cocos 介绍

于 2024-02-24 14:30:03 发布
阅读量1.3k 收藏
点赞数 2
文章标签： cocos2d
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_33240556/article/details/136271555
版权
本文介绍了Cocos，一款支持2D和3D游戏开发的开源引擎，及其两个主要版本CocosCreator（面向内容创作者的可视化工具）和Cocos2d-x（原生性能引擎，支持JavaScript和Lua）。两者均遵循MIT协议，拥有庞大的社区和丰富文档资源。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Cocos 是一款开源的跨平台游戏开发引擎，它提供了图形渲染、物理引擎、动画系统、UI系统、音频处理等全面的游戏开发功能。开发者可以使用Cocos创建2D和3D游戏，并发布到包括iOS、Android、Windows、Mac、Web浏览器等各种主流平台。

Cocos 主要有两个主要版本：

  1. Cocos Creator：
    Cocos Creator 是一个完全免费、面向内容创作者的一体化游戏开发工具，采用可视化编辑与脚本编程相结合的方式，支持2D与3D游戏开发。通过其内置的游戏对象系统、场景管理、时间线动画系统等功能，大大简化了游戏开发流程。

  2. Cocos2d-x：
    Cocos2d-x 是一个基于C++的游戏引擎，为原生性能要求较高的游戏提供支持。Cocos2d-x 也提供了JavaScript绑定（Cocos2d-JS）和Lua绑定（Cocos2d-Lua），使得开发者可以选择使用JavaScript或Lua进行游戏逻辑开发。

无论是Cocos Creator还是Cocos2d-x，它们都遵循MIT开源协议，拥有庞大的社区支持和丰富的文档资源，被广泛应用在各种类型的游戏开发中。

博客
使用 LLM 按照测试策略生成代码
05-08 364
AI时代的软件工程。上节课，我们讲解了如何利用架构划分功能上下文，以及如何为不同的架构组件，选择恰当的测试替身技术（Test Double），从而构造恰当的测试策略。那么构建了测试策略之后，对于我们使用大语言模型（Large Language Model）生成代码有什么帮助呢？那么今天就让我们来看一看。
博客
功能上下文划分？
05-08 711
AI时代的软件工程。上节课，我们讲解了如何通过测试四象限（Agile Testing Quadrants）构造有效的测试策略（Test Strategy），以及为何构造支持团队的测试（Q1和Q2象限）是测试策略中重要的一环。而在构造Q1和Q2象限的时候，重点在于建立Q1象限和Q2象限的直接关联。这时候，功能上下文就起到了非常重要的作用。那么今天我们就来看一看如何有效地划分功能上下文。
博客
如何构造有效的测试策略？
05-08 403
AI时代的软件工程。上节课，我们展示了按照测试驱动开发（Test Driven Development，TDD）的节奏，与大语言模型（Large Language Model，LLM）结对编程（Pairing Programming）的过程。还展示了我们如何使用这样的方式，在保证质量的前提下兼顾速度，获得实打实的效率提升。然而，我们上节课展示的例子非常的简单，是一个仅仅包含一个类的工具类代码。因而针对它的测试策略也非常的简单。
博客
如何与LLM结对编程？
05-08 375
AI时代的软件工程。上节课，我们系统性地介绍了使用大语言模型（Large Language Model，LLM）辅助软件开发的思路，也就是遵从测试驱动开发（Test Driven Development，TDD）的节奏，并与LLM结对编程（Pair Programming）完成需求。那么，让我们使用这个思路，重新做一遍第15节课的例子，看看这一次有什么不一样。需求和之前是一样的：我们中的大多数人都不得不时不时地解析一下命令行参数。
博客
任务划分与测试驱动AI开发
05-08 505
通过前面的讲解我们可以发现，使用LLM辅助软件开发的核心思路是使用测试驱动的方法与LLM进行结对编程。这一方面解决了我们验证LLM生成结果是否正确的需要，满足了质量诉求，另一个方面最大化了使用LLM的效用。如果是辅助个人开发，那么按照前面讲的这个思路就已经足够了。而如果是对于使用LLM辅助团队开发的场景，我们还可以更进一步，将任务分解的部分也交给LLM辅助。由于任务分解属于庞杂认知模式（Complicated），我们可以通过思维链（Chain of Thought，CoT）交由LLM辅助。
博客
使用LLM生成代码和测试.
05-08 625
AI时代的软件工程。通过前面的学习，我们了解了如何使用大语言模型（Large Language Model，LLM）辅助进行业务知识管理。接下来，我们继续学习使用LLM辅助软件交付的整体流程，以及其中涉及到的知识管理。从今天这节课开始，我们将进入如何使用LLM辅助软件开发的环节。让我们从一个例子开始。
博客
业务知识管理中的LLM应用模式
05-08 638
至此，如何利用LLM辅助业务知识管理就讲完了。可以看到，我们讲解了两种验证问题定义的方法，以及两种生成新知识的方法。你可能会有一个疑问，为什么我们不使用LLM帮助我们分解用户故事，而着重在业务模型和验收条件呢？答案是可以，但是没必要。我们讲解的场景，着重放在开发团队对业务知识的验证与学习（验收条件，模型展开），以及业务知识的学习上（LLM提问，辅助业务建模）。此时LLM帮助我们解决了团队瓶颈。而用于故事分解时，我们解决的是一个庞杂认知模式（Complicated）的问题，LLM只帮助了业务分析师。
博客
构建基于TQA模式的AI Agent
05-08 482
AI时代的软件工程。上节课我们介绍了三种通过大语言模型（Large Language Model，LLM）辅助用户故事编写的形式：通过LLM提取不可言说的业务知识，修改用户故事以及补充完善验收条件。这三种方式都需要使用到一种特殊的LLM交互模式TQA（Thought-Question-Answer），TQA的主要用途是收集人的反馈，用以提高生成内容的质量。TQA是从推理行动（Reason-Act，ReACT）演化出来的交互模式。那么今天我们就来学习如何构造一个TQA的AI Agent。
博客
使用LLM辅助用户故事编写？
05-08 520
AI时代的软件工程。上节课我们介绍了为什么用户故事是大语言模型（Large Language Model，LLM）时代提取业务知识的最佳形态，以及一些编写用户故事的最佳实践。由于用户故事侧重于定义问题**，**而LLM往往更擅长提供解决方案，似乎对于用户故事而言，LLM并不能提供太多的帮助。然而LLM仍然可以在用户故事编写的环节给予我们帮助。主要是从验收条件入手，帮助我们提取整体解决方案，完善用户故事或是将整体解决方案的细节补充到用户故事中去。
博客
如何有效编写用户故事？
05-08 603
AI时代的软件工程。前面几节课我们讲解了如何使用LLM辅助业务建模，这个过程里，我们非常依赖用户故事作为业务上下文的输入。那么怎么写好用户故事，就成了我们利用LLM建模的关键。今天我们就了解一下用户故事，以及为什么用户故事是适用于LLM的需求表示形式。
博客
LLM辅助建模（二）：构造思维链
05-07 658
在上一节课，我们介绍了如何构建反馈循环，并使用大语言模型（Large Language Model，LLM）反馈模型的缺失，然后再使用LLM进行模型展开，完成对模型的验证。构造有效的反馈循环，并使用LLM对其加速，这是一种利用LLM加速知识学习的通用模式。然而在实际的应用的过程中，很少会出现不提供业务上下文，仅仅通过LLM反馈辅助建模这样的情况，而且这样的做法实际效率也不高。今天，我们来讨论一下使用LLM辅助建模的其他方法。
博客
LLM辅助建模（一）：构造反馈循环
05-07 565
上节课，我们介绍了如何使用LLM辅助进行模型展开，从而应用业务知识。具体做法是通过Mermaid将业务模型转化为大语言模型（Large Language Model，LLM）易于理解的方式，再用半结构化自然语言补充上下文，让思维链的构造更加简单。但是如果我们没有模型要怎么处理呢？利用LLM辅助建模是否也能比传统建模方法更有效率呢？这是我们今天要讨论的问题。
博客
使用LLM辅助业务理解
05-07 466
在上一节课，我们介绍了如何使用业务模型通过模型展开的方式，帮助我们理解业务。我们也谈到了，在使用模型展开的时候，我们处在庞杂的认知模式下。因此，提效的关键在于构造思维链，让LLM帮助我们更好地应用不可言说知识。那么今天，我们就围绕之前的例子，看看如何通过LLM辅助我们理解不同的业务场景。
博客
通过业务建模应用业务知识
05-07 632
从今天开始，我们进入到第二部分的学习：如何使用大语言模型（Large Langauge Model，LLM）辅助我们的软件研发和交付过程。在里，我们已经从宏观层面上厘清了这个思路：将软件交付看作知识过程，识别其中的认知行为模式，并选择恰当的LLM交互模式，有目的性和针对性地提高整个知识过程的效率。在这个过程中，我们将着重看待不同种类的知识是如何发挥作用的，以及如何将它们转化为LLM易于理解的结构。那么今天我们先从业务模型开始，看一下业务模型是如何帮助我们理解业务的。
博客
LLM如何辅助软件交付？
05-07 518
上节课我们介绍了在不同的认知行为模式下与大语言模型（Large Language Model，LLM）不同的交互模式。我们可以通过提示词模版建立任务和流程，来应用显式知识和充分学习的不可言说知识；通过已经提取完成的思维链，指导知识生成、产生任务列表，以消费不可言说知识。那么通过LLM辅助的不同认知模式，真的会带来效率的提升吗？这是我们今天讨论的问题。
博客
使用LLM应用和提取不可言说知识
05-07 523
今天我们来继续学习AI时代的软件工程。上节课，我们通过将LLM看作一个迁移学习平台，理解了在提示词中上下文和任务的不同作用，并利用这个特性，构造了基于LLM的知识提取与应用的流程：通过聚焦在上下文，使用不同的问题反馈以提取知识，再将提取的知识与具体的任务结合，完成知识的应用过程。这样的流程对于显式知识，或是隐式知识都有极高的提取和传递效率。但是对于知识过程中的核心——不可言说知识要怎么处理呢？这就是我们今天要讨论的问题。
博客
使用LLM提取和传递知识
05-07 576
今天我们来继续学习AI时代的软件工程。通过前面的学习，我们逐步认识了知识工程的整体框架，并且尝试用知识工程的视角重新理解软件工程，那么软件工程效率提升的问题，自然就转化成为构造知识传递效率更高的知识过程。那么大语言模型（Large Language Model，LLM）能否让知识过程更高效呢？这就是今天我们要讨论的问题，因为这是将大语言模型（Large Language Model，LLM）应用到知识过程的前提条件。LLM是怎么帮助我们提取知识的呢？我们首先需要将。
博客
通过知识过程重新理解软件工程
05-07 410
今天我们来继续学习AI时代的软件工程。那么，我们可以通过知识过程中，产生的不同知识，以及这些知识传递过程中产生的认知行为模式，来理解整个知识过程。通过不同认知行为模式，来理解整个知识过程的效率。今天我们就将以软件工程为例，将它转化成知识过程，并识别其中的认知行为模式。
博客
知识过程中的认知模式
05-07 680
今天我们来继续学习AI时代的软件工程。上节课，我们了解到不可言说知识需要从经验中获取，很难通过语言或其他形式传播。想要把任何工作转化为知识工程，都需要识别其中关键的不可言说知识，并构造出知识传递效率更高的流程。那我们怎么才能评估知识传递是否高效呢？关键就是知识传递和消费的效率。而知识在传递和消费的过程中，会在知识的消费者身上产生不同的认知模式。通过认知行为模式，我们可以进一步理解知识传递和消费的效率。今天我们就来学习知识是如何被消费和传递的，以及在知识被消费和传递的过程中，会对应哪些认知行为模式。
博客
围绕不可言说知识构造知识过程
05-07 403
欢迎你和我一起学习AI时代的软件工程。今天我们开始第一章的学习，掌握知识工程的整体框架。在开篇词我曾提到随着LLM的兴起，，即提取知识、组织知识为LLM易于理解的形式，再通过LLM将这些知识转化为可工作的软件。不难发现，。为此我们需要先了解知识有哪些种类，以及知识是如何进行传递的。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值