引擎长大的那个周末

有那么一个时刻,一个代码库不再是你正在构建的东西,而变成了别人可以在其上构建的东西。对 RakuAI 来说,那个时刻就是圣诞节和新年之间那个 276 次提交的周末。

有些周末代码库向前推进,也有些周末代码库改变了类别。圣诞节和新年之间的这个周末,是后一种。

两百七十六次提交落地到各个仓库中。运行时长出了那种能把研究项目变成平台的表面积。空间锚点。OpenXR 合成。设备端小语言模型推理。带有真实加密的联邦同步。光通信通道的硬件抽象。其中大部分是通过并行的、由智能体撰写的 PR 落地的,经过已经运行了两个月的多供应商工作流审查并合并。

周六早上,我端着咖啡坐下来,面对一队高优先级的 TODO。到周日晚上,我合上笔记本电脑时,面对的已经是和周六打开时不同的一个引擎。这篇文章讲的就是这次都发布了什么、这些意味着什么,以及为什么我认为 2026 年会是其他人开始认真对待这个引擎的一年。

重要落地项

用于 SLM 推理的 TensorFlow Lite C API。 这是我最兴奋的一项。运行时现在可以加载 TFLite 格式的小语言模型,并将推理作为一等运行时操作来执行。动机很直接:不是每个模型都需要一次云端往返。一些驱动 AR 体验的 AI 行为紧凑、聚焦,足够小,可以在设备端运行。TFLite 路径为我们提供了这一点。通过 XRAssistantService 的云端 LLM 路径为我们提供了另一端。现在引擎两端都能覆盖。

空间锚点全部完成(Epic #555)。 完整的空间锚点生命周期:创建、持久化、跨设备共享、在不同会话中恢复、过期。持久化层通过 libcurl HTTP 实现云端支持,同一个周末落地的加密层(AES-256-GCM,PBKDF2 密钥派生)为其提供保护。锚点现在是一等运行时对象。一个需要今天、明天、一个月后都把虚拟物体放在同一个厨房台面上的 AR 体验——跨越两位不同的人所拥有的两副不同眼镜——现在可以实现了。

卡尔曼滤波锚点姿态稳定。 一件很小但很重要的事情。没有滤波的锚点姿态会有恰好让人感觉不对劲的抖动。经过卡尔曼状态预测滤波的锚点姿态则感觉很稳。运行时现在会自动应用该滤波器;上层应用不需要知道这件事。

OpenXR 合成层管理器与动作空间。 延续十一月的 OpenXR 主干工作。合成层管理器让单个帧能够以正确的顺序和正确的混合模式,把摄像头透视、用户的虚拟内容以及任何系统叠加层组合在一起。这是基础性的工作,也很容易被低估。

用于共享锚点的生产级 AES-256-GCM 加密与 UDP 对等发现。 正是这个让”与同一房间里的朋友共享一个锚点”这件事真正安全可发布。共享锚点协议端到端使用认证加密。对等发现在本地通过 UDP 进行,不需要经过云端往返。共享 AR 的隐私和延迟故事是真实的。

光通道硬件抽象层(解决了 33 个传感器 TODO)。 光链路,如果设备上存在的话,现在成为了射频链路的对等体。两者都被抽象在十一月落地的同一个双模链路管理器之后。上层运行时不关心线路上跑的是哪种无线电。

联邦同步接入真实加密。 联邦同步子系统在整个秋天大部分时间都是靠桩实现驱动的。这个周末它长出了真正的实现:HTTP 传输、JSON 信封、加密签名验证。现在可以通过联邦通路安全地向设备分发 AI/ML 模型更新。

供应商眼动追踪 SDK 集成与令牌验证。 若干供应商特定的眼动追踪 SDK 现在被接入到了 OpenXR 提供者接口之后,并为供应商的许可层配备了合适的基于令牌的身份验证。

渲染器全链路的 GPU 性能分析插桩(解决了 15 个 TODO)。 每个 pass 的 GPU 计时、内存预算和管线停滞检测现已上线。如果某一帧耗时过长,我们可以确切看到是哪个 pass 花掉了预算。

运行时更新器功能(解决了 10 个 TODO)。 运行时现在可以在现场自我更新。带版本号、签名、可回滚。这是那种没人会注意到、直到需要它的时候才意识到——它就是平台和玩具项目之间的区别——的基础设施。

我从这个节奏中学到了什么

在一个漫长的假期周末里完成两百七十六次提交,这个节奏在传统开发工作流中是行不通的。它之所以在这个工作流中行得通,是因为这个工作流是围绕智能体针对我持续填满的队列并行发布来构建的。以下是我在圣诞到新年这段时间以这种节奏运行时的几点观察:

Epic 结构证明了它的价值。 大约在月中,我把工单跟踪系统切换成了”Epic 加子工单”的模式(Epic #506 对应运行时核心第一阶段,Epic #555 对应空间锚点,Epic #508 对应 OpenXR 扩展)。每个 Epic 得到一个 PR 来收束一整块连贯的工作。智能体并行实现各个子工单,但合并是作为一个原子的 Epic 级 PR 发生的。这让代码库的历史干净了很多,也让审查变得可管理。

TODO 跟踪系统是正确的举措。 这个月早些时候,我加入了一个自动化系统,它扫描代码库中的 TODO 注释,为每一条创建 GitHub issue,并附带优先级排序。到圣诞冲刺开始时,已经有 342 个被跟踪的运行时 TODO。智能体优先挑选优先级最高的来处理。这个周末我们大约解决了其中的 150 个。代码库比十二月初时干净了不少。

跨仓库合并的时机很重要。 这个周末,针对若干 Epic,运行时和 SDK 的改动必须在彼此的几小时之内落地。当运行时发布一个新的 C API 时,SDK 必须在同一天更新其绑定。我把几个 SDK 的 PR 压住,又在同一个小时内合并了几个运行时的 PR,以保持集成的诚实一致。

智能体在各自角色上的表现在变好。 这个周末落地的 PR 明显比九月落地的干净。部分原因是代码库更成熟了。部分原因是工作流更有纪律了。部分原因是模型本身在这类代码库产出的工作上变得更好了。三者都是真实的。

进入 2026 年,引擎所处的位置

清单版本:

• AR1+ 到 AR2 Gen1 的转向:已完成
• OpenXR 主干:已完成
• 通过 XRAssistantService 的云端 LLM 意图集成:已完成
• 通过 TFLite 的设备端 SLM 推理:已完成
• 用于高精度叠加的亚毫米级锚定:已完成
• 带持久化、共享和正规加密的空间锚点:已完成
• Wi-Fi 7 卸载渲染管线:已完成
• 双模射频/光链路管理器:已完成
• 眼动追踪、手部追踪、全身追踪:已完成
• 带多配置优化的注视点渲染:已完成
• 传感器和光通道的硬件抽象:已完成
• 用于模型和内容分发的联邦同步:已完成
• 带版本管理和回滚的运行时更新器:已完成
• 多平台构建(Linux、macOS、Windows MSVC 2026):已完成
• 遥测与 OpenTelemetry 管线:已完成
• 342 个 TODO 已跟踪,本月已关闭约 150 个:进行中,但正在成形

尚未完成的是:把模型层和仿真步骤绑定在一起的 AI 子系统。行为树。导航网格。人群仿真。感知系统。决策树。这是我预计在一月第一周落地的工作。运行时已经准备好接纳它们。今天引擎有了骨架。下个周末它将获得神经。

我希望合作伙伴、开发者和实验室从中获得什么

如果你是一个硬件合作伙伴,正在评估这个引擎能否在 2026 年在你的设备上发布,答案是可以,而让这件事成真的工作目前主要是特定供应商的胶水代码。引擎本身已经准备就绪。

如果你是一个 AI 实验室,正在考虑你的模型的推理预算最好花在 AR 运行时的哪个地方,那么 TFLite 设备端路径和云端 LLM 的 XRAssistantService 路径现在都已达到生产质量。如果你的模型符合设备端预算,它就可以在仿真步骤上运行。如果不符合,云端路径是敞开的。无论哪种方式,这种集成都是与模型无关的,而我希望你的模型是驱动它的最好的模型。

如果你是一名开发者,正在考虑 2026 年在这个引擎之上构建东西,这个表面积是真实的。C API 是稳定的。SDK 绑定(Unity 和 Unreal)是真实的。OpenXR 主干意味着这个引擎面向多种设备。这个网址上的博客一直是引擎如何走到今天的公开记录。如果你想知道当你把一个体验带到这个平台上时,工程文化会是什么样子,不妨往回读一读。

276 次提交,一年将尽,一个长大了的引擎。不同的周末,同样的工作流。下周六继续构建。