新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何为 MaaEnd 贡献代码:从搭建环境到提交第一个 PR 的完整指南

发布时间:2026/11/15 0:23:39来源:尧图网络
如何为 MaaEnd 贡献代码:从搭建环境到提交第一个 PR 的完整指南
如何为 MaaEnd 贡献代码从搭建环境到提交第一个 PR 的完整指南【免费下载链接】MaaEndMaaEnd 终末地小助手基于视觉 AI 的「明日方舟终末地」自动化工具项目地址: https://gitcode.com/gh_mirrors/maa/MaaEndMaaEnd 终末地小助手是一款基于视觉 AI 的「明日方舟终末地」自动化工具通过模板匹配、OCR 等画面识别能力自动执行游戏操作。为 MaaEnd 贡献代码并不要求你会写底层代码——绝大多数贡献都是Pipeline 低代码节点JSON 配置看懂截图、会写 JSON 就能上手。本文带你走完从环境搭建、编码规范到提交第一个 PR 的完整流程并给出常见坑的避坑指南。1. 先认识 MaaEnd 贡献的三种形态贡献形态位置说明Pipeline 低代码assets/resource/pipeline/识别画面 → 执行操作的 JSON 节点最主流的贡献方式Go Serviceagent/go-service/处理 Pipeline 难以实现的复杂算法如价格比较、网格识别Cpp Algoagent/cpp-algo/单个高性能识别算法一般开发者很少改动一句话原则Pipeline 管流程Go 管难点。写新节点前先看 组件指南 确认有没有现成可复用的节点避免重复造轮子。2. 快速搭建 MaaEnd 开发环境环境清单工具版本要求用途Git最新稳定版代码管理本项目依赖子模块uv最新稳定版自动管理 Python 3.10 与脚本依赖Node.js22项目脚本pnpm10前端依赖与格式化Go1.25.6编译 go-service可用git --version、uv --version、node --version、pnpm --version、go version逐条检查。拉取代码并初始化git clone --recursive https://gitcode.com/gh_mirrors/maa/MaaEnd cd MaaEnd uv run setup-workspace pnpm installuv run setup-workspace会自动下载 MaaFramework、MaaDeps 等依赖并编译 go-service首次初始化时已安装的组件会自动跳过后续可用--update强制更新。完整的参数说明与手动配置指南见 快速开始文档。编辑器推荐 VS Code打开仓库根目录后安装工作区推荐扩展入口在 .vscode/extensions.json其中Maa Pipeline Support插件是日常开发利器——截图、框选 ROI、取色全靠它。3. MaaEnd 编码规范核心要点提交任何代码前必须先通读 编码规范不合规范的 PR 会被直接打回。这里提炼最关键的几条Git 提交规范Conventional Commits每次提交使用固定前缀方便 Reviewer 快速理解意图feat:新增功能fix:修复 Bugdocs:仅文档更改style:不影响含义的格式化chore:构建或辅助工具变动示例feat(OutpostTrading): 新增地区建设自动售卖 Pipeline。分支命名同理feat/简短描述、fix/简短描述。Pipeline 低代码规则新手最容易踩雷命名节点名 PascalCase 并以模块名作前缀如OutpostTradingSelectItem。禁止硬延迟不要滥用pre_delay、post_delay、timeout。需要等画面稳定时用pre_wait_freezes/post_wait_freezes其余情况靠增加中间识别节点解决——延迟只会掩盖问题用户设备上照样不稳。识别 → 操作 → 再识别每一步点击都必须基于识别结果像写状态机一样思考。严禁整体识别一次后连点多次。坐标基准 1280×720所有模板图与 ROI 坐标以 720p 为基准运行时由框架自动适配。OCR 写完整文本expected默认写完整句子多语言交给 i18n 工具链自动处理。不盲目重试项目明确拒绝死循环式重试和掩盖失败式重试遇到 Bug 要定位到具体失败节点去修补。提交前格式化默认只需格式化不必在本地跑全量检查pnpm format # JSON/YAML 格式化 pnpm format:go # 改了 agent/go-service/ 时执行 pnpm format:md # 改了 md 文档时执行只有当改动包含tests/**新增/修改测试用例、截图、hits/box期望时才需在本地先跑pnpm test其余改动交给 PR 的 CI 校验即可详见 提交前检查章节。4. 开发调试工具与常见坑调试工作流修改 Pipeline JSON 后在开发工具中重新加载资源即可无需重编译修改agent/go-service/后必须重新编译uv run build-and-install复杂地图路线可用配套 Web 工具 MapNavigator 录制uv run map-navigator启动后自动打开浏览器录制的坐标可直接粘贴进 Pipeline 参数工具说明见 tools/MapNavigator/README.md。新手必看的常见坑坑处理办法Git 状态里出现没改过的子模块修改执行git submodule update --init --recursive同步指针改了 Go 代码却没生效忘了uv run build-and-install模型或 C 依赖目录缺失uv run setup-workspace --update本地能跑、别人环境不行检查是否开了 HDR / 滤镜、帧率与 GPU 差异资源目录出现下划线开头的文件夹Android 打包无法处理必须改普通命名完整坑位清单见 编码规范文末表格。5. 提交你的第一个 PR 完整步骤确认需求在 Issue 区找到或创建需求确认没人正在做Fork 并建功能分支git checkout -b feat/your-feature尽早开 Draft PR标题写清楚在做什么避免他人重复劳动完成开发并 push按上述规范编码、格式化后git push origin feat/your-feature改为 Ready for Review选择目标分支等待维护者 review跟进 CI 状态pnpm check、pnpm test等检查由 CI 自动执行。PR 该往哪个分支提分支用途允许合入的类型v2主开发分支所有类型feat / fix / docs …release/vX.Y当前发布分支仅fix简单判断这个 Bug 在最新正式版里也存在吗存在就往release/vX.Y提合入后 CI 会自动 cherry-pick 回v2不需要你提两个 PR其余日常开发默认往v2提。详细说明见 发版流程文档。写在最后到这里你已经具备了向 MaaEnd 提交代码的全部知识。建议按 开发者文档索引 的阅读路线继续深入零基础先读 超基础入门再跟 快速开始 跑一个完整示例写节点测试时查 节点测试文档。项目还有一个开发交流群欢迎加入祝你的第一个 PR 顺利合入 【免费下载链接】MaaEndMaaEnd 终末地小助手基于视觉 AI 的「明日方舟终末地」自动化工具项目地址: https://gitcode.com/gh_mirrors/maa/MaaEnd创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉