7.3 AI 框架与行为树

7.3 AI 框架与行为树

本节摘要：引擎把"看起来会思考"拆成三件朴素的事：感知组件回答"我注意到了什么"，黑板加行为树回答"我接下来做什么"，导航网格回答"怎么走过去"。本节沿这条链搭出一个会巡逻、会追击、会丢失目标后搜索的哨兵，并盘点 AI 的每帧查询账单。

AI 不是智能，是预算内的一套反应

玩家说"这游戏 AI 聪明"，拆开看通常是三件事做对了：注意到玩家的时机合理（感知）、反应符合身份设定（决策）、移动路径可信（寻路）。反过来，AI 显得蠢也几乎总是这三件事之一出错：隔着墙突然锁定（感知无遮挡判断）、追追停停抽搐（决策抖动）、原地撞墙（寻路数据缺失）。引擎的 AI 框架按这三件事划界，每件事都有清晰的接口与开销——理解边界比调参数重要：感知的错误用感知层修，决策的抖动用决策层修，跨层打补丁是 AI 越修越乱的原因。

本节在知识体系中的位置：它是"意图应答"的主角，与 6.1 构成群体成本的上下游（本章的单体 AI 乘以 NPC 数量就是群体账单），寻路部分直接依赖 2.3 的查询思想——AI 的每帧本质是"一组有节流的物理与逻辑查询"。

三件事的接口与开销

感知组件（AIPerception）管理"注意到了什么"：为 NPC 配置视觉（视野角、距离、丢失记忆时间）与听觉等感官，引擎按配置频率扫描候选目标，事件式通知"目标出现、丢失、遗忘"。它的账单在扫描频率与候选数量——几十个 NPC 全开高频视觉扫描，感知就成为 CPU 常驻支出；按重要度分级配频率是标准做法。

决策由黑板加行为树承担。黑板是一个键值小黑板，存 AI 当前的关键事实（目标是谁、家在哪、上个弹孔在哪）；行为树是一棵带执行语义的树：选择节点按顺序尝试分支、序列节点依次执行子节点、装饰器改分支的执行条件、服务在分支活动期间周期性检查、任务是最小行动单元（走过去、等待、攻击）。行为树的执行从根每帧走一遍活跃路径，开销与树的活跃宽度相关——把"每帧都要的判断"放服务里降频执行，是行为树的节流要领。

寻路由导航网格支撑：在可行走表面烘焙出的多边形网络，移动组件接"走向某点"的请求后自动算路径并避让。账单在烘焙质量与重烘焙时机——导航数据缺一块，AI 就撞墙；动态门开关后没更新，AI 就卡门。场景变动频繁的区域用动态导航区域而非重烘焙整图。

哨兵决策树的结构

三态切换的精髓在分支优先级与黑板写入：感知事件只负责写黑板（目标出现写入、目标丢失写入最后已知位置），行为树只读黑板选分支——感知与决策解耦，谁也不直接命令谁，这是行为树架构最重要的一条纪律。

案例：一个会巡逻与追击的哨兵

背景：关卡需要哨兵 NPC：沿路线巡逻，视野内发现玩家后追击并攻击，玩家脱离视野后先到最后目击点搜索，找不到回巡逻。这是行为树架构的最小完整形态。

操作：第一步，NPC 蓝图继承 AI 控制器规范，挂感知组件，配置视觉感官：半场视角一百二十度、感知半径两千、丢失记忆五秒。第二步，黑板定义三个键：目标Actor、最后已知位置、巡逻点列表。第三步，按上面的树搭行为树：追击、搜索、巡逻三个分支按优先级排列，追击分支内的攻击转换用"距离进入攻击范围"装饰器，搜索分支结束时清最后已知位置。第四步，感知事件写黑板：目标更新事件里同时更新目标键与最后已知位置；感知丢失事件（带记忆期）触发后只更新最后已知位置。第五步，关卡铺导航网格边界体积，烘焙后用导航调试视图确认可行走区域覆盖巡逻与追击范围。第六步，把感知扫描间隔从默认调到零点五秒，验证反应延迟是否可接受。

结果：哨兵巡逻流畅，玩家进入视野约半秒内转头追击；躲进掩体五秒后哨兵走向最后目击点环顾，无果后回巡逻。全程无撞墙、无抽搐。

解读：两个可感知的"聪明"细节其实都是参数与结构问题：半秒的反应延迟来自感知扫描间隔——把间隔调低到零点一秒反应更快，但十个哨兵的感知开销就上十倍，反应速度与群体预算的换算关系要心里有数；搜索行为之所以"像在想"，是因为黑板里保留了失败的位置信息并驱动了行动，AI 的可信度来自"状态被持续记录"，不是来自更复杂的树。变式一：听觉感知——开枪事件广播噪声源，哨兵的听觉感官接到后写入最后已知位置，与视觉共用搜索分支。变式二：群体协作——黑板加"支援标记"键，哨兵发现玩家时写共享黑板通知附近同伴，注意共享写入要限频防抖。变式三：关卡机关交互——行为树任务里调用 4.2 的数据表查询哨兵性格参数（胆小的见玩家直接逃向警卫点），AI 的"性格"就是不同参数的同一棵树。

常见坑：在行为树任务里每帧做射线检测或全场景查询。树的活跃路径每帧走，任务里的重查询等于每帧重查询——重活放服务节点降频，或感知层的事件驱动替代轮询。

本节要点回顾

• AI 三件事：感知（注意到什么）、决策（接下来做什么）、寻路（怎么走过去），边界清晰才好修。
• 黑板是唯一事实源：感知只写、行为树只读，解耦是行为树架构的第一纪律。
• 树的节流靠服务降频，活跃路径每帧走，重查询必须挪出任务体。
• 反应速度与群体预算成反比：感知扫描间隔按 NPC 重要度分级配置。
• 可信感来自状态记录：失败位置、记忆时长、性格参数，"聪明"是数据驱动的表象。

高频问答

问：行为树和状态机做 AI 决策怎么选？
树长在"行为的组合与优先级"，状态机长在"状态的互斥与转移"。哨兵这类多行为竞争（巡逻、搜索、追击随时按情报切换）用树；典型动作类敌人的招式阶段（起手、攻击、硬直）用状态机。两者还能嵌套：行为树的任务里驱动状态机，各管一层。

问：NPC 会在导航网格外活动吗（比如跳跃、攀爬）？
导航网格只管可行走面。网格外的位移用专门的标记点加动作序列做（跳窗、翻墙），标记点附近把网格补上缺口——AI 主干靠寻路，特殊位移靠导演好的片段，这也是商业项目的常规做法。

问：怎么做难度分级而不重写行为树？
三个参数层：感知参数（视野距离与反应延迟）、行为树里的装饰器条件（敢不敢孤身追击）、技能参数（命中与伤害）。同一棵树配三组数值就是三档难度——难度是数据问题，不是结构问题，这与 4.2 的数据驱动一脉相承。