lzzd 博客

Unity—TimeLine

Sat, 02 Aug 2025 00:00:00 GMT

😀

在Unity中，Timeline和Playable是两个强大的工具，用于控制和管理动画、音频、粒子效果等内容的播放。

TimeLine

可视化+多轨道

其实就是一个可视化工具，通过时间轴去控制各类资源(粒子，音效，动画等)的播放，这些轨道资源可以并行/串行播放，当然也可以写逻辑去自定义剪辑类型和行为。

Playable

是unity中的底层API，用于创建和控制复杂的动画和播放行为。提供灵活的方式来管理动画混合、过渡和其他复杂的动画逻辑

本地部署AI并创建智能体/工作流

Sat, 25 Jan 2025 00:00:00 GMT

😀

最近工作中听见同事在交流，能否用AI处理多语言本地化的问题，直接扔个语言表让它自动处理好所以国家的语言翻译，我也来了兴趣，在AI横行的今天，不去了解了解好像也说不过去，于是发现了dify和ollama两个工具，可以本地化部署大模型，并且创建工作流应用。

前期准备

下载好docker desktop,ollama即可

流程

1.用git clone下dify的代码

dify

langgenius • Updated Feb 24, 2025

，或者直接下载zip压缩包到本地解压。

2.进入dify的docekr控制台执行docker compose up -d，执行可能会有80端口冲突，记得把docker-compose.yaml文件中的80端口改为83或其他。

3.进入localhost:83(你修改的端口号)即可，注册好账号，然后点击页面右上角的用户名，进入设置

可以选中获取APIkey获取通义千问等大模型，我这边是接入用ollama本地化部署的大模型。

4.进入Ollama查看可以本地化部署的大模型，点进去看也有具体的控制台命令，直接cmd开控制台部署即可，如果后期下载速度慢，可以ctrl+c停止后再次继续下载，如果不想下在c盘，可以配个环境变量。

5.接入dify,控制台输入ollama list看自己部署的模型信息，其中的name就是模型名称，模型的url就是http://(你的ip地址):11434。其中11434是ollama的运行地址，本地ip可以去控制台输ipconfig查看。

💡

这样就能成功部署了，然后可以体验其中的各类功能，聊天助手，知识库助手，智能体以及工作流，这里的工作流就可以用于解决文章开头提到的问题了

混元AI-开源3D大模型2.0

Sat, 01 Mar 2025 00:00:00 GMT

😀

Hunyuan3D-2.0，从模型层面看，用了现在AI 3D业界效果最好的一种方式，把模型和材质进行解藕分步生成，用这样的架构，两个子模型可以各司其职，整体效果会比只用1个模型同时去生存模型和材质效果更好。

独游开发/gamejam竞赛的福音

不仅免费使用，支持文生3D、图生3D、纹理生成、低多边形生成、骨骼绑定、动作驱动、草图生3D、3D风格化、3D游戏等等。

直接看效果：

如果对于3D或者游戏有了解的朋友可能会知道，在游戏开发里，游戏模型是有面数的的面数非常的重要，有经验的建模大佬都是在能省的地方就省，在能达到差不多效果的前提下，减少面数，节省内存，能让你的游戏玩起来不卡帧。

一般来说，主机游戏项目一般主角能干到十几万面左右，但是在手游项目里，一般角色都不能超过两万面。模型面数的节省，就变成了重中之重，所以说腾讯还是太懂了游戏了，在这次3D模型生成上，就给了一个非常实用的功能：低多边形。

简单的说，就是自适应给你用最小的面数实现你想生成的最优效果。作为一个游戏开发，生成出来的东西，虽然还是会有AI 3D的很难二次编辑的问题，但是已经可以修改，并且直接扔到游戏引擎里面进行渲染，这一点我觉得还是蛮酷的，很明显就是奔着解决游戏开发中模型的实际问题而去的，毕竟，中国你要说靠游戏这事吃饭的，腾讯敢说第一，没人敢说第二。

而且在生成后的3D模型里，不仅有纹理贴图，还有骨骼绑定和动作！

属实超模，不愧是游戏头部大厂，最后介绍也就是最牛的一个功能。

工作流

目前有四个模版且并未开放自定义，但想必很快就会开放，业内人应该都能想到，这完全能巨幅提高3D创作管线的效率。

以官方的图生游戏角色工作流为例，可以一张图进去，进行背景去除，然后直接调整为T-pose，再进行模型和纹理生成，再进行骨骼绑定，输出动作动画。最超模的是把任意图扔进去，能直接给你变成T-pose。我们把图片传进去，然后运行工作流。就会发现，工作流把背景去掉，而然后直接把人物变成了T字型的人物造型，后续的模型生成，也会以这个T字型的图片去进行生成，转成T字型这一步，对于3D建模管线来说，非常重要。

🤗 如何使用混元3D 2.0?

在线使用: https://3d.hunyuan.tencent.com

项目官网: https://3d-models.hunyuan.tencent.com

代码仓库: https://github.com/tencent/Hunyuan3D-2

模型权重：https://huggingface.co/tencent/Hunyuan3D-2

demo页面：https://huggingface.co/spaces/tencent/Hunyuan3D-2

💡

在游戏领域，腾讯本身顶尖游戏部门像天美、光子、魔方。他们非常懂游戏，也清楚开发管线里哪里最痛。很多时候，美术资源占了项目的大半成本和周期，而AI 3D的出现恰好能先解决大批量的基础建模、贴图、优化等工作，尤其是一些NPC、小怪、道具、场景，完全可以用Hunyuan3D批量生成，然后再让美术做微调和二次设计就行。这样就能把宝贵的人力和时间，更多集中在核心角色、故事氛围、独特风格这些高价值环节上，把故事和游戏做的更加丰富精彩。

给 NotionNext 博客接入 Dify AI 助手：从原理到避坑全记录

Fri, 25 Apr 2025 00:00:00 GMT

😀

背景：先搞清楚架构

在开始之前，需要理解 NotionNext 博客的运作方式，否则后面的配置步骤会让人摸不着头脑。

Notion 的角色

Notion 在这套方案里不只是写文章的地方，它同时承担了三件事：

内容数据库：所有博客文章、页面都存在 Notion 数据库里

配置中心：博客的各种开关、参数（比如主题、评论系统、AI 配置）也存在一个 type 为 Config 的 Notion 页面里

数据源：每次有人访问博客，服务器会通过 Notion 私有 API 拉取最新数据

Vercel 的角色

Vercel 是部署平台，负责把 GitHub 仓库里的 Next.js 代码编译并运行。它的工作方式：

每次你向 GitHub 推送代码，Vercel 自动重新构建部署

支持环境变量（类似 .env 文件），注入到构建过程中

使用 ISR（增量静态再生）：页面第一次被访问时生成静态 HTML，之后定时从 Notion 拉取最新数据刷新缓存

为什么配置有两个地方

这是很多人困惑的地方。NotionNext 的配置读取优先级是：

Notion 配置页 > Vercel 环境变量 > blog.config.js 默认值

简单说：Notion 配置页优先级最高，Vercel 环境变量次之。两个地方都可以写，但有些配置在特定时机只能读到其中一个，这是后面踩坑的根源。

为什么选 Dify

NotionNext 内置了五种 AI 组件：Dify、Coze、Chatbase、WebWhiz、TianliGPT。

选 Dify 的理由：

免费版支持知识库 + URL 爬取，可以让 AI 读懂你的博客文章

可以选底层模型（接 Claude、GPT、国产模型均可）

博客代码里已内置 DifyChatbot.js 组件，理论上只需填配置

完整接入步骤

第一步：在 Dify 创建应用

访问 cloud.dify.ai 注册并登录

左侧点工作室 → 创建应用 → 选 Agent

填写系统提示词，让 AI 了解自己的定位，例如：

你是 [你的博客名] 的 AI 助手，熟悉博客的所有文章内容。
用中文回答用户问题，优先检索知识库中的相关文章。

选择底层模型（免费额度内可用 GPT-3.5 或 Claude Haiku）

第二步：创建知识库并爬取博客

左侧点知识库 → 创建知识库

选择**「从网页同步」**

填入你的博客地址，开启爬取子页面

等待爬取完成后，回到刚才创建的 Agent，在工具里添加这个知识库

第三步：获取 API Token

打开你的 Agent 应用

左侧菜单找**「API 访问」**

点**「创建密钥」**，生成格式为 app-xxxxxxxxxx 的 Token，保存好

第四步：修改代码

由于 NotionNext 的配置读取链在某些渲染时机会失效，最可靠的方式是让 DifyChatbot 直接读取环境变量，而不依赖 siteConfig 体系。

修改 components/DifyChatbot.js（完整替换）：

import { useEffect } from 'react'

const TOKEN = process.env.NEXT_PUBLIC_DIFY_CHATBOT_TOKEN
const BASE_URL = process.env.NEXT_PUBLIC_DIFY_CHATBOT_BASE_URL || 'https://udify.app'

export default function DifyChatbot() {
  useEffect(() => {
    if (!TOKEN) return

    window.difyChatbotConfig = { token: TOKEN, baseUrl: BASE_URL }

    const script = document.createElement('script')
    script.src = `${BASE_URL}/embed.min.js`
    script.id = TOKEN
    script.defer = true
    document.body.appendChild(script)

    return () => {
      document.getElementById(TOKEN)?.remove()
    }
  }, [])

  return null
}

修改 components/ExternalPlugins.js 一行：

找到：

const DIFY_CHATBOT_ENABLED = siteConfig('DIFY_CHATBOT_ENABLED', null, NOTION_CONFIG)

改为：

const DIFY_CHATBOT_ENABLED = siteConfig('DIFY_CHATBOT_ENABLED', null, NOTION_CONFIG) || process.env.NEXT_PUBLIC_DIFY_CHATBOT_ENABLED

改完后推送到 GitHub：

git add components/DifyChatbot.js components/ExternalPlugins.js
git commit -m "feat: 直接读取环境变量启用 Dify 聊天助手"
git push

第五步：在 Vercel 设置环境变量

进入 Vercel 项目 → Settings → Environment Variables，添加三个变量：

变量名	值
`NEXT_PUBLIC_DIFY_CHATBOT_ENABLED`	`true`
`NEXT_PUBLIC_DIFY_CHATBOT_TOKEN`	`app-你的Token`
`NEXT_PUBLIC_DIFY_CHATBOT_BASE_URL`	`https://udify.app`

注意：BASE_URL 填 https://udify.app，不是 https://api.dify.ai。前者是加载聊天气泡脚本的地址，后者是 API 接口地址，填错了脚本找不到，气泡不会出现。

第六步：重新部署

Vercel Deployments → 最新一条 → 右侧 ... → Redeploy。

部署完成后刷新博客，右下角出现聊天气泡即为成功。

💡

踩过的坑

坑一：配置改了没用

原因：博客有缓存机制，Notion 配置页的改动要等缓存过期或重新部署才生效。改完 Notion 后必须 Redeploy。

坑二：BASE_URL 填错

https://api.dify.ai 是后端 API 地址，不提供 embed.min.js 文件。聊天气泡脚本在 https://udify.app/embed.min.js，两者不能混用。

坑三：siteConfig 读取链在特定场景失效

siteConfig 依赖 React 的 useGlobal() Context，如果组件在某些渲染时机不在 Provider 内，useGlobal() 会抛出异常被静默捕获，整条配置链降级返回 null，导致明明填了配置却不生效。解决方式是直接读 process.env.NEXT_PUBLIC_*，绕过这个依赖。。

Trae IDE - 原生中文AI IDE

Sat, 07 Jun 2025 00:00:00 GMT

😀

2025年3月3日，字节跳动正式发布了其国内首个AI原生集成开发环境工具Trae，一款真正为 AI 时代重新设计的编程工具，正在改变中国开发者的工作方式，到目前其功能已非常完善，完全可以投入生产使用

File

📌 什么是 Trae？

Trae 是由**字节跳动（ByteDance）**推出的一款 AI 原生集成开发环境（IDE）。它基于 VS Code 内核深度定制，集成了强大的 AI 编程助手能力，旨在让开发者通过自然语言与 AI 协作完成编码任务。

简单来说： Trae = VS Code + AI Agent + 中国开发者友好。

官方地址： https://trae.com

✨ 核心功能详解

1. AI Agent 智能编程助手

这是 Trae 最核心的差异化功能。与传统 IDE 的"代码补全"不同，Trae 的 AI Agent 可以：

理解项目上下文：自动分析整个代码库的结构、依赖关系和业务逻辑

多步任务执行：不是只给一段代码建议，而是可以自主规划并完成一个完整的功能模块

文件级操作：能够创建、修改、删除多个文件，进行跨文件的代码重构

终端命令执行：可以直接在 IDE 中运行构建、测试、部署等命令

2. 深度代码理解

智能代码搜索：通过自然语言描述即可定位相关代码

代码解释与分析：选中任意代码块，AI 可以详细解释其功能和设计意图

依赖关系追踪：自动梳理函数调用链和数据流向

3. 多模型支持

Trae 支持接入多种主流大语言模型：

Claude 系列（Anthropic）

GPT-4 / GPT-4o 系列（OpenAI）

国产大模型：支持接入通义千问、文心一言等国内模型

用户可以根据任务类型灵活切换不同模型

4. 内置 Git 工作流

可视化 Git 操作界面

智能 Commit Message 生成

代码冲突辅助解决

PR/Code Review 辅助

5. 插件生态兼容

由于基于 VS Code 内核，Trae 完美兼容 VS Code 的插件市场，开发者可以继续使用熟悉的扩展。

6. 团队协作功能

支持实时协作编辑、代码分享、团队知识库等协作场景。

👍 优点

对个人开发者

完全免费：目前对个人用户完全免费，无使用限制

开箱即用：无需复杂配置，下载即用，AI 能力内置

中文体验极佳：UI 界面、文档、AI 交互全部原生支持中文

Agent 能力强大：能独立完成复杂的编码任务，不只是"补全"

国内访问流畅：服务器在国内，无需科学上网

对团队/企业

降低门槛：新手开发者也能借助 AI 完成高质量代码

提升效率：据官方数据，可提升 30%-50% 的编码效率

合规性：数据存储和处理符合国内法规要求

成本控制：相比 Copilot 等付费工具，大幅降低团队成本

👎 缺点与不足

生态仍在建设中：虽然兼容 VS Code 插件，但原生插件生态还不够丰富

模型选择有限：内置的模型选项相对较少，高级模型可能需要额外配置

离线能力弱：重度依赖网络连接，离线状态下 AI 功能不可用

自定义程度有限：相比于裸 VS Code，一些底层自定义选项受限

大型项目性能：在超大型项目中，AI 分析索引可能会占用较多资源

社区规模较小：相比 VS Code，社区讨论和第三方资源还比较少

长期免费存疑：目前免费，但商业化后是否保持免费策略未知

🔥 对中国开发者的特殊意义

1. 打破国外工具垄断

长期以来，中国开发者主要依赖 VS Code + Copilot、JetBrains 等国外工具。Trae 的出现意味着中国拥有了自主研发的世界级 AI IDE ，这在技术自主可控层面具有重要意义。

2. 降低 AI 编程门槛

很多中国开发者（尤其是学生和初学者）因为：

语言障碍（英文不够流利）

经济限制（Copilot 月费 [ o bj ec tO bj ec t ] 10 − 19）

网络限制（需要 VPN）而无法享受 AI 编程的红利。Trae 从根本上解决了这些问题。

3. 推动国产大模型落地

Trae 对国产大模型的深度集成，为通义千问、文心一言等国产模型提供了重要的应用场景，形成了 "IDE + 国产模型" 的良性生态闭环。

4. 符合数据合规要求

对于企业级用户，代码数据不出境是一个硬性要求。Trae 作为国内产品，天然满足数据安全和合规需求。

5. 培养新一代开发者习惯

随着 AI 编程成为趋势，Trae 正在培养一代从第一天就习惯 "人机协同编程" 的中国开发者，这对整个行业的人才结构将产生深远影响。

💡 适用场景推荐

场景推荐度说明个人学习/练手项目 ⭐⭐⭐⭐⭐ 免费且强大，完美适合创业公司/MVP 开发 ⭐⭐⭐⭐⭐ 快速迭代，成本极低大型企业项目 ⭐⭐⭐⭐ 需评估安全性和稳定性教育培训 ⭐⭐⭐⭐⭐ 降低学习门槛移动端/游戏开发 ⭐⭐⭐⭐ 支持多种语言和框架极度依赖特定插件的场景 ⭐⭐⭐ 可能存在兼容性问题

🚀 总结

Trae 不仅是一款好用的 IDE，更是中国 AI 工具链崛起的一个缩影。它证明了国内团队有能力做出世界级的开发者工具。

如果你是：

✅ 想尝试 AI 编程但还没入门的开发者

✅ 寻找 Copilot 免费替代品的个人开发者

✅ 关注国产工具发展的技术爱好者

✅ 需要 AI 辅助快速出原型/POC 的创业者那么 Trae 绝对值得一试。一句话总结：Trae 可能是目前对中国开发者最友好的 AI IDE —— 免费、好用、懂中文。

💡

本文发布于 lzzd 博客，欢迎交流讨论 🎈

Unity-Shader

Sat, 05 Jul 2025 00:00:00 GMT

😀

个人感觉shader这块，了解原理，有对它导致问题的判断力即可。

ShaderLab

本质是什么：

Shader 是跑在 GPU 上的程序，控制"每个像素最终显示什么颜色"。ShaderLab 是 Unity 封装的一套写 Shader 的语法格式。

渲染流水线：

CPU→GPU

渲染管线流程(gpu流水线)：

CPU 准备网格数据

↓ 顶点着色器（Vertex Shader）每个顶点在哪里，做坐标变换 ↓ 光栅化（Rasterization）把三角形面片转成一个个像素 ↓ 片元着色器（Fragment Shader）每个像素显示什么颜色 ↓ 输出到屏幕

需要知道的关键概念：

Pass：一次渲染流程，复杂效果可以多 Pass

Properties：暴露给 Inspector 面板的参数

URP vs Built-in：现在新项目基本用 URP，两套语法不完全通用

什么时候找美术/图程：角色描边、溶解、水面等视觉效果找他们，你只需要能看懂 Shader 代码在做什么、会调参数

空间变换：模型空间→世界空间→观察空间→裁剪空间→屏幕空间

我们作为程序需要的判断力：

▎ 这个效果是 Shader 问题还是逻辑问题？这个 Shader 为什么在低端机掉帧（指令数太多 / 采样次数太多）？