行为树与 StateTree

两套决策工具

UE 提供两种 AI 决策结构：行为树 (Behavior Tree) + 黑板 (Blackboard)，以及较新的 StateTree。它们解决同一个问题——「当前该做什么」——但调度模型不同。感知、环境查询与寻路见 AI 感知、EQS 与导航。

行为树基础

行为树在图中连接节点，黑板是独立资产，存放树决策所需的黑板键 (Blackboard Key)。执行顺序从左到右、从上到下。复合节点 (Composite：Selector、Sequence、Simple Parallel) 控制流程，装饰器 (Decorator) 挂在复合节点上做条件，任务 (Task) 是叶子动作。运行方式：Pawn 配一个 AI Controller，控制器在 Possess 时运行行为树；寻路需要关卡里有 NavMeshBoundsVolume。（Behavior Tree Overview）Pawn/Controller 分工见 Gameplay 框架。

UE 行为树与传统行为树的区别

（Behavior Tree Overview）

StateTree

官方定义：通用的分层状态机，把行为树的选择器 (Selector) 与状态机的状态 (State)、转换 (Transition) 结合。（StateTree Overview）

flowchart TD
  Root --> A["Selector State 有子状态"]
  A -->|"Enter Conditions 通过"| A1["Leaf State: Tasks 并发执行"]
  A -->|"失败则试兄弟"| A2[Leaf State]
  A1 -->|"首个 Task 完成/成功/失败 或 监控条件"| T{Transition}
  T --> Root

• 选择：从根开始逐层评估进入条件 (Enter Conditions)；不通过则试下一个兄弟；到达叶子即选中；若某状态所有子状态都选不中，它本身也不被选中。选中叶子时，从根到叶的整条路径都处于激活状态，所有激活状态的任务并发执行。
• 转换：从叶向根评估，第一条成功并完成选择的转换生效，因此通用转换可以放在父状态上共享。可在任务完成时触发，也可标为每 Tick 检查。
• 与行为树的关键差异：行为树会持续执行选择逻辑；StateTree 只在转换触发时按需运行选择。
• 数据：参数 (Parameters)、上下文数据 (Context Data，取决于 Schema：Actor 或 Smart Object)、评估器 (Evaluators)、全局任务 (Global Tasks)，通过属性绑定传递；任务只能绑定当前与父状态中更早的任务输出。
• 蓝图扩展：UStateTreeTaskBlueprintBase、UStateTreeEvaluatorBlueprintBase、UStateTreeConditionBlueprintBase。
• 常见模式：分组共享转换、Next 转换做序列、分层失败处理、分层数据共享。（以上 StateTree Overview）

官方示例里大量出现 Mass 任务（如 Mass LookAt）与 Smart Object，StateTree 也是 MassEntity 数据导向框架 的行为层；而且它不限于 AI，官方举了昼夜系统的例子。（StateTree Overview）

怎么选

（选型为基于两份官方概览的归纳。）

坑

• 行为树每帧检查条件的写法（在 Task 里轮询）会丢掉事件驱动的优势；条件应写成装饰器。（Behavior Tree Overview）
• StateTree 的任务全部并发，第一个结束的任务就会触发转换——把“只是持续运行”的任务放进状态时要注意它是否会提前结束。（StateTree Overview）
• 状态与条件常用 Gameplay 标签表达，见 Gameplay 标签深入（通识用法）。