决策架构选型：同一个守卫，四种写法

同一个守卫

前面几课分别讲了行为树、效用 AI 和 GOAP。这一课把它们放在一起比：拿同一个守卫，用四种架构各写一遍。

守卫的需求很普通：

• 平时巡逻；
• 看见玩家就开枪，子弹打光要装弹；
• 玩家跑了，就去他最后出现的地方搜一搜，搜不到再回去巡逻；
• 血量低了，不管在干什么，都先找掩体。

下面的四张草图是自己编的示意，只为看清每种架构的「形状」，不是哪个游戏的真实实现。

写法一：有限状态机

状态机 (FSM) 的写法最直接：列出状态，再画出状态之间的转换。

flowchart LR
  P["巡逻"] -->|"看见玩家"| F["开枪"]
  F -->|"子弹打光"| R["装弹"]
  R -->|"装好了"| F
  F -->|"丢了目标"| S["搜索"]
  S -->|"又看见了"| F
  S -->|"搜不到"| P
  P -->|"血量低"| C["找掩体"]
  F -->|"血量低"| C
  R -->|"血量低"| C
  S -->|"血量低"| C

状态少的时候它非常清楚。麻烦在于「血量低就找掩体」这种对所有状态都成立的规则，得在每个状态上各画一条边。再加一个维度更糟：守卫可能拿着枪，也可能空着手。把「在做什么」和「拿着什么」塞进同一台状态机，n 个动作状态乘 m 个装备状态，就是 n × m 个状态。

《游戏编程模式》(GPP) 给了三种扩展办法：

GPP 的结论是：状态机最大的优点——强约束——也是它的上限。AI 再复杂下去，通常会转向行为树和规划。

写法二：行为树

行为树把守卫的需求写成一张优先级列表，排在前面的先试：

flowchart TD
  R["Selector：守卫"] --> A["Sequence：保命"]
  R --> B["Sequence：战斗"]
  R --> D["Sequence：搜索"]
  R --> E["巡逻"]
  A --> A1["血量低？"]
  A --> A2["去掩体"]
  B --> B1["看得见玩家？"]
  B --> B2["Selector：开火"]
  B2 --> B3["开枪（没子弹就失败）"]
  B2 --> B4["装弹"]
  D --> D1["有上次看见的位置？"]
  D --> D2["去那里搜"]

「血量低就找掩体」不再需要到处画边：它是排在最前面的分支，每次都先检查。没子弹时开枪失败，Selector 自然退到装弹。这正是行为树的强项：优先级回退和模块化的子树。弱点是它基本是反应式的，不会往前推演一长串行动。

写法三：效用 AI

效用 AI 不排顺序，而是给每个行动打分，选最高的：

守卫会显得在「权衡」：血不多但玩家就在眼前、掩体又很远时，它可能选择继续开枪。代价是硬优先级很难表达——如果设计要求「血量低时无论如何先躲」，靠调几个分数去凑，迟早会在某个边角情况下被别的高分行动压过去。Damian Isla 在 Halo 2 上就批评过这种纯浮点竞争的做法。

写法四：GOAP

GOAP 只声明目标和行动，计划交给规划器去搜：

目标「威胁消除」、当前状态「没上膛、看不见玩家」时，规划器会排出「搜索 → 装弹 → 开枪」这样的序列；中途被堵住了，就从当前状态重新规划。执行层仍是一个很薄的状态机。它擅长行动组合多、需要应变的情况，代价是世界状态的设计和规划的 CPU。

对照表

怎么选

先看问题像什么：

flowchart TB
  Q{"问题像什么？"} --> A["离散的阶段不多：状态机 / StateTree"]
  Q --> B["有优先级、失败要回退：行为树"]
  Q --> C["连续权衡、要调参：效用 AI"]
  Q --> D["行动组合多、要重新规划：GOAP"]

1. 角色动作、UI、动画层：状态少、转换清楚，用状态机或分层状态机（虚幻引擎里是 StateTree）。
2. 战术任务、需要 Plan B：用行为树。虚幻引擎里，优先级抢占明显的战斗场景也倾向事件驱动的行为树。
3. 选项多、要「权衡感」、设计师要调参：用效用 AI，但记住 Isla 对纯浮点优先级的警告。
4. 行动组合爆炸、要声明式扩展和失败重试：用 GOAP 或别的规划器，执行层仍可以是一个很薄的状态机。

混着用

实际项目很少四选一，更常见的是分层混用：

• 行为树选高层，效用选叶子战术：树负责「巡逻 / 战斗 / 撤退」这样的阶段，进到战斗分支后，用效用分数挑具体打法。
• 效用或 GOAP 出意图，状态机落地：Orkin 的 F.E.A.R. 就是计划 → Goto / Animate。
• Halo 2 的做法：行为有向无环图加优先级列表，相当于行为树的 Selector；再用订单和风格让设计师导控。

在游戏里怎么用

取舍与常见的坑

小结与练习

• 状态机擅长少量离散状态和硬转换；行为树擅长优先级回退和模块化；效用 AI 擅长连续权衡和数据驱动；GOAP 擅长声明式组合和重新规划；
• 状态机的组合爆炸可以用并发状态机、分层状态机、下推自动机缓解，但它的上限来自强约束本身；
• 选型先看问题的形状，实际项目常常分层混用。

练习：给守卫加一条新需求——「听到枪声就去查看」。分别想一想：在状态机里要加几条边？行为树里这个分支放在哪个位置？效用 AI 要加什么考量？GOAP 要加什么行动或目标？哪种改动最小？