在侧支放置 商店房。 2. 高扩展性道具与子弹修改器系统 Roguelike 的灵魂在于道具堆叠。为了避免 if-else 爆炸，我采用了装饰器模式 (Decorator Pattern) 与 ScriptableObject 相结合的方案。 技术亮点： Data-Driven Design: 每一个道具都是一个 ScriptableObject，包含修改属性（攻击力、攻速）和子弹特效（分裂、追踪、反弹）。 计算管道： 玩家射击时，子弹会经过一个 ModifierChain，依次应用当前所有道具的效果。 解耦： 道具系统与玩家逻辑完全解耦，新增一个道具只需新建一个配置文件，无需修改一行代码。 3. 多样化 AI 决策逻辑：状态机与预警系统 针对普通小怪和复杂的 Boss，我实现了分层式的 AI 架构： ...

命名实体识别（Named Entity Recognition, NER）是构建医药知识图谱与辅助诊疗系统的核心下游任务。在中医药（TCM）领域，由于其文本具有高度的专业性、语义模糊性以及实体嵌套等特征，传统的基于统计学习或轻量级深度学习（如 BERT-CRF）的方法在处理长距离依赖和跨类语义理解时存在局限。 本项目提出一种基于大语言模型指令微调的方案，利用 Qwen2.5-7B 作为基座模型，通过 QLoRA (Quantized LoRA) 技术在垂直领域语料上进行有监督微调（SFT），实现了针对中药、方剂、证候等 10 类实体的精准抽取。 1. 任务定义与数据工程 1.1 实体体系定义 本项目涵盖了中医药核心本体论中的 10 类关键实体，旨在实现多维度的信息提取。 实体类别 描述 中药 / 方剂 核心药物构成与复方组成 中医诊断 / 证候 / 治则 中医辨证论治的核心逻辑 临床表现 症状、体征的非结构化描述 西医治疗 / 诊断 中西医结合背景下的交叉实体 1.2 数据转换逻辑：从 BIO 到指令集 原始数据采用 BIO (Begin, Inside, Outside) 标注格式。为了适配生成式大模型的推理模式，本项目通过预处理脚本将序列标注转换为指令对齐格式。 转换公式描述： 给定输入序列 $X = {x_1, x_2, …, x_n}$ 及标签序列 $Y = {y_1, y_2, …, y_n}$，构造映射函数 $f(X, Y) \to (Prompt, Response)$。 Prompt: “请识别下面文本中的[实体类别]：$X$” Response: 以结构化 JSON 或特定分隔符输出识别结果。 2. 算法架构与训练策略 2.1 基于 QLoRA 的参数高效微调 针对 7B 规模的模型，本项目采用 QLoRA 技术以平衡训练显存与收敛精度。 ...

在合作型游戏或复杂交互系统中，赋予 AI 智能体“心理理论”（Theory of Mind）能力是提升交互体验的关键。这种能力使 AI 能够通过观察玩家的低级操作（Action），逆向推断其高级意图（Goal）。本文将深入解析在 Unity 引擎中实现的一套逆向规划（Inverse Planning）系统，探讨其如何通过数学建模与启发式搜索实现高效的玩家行动预测。 系统逻辑架构综述 该系统的核心任务是解决一个典型的逆向概率问题：给定当前世界状态 $s$ 和观察到的动作 $a$，推断玩家正在执行特定顶层目标 $\sigma$（如某个特定菜谱）的概率。 系统架构由 GoalLikelihoodEvaluator（似然评估器）作为计算核心，并依赖 RecipeManager（食谱管理器）提供静态的配方依赖关系与动态的游戏状态权威。整个推断流程可以概括为：从原始动作观测开始，经过环境约束过滤、理性代价估算、概率分布转换，最终通过贝叶斯框架完成似然聚合。 1. 约束识别：目标检索与依赖剪枝 推断的第一步是确定在当前环境下，哪些子目标（Subgoals）在逻辑上是可行的。系统不会盲目评估所有潜在任务，而是通过 RecipeManager 查询候选目标 $\sigma$ 的动态依赖图。 通过 GetUnconstrainedGoals 接口，系统会递归检查配方树的执行进度。例如，若“番茄汤”目标要求“切碎的番茄”和“烧开的水”，而环境状态显示水已烧开，则系统会将搜索空间剪枝，仅保留“切碎番茄”作为当前的原始目标（Primitive Goal）。这种基于先验逻辑的过滤极大地降低了后续代价计算的维度。 2. 估值建模：理性决策假设与启发式代价 系统的预测能力建立在**理性假设（Rationality Assumption）**之上：即假设玩家倾向于以最小的代价完成任务。为此，系统需要为每个有效的子目标 $g$ 计算启发式代价 $Q$。 $Q$ 值的计算由两部分组成。首先是空间成本，即智能体位置与所需食材之间的欧几里得距离；其次是状态转换成本，系统会扫描场景快照（WorldStateSnapshot）以寻找最近的交互设备（如砧板或锅具），并将设备距离与操作耗时（如切菜所需的固定时长）累加。若关键道具在当前快照中缺失，系统将施加极大的惩罚项，从而在数学上抑制该目标产生的似然度。 3. 概率转换：玻尔兹曼分布下的噪声处理 原始的代价 $Q$ 值不能直接用于概率推断，因为现实中的玩家行为往往包含噪声或次优决策。系统采用玻尔兹曼分布（Boltzmann Distribution）将代价映射为概率空间： $$P(g | s, \sigma) = \frac{e^{-\beta \cdot Q(s, g)}}{\sum_{g’ \in UC} e^{-\beta \cdot Q(s, g’)}}$$ 在该公式中，$Q(s, g)$ 代表启发式代价，而参数 $\beta$（理性系数）决定了系统对“非理性”行为的容忍度。高 $\beta$ 值意味着系统假设玩家高度专业，细微的代价差异也会导致概率分布的剧烈偏向；低 $\beta$ 值则使系统表现得更加稳健，能够处理操作失误或不确定性带来的干扰。 4. 动作匹配：上下文关联验证 在确定了各子目标的先验概率 $P(g | s, \sigma)$ 后，系统需要验证观察到的实际动作 $a$ 与子目标 $g$ 的匹配程度。这一步通过 IsActionRelevantToGoal 逻辑实现。 ...

在现代游戏开发中，非玩家角色（NPC）的行为逻辑是构建沉浸感的核心要素。随着游戏玩法的日益复杂，简单的脚本化逻辑已难以满足需求。在 Unity 生态中，有限状态机（Finite State Machine, FSM）、行为树（Behavior Tree, BT）与目标导向行动规划（Goal-Oriented Action Planning, GOAP）是三种主流的 AI 决策架构。 本文将从工程实现角度深入剖析这三种架构的运行机制，对比其优劣，并探讨在不同业务场景下的技术选型策略。 一、 有限状态机（FSM）：确定性的基石 有限状态机是游戏 AI 中最古老且基础的架构。其核心理念是将 AI 的行为分解为离散的“状态”（State），并通过预设的“条件”（Condition）在状态之间进行转换（Transition）。 1.1 技术实现机制 在 Unity 中，FSM 的实现通常经历两个阶段的演进： 基于 Switch-Case 的硬编码：适用于原型阶段，但在逻辑扩展时极易导致代码臃肿。 基于状态模式（State Pattern）的面向对象封装：将每个状态封装为独立的类（继承自 BaseState），拥有 Enter、Execute、Exit 三个生命周期方法。 状态机的运行依赖于严格的图论逻辑： stateDiagram-v2 [*] --> Idle Idle --> Patrol: 计时器结束 Patrol --> Chase: 发现玩家 Chase --> Attack: 距离 < 攻击范围 Attack --> Chase: 距离 > 攻击范围 Chase --> Patrol: 玩家丢失 1.2 架构局限性 FSM 的最大优势在于确定性与低计算开销。每一时刻 AI 处于且仅处于一个状态，调试路径清晰。 然而，当 AI 逻辑变得复杂（例如一个角色拥有 20 种状态）时，FSM 面临“转换爆炸”问题。每增加一个新状态，可能需要定义它与现有所有状态的转换关系，导致维护成本呈指数级上升（$O(N^2)$ 的复杂度）。虽然 Unity 的 Animator Controller 本质上是一个可视化 FSM，但在处理纯逻辑（非动画）时，连线过于复杂会导致“面条式”图表，难以阅读。 ...

随着多模态大语言模型（MLLMs）的飞速发展，模型不仅需要理解文本，更需要具备处理图形化数据的能力。然而，如何量化评估 LLM 在可视化领域的“素养”——即生成准确数据、构建合规图表以及从视觉表示中提取深度信息的能力——成为了一个关键的科研命题。 EVL-LLMs 项目建立了一套自动化的端到端流水线，通过合成数据生成、视觉渲染与自动化提问，对 LLM 的可视化素养进行闭环评估。 一、 可视化素养（Visualization Literacy）的定义与挑战 可视化素养通常指个体从图形中读取、解释和呈现数据的能力。对于大语言模型而言，这一能力被拆解为两个核心维度： 构造能力（Construction）：根据特定语境（Context）生成结构化数据并转化为代码渲染图表。 解读能力（Interpretation）：针对生成的图表，识别极值、趋势、异常值或进行数据比较。 在实际评估中，传统的静态数据集易受训练数据污染（Data Contamination）的影响。因此，EVL-LLMs 采用合成数据流水线，确保评估样本的原创性与任务的针对性。 二、 EVL-LLMs 评估流水线架构 该项目实现了一个高度模块化的流水线，其核心逻辑由四个阶段组成：数据合成、视觉渲染、问题生成与闭环验证。 2.1 任务输入与语境定义 系统接收三个关键参数作为元输入： Context (语境)：定义数据集的业务背景（如：某专业学生的平均分）。 Chart Type (图表类型)：指定视觉表现形式（Line Chart, Bar Chart, etc.）。 Vis Task (视觉任务)：定义评估的认知维度（如：Find Extremum, Trend Detection）。 三、 技术实现核心细节 3.1 基于 LLM 的合成数据生成 在 utils.py 中，系统利用 OpenAI API 通过提示词工程（Prompt Engineering）引导模型生成符合统计分布的合成数据。 一致性约束：生成的 dataset.csv 必须严格遵循 context 的语义逻辑。 复杂度控制：根据 vis_task 的难度，动态调整数据量和噪声水平。 3.2 自动化视觉渲染 系统利用 Python 的 pandas 和 matplotlib 库将抽象数据转化为像素。为了确保评估的客观性，渲染过程采用标准化的样式配置，避免了色彩过度修饰对模型识别带来的偏差。 $$\text{Image_Quality} = f(\text{Resolution}, \text{Label_Clarity}, \text{Data_Density})$$ ...