CJH's blog

Agent Loop 调优方法综述 1. Agent Loop 概述 Agent 与传统的 LLM Chat 最大的区别在于，它不仅需要生成自然语言，还需要具备规划（Planning）、推理（Reasoning）、工具调用（Tool Calling）、环境交互（Environment Interaction）以及自我修正（Reflection）等能力。因此，一个完整的 Agent 通常采用循环执行（Agent Loop）的方式完成复杂任务，而不是一次性生成最终答案。 典型的 Agent Loop 可以表示为： 12345678910111213141516171819202122User Input │ ▼ Reasoning（理解任务） │ ▼ Planning（制定计划） │ ▼ Action（调用工具） │ ▼ Observation（获取反馈） │ ▼ 是否完成？ │ 否 ───────► 回到 Reasoning │ 是 ▼ Final ...

《禅游斗地主》综合分析案（AI辅助） 一、项目基础概况 《天天斗地主（真人版）》是禅游斗地主的 “初代基本盘”，《禅游斗地主》是它的 “品牌升级 Pro 版”，两者并行运营，共同撑起禅游的斗地主品类大盘。 《天天斗地主（真人版）》是禅游的初代王牌，是后者的玩法与用户基础 这款产品 2013 年前后正式推出，是禅游科技的第一款核心斗地主产品，早期主打卡通休闲画风，以经典癞子、欢乐斗地主玩法为主，依托手机预装、应用商店渠道快速起量：2016 年月活突破 1000 万，2017 年累计注册用户破 1 亿，是禅游科技 2019 年港股上市时的核心营收支柱，当年贡献了公司超 7 成的总收入禅游。 《禅游斗地主》是品牌升级后的旗舰款，承接直播红利而生 随着短视频直播流量崛起，禅游在原有斗地主产品的研发经验基础上，推出了以公司品牌 “禅游” 直接命名的升级版本，相当于从通用产品名升级为品牌专属款。它并非简单换皮，而是在美术、玩法、体验上做了全面升级，专门适配抖音等直播渠道的内容传播与用户转化，是目前禅游对外主推的斗地主旗舰产品。 研发与发行主体：禅游科技（港股上市背景、腾讯系团队基因） 产 ...

阶段性总结 整理医学超声图像处理、3D Gaussian Splatting（3DGS）及大语言模型（LLM）相关文献，按发表时间排序，供后续研究参考。 目录 1 医学超声图像处理 1.1 U-Net（2015） 1.2 EchoNet-Dynamic（2020） [1.3 nnU-Net（2020/2021）](#13-nnu-net20202021) 1.4 SAM-Med2D（2023） 1.5 超声分割系统综述（2025） 1.6 超声 AI 综合综述（2025） 2 3DGS 系列（含 NeRF） 2.1 NeRF（2020） 2.2 3D Gaussian Splatting（2023） 2.3 Mip-Splatting（2023/2024） 2.4 2D Gaussian Splatting（2024） 2.5 4D Gaussian Splatting（2024） 2.6 FastGS（2025） 2.7 MedGS（2025） 2.8 3DGS 综合综述（2024） 3 LLM 及医学超声 LLM 自主性 3.1 LLaMA（2023） 3.2 ...

Dyna3DGR: 4D Cardiac Motion Tracking with Dynamic 3D Gaussian Representation 原博客作者：胡JT,uphome 使用3D高斯来表征心脏模型，并使用MLP来预测把不同时间下的高斯参数，实现了4D心脏跳动。 Dyna3DGR = 显式3D高斯（几何表示） + 隐式神经场（运动建模） 具体实现 整个过程是由两个部分组成的，使用3D高斯来对心脏模型进行建模。使用MLP接受时间戳编码之后，得出在相应的时间戳下的高斯参数（坐标，尺寸，强度，旋转角度）。 3D高斯建模 一个高斯椭圆球的参数包括（位置，旋转，缩放，不透明度，颜色）。位置是这个高斯球的中心，形状使用协方差矩阵（可以分解成一个旋转矩阵rot以及缩放矩阵scale）进行表示，I决定这个高斯中心的强度值。 Gi(X∣ϕi)=Ii⋅e−12(X−xyzi)TΣi−1(X−xyzi)ϕi={xyzi,Σi,Ii}G_{i}\left(X \mid \phi_{i}\right) = I_{i} \cdot e^{-\frac{1}{2} \left(X - x y z_ ...

杀戮尖塔2 系统拆解案 本拆解案使用大模型ChatGPT3.5辅助完成。 游玩时间：140h，所有角色均到达难度10，多人联机难度10。 1 游戏概述 1.1 游戏信息介绍 一句话概括：卡牌肉鸽经典游戏续作。 《杀戮尖塔2》通过“卡牌构筑 + 遗物联动 + 路线决策”构建了极高自由度的策略体验。玩家不仅需要解决当前战斗，更需要为整个Run规划资源分配和成长路线。当多个机制产生协同效应时，会带来强烈的Build成型反馈和数值爆发爽感，而Roguelike随机机制又保证了每次冒险都拥有不同体验。 项目 内容 游戏名称 《杀戮尖塔2》（Slay the Spire 2） 英文名称 Slay the Spire 2 开发商 Mega Crit 发行商 Mega Crit 游戏类型 Roguelike + Deckbuilding（Roguelike卡牌构筑） 发售时间 2026年3月5日（Steam抢先体验版） 发售平台 PC（Steam） 游戏模式 单人、在线合作（Co-op） 当前状态 Early Access（抢先体验） Stea ...

三角洲行动（烽火地带）系统拆解案 0 相关链接 参考视频：原神分析 《三角洲行动》官网 本拆解案使用大模型ChatGPT3.5辅助完成。 由于《三角洲行动》内容极其丰富，本拆解分析将主要聚焦核心玩法循环，并非对某个系统的完整穷举式拆解，其他机制仅作必要涉及。欢迎玩家直接游玩，以获得最真实的体验。 1 游戏概述 1.1 游戏简要介绍 游戏名称：三角洲行动烽火地带模式（后续简化命名为“烽火”） 版本信息：PC端第8赛季：蝶变时刻 + 第9赛季：回声 游戏类型：战术撤离射击（Extraction Shooter）+ 轻度RPG养成 + PVPVE对抗 开发商：腾讯 琳琅天上 发行平台：官网，WeGame，Steam 一句话：以“高风险高收益”为核心的战术撤离射击玩法，融合资源搜集、装备构筑与战术对抗的PVPVE体验。 1.2 游戏题材和美术风格 题材背景： 现代军事题材（近未来/现实架空冲突）。 核心设定围绕“资源争夺 + 战区渗透 + 非对称冲突”展开。 GTI、阿萨拉、哈弗克三方势力在阿萨拉地区展开交锋，形成“世界维和组织 v 本地军阀 v 科技军事集团”的对抗结构。 美术风格： ...

从0搭建自己的桌游设计AI团队 项目代码链接：CJH0220/Table_Game_Team_Agents 制作动机 我是深圳大学人工智能学院的研究生，兴趣爱好就是从事游戏相关的工作。曾经通过印卡姬和即梦平台自制一款角色扮演大富翁桌游，但是由于团队的凝聚力和美术/运营成本被迫难产，只完成了基本设计和简单的DEMO。不过，通过这次经历，我明白了一个主策划应该如何处理团队协作工作，如何安排“生产力”。 作为桌游玩家和策划，总会有一些灵光一闪的想法，比如在大富翁增加角色机制，在三国杀加入购买装备环节，在卡坦岛添加资源卡类型等奇思妙想。但由于设计，美工，测试等环节需要巨大的人力财力，导致初创团队或学生党放弃这些ideas，十分可惜。但现在有一个最新的工具可以降低这些成本，真正做到“0”成本追梦，那就是现在的Agents。 随着Agents的爆火，Agents团队减少了公司人力成本，极大降低了创作门槛。而我自己也具备深度学习，LLM等基础，相信自己能够跟紧潮流，实现项目。我觉得通过Agents智能体协作，去模拟一个游戏设计团队大有可为，这也是这个项目的由来。 现在还可以通过代码智能体如Cur ...

论文精读：Carver: Learning to Reconstruct Right Ventricle from Sparse Multi-View 2D Echocardiograms 论文地址：Carver: A Dual-Aware Network for Right Ventricle 3D Reconstruction from Sparse Multi-View Echocardiograms 项目地址：https://github.com/ustclyd/Carver ICASSP 2025（CCF B） 摘要 从多视角超声心动图中准确重建右心室的三维结构对于定量诊断心脏疾病至关重要。然而，由于右心室结构的复杂性和非平行超声视图的稀疏性，现有的方法往往无法提供令人满意的结果。在本文中，我们提出了一种名为 Carver 的高效重建方法，它首次将右心室的三维重建重新定义为体素密集预测任务。其核心思想在于利用深度神经网络学习从粗几何凸壳到右心室精细结构的端到端变形，类似于雕刻。为了提高重建的准确性和鲁棒性，我们设计了一个双感知网络，结合先前的轮廓信息来增强学习的代表性。我们在 ...

论文AI阅读：PCN PCN: Point Completion Network 2018 International Conference On 3d Vision (3dv) PCN: Point Completion Network | IEEE Conference Publication | IEEE Xplore 摘要 形状补全是从部分观测结果中估计物体完整几何形状的问题，是许多视觉和机器人应用的核心。在这项工作中，我们提出了点补全网络（PCN），这是一种基于学习的新型形状补全方法。与现有的形状补全方法不同，PCN 直接对原始点云进行操作，无需对底层形状进行任何结构假设（如对称性）或注释（如语义类别）。它采用解码器设计，能够生成细粒度的补全，同时保持少量参数。我们的实验表明，PCN 可以在具有不同程度不完整性和噪声的输入（包括来自 KITTI 数据集中激光雷达扫描的汽车）上生成密集、完整的点云，并在缺失区域具有逼真的结构。 论文背景 我们的工作受到最近一些工作的启发[9, 47]，这些工作利用合成形状的大型数据集来训练深度神经网络，从而可以从单个或组合的局部视图中推断出完整 ...

论文精读（十一）DGCNN Dynamic Graph CNN for Learning on Point Clouds 论文地址：1801.07829] Dynamic Graph CNN for Learning on Point Clouds 博客参考：https://blog.csdn.net/hongbin_xu/article/details/85258278 搞懂DGCNN，这篇就够了！论文及代码完全解析 - 知乎 Acm Transactions On Graphics 2019(IF 7.8 引用7000+) 论文背景（AI） 点云是计算机图形学中一种基本的几何表示形式，由散乱的2D或3D点组成。点云数据通常由3D扫描设备直接获取，如LiDAR扫描仪和立体重建技术。由于点云数据的不规则性（点的位置在空间中连续分布，且点的排列顺序不影响其空间分布），传统的深度学习方法难以直接应用于点云处理。近年来，随着深度学习在图像分析领域的巨大成功，研究者们开始探索将卷积神经网络（CNN）的思想应用于点云数据的处理。 摘要 使用提出的神经网络对点云进行分割。底部：示意图神经网络架 ...