"""技能关联计算与维护说明 技能关联由 `core/basic/skill_effects.py` 的 `SkillEffectEngine` 统一处理。 `lv`、VP 等输入变化不再通过历史倍率乘除更新目标，而是重新解析最终状态并汇总本次关联贡献。 ## 计算阶段 1. `SetSkills` 批量读取基础等级、VP、UP。传入的等级是基础等级，不含关联技能提供的等级；重复传入同一配置不会重复加级。 2. 解析等级和参数依赖。`lv`、`ratio`、`maxLayer` 是状态属性；关联到这些属性的规则以及 `level_source` 组成依赖图，按拓扑顺序求值。关联规则读取其他技能等级时，依赖会自动记录。循环、缺失共享等级源、计算过程中改变状态依赖会报出具体技能。 3. 基于最终状态收集伤害、冷却和角色属性贡献，并在装备提供的基础值之上应用一次。 `calc` 在处理配置、装备、时装、徽章等阶段使用同一个批次。需要读取等级时，可以先解析状态；伤害及角色属性关联在准备阶段结束后统一生效。 ## 后续在哪里维护 | 新增或修改的影响 | 维护位置 | 要点 | | --- | --- | --- | | 技伤、冷却、攻击段数等普通关联 | 对应 `core/character/GF/职业/角色.py` 的技能类 `associate` | 通常不改引擎；目标属性应有默认值 | | 随 VP、等级或自身参数变化的关联 | 来源技能的 `effect` | 每次生成完整声明，再调用 `super().effect(old, new)` | | 技能给其他技能加级 | 来源技能的 `associate`，使用 `+lv` | 整数加级设置 `ratio=1`；只给已学习的目标加级 | | 生命之树这类共享等级 | 目标技能的 `level_source` | 指向源技能名称，不再写等级 getter/no-op setter | | 新增会被关联修改、并影响后续关联的参数 | 技能类默认值 + `core/basic/skill_effects.py` 的 `STATE_ATTRIBUTES` | 例如现有 `ratio`、`maxLayer`；加入后自动属于输入属性 | | 新增外部配置输入，改变它需要重新计算关联 | 技能类、配置赋值入口 + `INPUT_ATTRIBUTES` | 例如现有 `vp`；单纯登记不提供跨技能参数读取依赖 | | 新增角色属性关联 | `skill.py` 的角色贡献收集分支、`CHARACTER_ATTRIBUTES`，并核对 `character/base.py` 的 `SetStatus` | 当前仅支持对应标量字段；特殊运算需单独实现 | | 新增运算符、目标选择方式、跨技能非等级依赖 | `skill.py` 的公共关联入口 + `skill_effects.py` | 属于公共能力扩展，需配套单元测试 | | 装备改变技能等级或倍率 | 原装备规则及 `character/base.py` 的公共修改方法 | 使用已有批处理方法；低层直接写入须在 `batch()` 内 | | 仅影响单次技能展示/输出的模式、VP、UP 变换 | 原技能 `setMode`、`vp_N`、输出计算方法 | `skillInfo()` 使用临时副本，不要误改为持久关联 | 普通职业规则优先放在职业文件。只有新增公共能力时才修改引擎；不要再用属性 setter 手动撤销旧倍率并乘入新倍率。 ## 声明示例和数值约定 以下片段放在对应技能类内，`data0` 为该来源技能的等级数据表： ```python # 默认百分比：data0[lv] = 110 时，倍率为 1 + 110 / 100。 associate = [{'type': '*skillDamage', 'data': data0, 'skills': ['目标技能名称']}] # 加级：data0[lv] = 1 时，给已学习目标增加 1 级。 associate = [{'type': '+lv', 'data': data0, 'ratio': 1, 'skills': ['目标技能名称']}] ``` 上面是两种独立示例；需要同时生效时放进同一列表。`skills='*'` 仅选择伤害技能，关联被动技能时使用明确的名称列表。名称必须与目标 `name` 完全一致，当前不是按 UUID 匹配。 数据以来源技能等级索引，通常令 `data[0] = 0`。收集仍兼容旧公式：普通乘算为 `(1 + data[lv]/ratio) / (1 + data[0]/ratio)`，`cdReduce`、`cdRatio` 改用减号；加算为 `(data[lv] - data[0])/ratio`；覆盖 `=` 直接取 `data[lv]`。这里字典中的 `ratio` 是除数，区别于手雷精通类上的 `ratio` 参数。 女弹药的动态关联是现成参考： ```python ratio = 1.0 def effect(self, old, new): self.associate = [{ 'type': '*skillDamage', 'data': [value * self.ratio for value in self.data0], 'skills': ['G-14手雷', 'G-35L感电手雷', 'G-18C冰冻手雷'], }] return super().effect(old, new) ``` 三觉被动通过 `*ratio` 关联手雷精通。引擎先确定最终 `ratio=1.2`，再收集手雷倍率，所以精通 11 级对应 `1 + 110% × 1.2 = 2.32`。 ## 职业规则 静态 `associate` 格式不变。现有动态 `effect(old, new)` 作为兼容入口，在收集模式下以 `(0, 最终等级)` 执行；公共 `apply_association` / `update_skill_attribute` 记录贡献，不修改目标。每次收集都从原始 `associate` 声明开始，取消 VP 时不会保留上一次分支。 动态规则只能生成关联声明，不能在收集过程中直接修改角色或目标技能。需要修改关联产生方式时，应改用声明，而不是另写参数 setter 撤销旧倍率。元素师原先的 `ratio` 补偿 setter 已移除，避免与公共引擎重复应用。 引擎在创建时保存初始声明和状态默认值。动态分支应新建并赋值 `self.associate`，不要对共享的类级列表执行 `append` 或原地改写；也不要把运行后修改 `associate` 当作注册新规则。一次重算可能多次调用 `effect`，因此不能在其中累计计数、直接调用角色加成方法或依赖随机结果。 依赖图目前自动识别三类依赖：共享等级源、收集时跨技能 `.lv` 读取、指向状态属性的关联。 直接读取另一个技能的 `.ratio` 等非等级参数不会自动建立依赖。 新增这类规则时需要先扩展公共依赖机制并验证顺序；单独加入 `INPUT_ATTRIBUTES` 只会触发重算，不能解决求值先后问题。 初次建图后新出现的等级读取或状态目标会报错；不要靠最终状态临时增加依赖边。 每条贡献包含来源技能、条目索引、目标、属性、运算及数值，可从 `character.skill_effects.contributions` 检查。角色属性支持原 `SetStatus` 中相应的标量加算/乘算字段。 同一属性的汇总顺序为：基础值（或覆盖值）→ 加算贡献 → 乘算贡献。不同来源给出不同覆盖值会报冲突；不会依赖遍历顺序选择最后一个。赋零可以直接从基础值重建，不需要除以旧倍率。 ## 共享等级 例如生命之树： ```python level_source = '创世' ``` 生命之树跟随创世最终等级，包含创世获得的装备及技能等级加成。目标自身的 `maxLv = 1` 不会截断共享等级。目标不接受独立等级或独立加级；需要提升等级时应提升源技能。 共享等级技能默认不独立提供关联效果，保留原 getter/no-op setter 的行为。如职业规则确实要求共享等级技能独立提供关联，可显式设置 `association_source = True`。 现有 11 个共享等级技能已迁移为 `level_source` 声明。 ## 装备和外部修改 `SetStatus`、`AddSkillLv`、`SetSkillRation`、`SetSkillCD`、`SetSkillCDRecover` 已自动批处理。完整 `calc` 中的装备代码也在批次内，因此原有装备的直接属性写入会保留为关联计算的基础值。 新增低层直接修改必须放进批次，不能修改已叠加关联贡献的结果后再要求引擎推断基础值： ```python with character.skill_effects.batch(): skill.skillDamage *= 1.15 ``` `resolve()` 在没有变化时不重复应用；批次重建会先恢复原来的基础值。`skillInfo()` 的临时拷贝不属于引擎管理对象，其模式、VP、UP 变换仍在临时拷贝上执行。 这不表示装备自身也已经与顺序无关：装备仍按原流程执行，例如先由 `calc_suits()` 生成套装积分，再让装备读取积分。当前批次解决的是装备修改与技能关联贡献之间的基线问题，没有为装备建立逐来源贡献账本和依赖图，也不保证对同一实例反复执行整套装备流程不会累计。 定位引擎内部问题时，`_levels` 保存基础及外部等级，`_state_base` 保存状态参数基线，`_output_base` 保存应用技能输出贡献之前的属性值。它们是内部状态，不应由职业或装备规则直接修改；外部输入走公共修改方法或批次入口。 ## 诊断和验证 找不到目标的旧关联仍按原逻辑跳过，同时记录在 `unresolved_targets`，供职业规则审查。例如刺客现存的“终结追击”名称失配；本次未推测其数值意图并修改规则。 测试覆盖女弹药 2.32 场景及后续升降级、旅人条件、大枪加级、VP 切换、装备基线、角色属性、共享等级及链式共享、零覆盖、赋值冲突和循环依赖。全职业测试使用全部学习等级，在无 VP/VP1/VP2 下交换输入顺序，并另测搭配职业武器的情况。 重构前后 72 个模块的默认满技能配置对比：伤害/冷却的实质变化集中在女弹药、旅人、男女大枪已确认的问题；元素师统一了 `skillRation`/`skillDamage` 的分配，总伤害保持一致。该验证针对本地计算规则，不等同于游戏实测或线上验证。 新增规则时，在 `tests/unit/test_skill_effects.py` 补充对应场景，重点验证正反设置顺序、等级升降或禁用、条件开关、外部加成后再次重建。公共依赖机制变更还需验证循环及冲突报错。 从仓库根目录执行： ```sh backend/.venv/bin/pytest backend/tests/unit/test_skill_effects.py -q backend/.venv/bin/pytest backend/tests/smoke/test_calc_availability.py -k configuration_order -q ``` 第二项验证技能配置顺序（包括搭配武器的场景），不验证装备执行顺序。修改公共引擎后再运行完整 `backend/tests` 回归。 """ from collections import defaultdict from contextlib import contextmanager from dataclasses import dataclass from functools import wraps from graphlib import CycleError, TopologicalSorter from math import prod # 会被关联修改、且参与后续关联求值的属性在此登记，并在技能类上提供默认值。 STATE_ATTRIBUTES = frozenset({'lv', 'ratio', 'maxLayer'}) # 外部赋值触发重算的输入；登记在此不等于自动跟踪跨技能的该属性读取。 INPUT_ATTRIBUTES = STATE_ATTRIBUTES | {'vp', 'up', 'comboCol', 'stage', 'currentMode'} # These are the scalar keys actually supported by CharacterBase.SetStatus. # 扩展前核对 SetStatus 的实际运算语义；特殊字段不能仅加入白名单。 CHARACTER_ATTRIBUTES = frozenset({ 'STR', 'INT', 'Spirit', 'Vitality', 'AtkP', 'AtkM', 'AtkI', 'PAtkP', 'PAtkM', 'PAtkI', 'PSTR', 'PINT', }) _MISSING = object() @dataclass(frozen=True) class SkillContribution: source: object index: int target: object attribute: str operation: str value: float def skill_effect_batch(method): """Keep external skill/stat changes outside the association baseline.""" @wraps(method) def wrapped(self, *args, **kwargs): engine = getattr(self, 'skill_effects', None) if engine is None: return method(self, *args, **kwargs) with engine.batch(): return method(self, *args, **kwargs) return wrapped class SkillEffectEngine: def __init__(self, character): self.character = character self.skills = tuple(sorted(character.skills, key=lambda skill: skill.id)) self._members = {id(skill) for skill in self.skills} self._levels = {skill: skill._lv for skill in self.skills} self._state_base = { (skill, attr): getattr(skill, attr) for skill in self.skills for attr in STATE_ATTRIBUTES - {'lv'} if hasattr(skill, attr) } self._associations = {skill: skill.associate for skill in self.skills} self._output_base = {} self._depth = 0 self.resolving = False self.collecting = None self._pending = [] self._reads = set() self._dirty = True self._state_dirty = True self.contributions = () self.unresolved_targets = set() def owns(self, skill): # skillInfo uses shallow copies; these are local render contexts. return id(skill) in self._members def changed(self): self._dirty = self._state_dirty = True if not self._depth: self.resolve() def set_level(self, skill, value): if skill.level_source is not None: return # += equipment bonuses must change the input, not copy already-derived # mastery levels back into it. Input configuration uses set_input_level. self._levels[skill] = min(skill.maxLv, max(0, self._levels[skill] + int(value) - skill.lv)) self.changed() def set_input_level(self, skill, value): if skill.level_source is not None: return self._levels[skill] = min(skill.maxLv, max(0, int(value))) self._dirty = self._state_dirty = True def set_attribute(self, skill, name, value): if name in STATE_ATTRIBUTES: self._state_base[skill, name] = value object.__setattr__(skill, name, value) self.changed() def is_learned(self, skill): if skill.level_source is not None: return skill.lv > 0 return self._levels[skill] > 0 def read_level(self, skill): if self.collecting is not None and self.collecting is not skill: self._reads.add(skill) elif self._state_dirty and not self.resolving: self.resolve_states() def record(self, source, target, attribute, operation, value): self._pending.append(SkillContribution( source, len(self._pending), target, attribute, operation, value, )) def missing_target(self, source, name): self.unresolved_targets.add((source.name, name)) def _collect(self, skill): # 一个重算周期会多次调用 effect；职业实现只能构造声明并调用公共收集入口。 self._pending = [] self._reads = set() if not skill.association_source or skill.lv <= 0: return (), set() # VP branches often only assign associate when enabled. Start from the # declaration every time so disabling VP also removes the old branch. skill.associate = self._associations[skill] self.collecting = skill try: skill.effect(0, skill.lv) return tuple(self._pending), self._reads.copy() finally: self.collecting = None @staticmethod def _combine(base, contributions): contributions = sorted(contributions, key=lambda item: (item.source.id, item.index)) overrides = {item.value for item in contributions if item.operation == '='} if len(overrides) > 1: sources = ', '.join(item.source.name for item in contributions if item.operation == '=') raise ValueError(f'关联赋值冲突: {sources}') if overrides: base = overrides.pop() return (base + sum(item.value for item in contributions if item.operation == '+')) * prod( item.value for item in contributions if item.operation == '*' ) def _restore_outputs(self): for (target, attr), value in self._output_base.items(): if value is _MISSING: object.__delattr__(target, attr) else: object.__setattr__(target, attr, value) self._output_base.clear() def resolve_states(self): # 依赖来源：level_source、跨技能 lv 读取、指向 STATE_ATTRIBUTES 的关联。 # 其他跨技能属性读取不会自动建边；新增此类规则须先扩展依赖机制。 if self.resolving or not self._state_dirty: return self.resolving = True try: self._restore_outputs() self.unresolved_targets.clear() for skill, lv in self._levels.items(): skill._lv = min(skill.maxLv, max(0, lv)) for (skill, attr), value in self._state_base.items(): object.__setattr__(skill, attr, value) graph = {skill: set() for skill in self.skills} for skill in self.skills: if skill.level_source is not None: source = self.character.GetSkillByName(skill.level_source) if source is None: raise ValueError(f'共享等级源技能不存在: {skill.name} -> {skill.level_source}') graph[skill].add(source) contributions, reads = self._collect(skill) graph[skill].update(reads) for item in contributions: if item.target is not self.character and item.attribute in STATE_ATTRIBUTES: graph[item.target].add(skill) try: order = tuple(TopologicalSorter(graph).static_order()) except CycleError as exc: names = ' -> '.join(skill.name for skill in exc.args[1]) raise ValueError(f'技能关联状态存在循环依赖: {names}') from exc states = defaultdict(list) for skill in order: # All upstream level/parameter contributions are ready now. if skill.level_source is not None: skill._lv = self.character.GetSkillByName(skill.level_source).lv contributions, reads = self._collect(skill) if not reads.issubset(graph[skill]): raise ValueError(f'技能关联状态依赖随计算改变: {skill.name}') for item in contributions: if item.target is self.character or item.attribute not in STATE_ATTRIBUTES: continue if skill not in graph[item.target]: raise ValueError(f'技能关联状态目标随计算改变: {skill.name} -> {item.target.name}') key = item.target, item.attribute states[key].append(item) if item.attribute == 'lv': base = self._levels[item.target] value = self._combine(base, states[key]) item.target._lv = min(item.target.maxLv, max(0, int(value))) else: base = self._state_base[key] object.__setattr__(item.target, item.attribute, self._combine(base, states[key])) self._state_dirty = False finally: self.resolving = False def resolve(self): if self.resolving or not self._dirty: return self.resolve_states() self.resolving = True try: self._restore_outputs() contributions = [] grouped = defaultdict(list) for skill in self.skills: items, _ = self._collect(skill) contributions.extend(items) for item in items: if item.target is not self.character and item.attribute in STATE_ATTRIBUTES: continue grouped[item.target, item.attribute].append(item) for (target, attr), items in grouped.items(): base = getattr(target, attr, _MISSING) self._output_base[target, attr] = base if base is _MISSING and not any(item.operation == '=' for item in items): raise AttributeError(f'技能关联属性不存在: {items[0].source.name} -> {attr}') object.__setattr__(target, attr, self._combine(0 if base is _MISSING else base, items)) self.contributions = tuple(contributions) self._dirty = False finally: self.resolving = False @contextmanager def batch(self): # 最外层先撤销技能输出贡献，让装备等外部写入落在基础值上，再统一重建。 # 这里只隔离技能贡献，不解决装备规则彼此之间的执行顺序依赖。 outermost = not self._depth if outermost: self.resolving = True try: self._restore_outputs() finally: self.resolving = False self._dirty = self._state_dirty = True self._depth += 1 completed = False try: yield completed = True finally: self._depth -= 1 if completed and not self._depth: self.resolve()