游戏人工智能方法.pdf

如果你在游戏公司做客户端或服务端，早晚会遇到一类需求：让 NPC 看起来像在“思考”，让关卡难度随玩家水平浮动，或者让匹配系统别总把新手丢进老手局。这些事单靠 if-else 堆不出来，也不是套一个寻路库就能交差。这份《游戏人工智能方法》讲的正是这类问题背后的算法思路，而不是某个引擎的具体 API 用法。

它解决的是哪一类工作场景

游戏 AI 和学术 AI 的目标不一样。学术上追求最优解，游戏里追求的是“让玩家觉得合理、有趣、有挑战”，同时还要卡住 CPU 和内存预算。这份资料围绕的就是这个夹缝里的问题：状态机怎么组织才不会随角色数量爆炸，行为树和效用系统各自适合什么决策粒度，寻路之外怎么做群体移动和避障，以及怎样用简单的学习或搜索方法让对手表现出适应性。它不会教你写引擎，但会让你在面对“这个 BOSS 的招式该怎么编排”“这批小怪的协同怎么调”时，知道该往哪个算法方向找答案。

适合什么基础，先看哪几块

阅读前最好具备基本的编程能力，能看懂伪代码和简单的数据结构，对图、树、优先队列这些概念不陌生。如果完全没写过代码，直接啃决策和搜索部分会比较吃力。数学要求不算高，概率和基础博弈概念够用，不需要深度学习背景。

建议的进入顺序是：先看有限状态机和行为树这两块，它们是工业界最常用的骨架，理解了才知道后面那些“更聪明的方案”到底在替换什么；接着看寻路与移动，尤其是 A* 之外的路径平滑和局部避障，这部分和实际项目结合最紧；最后再进入博弈搜索、效用系统和学习类方法。优化技巧那部分不用急着看，等你在前几块里有了具体实现，再回头对照才有意义。

学完能独立做什么，资料怎么配合练

认真过一遍并动手实现的话，你应该能独立搭出一个可运行的小型 AI 框架：给角色配上状态机或行为树，接上寻路和避障，再为敌方单位设计一套带优先级和权重的决策逻辑，并让它根据玩家行为做出有限调整。这个程度足以应对多数中小项目的 NPC 需求，也能让你在面试里把“我做过游戏 AI”讲成具体的技术选择，而不是一句空话。

资料本身是文档形式，不适合当小说读。建议边看边用任意一门引擎或纯代码复现：每读完一个决策模型，就写一个几十行的小 demo 让两个单位对抗，观察行为差异。案例部分不要只读结论，自己先想一遍“如果是我会怎么设计”，再对照作者的取舍，收获会比被动接受大得多。遇到优化章节，拿你自己写的 demo 去压测，看瓶颈出在哪，比记结论有用。