ai-behavior-trees-utility-ai

行为树与效用 AI

两种互补的 NPC 决策结构化方式，以及如何将它们结合起来。**行为树（BT）**以树的形式表达结构化、优先级明确、可响应的逻辑，并在每个步骤中进行“tick”。效用 AI通过归一化曲线为各个动作评分，并选出最佳选项，以此回答“我现在有多想选择每个选项？”。结合使用 BT 组织结构，并在需要权衡取舍时使用效用 AI，即可打造行为可信的 Agent。

此技能是 game-ai 的实现配套内容；game-ai 可帮助你在 FSM / BT / 转向 / 寻路之间做出选择。阅读 game-ai 来选择模型；阅读本文来构建运行时。

适用场景

• 用于构建可复用的 BT 运行时：包括 Blackboard、Node 基类、动作 / 条件叶节点、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：包括响应曲线、考量因素，以及为动作评分并进行选择的评估器（可使用 max、softmax 或加权随机方式来增加多样性）。
• 用于构建混合 AI——BT 的叶节点将“选择哪种攻击 / 哪个目标”的决策委托给效用评估器。

**不适用场景：*若要在 FSM、BT、转向或寻路之间做出选择，以及实现 A / 导航网格寻路，请使用 game-ai。若要使用 Unreal 基于资源的 BehaviorTree/Blackboard、BTTask/BTService 和 AIController，请使用 unreal-behavior-trees。若要让导航网格 Agent 移动 NPC，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、优先级明确、可中断的行为 → BT。持续进行“为每个选项评分”的决策（目标选择、需求、物品选择）→ 效用 AI。两者兼有 → 混合模式。
2. 先设计 Blackboard。 每个 Agent 使用一个类型化键值存储作为共享内存，用于解耦节点；叶节点读取 / 写入其中的内容，彼此之间绝不持有引用。
3. 编写叶节点。 条件会立即返回 Success/Failure；动作会跨帧返回 Running，直到执行完毕。让叶节点保持精简，并明确其副作用。
4. 组合节点。 Selector = OR / 回退（第一个非失败结果获胜）；Sequence = AND（遇到第一个非成功结果时停止）；Parallel 用于并发分支。通过装饰器封装策略（取反、冷却、重复、强制成功）。
5. 对于效用 AI：列出考量因素，将每个原始事实映射到归一化的 0..1 曲线，再进行组合（带补偿的加权乘积，或加权和），随后选择得分最高的选项——添加迟滞，避免 Agent 在得分相同时反复切换。
6. 有意识地进行 tick。 每个决策步骤对树 / 评估器执行一次 tick（通常比渲染频率低）。在不同 tick 之间保留 Running 状态；调试时在屏幕上绘制当前活动路径和每个动作的得分，以便验证和调整。

架构概览

行为树从上到下、从左到右进行评估；每个节点都会向父节点返回一个状态：

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 是一个评分流程——为每个候选动作评分后，再选出一个：

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

状态是所有节点共用的三值枚举——这是树具备可组合性的契约：

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
    }
}

与 Sequence 对应的 Selector（AND——遇到第一个非 Success 时停止）、Parallel、Blackboard、叶节点基类，以及所有装饰器，详见 references/behavior-tree-core.md。

一段代码了解效用评分

// 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 });
}

完整的曲线库（线性、二次、指数、逻辑 / sigmoid、smoothstep）、Consideration/UtilityAction 类型，以及 UtilityEvaluator 的选择策略，详见 references/utility-ai-system.md。

陷阱

• 每帧都从根节点重新勾选 Running 状态的动作，会导致它重新启动。 返回 Running 并从上次中断处继续；只有在父节点确实放弃子树时，才调用 Reset()。
• 每次 Tick 都重新评估整棵深层树会浪费时间并引发抖动。优先使用浅层树和条件中止（更高优先级的条件可以打断较低优先级的分支）。
• 考量因素未归一化。 如果一条曲线的输出范围是 0..100，另一条是 0..1，较大的值就会占据主导。每个考量因素都必须返回 0..1。
• 效用值接近时会抖动。 添加滞后机制：给当前正在运行的动作少量加分，让 Agent 坚持当前选择，而不是来回切换。
• 每个 Tick 都分配节点、闭包或数组会造成 GC 峰值。生成时构建一次行为树；确保每个 Tick 都不产生分配。

参考资料

• references/behavior-tree-core.md — 黑板、Node/叶节点基类、动作与条件叶节点、Sequence/Selector/Parallel，以及装饰器库（完整 C# 代码）。
• references/utility-ai-system.md — 响应曲线库、Consideration、UtilityAction 和 UtilityEvaluator（argmax、softmax、加权随机、滞后机制）。
• references/practical-examples.md — 守卫从巡逻到战斗的行为树、基于村民需求的效用 AI，以及混合 Agent，可直接用作模板。
• references/best-practices-and-pitfalls.md — 内存管理、性能分析、避免深层树、事件驱动的中止，以及将效用 AI 与行为树结合（混合架构）。

相关技能

• game-ai — 在有限状态机 / 行为树 / 转向之间进行选择；A* 和导航网格寻路。
• unreal-behavior-trees — Unreal 基于资源的行为树 / 黑板、任务、装饰器、服务。
• unity-navmesh — 执行“移动到”意图的 NavMeshAgent。
• physics-tuning — 运动层的 Agent 半径、移动和碰撞响应。
• tower-defense、fps-shooter、rpg — 采用此决策层的游戏类型。