起源:

我于2026年1月爬了Aconcagua山，采用了360路线（详细报道见本文末“更多”连接处https://www.reddit.com/r/Mountaineering/comments/1qzaegg/aconcagua_360_route_notes_from_my_recent_guided/ ）。 在这次行程中，我始终认为这整个体验是一个系统问题，而不是一个英雄问题。 怎么样才能将其翻译成游戏呢？ （另外我之前没做过任何与游戏或软件相关的事情）

我经过考虑得出答案：你可以试着建立一个真实的模型，透明的数据，设计项目围绕着不完全的信息作为参考而不是全透视的。这就看运气了。

目前做了什么:

Aconcagua: Stone Sentinel 是一个基于EP/BT（环境压力/身体耐受）引擎的前景式叙事独立游戏的想法（当前公开的原型：v1.5.2）。核心循环：

  1. 玩家选择动作：前进，慢慢前进，等待，下降，睡眠（或对于Daniela：拍摄照片）。
  2. EP根据位置带+天气恶劣程度+地形负荷+时间+累积暴露计算得出。
  3. BT将疲劳，暴露积累和功能能力整合起来。
  4. 一个通过特定信号模块生成的信号（玩家从never sees raw值，只看误差率较大的信号） 。
  5. 结果被分类：前进，持續，不退卻，或终极事件。

6 个可以游玩的人物，每个都有独特的引擎配置（实际的认知准确性，适应率，加速，资源效率）。5 个场景，根据初始条件和压力偏差而有不同的内容。

有10种终结结局，其中最少的是峰顶结局。

叙述是我最初的主要兴趣，从而是最终的动力。 将是一种以普遍的动机来告诉故事。

架构决策:

  • 引擎与UI完全分离： engine/ 是一个只有纯JS（浏览器依赖）； ui/ 是浏览器专用。 引擎在 Monte Carlo 模拟过程中是无头的。
  • 所有参数都是驱动数据（JSON数据：人物，结局，动作修改器，阶段修改器，EP配置）。
  • 381 个自动测试，覆盖引擎，UI帮助，API，接口一致性和模拟管道。
  • Monte Carlo 批量：1500 次无头运行（6 个人物×5 个场景×50 个种子）进行结构验证。 每个角色都没有百分之百登峰的登顶率。

关于AI:

我在科技开发领域工作，发展战略科学管理。这是我第一次参与软件开发项目之前，我从未参与过。 我使用AI进行文档编撰，编程辅助和当前的概念艺术。 我在压力包和README中明确说明过这是使用AI创作出来的。 不管背景还是预算，我会清明地说出来也不做假以图求好。

我愿望将AI创作的艺术替换用原创作品来增强它。

我想要的现在:

  • 愿意尝试登顶（和失败）并告诉我玩过的人，如果原型和文档已经和它们应该保持的一致性。
  • 曾经参与过高海拔攀登的人员，能告诉我模型的偏差。
  • 愿意加入的人：设计，叙述，艺术，引擎。目前已达到我的上限。