细节分析:仁王2是如何在第一关教玩家做人(鬼)的?

仁王2对于我这样,从魂系列入坑,听闻仁王大名。却没接触过仁王1,只从仁王2上手的玩家来说。对他的第一感觉就是:

上手难!非常难。对于没有接触仁王2系统的玩家,仁王的系统比传统类魂游戏系统多了好几个级别。但仁王的新手引导极其有限,几乎是刚让新兵学会怎么开枪就直接碰到战场上一样。

所谓上手难,并不是只游戏不好玩,或者因为玩家太菜而玩不下去。

说实话,本游戏的难度曲线和引导系统确实有大问题,大量复杂系统一上来全丢给玩家,是谁都要蒙圈。

仁王2操作的复杂性:

1.首先武器选择:打刀,大太刀,双刀,斧子,镰刀,锁镰,机关棍,手甲等

新手玩家当然不需要全部熟悉,但必然有每种武器上手难度不同以及版本最强武器。

2.攻击方式有:轻攻击,重攻击,冲刺攻击,以及组合武技等等

攻击还有三种架势,上段主伤害进攻,中段主灵活防御,下段主闪避

段位切换也是本游戏一大关键要素,尤其键盘设置中段位切换操作极为别扭这就限制了键盘党的上限

3.一个最关键的战斗机制:残心

残心指在执行攻击动作后通过一个按键可快速取消攻击后摇并回复一定体力。以及消除负面buff等效果

这就导致了玩家必须习惯攻击后的残心,否则攻击后长时间的后摇无法及时做出防御闪避等动作。以及攻击消耗的大量体力不能恢复,严重限制输出方式。

正因为仁王的快节奏攻击,以及大量武技组合,就必须不能像黑魂一样等后摇结束再滚翻那样的回合制战斗。因为残心的存在,仁王的战斗节奏非常快,也就是新手玩家必须一上来就学会并习惯有残心的战斗模式,否则代价非常大。

4.妖技

由于前面大量的机制啊,让我根本不想去研究妖怪技能,就简单看了一下教程。直到被马头鬼教做人之后,才知道妖怪技的重要性。

妖反:敌人红光爆气时攻击使用妖反可大量反制伤害。由于妖反的按键和防御反击按键还不一样,所以一开始也就没太想用妖反,包括牛头鬼都是一刀一刀蹭过去的。在马鬼面前反复死亡后,终于知道了妖反的重要性。

首先红光攻击是可以防御的,但基本接了就会清空体力,造成大量硬直。

其次妖怪具有妖力条,妖力条存在情况会具有霸体,严重限制我方输出。而妖反可以大量减少妖力条,使原本强力的敌人进去被压制状态。也就是使用妖反和不用,又几乎完全是两个游戏。

妖怪技:妖怪技是一键释放技能,与战技或法术没太大区别,但妖怪技使用好非常强力。我们在击杀敌人时就可以累积妖力值,妖怪技释放需要一定妖怪值。而妖怪技不但能完成大量伤害,还能消耗妖力条。灵活释放妖怪技又使战斗难度下降一个等级。

下面来回味一下,就从第一关“樱祸村”来分析,仁王2是如何坑各位新手玩家的。

在第一关的战斗中,第一个敌人时小饿鬼,由于小饿鬼韧性低,容易硬直,所以单独面对几乎没有威胁。然而第二个一上来就遇见大大大Boss级别的牛头人。在初见时候,虽然已经想到了,并且有提示说无需战斗。但还是试了一下,真就一刀劈死。尤其新人操作不熟悉,更不会妖反啥的情况下,背打的一点没脾气。堪比魂一的短刀战恶魔,只狼的站撸赤鬼。

然后遇到人类敌人,人类敌人多数战斗没有大威胁,由于会打出防御,只要战斗压制就不会有威胁。尽量不要同时面对多数敌人。

猿鬼可能是萌新玩家遇到的第一个新人杀手。猿鬼攻击方式非常多,在背后攻击会一个回首掏,伤害不高但会造成硬直打断攻击。正面有直刺,伤害高,距离远,防御状态也大量耗精。还有二连砍接直刺。距离较远会远处扔枪然后滚翻过来,向后躲是躲不开的。还有飞扑倒地抓狂6连。前方砸地3连。有时候二连不接直刺。投技为抓取然后脚踩,有时候向后躲不开。中招基本上没大半管血,前中后期都一样。红光攻击1是剑圣8连,如果起手快了妖反不到,然后挨后续攻击。2是一个大飞扑,起手比较明显,而且伤害判定为落点,容易躲避。

就是这样一个新手第三个遇见的敌人,一共拥有数10种攻击方式。简直丧心病狂啊。从猿鬼就可以数量掌握躲闪蹭刀,以及防御状态切攻击的模式。不需要学会妖反和妖怪技。后期还会遇到大量猿鬼,但由于熟悉攻击模式,基本可无伤通过。

猿鬼,要点在于攻击模式多,起手时间不同,很难做出准确判断。加上进攻欲望强烈,很容易初见杀反复落命。

第一关除了猿鬼基本没有太大的威胁了,当熟悉猿鬼攻击节奏后,加上有了一定等级和装备。我们可以返回攻击牛头鬼。(纯爱党必杀ntr!)

牛头鬼依然是新人杀手,即便有装备情况下,依然扛不住它3刀,好在牛头鬼模式非常像魂游戏的boss,近身情况下二人转很多攻击是打不到的(魂系列玩家大有感触,体大弱菊嘛)。其次是红光攻击,因为是一个竖直的纵劈,而我又站的很近,然后我用的是幻型防反,所以很多时候反不到。这时如果选择猛型防反就会非常简单。

牛鬼的攻击模式还比较简单。1.竖直大前摇纵劈2.2连纵劈接一刀红光纵劈3.老牛冲刺,撞到墙会停下,没撞到会再冲一次。任何方向的垫步是躲不开的,滚翻有时候也会失误。4.还有一招大跳纵劈,也比较好多,放下输出就完事了。总之牛鬼虽然压迫力大,但其实难缠程度还不如猿鬼,及时没有妖反也比较容易过,是最像黑魂的boss之一。

然后就是游戏初期给我最大震撼的boss,不只是视听层面,更有心里与生理的双重震撼。必须要说把马面🐴放到当第一个boss,制作组真是太他娘的机智了!!

马头鬼与牛头鬼战斗十分相像,甚至拿的武器都差不多。但马头鬼战斗绝对比牛头鬼战斗困难的多。

马头鬼的招式有1.两下大范围的横扫,如果使用垫补躲容易被蹭到,用滚翻由于后摇又躲不过第二下。从这我学会了防御的重要性,仁王是完全防御,轻攻击耗精不高,相比不稳定的闪避,防御更有价值。

2.尤其还有一招回斩后撤,前摇短,起手不明显,如果闪避很容易被蹭到,用防御更优秀。

3.投技是伸手一抓,然后大刀腰斩。向右闪避的话非常容易中招,配上马面狰狞的脸和音效极其降san。

4.技能记的不全的,直接进常暗吧。

当清空boss妖力值后,会释放常暗,并回复妖力值。一瞬间整个场景进入到一片黑白之中,只有红色的彼岸花盛开。boss攻击欲望骤然提升,bgm节奏瞬变。我们刚好不容易打空boss妖力进入压制阶段,刚刚想好好输出一番,却整个世界骤然一变,攻势刚刚反转却在此回到敌人手中。对于玩家心态是一个巨大的震撼。

必须承认仁王常暗的设计真是太棒了!

在常暗中,我们体力恢复大大受限,回复速度不足刚才的一半。我们的战斗思路瞬间又变了,如果专注防御则很容易被打空体力而出现大硬直。

这时候新手的思路是远远拉开距离,避战。然后脱过常暗,回到正常世界。就会发现boss妖力值大大回复,再进攻仍会变得很困难。

也是由此,我终于明白了了妖反的重要性。马面作为第一个boss,妖力值设置的很低,几乎一两次妖反,加蹭刀就能打空进入压制。而且马面的技能比较容易被妖反,不管是猛迅幻类型,只要熟悉几遍还是非常容易成功的。

加上刚获得的猿鬼魂核能打出大量伤害,一阶段的战斗难度陡然降低。

进入常暗后,我意识到了道具的重要性。在黑魂只狼中,除了几个特殊boss,你全程不用道具,只用血药也没问题。而在仁王中进入常暗后,由于巨大的体力恢复限制,一个道具成了救命稻草——神水。由于太简单我甚至没注意它的功效——加快体力恢复。使用之后才发现,用了以后在常暗中的回体瞬间达到了正常世界的水平。又可以重复刚才的防御手段。加上已经被打空一次妖力,会降低上限。配合几次妖反很容易再次清空回到正常世界。而这次清空会触发处决,倒地时间很长,完全可以轻攻击输出一套立刻残心接重攻击处决,造成大量伤害。

由此几乎就过了马面🐴这一关。仁王的第一关就设置了大量基本操作的敌人,每个敌人有各种应对手段。从闪避输出,到防御找机会,上中下段的不同操作方式,妖怪技能以及妖反机制。加上常暗的震撼效果。都放在了第一关内。

推图意外死了五六次,打牛鬼死了不到十次,而马面整整得死了30来次。

很气人的是,仁王的boss攻击都有明显前摇,每种攻击都有相对的手段。但就是一个失误会葬送全局。马面一丝血而被反杀的次数不下10次。类魂游戏的一大特点就是,你觉得你能过,而且就差一点能过。尤其这种赌徒心理,让人欲罢不能。

仁王的最大缺点,我认为还是,把过多的内容一次性的放到了一起,即没有黑魂那种去繁从简的战斗模式,也没有类银河恶魔城的成长引导。一上来大量内容堆积。你会妖反和不会就不是一个难度,而妖力条的设定,更让boss血条显得更长。

对比黑魂,虽然古达二阶段也非常降san,但抓紧输出也可以快速解决,甚至扔火球还能触发大硬直。而仁王2boss本来有妖力值霸体,不容易输出,也没有弹反的高风险高回报。在没有熟悉战斗模式的情况下,显得战斗格外艰难。

这也是仁王2一上来大量劝退的问题。并不是玩家太菜打不过,也不是游戏设计太垃圾。游戏设计的问题也就是缺乏新手引导。算是缺点,也不算缺点。因为一旦熟悉系统上手之后,战斗体验会变得非常丰富。一扫之前的挫败感。但不熟悉系统就此被劝退的人,只能说,可能这个游戏确实不适合你,游戏或许有问题,但没必要和喜欢游戏的人起冲突。

因为游戏比较难而放弃,却因此努喷游戏辣鸡,其实也是侮辱了为这款游戏耐心钻研,辛苦付出的玩家们。

 #玩转《仁王2完全版》# 

本文由小黑盒作者:James小贱 原创
转载请注明作者及出处

相关推荐: 机器学习落地游戏实践简析

1.绪论与前提 1.1机器学习是什么 机器学习定义 给定(训练)数据,发现一些潜在的模式并将这个模式应用于新数据。机器学习的核心是“使用算法解析数据,从中学习潜在的模式,然后对世界上的某件事情做出决定和预测”。 机器学习与人工智能的关系 机器学习是人工智能的一个分支,使用特定的算法和编程方法来实现人工智能。人工智能致力于创造出比人类更能完成复杂任务的机器。 深度学习是机器学习的一个子集,专注于模仿人类的神经网络的生物学和过程。 基本术语 数据集、属性、样本空间、特征向量、维数 从数据中学得模型的过程称为“学习”或“训练”,这个过程通过执行某个学习算法来完成 1.2发展历程与流派 机器学习是人工智能研究发展到一定阶段的必然产物 推理期: 二十世纪五十年代到七十年代初,人工智能研究处于“推理期”,那时人们以为只要能赋予机器逻辑推理能力,机器就能具有智能;这一阶段的代表性工作主要有A.Newell 和 H.Simom的“逻辑理论家”程序以及此后的“通用问题求解”程序等。 知识期: 二十世纪七十年代中期开启,人工智能研究进入了“知识期”,在这一时期,大量专家系统问世,在很多应用领域取得了大量成果并获得图灵奖,但是面临明显知识工程瓶颈:由人来把知识总结出来再教给计算机是相当困难的。 学习期: 二十世纪八十年代进入了“学习期”,“从样例中学习”的一大主流是符号主义学习,其代表包括决策树和基于逻辑的学习;典型的决策树学习以信息论为基础,以信息熵的最小化为目标,直接模拟了人类对概念进行判定的树形流程。基于逻辑的学习著名代表是归纳逻辑程序设计(ILP,Inductive Logic Programming) 统计学习: 二十世纪九十年代中期,“统计学习”登场并占据主流,代表性技术是支持向量机(SVM,Support Vector Machine)以及“核方法”(kernel methods) 深度学习: 机器学习中一种基于对数据进行表征学习的算法 机器学习现今已经发展成为一个相当大的学科领域,本文仅是管中窥豹,很多重要技术不再展开赘述,感兴趣的读者可查阅《神经网络与深度学习》、《机器学习》等书籍。 机器学习的五大流派,主要有符号主义、贝叶斯派、联结主义、进化主义、行为类推主义等 2.机器学习算法图谱 2.1监督及非监督式学习 监督式学习 采用标记数据以特定的模式来识别每种标记类型的新样本,主要类型是分类和回归 非监督式学习 训练数据没有标签或答案,目的是找出数据内部的关联和模式、趋势。分为聚类和降维 强化学习 给予算法一个不断试错,并具有奖励机制的场景,最终是算法找到最佳路径或者策略 半监督式学习 在训练阶段结合了大量未标记的数据和少量标签数据 3.上线流程简述 3.1  机器学习模型上线流程 3.1.1选择数据(特征工程) 训练数据、测试数据、验证数据(训练效果、泛化效果、验证效果)---将原始数据(日志、产品购买的历史记录等)数据清洗成可以由学习算法在训练和预测中使用的矢量(vector)的过程 3.1.2数据建模 使用训练数据来构建使用相关特征的模型 3.1.3训练模型 特征数据接入算法模型,来确定机器学习算法的类型、特征、参数等 3.1.4测试模型 使用测试数据检查被训练模型的表现(准确率、召回率) 3.1.5验证模型 使用完全训练好的模型在新数据上做预测 3.1.6调优模型 使用更多数据、不同特征或调整过的参数来提升算法的性能表现 4.PUBGM项目落地实践 4.1  算法接入背景 游戏上线超过2年,海量的历史数据沉淀 现有商业化系统存在一定的可提升空间 海外游戏项目首次接入算法,利于沉淀经验 4.2  算法上线流程-产品侧主要工作 前面已经讲述过算法的整体上线流程,产品侧的工作重点在于训练数据梳理涉及的特征工程及调优模型设计的特征,整体流程回顾: 选择数据(特征工程) 训练数据、测试数据、验证数据(训练效果、泛化效果、验证效果)---将原始数据(日志、产品购买的历史记录等)数据清洗成可以由学习算法在训练和预测中使用的矢量(vector)的过程 具体步骤 特征数量 游戏道具特征s1(s11,s12,s13,...,s1k),s2(s21,s22 ,... s2k)...n 、用户特征u(u1,u2,u3 ... un) 创建训练实例,u(u,si)(1 – 购买)和(u,sj)(0 – 未购买) 特征逻辑 梳理特征具体至Tlog表名、字段提取逻辑,提取数据进行清洗 项目实践 总计梳理900+特征及日志提取逻辑,提供给算法团队进行数据建模、训练及测试,在算法模型不变的情况下,特征会显著影响算法效果 数据建模、训练、测试、验证模型由数据挖掘侧负责进行,此处不再展开赘述 4.3  具体落地算法简析 决策树算法 决策树算法将一组“弱”学习器集合在一起,形成一种强算法。一种流行的决策树算法是随机森林。在该算法中,弱学习器是随机选择的,这往往可以获得一个强预测器。 优点: 1)概念简单,计算复杂度不高,可解释性强,输出结果易于理解; 2)数据清洗工作较为简单,能够同时处理数据型和常规型属性,可扩展性强; 缺点: 1)容易过拟合 2)对于那些各类样本数量不一致的数据,在决策树当中,信息增益的结果偏向于那些具有更多数值的特征 3)信息缺失处理困难,人为改变特征容易使得分类器判断错误 集成学习原理 集成学习归属于机器学习,他是一种「训练思路」,并不是某种具体的方法或者算法;它并没有创造出新的算法,而是把已有的算法进行结合,从而得到更好的效果。 集成学习会挑选一些简单的基础模型进行组装,组装这些基础模型的思路主要有 2 种方法: Bagging(bootstrap aggregating的缩写,也称作“套袋法”) Boosting Bagging的核心思路 :民主 Bagging 的思路是所有基础模型都一致对待,每个基础模型手里都只有一票。然后使用民主投票的方式得到最终的结果。 大部分情况下,经过 bagging 得到的结果方差更小。 具体过程: 1)从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本(在训练集中,有些样本可能被多次抽取到,而有些样本可能一次都没有被抽中)。共进行k轮抽取,得到k个训练集。(k个训练集之间是相互独立的) 2)每次使用一个训练集得到一个模型,k个训练集共得到k个模型。(注:这里并没有具体的分类算法或回归方法,我们可以根据具体问题采用不同的分类或回归方法,如决策树、感知器等) 3)对分类问题:将上步得到的k个模型采用投票的方式得到分类结果;对回归问题,计算上述模型的均值作为最后的结果。(所有模型的重要性相同) 主流方式:在 bagging的方法中,最为主流的随机森林:bagging + 决策树 = 随机森林 Boosting的核心思路 :挑选精英 Boosting 和 bagging 最本质的差别在于他对基础模型不是一致对待的,而是经过不停的考验和筛选来挑选出「精英」,然后给精英更多的投票权,表现不好的基础模型则给较少的投票权,然后综合所有人的投票得到最终结果。 大部分情况下,经过 boosting 得到的结果偏差(bias)更小。 1)通过加法模型将基础模型进行线性的组合; 2)每一轮训练都提升那些错误率小的基础模型权重,同时减小错误率高的模型权重; 3)在每一轮改变训练数据的权值或概率分布,通过提高那些在前一轮被弱分类器分错样例的权值,减小前一轮分对样例的权值,来使得分类器对误分的数据有较好的效果。 主流方式:在…

非原创文章,作者:nicevoice,如若转载,请注明出处:https://down.yiqiangame.com/24443.html