Catlantean 3D：用 1993 年的技術手法製作現代遊戲
staniks.github.io · Marko Stanic · 2026-06-10（HN 熱門討論）
遊戲開發者 Marko Stanic 記錄了他在開發 Catlantean 3D 過程中刻意採用 1993 年代技術手法的設計決策。遊戲預計 2027 年 Q1 上架 Steam，核心渲染架構以 raycasting 為基礎，強制限制解析度 320×240、256 色調色盤，並以固定點算術（fixed-point arithmetic）處理遊戲邏輯以確保確定性。
調色盤化的著色系統
效能最有趣的部分在著色模型。引擎預先計算一張 colormap——一個二維的調色盤索引矩陣，橫軸是原色、縱軸是距離所對應的暗化等級。每個像素的著色只需一次表格查詢，而非即時計算光照：
colormap_row = 32 * fragment_distance / view_distance
final_color = colormap[colormap_row][original_color]色彩空間選擇 Oklab（而非傳統 RGB 線性插值），使暗化在感知上更均勻；刻意引入暖色調偏移模擬 1993 年代螢幕的顯色特性。
資產管線與 Gibbing 系統
3D 模型以 Blender 建立，透過 Python 腳本批量渲染後量化至 256 色索引格式，合成節點增強對比度與清晰度。貼圖以程序化方式生成：高度圖 → 法線圖（烘焙光照）、噪點圖、污損圖、基礎色彩與 Brightmap（選擇性保色）組成完整管線。
Gibbing（碎裂動畫）系統值得一提：以 Voronoi 分解將 sprite 切片，對每個碎片追蹤質心速度、旋轉、重力與阻力，傷口「流血」以 BFS 從邊界向內染色。所有效果均可調參（碎片數、爆炸力、重力係數）。地圖編輯器以 wxPython 自製，支援光照等級繪製與 C++ binding。
遊戲將以 $5–$8 價格發售，引擎程式碼開源，遊戲資產則需購買。
原始來源：staniks.github.io
測試案例縮減器：超越編譯器工程的被低估除錯利器
tratt.net · Laurie Tratt · 2026-06-10（Lobsters 熱門討論）
編譯器工程師長期使用測試案例縮減器（test-case reducer），但這類工具在更廣泛的軟體工程中幾乎無人知曉。Laurie Tratt 論證，任何能被定義為「有趣性測試（interestingness test）」的除錯問題都可以從中受益。
運作原理
縮減器接受三個輸入：程式、輸入資料、以及判定「輸入是否仍能重現問題」的有趣性測試。縮減器迭代地嘗試移除輸入的各個片段，若移除後有趣性測試仍通過，則以縮減後的版本為新基線，持續直到無法再縮小為止。實際效果：典型可達 95–99% 的輸入縮減率，讓原本數千行的重現案例壓縮至數十行。
工具與應用場景
文章提到三個工具：
- Shrink Ray：支援並行縮減、具備精細縮減規則與進度視覺化
- Creduce：歷史悠久的編譯器導向縮減器
- ddmin：早期通用縮減器，奠定演算法基礎
Tratt 示範了兩個編譯器以外的應用：將隨機 C 程式縮減超過 60%、以及針對 yk 直譯器（JIT 項目）以追蹤長度為度量指標進行縮減——有趣性測試比較追蹤長度而非布林式錯誤條件，讓縮減器朝實用的最小化目標搜尋。
處理不確定性的方法也值得注意：有趣性測試可多次運行同一輸入，逐步提高確定性要求，使縮減器在具有隨機行為的系統中仍能正常運作。
原始來源：tratt.net
清理 AI 搖滾巨星開發者留下的爛攤子
Lobste.rs 熱門討論 · 2026-06-10
Lobste.rs 上一篇文章引發大量工程師分享真實案例：當一個專案大量依賴 AI 生成程式碼後，後繼維護者面對的究竟是什麼。討論揭示了 AI 輔助開發帶來的新型技術債模式，與傳統人工技術債有質的不同。
典型症狀
最常被提及的問題模式包含：程式碼量大幅膨脹（AI 傾向用多個具體實作取代一個抽象），測試覆蓋率高但測試品質低（測試測的是生成出來的行為而非正確行為），以及命名與風格的「方言轉換」——不同 prompt 生成的程式碼各有一套慣例，合並後形成風格拼盤。
另一個觀察：AI 生成的程式碼常常「能動但不知為何能動」，內含被生成框架特定的假設，但這些假設未被文件化。當假設不再成立時，除錯者必須重建 AI 當初的推理脈絡。
工程師的因應策略
討論中出現的實用策略包含：在 PR review 中強制要求「此 AI 生成片段為何如此？」的說明；針對 AI 輸出運行測試案例縮減器（與上篇文章形成呼應）；在 onboarding 文件中明確標記「此段由 AI 生成，請閱讀後再修改」。多位工程師指出，問題通常不在於使用 AI，而在於團隊缺乏建立 AI 使用規範的流程。
原始來源：Lobste.rs