敌人 AI:从目标选择到移动执行
这里的 AI 不等于大模型
游戏敌人通常需要确定、便宜、可解释的决策。它看到哪些信息,何时更新目标,如何移动,何时攻击,都由规则决定。生成代码的 AI 是开发工具,运行时敌人 AI 是游戏系统,二者不要混淆。对小游戏而言,一个清楚预警、可被绕开的追击敌人,往往比接入复杂推理服务更容易形成可控挑战。
把行为拆成三层:策略层决定追谁、守哪里、何时撤退;转向层把目标转换为期望速度;运动层执行速度并处理碰撞。Reynolds 的原文讨论了类似层次,重点在中间的转向行为。分层能定位问题:敌人选择了错误目标属于策略,绕不开墙属于路径或避障,穿墙则可能属于运动与碰撞。全部写在一个 update 中,会让同一种现象难以归因。
最简单的追击是用目标位置减自身位置,归一化后乘速度。距离接近零时必须避免除零;到达阈值内停止,防止围绕目标来回抖动。若每帧完全改变朝向,敌人会无限精准地跟踪玩家,可能让预警失去意义。可以给转向速度上限,或在攻击前摇开始时锁定方向,让玩家有机会根据承诺避让。
先用状态机表达意图
巡逻、追击、准备攻击、攻击、恢复和死亡足以覆盖第一批敌人。进入追击与退出追击采用不同距离,形成迟滞:例如进入距离小于八格,退出距离大于十格。两个阈值是教学参数,目的是避免目标在边缘时每帧切换。攻击同样设置进入与保持条件,不能一离开射程就重置前摇,否则玩家可能利用边界让敌人永远不出手。
type Sense = {
distance: number; targetAlive: boolean;
lineOfSight: boolean; cooldownReady: boolean;
};
type Intent = 'idle' | 'chase' | 'attack';
function choose(s: Sense, previous: Intent): Intent {
if (!s.targetAlive) return 'idle';
if (s.distance < 2 && s.lineOfSight && s.cooldownReady) return 'attack';
const limit = previous === 'chase' ? 10 : 8;
return s.distance < limit ? 'chase' : 'idle';
}
这个函数只选择意图,不应每次返回 attack 就创建一个新攻击实例。动作状态机负责确认能否开始及完成。感知也可以低频更新,例如分组轮流刷新目标,运动仍在每个逻辑步执行;频率需要按规模和响应要求测量。将全部敌人的昂贵感知安排在同一帧,会造成周期性尖峰,平均帧率可能掩盖它。
寻路解决路线,避障解决局部冲突
障碍地图应先表示为图:可通行格子、相邻关系与代价。等代价网格可用广度优先搜索,带代价时用 Dijkstra,单目标常用 A*。算法看到的是图,不知道贴图里的门是否打开,也不知道角色有多宽。需要在建图时处理碰撞半径、斜向切角、动态障碍和门的状态。路线合法不代表局部运动不会与其他角色碰撞。
大量敌人追同一目标时,可以考虑从目标反向构建距离场,再让敌人沿距离下降方向移动,避免每个敌人独立寻路。简单开放场景甚至不需要寻路。先证明墙体和数量带来的具体问题,再选择更复杂方案。分离转向可减少堆叠,但邻居查询也需要空间分区或范围限制,否则每个敌人扫描全体会接近平方复杂度。
公平性来自信息与能力边界。敌人能否读取屏幕外玩家、能否穿越玩家无法通过的地形、是否在玩家松手时立即改变动作,都应是明确规则。难度提升可以来自组合与时机,没必要默认增加隐藏信息优势。如果敌人会蓄力攻击,要让预警对应实际命中方向;视觉承诺后仍持续跟踪,会让玩家从画面学到错误因果。
在 Cocos 中观察,而非猜测
Creator 3.8.8 组件读取模型位置并更新节点,也可以把目标、路线与速度画成调试覆盖层。每个敌人显示实体编号、状态、目标编号和下次决策时刻。对于卡住问题,记录最近一次有进展的逻辑时间;超时后重新规划或回到保底行为,而不是直接传送到玩家身边。若确实允许传送,要有预警与合法落点规则。
常见异常包括距离平方与实际距离混用、世界坐标与局部坐标混用、障碍变化后缓存路线未失效、目标死亡后仍持有旧引用,以及对象池复用时保留上一条路径。敌人在屏幕上很近却不攻击,先看模型坐标和单位;敌人在角落抽搐,先看两种转向是否互相抵消,再检查碰撞是否反复推回。
行为树适合较多可复用条件与优先级,但不会自动解决状态中断、时间或目标所有权。效用评分适合多个可比较行动,却要处理评分尺度和频繁切换。第一版只有三种行为时,明确的函数和状态表通常更容易审查。选择结构应由实际行为复杂度驱动,而不是因为“AI 系统”听起来应该使用高级框架。
用行为预算控制规模
一百个敌人不必每帧重新决定全部事情。可以将感知分批执行,目标有效时复用决策,地图版本变化或目标死亡时立即失效缓存。每个缓存都要写清失效条件,不能只设置一个很长的定时刷新掩盖错误。还应限制每帧可进行的寻路次数,未获得结果的敌人继续执行安全的旧意图或等待。这样优化的是工作调度,规则依旧可解释。验收时除了平均耗时,也记录最坏一帧与敌人响应延迟,确认性能改善没有换来明显迟钝或穿透。对于屏幕外敌人,降低更新频率之前还要确认它们是否仍会影响战斗与路径,不能仅凭不可见就停止关键规则。
给 AI 的任务与验收
任务示例:“实现巡逻、追击和锁定方向冲锋。决策与运动分离,进入和退出追击采用迟滞;显示路线、目标和状态。目标死亡或局内重试时释放引用,禁止使用大模型接口。先在无障碍场景验证,再加入一个墙角案例。”要求 AI 明确攻击中的目标更新规则。
验收包括目标在阈值边缘移动时不频繁跳态、方向承诺后不追踪、墙后不会直接穿越、目标死亡后能停止或重选、复用实体不会沿旧路径走。同一种子与输入应得到相同决策日志。敌人是否有趣仍需试玩,自动测试只证明行为边界。组合敌人的节奏可参考关卡与难度。
来源与核查范围
- Craig Reynolds:Steering Behaviors for Autonomous Characters,核查日期:2026-11-17。参考目标、转向与运动的分层;本文阈值与行为方案是教学设计。
- Red Blob Games:A* 引导,核查日期:2026-11-17。用于核对图表示与算法适用边界。