近来解决了一件心头大事: 杭州市E类人才认定及其租房补贴总算落定, 可以安心投入学术研究与工作一阵子了. 随着AI的深入运用, 工程实现的复杂度已经大大降低, 自己的点子越来越多, 同时对未来能走的路也越来越迷茫. 目前更倾向于两个方向并行: 一是继续深入代数拓扑理论及相关应用算法研究, 二是出于项目人手安排, 后续也会开展游戏AI与游戏动画研究, 因此需要系统梳理近年来游戏GDC相关分享, 熟悉各类业界方案. 本文是在知乎大佬冯委的网页端Houdini程序化建模项目Meshova启发下, 从Arko-T, MeshGPT, MeshLLM中提取可落地的Meshova质量提升算法, 算是关于代数拓扑相关应用算法的一次研究叭~
过去一个月, 完成了人生非常重要的两件事: 首先是居然通过了之前一直不抱期望的2026上半年系统架构设计师软考, 拿到了心心念念的副高职称, 目前已经在着手申请杭州市E类人才认定; 另一件事就是终于和女朋友结婚摆酒啦, 仪式虽然简单但也忙活了一个多月, 还是有不少细节需要跟进的, 好在最后圆满结束*★,°*:.☆(￣▽￣)/:*.°★*(虽然婚宴菜品真的令我们挺失望的, 避雷!(╯▔皿▔)╯)! 不过目前还没领证, 还只是”民间认定夫妻” 哈哈~ 目前, AI的高速发展让更复杂的游戏开发流程设计与落地有了更进一步的可能. 本文描述的流程已经作为UE编辑器插件以release 1形态落地: 三种识别入口(通用多模态API, 遗留Mask R-CNN API, 本地Sketch 2 Graybox), 统一场景中间表示, 受LayoutGPT启发的有限纠正和确定性几何规划现在都可以实际运行, 并能在此基础上继续迭代. PS: 其实流程实现起来也很快, 毕竟有AI的辅助, 但目前使用的算法框架还是得靠自己把控. 根上把控准确了, 让AI去实现方能事半功倍.
在5月23日终于结束了2026年上半年系统架构设计师软考, 考完以后心都凉了, 今年的泄题事件暂且不提, 自己还把案例分析题里一道推荐系统相关的题目几乎完全理解错误QAQ. 感觉已经可以做好下半年参考的心理准备了, 无论如何, 等成绩出来后再作打算~ 这两三年已经疏于代数拓扑的学习了, 感觉接下来只会有越来越多的各种节点去阻碍自己对于代数拓扑的学习, 择日不如撞日, 决定立马重拾代数拓扑. 今年可谓是LLM元年, AI已经能够极大地提升自身的学习速度, 已经不用再像过去那般采用古法硬啃了. 于是乎, 在AI的帮助下, 重新学习了Dey T K, Fan F, Wang Y. An efficient computation of handle and tunnel loops via Reeb graphs[J]. ACM Transactions on Graphics (TOG), 2013, 32(4): 1-10.这篇论文, 对此有了更深理解.
继续阅读《An Efficient Computation of Handle and Tunnel Loops via Reeb Graphs》论文解读
[摘要]
$\\$ 本文以第三人称射击游戏后台系统的重构为背景, 针对传统全区全服架构面临的高并发, 低延迟和跨区域通信等挑战, 引入服务网格技术进行系统治理. 通过对比分析Istio和Linkerd两种主流服务网格方案, 最终选择分层部署架构: 将核心战斗服务器部署Linkerd实现低延迟通信, 后台服务使用Istio提供复杂治理策略. 实施后, 系统在1000QPS负载下延迟降低40%, 资源占用减少60%, 跨大洲通信成功率提升至99.9%, 显著改善了玩家体验并降低了运维复杂度. 本论文总结了服务网格在游戏场景中的架构决策过程, 技术对比分析和实施细节, 并提出了面向未来的游戏服务网格优化方向.
[摘要]
$\\$ 随着游戏行业向精品化, 全球化方向发展, 传统游戏开发模式面临多团队协作效率低下, 跨平台兼容性复杂, 资源重复开发等核心痛点. 本文以某大型游戏公司启动”游戏研发中台” 建设项目为例, 通过引入平台工程理念, 构建了统一的开发基础设施和标准化技术组件库, 实现了开发效率与系统稳定性的双重提升. 项目实施后, 游戏项目的跨平台兼容性测试覆盖率从60%提升至95%, 美术资源重复开发率降低80%, 核心服务器的平均恢复时间(MTTR) 从1小时降至30分钟, 系统可用性(SLA) 达到99.95%的行业领先水平. 实践证明, 平台工程不仅是解决游戏开发效率瓶颈的有效工具, 更是推动游戏产业向工业化, 标准化方向发展的关键基础设施.
[摘要]
$\\$ 本文以Model Context Protocol(MCP) 在Unreal Engine(UE) 游戏项目中的实践为切入点, 结合”4+1视图” 模型, 系统分析AI原生架构设计如何解决游戏开发中的场景搭建与资源管理效率低, 模态爆炸和LLM客户端上下文挤占等痛点. 技术方案采用MCP构建智能工具层, 通过标准化接口解耦引擎核心与工具层, 实现高效搭建场景与管理资源, 动态路由和上下文管理. ATAM量化结果显示, 场景搭建方面, 传统方式需要3-5天完成的场景, 使用MCP后仅需一天至两天, 效率提升超过30%; 在资源管理方面, MCP使团队能够一次性处理数百个模型, 包括分类, 自动生成LOD, 批量创建碰撞体和压缩纹理资源, 这使资源管理成本降低了70%; 在团队协作效率方面, MCP推动了工作流程的标准化, 使团队协作效率提升了40%. 这些成果验证了AI原生架构在游戏开发领域的巨大潜力, 并为行业提供了可复制的技术路径.
目前已经在UE插件中实现了GPU版本的Marching Cube算法, 接下来继续攻克Dual Contouring算法, 以本文解读又一篇在网格生成领域十分经典的论文《Dual Contouring of Hermite Data》. 相比较Dual Contouring算法, Marching Cube算法的一个比较大的缺点是难以表达尖锐的特征.
最近开始在研究GPU Marching Cube相关的Compute Shader逻辑, 其中存在将SV_DispatchThreadID类型的数据转化为Cube数量的运算, 由于目前对Compute Shader中的各种内置语义值的工作原理了解得不够, 故对该转化始终未能有一个清晰的理解. 恰巧也发现一篇不错的关于Compute Shader中Dispatch IDs的英文博客, 特以本文翻译学习一波~