luban-dev
Skill178 starsChanged 34 days agoMITView on GitHub
DGame Luban 配置开发与排错。用于 GameConfig 数据、表结构、Bean/Enum、校验规则、自定义模板、导表脚本及 ConfigSystem/ConfigMgr 消费链路,也用于本项目官方 Agent CLI 和 MCP 的部署与查询。
In this repository7 other files it gives its agents.
- AGENTS.mdAGENTS.md
- GameUnity/AGENTS.mdAGENTS.md
- CLAUDE.mdCLAUDE.md
- GameUnity/CLAUDE.mdCLAUDE.md
- dgame-devSkill
- skill-creatorSkill
- unity-cliSkill
The file
Files
DGame Luban 配置开发
先选择入口
| 任务 | 入口 |
| 查询编译后的表、Bean、Enum、Schema,执行 Luban 校验 | 官方 Agent CLI;已加载时也可用 Luban MCP |
| 修改 Excel、字段、数据行,检查引用 | scripts/luban_helper.py;写入前读取 操作指南 |
| 校验现有导表流程、隔离导表、生产导表 | 仓库 Workflow,见下方导表流程 |
| 工具安装、恢复、版本、MCP 配置 | 工具恢复指南;来源与兼容范围见 官方工具接入 |
所有命令从仓库根执行。查询示例:
python .agents/skills/luban-dev/scripts/luban_ai.py list-tables
python .agents/skills/luban-dev/scripts/luban_ai.py describe --name TbModelConfig
python .agents/skills/luban-dev/scripts/luban_ai.py schema --name TbModelConfig
python .agents/skills/luban-dev/scripts/luban_ai.py validate
python .agents/skills/luban-dev/scripts/luban_helper.py table get TbModelConfigAgent CLI 默认目标为 client,可显式使用 --target server/all。MCP 的 list_tables、get_schema、describe、validate 调用应传本工程 GameConfig/luban.conf 的绝对路径和目标 client。工具未暴露时直接用 CLI,不假定技能加载就代表 MCP 可用。
项目约定
- 数据源:
GameConfig/Datas/;表、Bean、Enum 注册位于GameConfig/Datas/Defines/。具体文件以GameConfig/luban.conf为准。 - XML 类型定义:
GameConfig/Defines/;生成模板:GameConfig/CustomTemplate/。 - 默认导表:客户端
cs-bin+bin/json,使用GenerateTool_Binary/gen_bin_client_lazyload.*。 - 生成代码:
GameUnity/Assets/Scripts/HotFix/GameProto/LubanConfig/;Binary:GameUnity/Assets/BundleAssets/Configs/Binary/;JSON:GameUnity/Configs/Json/。输出路径以path_define.*为准。 ConfigSystem.cs、ExternalTypeUtil.cs来源于CustomTemplate/Client/Bin/,改动应落在模板;生成代码不手改。- 命名空间为
GameProto,总表为Tables。业务访问通过GameLogic/ConfigMgr/XxxConfigMgr封装;运行时沿用 ConfigSystem、LazyLoad 和 DGame 资源加载规则。 - 运行时消费遵守项目文本规范,不将玩家可见文本硬编码进业务代码。
- 字段分组以现有定义和需求为准,helper 自动推断只作辅助;联合导表分别校验 client / server,保证各目标的表主键可见。
- 正式导表、Agent CLI 和 MCP 统一固定 5.1.0;兼容范围和部署方式见 官方工具接入。不能将上游
main的示例视为本地命令保证。
配置修改流程
- 先区分数据、表结构、Bean/Enum、模板、导表脚本或运行时消费,再读取实际定义和调用点。
- 修改已有表前读取目标 Sheet 的全部标记行;保留多行
##var/##type、纵表、分组、注释和原始行序。表头不是固定四行。 - 写入前用
table get/field list确认文件、Sheet 和字段;新增数据行前用row get核对主键,避免覆盖已有数据。 - 表/字段改名、删除或改类型前,检查配置与代码引用,读取 兼容性说明;不能假设
cs-bin新旧结构兼容。删除按仓库已授权范围执行。 - 字段操作先按逻辑字段压缩字段区间及末尾空列,再用
field list检查列号连续。字段注释复用现有注释行;不要覆盖##group或复合字段续行。 - 只改源数据或模板。字段类型、主键、分组的变化须符合需求;不得为让生成通过而削弱原有校验。
- helper 的
validate --all/ref用作辅助诊断;ref查询 Bean/Enum 类型引用,表/字段及业务调用还要搜索实际源码。最终以真实 Luban 校验和相关导表结果为准,见 排错流程。 - 需要更新生产产物时按下方流程执行。代码与 Binary 必须来自同一次导表;字段/表结构及
tags、group_by、read_schema_from_file变化要检查生成 API、ConfigMgr 调用和相关 Unity 编译与消费。
新增表优先在 Datas/Defines/__tables__.xlsx 显式注册;根据实际表头填写 read_schema_from_file。从表头推断字段时,不在 __beans__ 再定义同名 Bean。文件级 # 自动导入可用;Sheet 级拆分需手动执行 split_sheets.py,默认导表脚本已注释该步骤。完整规则见 表注册。
导表流程
python .agents/scripts/workflow.py luban validate
python .agents/scripts/workflow.py luban test
python .agents/scripts/workflow.py luban preview --mode lazyloadvalidate 和 test 使用隔离目录;preview 记录隔离产物与当前输入,生产写入按仓库授权执行 approve / apply。需要 Unity 测试时在 preview 中显式指定 --editmode-filter / --playmode-filter。命令超时先核对真实状态,不自动重放。
已明确授权直接导表时,Windows 非交互调用必须设置 AUTO_CONTINUE:
cmd /c "set AI_MODE=1 && set AUTO_CONTINUE=1 && GameConfig\GenerateTool_Binary\gen_bin_client_lazyload.bat"MCP 配置默认只启用查询和校验;生产生成沿用 Workflow。工具安装与升级本身不授权生产导表、提交或发布。
按主题读取
按实际操作读取对应参考;表/字段结构修改先读表规则和 Excel 格式,运行时消费修改先读运行时加载说明。命令清单和示例按需读取,入口中的核心约束始终适用。
| 场景 | 文档 |
| 工具缺失、安装恢复、版本切换、MCP 配置 | tool-recovery.md |
| 固定版本、CLI/MCP、官方来源与许可 | official-ai.md |
| 生成失败、结构化错误、校验失败 | generate-debug.md |
| DGame 目录、脚本、运行时链路 | dgame-integration.md |
| 新增表、注册、自动导入、分组索引 | dgame-table-rules.md |
| Excel CRUD、字段与行、空白行清理 | operating-guide.md |
| 类型与容器约束 | type-system.md |
| Schema、Bean、Enum、继承与多态 | schema.md |
| 配置文件与目标分组 | luban-conf.md |
| 引用、范围、路径等校验器 | validators.md |
| 标记行、复杂结构与填表 | excel-format.md |
| 主生成器参数 | command-reference.md |
| JSON/XML/YAML/Lua 数据源 | data-sources.md |
| 运行时加载、ConfigMgr、类型映射 | runtime.md |
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

