《明日方舟》「卫戍协议」的非官方工具。garrison_farm.py 自动执行「极速模拟」以刷取策略角标,支持标准和低配编队。garrison_sim/ 与 rl_live.py 是「卫戍协议·规程」的模拟、策略训练和实机接入实验。
| 版本 | 说明 | 下载 |
|---|---|---|
| 1.2 | 原始 Windows 发行包 | 版本说明 · GarrisonFarm1.2.zip |
| 1.3 | 存在尚未修复的 Bug,以预发布形式保留 | 版本说明 · GarrisonFarm1.3.zip |
解压原始发行包后,进入游戏的卫戍协议界面,运行 开始刷角标.bat。包内 使用说明.txt 说明了编队、分辨率与设备设置。GitHub 自动生成的源码压缩包基于本次公开的源码快照,两个历史版本的可执行程序分别在上表所列的原始 ZIP 中。
在 Windows 上使用 Python 3.11。从 MAA 读取设备配置及 PaddleOCR 识别模型时,可用 --maa 指定本机 MAA 安装目录。游戏使用默认主题和 1920×1080 分辨率。选择 PC 端时,把 --device emulator 改为 --device pc。
python -m pip install -r requirements.txt
python garrison_farm.py --help
python garrison_farm.py --device emulator --maa 'C:/path/to/MAA' --check
python garrison_farm.py --device emulator --maa 'C:/path/to/MAA' --profile low --target 3tiles.json 保存部署区域配置。garrison_farm_v*_backup.py 是历史开发备份。GarrisonFarm/ 保存 Windows 启动脚本与使用说明,启动脚本所需的可执行程序在 Release 附件中。
训练尚未完成,真实游戏中的 Boss 通过率低。 实机记录中有多次通过前 13 回合后输在领袖战的情况,也有掉线或每日重置中断的对局。离线复刻版的胜率仅对应当时的模拟设置。模型负责休整期的购买、出售、刷新和升级,实机 OCR、坐标校正和领袖回合站位也会影响结果。
- 模型权重与加载方式提供实机脚本默认使用的
ppo_019和两个规程 20 后续检查点。 - 设计、训练与实测记录记录行为克隆、PPO、站位桥和当时的实机观察。
- 规程 5 固定策略、默认干员与盟约资料和极速模拟测试报告记录其他实验及其设置。
离线实验需要 Node.js 和单独安装的 Stronghold-Protocol。默认从仓库旁的 Stronghold-Protocol 目录加载,也可用 SP_REPO 指定。本次发布检查使用 Node.js 24 与复刻版的 55f528e9。
$env:SP_REPO = 'C:/path/to/Stronghold-Protocol'
Set-Location garrison_sim
node run.mjs 1- 游戏规则、干员与盟约资料参考 PRTS。卫戍协议·规程 · PRTS 盟约记录
- 离线对局与站位算法使用同人复刻版,模型训练参考其强化学习研究和 PPO 论文。sganggs/Stronghold-Protocol · Stardust-minus/Stronghold-RL · Proximal Policy Optimization Algorithms
- 自动化组件使用 MAA 设备配置、MaaFramework 和 PaddleOCR 识别模型,发行包带有备用 ADB。MAA · MaaFramework · PaddleOCR · RapidOCR · Android SDK Platform-Tools
本项目公开源码与模型权重,仓库未附项目级 LICENSE。第三方组件及其资料适用各自的许可条款,原始发行包内已有的第三方许可文件随包保留。