AISystem:鸿蒙游戏中的 AI 行为驱动


子玥酱 (掘金 / 知乎 / CSDN / 简书 同名)

大家好,我是 子玥酱,一名长期深耕在一线的前端程序媛 👩‍💻。曾就职于多家知名互联网大厂,目前在某国企负责前端软件研发相关工作,主要聚焦于业务型系统的工程化建设与长期维护。

我持续输出和沉淀前端领域的实战经验,日常关注并分享的技术方向包括 前端工程化、小程序、React / RN、Flutter、跨端方案,

在复杂业务落地、组件抽象、性能优化以及多端协作方面积累了大量真实项目经验。

技术方向: 前端 / 跨端 / 小程序 / 移动端工程化 内容平台: 掘金、知乎、CSDN、简书 创作特点: 实战导向、源码拆解、少空谈多落地 **文章状态:**长期稳定更新,大量原创输出

我的内容主要围绕 前端技术实战、真实业务踩坑总结、框架与方案选型思考、行业趋势解读 展开。文章不会停留在"API 怎么用",而是更关注为什么这么设计、在什么场景下容易踩坑、真实项目中如何取舍,希望能帮你在实际工作中少走弯路。

子玥酱 · 前端成长记录官 ✨

👋 如果你正在做前端,或准备长期走前端这条路

📚 关注我,第一时间获取前端行业趋势与实践总结

🎁 可领取 11 类前端进阶学习资源 (工程化 / 框架 / 跨端 / 面试 / 架构)

💡 一起把技术学"明白",也用"到位"

持续写作,持续进阶。

愿我们都能在代码和生活里,走得更稳一点 🌱

文章目录

引言

当你把鸿蒙游戏拆成:

复制代码
Store(状态)
System(规则)
Engine(调度)
UI(展示)

你会发现一件事:

复制代码
玩家行为很好处理
点击 → System → 状态变化

但一旦你开始做这些内容:

复制代码
NPC 行为
敌人决策
自动战斗
动态难度

问题就来了:

"AI 到底应该写在哪?"

很多人第一反应是:

复制代码
写在 BattleSystem 里
写在 UI 里
甚至直接写 if-else

结果就是:

复制代码
逻辑越来越乱
行为越来越不可控
难以扩展

所以需要我们要建立一个关键能力:

AISystem:让 AI 成为"行为驱动层",而不是"逻辑补丁"

一、为什么不能把 AI 写进 BattleSystem?

看一个典型错误:

ts 复制代码
class BattleSystem {

  update(store: GameStore) {

    // 玩家逻辑
    this.handlePlayer(store)

    // AI 逻辑
    if (store.enemyHp < 30) {
      this.escape()
    } else {
      this.attack()
    }

  }

}

问题:

复制代码
规则 + 决策 混在一起
AI 无法复用
行为不可扩展

本质上:

你把"怎么做"和"做什么"写在了一起

二、一个关键拆分:规则 vs 决策

你必须把这两件事分开:

System

复制代码
攻击怎么计算?
伤害怎么算?
冷却怎么处理?

AISystem

复制代码
什么时候攻击?
什么时候逃跑?
选择哪个技能?

一句话总结:

System 决定"能做什么",AISystem 决定"现在做什么"

三、AISystem 的核心职责

AISystem 不做三件事:

复制代码
不直接改 Store
不写具体规则
不控制流程

它只做一件事:

输出"行为决策"

四、AISystem 的最小模型

ts 复制代码
export class AISystem {

  decide(store: GameStore): Action {

    if (store.enemyHp < 30) {
      return { type: "ESCAPE" }
    }

    return { type: "ATTACK" }

  }

}

然后由 System 执行:

ts 复制代码
const action = ai.decide(store)

battleSystem.execute(store, action)

五、从 if-else 到"行为模型"

初级写法:

ts 复制代码
if (hp < 30) run()
else attack()

进阶之后你应该写成:

1、行为枚举

ts 复制代码
enum ActionType {
  ATTACK,
  DEFEND,
  ESCAPE
}

2、行为选择器

ts 复制代码
decide(store): ActionType {
  // 决策逻辑
}

3、行为执行器

ts 复制代码
execute(store, action) {
  switch(action) {
    case ATTACK: ...
    case ESCAPE: ...
  }
}

好处:

复制代码
结构清晰
可扩展
可测试

六、AISystem 的三种进阶模式

1、规则驱动

ts 复制代码
if (hp < 30) escape

特点:

复制代码
简单
可控
适合基础 AI

2、权重驱动

ts 复制代码
score_attack = 0.7
score_escape = 0.9

选择最高:

复制代码
ESCAPE

示例:

ts 复制代码
decide(store) {
  return maxBy([
    { type: ATTACK, score: calcAttack(store) },
    { type: ESCAPE, score: calcEscape(store) }
  ])
}

3、模型驱动

ts 复制代码
const decision = await model.decide(context)

特点:

复制代码
灵活
智能
但不可预测

七、AISystem 与 System 的协作关系

正确结构:

复制代码
AISystem → 决策
System → 执行

错误结构:

复制代码
AISystem → 直接改 Store 错误

正确示例:

ts 复制代码
const action = ai.decide(store)

engine.dispatch(action)

八、引入"行为调度层"

当 AI 变复杂后,你不能直接:

ts 复制代码
ai.decide()

你需要一个:

AI Engine

ts 复制代码
class AIEngine {

  aiSystems: AISystem[] = []

  run(store) {
    return this.aiSystems.map(ai => ai.decide(store))
  }

}

作用:

复制代码
统一 AI 执行
支持多 AI
可组合

九、避免 AI 失控的关键机制

AI 一旦复杂,很容易失控。你必须加三层保护:

1、约束

ts 复制代码
if (store.stunned) return NO_ACTION

2、校验

ts 复制代码
if (!isValid(action)) fallback()

3、优先级

ts 复制代码
ESCAPE > ATTACK

十、AISystem 在多端中的作用

在多设备场景下:

AISystem 只能在"主节点"执行

否则:

复制代码
每个设备各算一套 AI
→ 状态漂移

正确方式:

复制代码
Host 运行 AI
其他设备同步结果

十一、一个关键认知升级

初学者会觉得:

复制代码
AI = 一段逻辑

但进阶之后你会理解:

AI 是一个"行为生成系统"

系统运行变成:

复制代码
状态(Store)
   ↓
AISystem(决策)
   ↓
System(执行)
   ↓
状态变化

十二、最终架构

复制代码
           ┌──────────────┐
           │   Store      │
           └──────┬───────┘
                  │
          ┌───────▼────────┐
          │   AISystem      │
          └───────┬────────┘
                  │ Action
          ┌───────▼────────┐
          │   System        │
          └───────┬────────┘
                  │
               Engine
                  │
                  UI

总结

在鸿蒙游戏中:

复制代码
System:定义规则
AISystem:决定行为

两者缺一不可。如果用一句话总结:

System 决定"世界能做什么",AISystem 决定"角色此刻做什么"。

而当你真正用好 AISystem,你的游戏就会从:

复制代码
"写死逻辑"

进化为:

"行为驱动的动态世界"

相关推荐
Codebee3 小时前
Harness Engineering:AICode 的灵魂
前端·人工智能·前端框架
不加辣椒3 小时前
第 1 章 大语言模型的“阿喀琉斯之踵”
人工智能
上海锝秉工控4 小时前
超声波循测仪:工程检测领域的“智慧之眼”
人工智能
地球资源数据云4 小时前
1960年-2024年中国棉花产量数据集
大数据·数据结构·数据仓库·人工智能
ZGi.ai4 小时前
AI工具泛滥的治理思路:从分散采购到统一底座
人工智能·chatgpt
AI服务老曹4 小时前
架构实战:基于 GB28181 与 RTSP 的异构设备统一接入方案,深度解析 Docker 化 AI 视频管理平台
人工智能·docker·架构
hhhhhh_we4 小时前
皮肤人格的工程化实现:预颜美历如何用3D点云与循环神经网络构建数字孪生人格
图像处理·人工智能·rnn·深度学习·神经网络·3d·产品运营
Java.熵减码农4 小时前
长文拆解 Karpathy 的 AI 知识库搭建术(Obsidian + Claude Code 完整指南)
人工智能·chatgpt
初圣魔门首席弟子4 小时前
深度学习复习笔记|多层感知机 (MLP):原理 + 从零实现 + 简洁实现
人工智能·笔记·深度学习