渲染清晰锐利、可缩放的GPU文本——尤其是在3D变换下——是出了名的困难。传统方法各有取舍:纹理图集放大时会模糊;有符号距离场(SDF)会丢失锐角;多通道SDF(MSDF)虽保留了锐角,但仍需内存开销巨大的预烘焙;细分曲面虽与分辨率无关,但计算成本极高。
Slug算法由Eric Lengyel于2017年发表,并于2026年进入公有领域,它通过在片段着色器中直接从矢量轮廓渲染字形来解决此问题。它不需要纹理图集,也不需要进行逐帧细分。相反,它通过逐像素投射射线并利用环绕数计算精确覆盖率,从而在任何比例、尺寸或视角下呈现极其锐利的文本。
Slughorn是AlphaPixel基于C++20对Slug的实现。它支持多种GPU API,可渲染任何矢量几何体(字体、SVG),是动态文本、庞大字符集(如中日韩CJK字符)以及文本必须在任何角度都清晰可读的3D/AR/VR界面的理想选择。
作者的高祖父原本是法国乡村的蹄铁匠,后来转行做了机械师。担心汽车会取代马匹,他最终发现,自己的核心使命并没有改变:帮助人们出行。他只是适应了新技术。 这段家族历史能给那些担忧人工智能会取代自己工作的开发者带来安慰。早期世代或许无法理解技术变革的巨大规模,但他们依然适应了变化,并保留了真正重要的东西——从事这份工作的意义。不过,作者的祖辈取得的成功并不能证明所有人都能完成转型,但这表明,编程本身可能并不是获得满足感的真正来源。持久的动力在于创造有用的东西、解决问题以及帮助他人。 随着技术不断变化,我们应当愿意放下原有的工作方式,同时始终坚持做这份工作的初心。
该代码控制一台基于 Arduino 的 JBR-001 机器人,机器人配备头部舵机、两个手臂舵机、蜂鸣器、LED 点阵和距离传感器。启动时,机器人会让舵机回到中间位置,播放四个音符组成的问候音,并执行一套头部和手臂动作。 在主循环中,代码持续播放大、小爱心位图动画,以模拟心跳。当距离传感器检测到物体距离小于 200 个单位时,机器人播放一次问候音,并将 `objectDetected` 设为真,以防止重复发声。如果物体移动到距离大于 250 个单位的位置,该状态会重置,机器人便可以再次播放问候音。阈值单位取决于传感器库的输出。动画使用非阻塞的 `millis()` 定时,而问候音和启动动作使用延迟。
Pi 的核心现已支持 MCP,推翻了此前的立场,因为 MCP、模型和智能体架构都已经 evolves(演进)。这些必要的改动也让非 MCP 工具受益,尤其是 Jev。 主要新增的是 Codemode:这是一个运行在 Pi 可信智能体循环旁边的 JavaScript 沙箱。它允许智能体组合和编排多个工具调用、控制工具加载策略,并将状态保存在会话记录中,而不是文件系统中。Codemode 会在启用 MCP 时自动加载,也可以单独启用。 尽管现代 MCP 已有不少改进,许多服务器仍假设使用的是旧版宿主框架:这类框架会把所有工具直接塞进上下文,并返回未结构化的文本。Pi 认为,MCP 更接近 OpenAPI,但增加了智能工具发现和结构化响应能力;Pi 的目标是帮助 MCP 面向小型现代智能体进一步发展。要充分利用较新的 LLM 能力,还必须支持延迟加载工具和更丰富的元数据。 一个示例将 Linear MCP 工具与 Jev 分类器结合使用,并行分析问题讨论,识别情绪不满的问题提交者,同时避免不必要的上下文占用。