行为树与效用 AI

两种互补的方式来组织 NPC 决策，以及如何组合它们。行为树（BT）将*结构化、有优先级、响应式*的逻辑表达为每步“tick”的树。效用 AI 通过用归一化曲线为动作评分并选择最佳项来回答“*我现在有多想要每个选项？*”。使用 BT 提供结构，在分级权衡重要的地方使用效用 AI，以交付可信的智能体。

本技能是 game-ai 的实现配套（后者帮助你*选择* FSM / BT / steering / pathfinding）。阅读 game-ai 选择模型；阅读本技能构建运行时。

何时使用

• 用于构建可复用的 BT 运行时：一个 Blackboard、Node 基类、动作/条件叶子、Sequence/Selector/Parallel 组合节点，以及装饰器（Inverter、Cooldown、Repeat）。
• 用于构建效用 AI 决策器：响应曲线、考虑因素，以及一个为动作评分并选择动作的评估器（max、softmax，或用于增加多样性的 weighted-random）。
• 用于构建混合 AI——一种 BT，其叶子将“选择哪种攻击 / 哪个目标”委托给效用评估器。

**何时*不要*使用：** 若要在 FSM、BT、steering 或 pathfinding 之间选择，以及用于 A*/navmesh 路由，请使用 game-ai。对于 Unreal 基于资源的 BehaviorTree/Blackboard、BTTask/BTService 和 AIController，请使用 unreal-behavior-trees。对于*移动* NPC 的 navmesh 智能体，请使用 unity-navmesh 或引擎的导航节点。

核心工作流

1. 选择模型。 结构化、有优先级、可中断的行为 → BT。持续“为每个选项评分”的决策（目标选择、需求、物品选择）→ 效用。两者都需要 → 混合。
2. 先设计 Blackboard。 每个智能体一个类型化的键/值存储，作为解耦节点的共享内存；叶子读写它，并且从不持有彼此引用。
3. 编写叶子。 *条件*立即返回 Success/Failure；*动作*在帧间返回 Running，直到完成。保持叶子小巧且副作用显式。
4. 组合。 Selector = OR/回退（第一个非失败者胜出）；Sequence = AND（在第一个非成功处停止）；Parallel 用于并发分支。用装饰器包装策略（invert、cooldown、repeat、force-success）。
5. 对于 Utility： 枚举考虑因素，将每个原始事实映射到归一化 0..1 曲线，组合（带补偿的加权乘积，或加权求和），然后选择最大值——加入迟滞，使智能体不会在平局时反复摇摆。
6. 有意地 tick。 每个*决策步*只 tick 一次树/评估器（通常比渲染慢）。在 ticks 之间保留 Running 状态；调优时通过绘制活动路径和每个动作的分数来验证。

架构概览

行为树自顶向下、从左到右求值；每个节点将状态返回给其父节点：

flowchart TD
    Root["Selector (root)"] --> Combat["Sequence: Combat"]
    Root --> Patrol["Action: Patrol"]
    Combat --> See["Condition: CanSeePlayer?"]
    Combat --> InRange{"Selector: Reach"}
    Combat --> Attack["Action: Attack (Running)"]
    InRange --> Close["Condition: InAttackRange?"]
    InRange --> MoveTo["Action: MoveToPlayer (Running)"]

效用 AI 是一条评分流水线——每个候选动作都会被评分，然后选择一个：

facts (distance, health, ammo…)
      │  each fact → a normalized 0..1 response curve (consideration)
      ▼
score(action) = weight · combine(consideration_1 … consideration_n)   # product+compensation or sum
      ▼
select: argmax  ·  or softmax / weighted-random for variety  ·  + hysteresis to avoid jitter

Status 是一个三值枚举，由每个节点共享——这是让树可组合的契约：

public enum Status { Success, Failure, Running }

public abstract class Node
{
    public abstract Status Tick(Blackboard bb, float dt);
    public virtual void Reset() { }   // called when a parent abandons this subtree
}

// Selector = fallback/OR: return the first child that is not Failure.
public sealed class Selector : Composite
{
    public override Status Tick(Blackboard bb, float dt)
    {
        for (; _current < Children.Count; _current++)
        {
            var s = Children[_current].Tick(bb, dt);
            if (s != Status.Failure) return s;   // Success or Running stops the scan
        }
        _current = 0;
        return Status.Failure;                    // every child failed
    }
}

对应的 Sequence（AND——在第一个非 Success 处停止）、Parallel、Blackboard、叶子基类，以及每个装饰器都在 references/behavior-tree-core.md 中。

一段代码示例：效用评分

// A consideration maps one raw fact to 0..1 through a response curve.
float Score(Blackboard bb)
{
    float distance01 = Curves.InverseLerp01(bb.Get<float>("distToPlayer"), 20f, 2f); // near = 1
    float health01   = Curves.Sigmoid(bb.Get<float>("health01"), k: 8f, mid: 0.4f);  // hurt = low
    // Product + compensation keeps a single 0 from vetoing while low values still dampen.
    return Curves.CompensatedProduct(new[] { distance01, health01 });
}

完整曲线库（线性、二次、指数、logistic/sigmoid、smoothstep）、Consideration/UtilityAction 类型，以及 UtilityEvaluator 选择策略都在 references/utility-ai-system.md 中。

常见陷阱

• 每帧从根节点重新 tick 一个 Running 动作会重启它。 返回 Running 并从中断处继续；只有当父节点真正放弃子树时才 Reset() 该子树。
• 每 tick 整体重新求值的深层树浪费时间并导致抖动。优先使用浅层树和*条件中止*（更高优先级条件可以中断较低分支）。
• 未归一化的考虑因素。 如果一条曲线输出 0..100，另一条输出 0..1，大的会占主导。每个考虑因素必须返回 0..1。
• 接近平局时的效用抖动。 加入迟滞：给当前运行中的动作一个小奖励，使智能体保持承诺而不是振荡。
• 每个 tick 分配节点、闭包或数组会造成 GC 峰值。在生成时构建一次树；保持每 tick 工作无分配。

参考

• references/behavior-tree-core.md — Blackboard、Node/叶子基类、动作与条件叶子、Sequence/Selector/Parallel，以及装饰器库（完整 C#）。
• references/utility-ai-system.md — 响应曲线库、Consideration、UtilityAction，以及 UtilityEvaluator（argmax、softmax、weighted-random、hysteresis）。
• references/practical-examples.md — 守卫 Patrol→Combat BT、村民基于需求的 Utility AI，以及混合智能体，作为可直接使用模板。
• references/best-practices-and-pitfalls.md — 内存管理、性能分析、避免深层树、事件驱动中止，以及将 Utility AI 与 BT 组合（混合架构）。

相关技能

• game-ai — 在 FSM / BT / steering 之间选择；A* 与 navmesh 寻路。
• unreal-behavior-trees — Unreal 基于资源的 BT/Blackboard、任务、装饰器、服务。
• unity-navmesh — 执行“移动到”意图的 NavMeshAgent。
• physics-tuning — 运动层的智能体半径、移动和碰撞响应。
• tower-defense、fps-shooter、rpg — 组合此决策层的类型。