程序聚合 软件案例 VcSystem-VcSystem-2

VcSystem-VcSystem-2

2026-09-26 14:48:09
行业:企业服务(saas)
载体:Windows应用
技术:Python

业务和功能介绍

VcSystem用于小白构建简单UI或快速操作计算机在虚拟环境完成指定操作,兼容性: windows运行成功,linux理论可运行.
VcSystem分3层,SystemCC SystemNLC 和 VcSystem
SystemCC最底层,用于根据功能类型封装最基础的能力和导入第三方模块.
SystemNLS在SystemCC的基础上封装更加上层的模块,如 添加更上层的VustShll指令 也就是SystemLoading的Loading异步方法.
VcSystem有VustShll,BoxShll等功能
VustShll偏向于脚本的逻辑操作,BoxShll偏向于用直白的语法构建UI.
使用VcSystem: 当VcSystem被打开 会自动弹出主UI和VustShll命令行
VustShll允许直接输入VustShll指令.
例如【command.log Hello】可以让VustShll直接在终端输出Hello,【system.raise this is a err】可以直接让VustShll抛出一个错误.VcSystem允许开机执行文件 在同一路径创建文件SystemGo.vust文件会里的VustShll代码会在VcSystem开启时运行.
【command.run 文件.vust】可以直接运行自定义VustShll脚本(逐行执行),【command.xom 文件.vust】产出简单的加密文件(非强加密 并不是很厉害的加密),【command.run 文件.xom】可以直接运行加密文件
BoxShll则可以用简单的语法构建UI,例·run.box【
title:MyText
main text:this is main text.
end text:this is end text.
】,在VustShll终端输入【command.run run.box】就可以执行.

项目实现

VustShll和BoxShll均使用表驱动+异步,保证可以同时运行多个VustShll或BoxShll进程.
基于Python语言开发,使用asyncio异步,dearpygui-UI. 全部代码由单人编写.
编写的过程中 我遇到的第一个bug是运行口统一,一开始VustShll命令行是单独实例化一个Vust类执行指令的,而上层写入的一些高级指令写入了另一个实例,这导致上层写入的功能几乎等于没用.后来 在全局实例化了一个统一的Vust类.让两边同步.

示例图片视频


Te_cmd
5天前活跃
方向: 桌面端-桌面端其他、
交付率:100.00%
相似推荐
H5麻将(3D版)
本方案以 H5 技术结合 3D 渲染引擎打造麻将游戏前端,无需下载安装,浏览器内即开即玩,呈现立体生动的牌局画面与流畅交互体验,适配多类设备。后端采用 C 语言开发高性能服务端,凭借底层执行效率与精细内存管理,可稳定承载高并发访问,满足大量玩家同场竞技,保障牌局同步及时、操作响应迅速。整体架构高内聚低耦合,迁移方便,灵活部署于各类服务器与云平台,快速扩容、成本可控,兼顾画质、性能与运维便利。
掼蛋H5版
本方案以 H5 技术打造掼蛋游戏前端,免安装、即点即玩,浏览器内即可流畅开局,适配各类设备,用户体验出色。后端采用 C 语言开发高性能服务端,凭借底层执行效率与内存优化,能够稳定承载高并发访问,满足大量玩家同时在线的对局需求,保证牌局快速同步、响应及时。整体架构高度解耦,迁移方便,可灵活部署于各类服务器与云环境,快速扩容、低成本运维,兼顾稳定性、性能与部署灵活性,是成熟的棋牌平台解决方案。
H5斗地主
本方案采用 H5 技术构建斗地主游戏前端,无需安装客户端,通过浏览器即可随时随地开玩,兼容性强、体验流畅。后端基于 C 语言开发高性能服务端,凭借 C 语言的底层优势与极佳的执行效率,能够稳定支撑大规模并发访问,轻松应对海量玩家同时在线的压力,保证对局稳定、响应迅速。整体架构耦合度低、迁移方便,可灵活部署至多种服务器环境与云平台,实现低成本快速扩展,兼顾用户体验、性能与运维便利性。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统,旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然,以及角色运动与动画表现难以协调等问题。 项目以神经网络动作生成技术为核心,结合游戏引擎的角色运动系统,实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。 主要功能包括: 动画数据采集与处理: 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息,完成骨骼映射、数据清洗、质量审核与训练数据集构建。 AI 动作模型训练: 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能,支持模型检查点管理、训练指标记录及实验评估。 条件动作生成: 利用角色根运动轨迹、历史动作状态及参考姿态等条件,生成连续骨骼动作,研究不同运动条件下的动画生成效果。 复杂动作约束: 针对跑酷、跨越障碍等复杂场景,支持参考姿态引导及关键帧约束,改善动作准确性与空间匹配效果。 UE 动画集成与验证: 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力,支持生成动作的预览、重建、测试及效果分析。 模型评测与对比: 通过骨骼位置误差、运动连续性、关键帧约束误差等指标,对不同模型及优化方案进行定量分析。 项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设,为智能角色运动与游戏动画自动化提供技术基础。
H5休闲解压益智游戏(拖拽对齐,单文件纯前端)-拉线解压 KNOT OUT
《拉线解压》(KNOT OUT)是一款纯前端、零后端的 H5 休闲解压益智游戏。核心操作:拖动一根线的控制点,把线的中点精确送入目标环;吸附越准,评级越高(金/银/铜),并触发连击。 功能模块:① 操作与判定——拖拽线并实时吸附判定,按精度分金/银/铜三档(金档才续连击),配连击上行音反馈;② 关卡与难度包络——线数随关卡从 3 递增到 10、吸附窗口逐关收紧(78→48px),目标环视觉与判定窗口一致;③ 风格目标——按关卡轮换「全金档 / 全程无错位 / 由外向内(目标环标 1..N 序号)」,达成即得星;④ 每日挑战——以本地日期为种子的独立关卡,布局与主题由种子确定;⑤ 留痕世界——把逐关评级、星与每日印记,按存档确定性重算成一条「世界路径」;⑥ 音频——音效全部由 Web Audio 实时合成(C 大调音阶),BGM 三首可轮播。 主要功能路径:打开即玩 → 拖线对齐 → 评分/连击 → 过关结算 → 下一关 / 每日挑战 → 世界回顾。
帮助文档   Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服