魔兽争霸 III 接入大语言模型：基于文件通道的混合式游戏 AI 智能体系统设计与实现
Integrating Large Language Models into Warcraft III: Design and Implementation of a Hybrid Game-AI Agent over a File-Based Inter-Process Channel
摘要
经典即时战略（RTS）游戏的电脑对手普遍基于规则引擎实现，具备稳定的战术执行力，但不具备推理、自然语言交互与局势理解能力。本文提出并实现了一套混合式游戏 AI 架构：以大语言模型（LLM）承担高层决策与自然语言交互，以既有规则引擎（AMAI）承担实时执行，二者通过游戏内文件通道 解耦。针对魔兽争霸 III（1.24e）脚本环境无网络、无文件读取的约束，本文逆向并验证了一条由引擎原生 PreloadGen（出程）与 Preloader（回程）构成的双向单向文件通道，实现零动态库注入、零内存修改的进程间通信；其中出程产物被证实为可执行脚本源码，回程可直接调用游戏脚本中已定义的函数，构成天然的"外部指令入口"。在此基础上实现的外部守护进程遵循 OpenAI 兼容协议，可插拔接入 DeepSeek、GLM、Kimi 及本地推理服务，并通过白名单指令协议保证大模型输出异常时系统退化为规则引擎默认行为。真机实测表明：单次模型调用延迟约 1.3 s，端到端响应 3～12 s，单局成本量级为分；系统在模型服务不可用时保持无损降级。本文同时给出配套的本地可视化控制台设计与实现。
关键词：游戏 AI；大语言模型；即时战略游戏；混合式智能体；脚本沙箱；进程间通信
1 引言
自 1990 年代起，RTS 游戏的电脑对手长期以有限状态机与脚本化策略实现。以魔兽争霸 III 的 AMAI（Advanced Melee AI）为例，其"智能"表现为：开局按权重采样战术脚本、依据侦察结果查表选择反制兵种、按人口与时间阈值触发进攻、以资源倍率实现难度梯度。该范式在工程上极为成功------在受限的脚本 API 内实现了可对抗人类的战术行为------但存在三项固有局限：无推理 （策略空间封闭于预置表格）、无语言 （无法与玩家自然语言交互）、无适应（不随对局更新策略）。
与此同时，以 GPT-3 为代表的大语言模型展现出少样本推理能力[1]，并在游戏智能体方向形成研究热点：Minecraft 中的开放世界终身学习智能体 Voyager[2]、面向通用计算机控制的 Cradle[3]、模拟人类行为的 Generative Agents[4]，以及面向 RTS 的文本化智能体与综述性工作[5,6]。在 RTS 领域，深度强化学习路线以 AlphaStar 达到人类大师水平[7]，其代价是巨大的训练算力与对游戏接口的深度依赖[8]。
然而，上述工作大多依赖官方或半官方的 AI 接口（如 SC2LE[8]、microRTS 研究平台[9]），或运行于为 AI 改造过的专用环境。对于一个已停止维护近二十年、无任何官方 AI 接口的商业 RTS 作品，能否在不重造执行层的前提下接入大模型？ 这正是本文的出发点。
本文的主要贡献如下：
- 通道发现与验证 ：在魔兽争霸 III 1.24e 脚本沙箱中定位并验证了一条由引擎原生机制构成的双向文件通道（
PreloadGen/Preloader），实现无注入的外部通信，并给出出程落点、回程可执行性等实测结论； - 混合式架构：提出"LLM 决策 + 规则引擎执行"的分层智能体架构，并明确二者的职责边界与性能约束依据（LLM 不参与实时微操）；
- 受限指令协议与容错：设计白名单式指令协议，使模型输出异常时系统无损退化为规则引擎默认行为；
- 系统实现与实测：实现零第三方依赖的守护进程与本地可视化控制台，给出真机延迟、成本与降级行为实测数据。
2 相关工作
2.1 规则引擎式 RTS 游戏 AI
传统 RTS 电脑对手以脚本与有限状态机实现，其行为可解释、可预测、资源占用极低，且不依赖任何网络与外部算力。本文将其定位为执行层而非被替代对象：实时微操（单位编队、建造队列、战斗拉扯）对决策频率的要求在亚秒级，恰是规则引擎的强项。
2.2 深度强化学习路线
AlphaStar 在星际争霸 II 中达到人类大师水平[7]，证明了端到端学习在 RTS 上的可行性；相关综述与平台工作[8,10]进一步推动了该方向。该类方法的门槛在于：需要大规模分布式训练、依赖官方 API、且模型与特定游戏版本强耦合，难以迁移至无接口的旧作。
2.3 大语言模型驱动的游戏智能体
LLM 在游戏中的应用已形成体系：Generative Agents[4] 展示了基于记忆与反思的类人社会行为；Voyager[2] 在开放世界中通过代码生成实现终身学习；Cradle[3] 面向通用计算机控制；Gallotta 等[5] 与相关综述[6] 系统梳理了 LLM 与游戏结合的路径与挑战。在 RTS 与实时协作场景中，分层语言智能体[11] 通过"高层语言决策 + 低层控制器"的结构获得了实时性------这一分层思想与本文架构一致。
2.4 注入式开放接口
另一条与本文直接相关的路线是面向 AI 智能体的注入式开放接口 ，代表项目为 OpenWar3AI[14]：其以动态库注入方式在游戏进程内部署运行时，每 50 ms 将全图完整状态（各玩家资源、全部单位的属性/指令/冷却/状态、地面物品等）推送至共享内存，外部程序以约一帧的延迟下发语义指令（移动/攻击/采集/建造/施法等）并获得逐条回执；配套 Python SDK、WebSocket/JSON 网关、网页指挥台与本地大模型接入，形成完整的智能体开发平台。该路线能力上限高（全图感知、帧级微操、按名调用引擎脚本函数），其代价同样明显：依赖进程注入、与特定游戏构建版本强绑定（当前仅支持 1.27a 的单一 build）、部署与维护成本高。
2.5 本文定位
与上述工作不同，本文不追求在标准评测环境中的性能指标，而是解决在无接口的商业旧作上接入 LLM 的系统可行性问题 ，其核心贡献在于通道机制与工程架构，属于系统与工程实践类研究。与注入式接口相比，二者面向不同需求：注入式平台追求能力上限，本文方案追求低侵入增强------在不引入任何进程注入与第三方运行时依赖的前提下，为既有规则引擎附加 LLM 决策与语言能力，且可运行于注入式方案尚不支持的版本（本文实测于 1.24e）。
3 系统设计
3.1 设计约束
| 约束 | 说明 |
|---|---|
| C1 无网络 | 脚本沙箱不提供套接字/HTTP 能力 |
| C2 无文件读取 | 沙箱仅提供文件写入类原语，无通用读取原语 |
| C3 不可注入 | 不引入第三方动态库、不修改游戏内存（降低崩溃与合规风险） |
| C4 实时性 | 微操层决策频率要求远高于 LLM 可提供的响应速度 |
| C5 鲁棒性 | 模型服务不可用或输出异常时，游戏体验不得退化 |
3.2 通道设计（针对 C1/C2/C3）
对三条候选路径的实测结论：
| 路径 | 结论 |
|---|---|
GameCache 持久化（SaveGameCache） |
✗ 返回值为真但文件未落盘，无法作为通道 |
游戏目录松散脚本（Allow Local Files） |
✗ 对字体资源有效，对脚本文件无效（脚本须写入归档文件） |
PreloadGen / Preloader 文件通道 |
✓ 双向可用 |
出程：引擎原生提供一组导出原语，可将字符串写入文本文件：
jass
call PreloadGenClear()
call PreloadGenStart()
call Preload("MSG|player|hello world")
call PreloadGenEnd("amai_out.txt")实测落点位于游戏目录下的 Logs\（不同发行版本可能不同，如 CustomMapData\）。
回程 ：关键发现是上述导出产物并非纯日志，而是合法的脚本源码：
jass
function PreloadFiles takes nothing returns nothing
call Preload( "MSG|player|hello world" )
call PreloadEnd( 0.0 )
endfunction而引擎提供配套原语 Preloader(filename) 会读取并执行该文件。因此，外部进程写入一个脚本文件即可回调游戏脚本中已定义的函数，构成合法、原生、无需注入的指令入口：
jass
function AmaiCmdPollTick takes nothing returns nothing
call Preloader("amai_cmd.txt")
endfunction该机制原为战役预载脚本设计，本文将其复用为进程间通道。通道承载结构化文本，格式自定、可扩展，本文实现中用于传递玩家输入事件。
需要强调的是：该通道的存在性依赖具体的游戏版本与发行方式，必须通过埋点探针实测确认，不可从文档推定。
3.3 总体架构（针对 C4/C5）
#mermaid-svg-Iw9WwxUl5M0hgR4M{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-Iw9WwxUl5M0hgR4M .error-icon{fill:#552222;}#mermaid-svg-Iw9WwxUl5M0hgR4M .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-Iw9WwxUl5M0hgR4M .marker{fill:#333333;stroke:#333333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .marker.cross{stroke:#333333;}#mermaid-svg-Iw9WwxUl5M0hgR4M svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-Iw9WwxUl5M0hgR4M p{margin:0;}#mermaid-svg-Iw9WwxUl5M0hgR4M .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster-label text{fill:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster-label span{color:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster-label span p{background-color:transparent;}#mermaid-svg-Iw9WwxUl5M0hgR4M .label text,#mermaid-svg-Iw9WwxUl5M0hgR4M span{fill:#333;color:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .node rect,#mermaid-svg-Iw9WwxUl5M0hgR4M .node circle,#mermaid-svg-Iw9WwxUl5M0hgR4M .node ellipse,#mermaid-svg-Iw9WwxUl5M0hgR4M .node polygon,#mermaid-svg-Iw9WwxUl5M0hgR4M .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .rough-node .label text,#mermaid-svg-Iw9WwxUl5M0hgR4M .node .label text,#mermaid-svg-Iw9WwxUl5M0hgR4M .image-shape .label,#mermaid-svg-Iw9WwxUl5M0hgR4M .icon-shape .label{text-anchor:middle;}#mermaid-svg-Iw9WwxUl5M0hgR4M .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .rough-node .label,#mermaid-svg-Iw9WwxUl5M0hgR4M .node .label,#mermaid-svg-Iw9WwxUl5M0hgR4M .image-shape .label,#mermaid-svg-Iw9WwxUl5M0hgR4M .icon-shape .label{text-align:center;}#mermaid-svg-Iw9WwxUl5M0hgR4M .node.clickable{cursor:pointer;}#mermaid-svg-Iw9WwxUl5M0hgR4M .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .arrowheadPath{fill:#333333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Iw9WwxUl5M0hgR4M .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-Iw9WwxUl5M0hgR4M .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Iw9WwxUl5M0hgR4M .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster text{fill:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M .cluster span{color:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-Iw9WwxUl5M0hgR4M .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-Iw9WwxUl5M0hgR4M rect.text{fill:none;stroke-width:0;}#mermaid-svg-Iw9WwxUl5M0hgR4M .icon-shape,#mermaid-svg-Iw9WwxUl5M0hgR4M .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-Iw9WwxUl5M0hgR4M .icon-shape p,#mermaid-svg-Iw9WwxUl5M0hgR4M .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-Iw9WwxUl5M0hgR4M .icon-shape .label rect,#mermaid-svg-Iw9WwxUl5M0hgR4M .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-Iw9WwxUl5M0hgR4M .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-Iw9WwxUl5M0hgR4M .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-Iw9WwxUl5M0hgR4M :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 外部宿主进程（零第三方依赖）
游戏进程内（脚本层）
事件捕获：玩家输入
（聊天事件触发器）
PreloadGen 导出
Logs/amai_out.txt
Preloader 轮询
（10 s 周期）
指令分发
AmaiExternalCommand(cmd)
SAY → 以电脑身份发声
战略指令
→ CommandAI() 命令栈
规则引擎（AMAI）
建造/微操/战术执行
监听导出文件
上下文构造
（输入事件 + 人设）
大语言模型
（OpenAI 兼容协议）
输出校验
（白名单 + 转义）
生成脚本指令文件
架构要点：
- 双向解耦：游戏侧仅做事件捕获、导出与指令分发；决策全部在外部进程；
- 频率分层（C4）：LLM 仅参与秒级以上的高层决策与对话，微操完全由规则引擎承担；
- 指令白名单（C5） ：模型输出须先通过语法与语义校验（指令名白名单、参数范围、字符转义），非法输出整条丢弃并记录，系统退化为规则引擎默认行为------模型不具备破坏系统稳定性的能力；
- 策略指令通道复用 ：战略级指令经引擎原生的地图脚本→AI 脚本命令栈（
CommandAI/CommandsWaiting等）下达，无需新增任何通信机制。
3.4 指令协议
| 指令 | 语义 | 状态 |
|---|---|---|
SAY <text> |
以电脑单位身份在聊天通道发声 | 已实现并实测 |
STRATEGY <name> |
切换战术（rush / expand / tech / air / turtle） | 协议与通道就绪 |
ATTACK <target> |
指定进攻目标 | 协议与通道就绪 |
DEFEND / EXPAND |
回防 / 开分基地 | 协议与通道就绪 |
NOOP |
维持现状 | 已实现 |
设计原则：动作空间受限且语义明确 。模型可在不确定时输出 NOOP，避免"为行动而行动"。
4 系统实现
4.1 游戏侧注入
现有实现将上述逻辑以幂等注入 方式写入游戏脚本环境（Blizzard.j），并回写至归档文件。为保证重复编译不产生副作用，采用三项工程约束：
- 基准隔离：首次运行时导出原始脚本存档，此后一律以该存档为注入基准，保证幂等；
- 符号白名单：生成代码所引用的每一个原语与常量，均须在游戏自带脚本中确认存在------该约束可拦截两类致命错误：引用未声明函数会导致整个 AI 脚本编译失败（电脑完全失效），以及版本差异导致的常量名不一致；
- 结构校验：注入后做括号/块结构配对检查与关键内容回读校验。
4.2 外部宿主进程
外部进程以 Python 标准库实现（无第三方依赖），特点：
- 协议统一：所有候选模型服务均兼容 OpenAI 协议，故客户端实现唯一，差异收敛于配置；
- 模型可插拔：通过配置指定当前模型与对应服务端点；
- 凭据隔离：API 密钥按服务商分文件存放，接口层仅返回掩码，不进入日志与发布包；
- 失败重试：调用失败自动重试一次，仍失败则由游戏侧本地兜底话术承接，用户体验无损。
4.3 本地控制台
为降低配置成本，实现了一个本地可视化控制台（同样零第三方依赖）：常驻进程内置轻量 HTTP 服务并提供单页界面，覆盖模型切换、凭据管理（掩码显示）、人设编辑、脚本编译与归档回写、宿主进程生命周期管理等功能。宿主进程设有单实例互斥，避免重复启动导致的资源与费用浪费。
4.4 应用层自主行为
除对话外，系统支持若干由游戏状态驱动的自主行为，例如：投降申请机制------当检测到本方处于显著劣势时，电脑主动通过对话通道提出认输请求，经玩家确认后由游戏侧执行认输流程。该机制完全运行于脚本层，不依赖外部模型。
5 实验与评估
5.1 环境
| 项 | 值 |
|---|---|
| 游戏 | 魔兽争霸 III：冰封王座 1.24e（build 6387） |
| 执行层 | AMAI 衍生规则引擎（脚本注入式全局替换） |
| 宿主 | Windows x64，Python 3.x 标准库 |
| 模型 | DeepSeek（在线）；GLM-4-Flash（可选）；本地 Ollama（可选） |
| 硬件 | 消费级 PC（含核显/独显混合输出） |
5.2 通道验证结果
| 验证项 | 结论 |
|---|---|
| 出程落盘 | ✓ 文件生成于 Logs\（探针实测） |
| 出程产物可执行性 | ✓ 产物为合法脚本源码（可直接由回程原语执行） |
| 回程执行 | 已设计闭环实验（开局定时触发外部写入的指令文件），完整闭环待复测 |
| GameCache 通道 | ✗ 不可用（返回真但无落盘） |
| 松散脚本加载 | ✗ 不可用（须写入归档） |
5.3 端到端延迟
| 环节 | 实测值 |
|---|---|
| 模型调用（在线，正常时段） | 1.3 s（实测日志） |
| 模型调用（服务异常时段） | 503 / 读超时（触发重试与降级） |
| 指令轮询周期 | 10 s |
| 端到端（含轮询） | 3 ～ 12 s |
| 本地话术兜底 | 毫秒级 |
对战略层决策（典型决策周期数十秒）而言，上述延迟在可接受范围内；该结论也构成"LLM 不参与微操"这一设计决策的量化依据。
5.4 成本
按单局 20 分钟、平均每分钟 1～2 次交互估算，在线模型单局调用量在数十次量级，deepseek-chat 单局成本约为分币量级；改用免费额度模型或本地推理时可降至零。
5.5 鲁棒性
| 故障场景 | 系统行为 |
|---|---|
| 模型服务不可用 | 自动重试 → 本地兜底话术，游戏无感知 |
| 模型输出非法指令 | 白名单校验拦截并丢弃，退化为规则引擎默认 |
| 宿主进程未启动 | 游戏侧降级为纯本地话术，全部核心玩法可用 |
| 归档文件被运行中进程占用 | 写入失败（操作系统级独占），由延迟写入机制规避 |
5.6 评估局限性（重要）
本文为系统与工程实践类研究，未设置对照实验与量化评测基线。原因与说明如下：
- 无可比基线：目标平台无官方 AI 接口，无同类公开实现可对照；
- 行为质量主观：自然语言交互的"拟人度/趣味性"难以客观量化；
- 样本有限：真机验证为本机环境，未做跨版本（1.25--1.28）与跨发行包的系统性测试；
- 部分环节待闭环：回程执行链路的完整闭环验证仍在进行中。
后续工作将补充：多版本兼容性矩阵、模型间的主观对比评测、以及战略指令接入后的行为可观测性指标。
6 讨论
6.1 为什么不是"重造一个 AI"
实时微操与高层策略对决策频率的要求相差两到三个数量级。以 LLM 承担全部控制既无必要（性能不足）也不经济（成本随频率线性上升）。分层解耦 使各层运行在各自擅长的时间尺度上：LLM 处理需要推理与语言能力的高层问题，规则引擎处理需要高频响应的执行问题。这一结论与大语言模型实时协作场景中的分层设计[11]一致。
6.2 通道方案的设计权衡
PreloadGen / Preloader 通道的优势在于完全使用引擎原生机制：不注入动态库、不修改内存、不引入反作弊风险面，且在脚本沙箱的权限模型内合法可用。其代价是：轮询式通信（引入固定延迟）、依赖文件系统、落点因发行版本而异。相比自定义原生扩展（需动态库注入）方案，本文方案在可移植性上更优、在延迟上更差，适合秒级以上的决策场景。
6.3 与注入式接口的权衡：能力上限 vs 侵入性
本文方案与注入式开放接口[14]构成同一问题空间中的两种解答，其差异可归纳为三个维度：
| 维度 | 注入式开放接口（War3AI） | 本文方案 |
|---|---|---|
| 通信机制 | 动态库注入 + 共享内存 | 引擎原生脚本通道（零注入） |
| 端到端延迟 | 约一帧（50 ms 级状态流） | 秒级（10 s 文件轮询） |
| 感知粒度 | 全图完整状态 | 事件级，可按需扩展 |
| 能力范围 | 完整微操 API（重写 AI） | 对话与高层指令（增强既有 AI） |
| 部署依赖 | 注入运行时 + SDK + 指挥台 | 纯标准库宿主进程 + 脚本改写 |
| 版本锁定 | 单一 build（1.27a） | 单一版本（1.24e，机制随版本验证） |
需要强调的是，"轻量"不是免费的能力，而是一次有意识的需求裁剪。本文路线的固有代价包括：不参与微操、感知上下文受限、秒级延迟仅适用于战略层决策、以及脚本注入细节随游戏版本与发行包而变。当目标是"让既有 AI 获得语言能力与高层思考"而非"从零重写 AI"时，上述代价是可接受的；反之，若研究需要帧级控制与全图观测，注入式路线是更合理的选择。两条路线互补而非替代，本文的贡献在于证明前者在极端受限环境下依然可行。
6.4 安全与合规边界
系统在设计上明确区分"能力"与"授权"：模型仅能从受限动作菜单中选择，且所有输出经校验；凭据仅存于本地文件；系统不涉及对游戏的破解、内存修改或联网对战中的优势获取，仅用于单机环境下的研究与娱乐。
7 结论与未来工作
本文针对"无官方 AI 接口的经典 RTS 游戏如何接入大语言模型"这一问题，给出了一套完整可行的系统方案：通过发现并验证引擎原生的双向文件通道，在零注入前提下实现了游戏进程与外部模型服务的通信；通过"LLM 决策 + 规则引擎执行"的分层架构，兼顾了推理能力与实时性；通过白名单指令协议与降级设计，保证了系统鲁棒性；并提供了降低使用门槛的本地控制台。真机实测验证了各环节的可行性。
未来工作方向：
- 战略指令闭环 ：完成
CommandAI命令栈接入，使模型可下达战术调整指令，并对行为变化进行可观测性评估； - 更丰富的局势感知：为模型提供更完整的战场上下文，提升决策质量（当前实现以输入事件为主）；
- 离线与本地化：完善本地推理后端，实现完全离线运行；
- 多版本适配与自动化验证：建立跨版本兼容性矩阵与自动化回归测试；
- 赛后复盘：基于留存的交互日志，构建对局复盘与训练辅助功能。
声明
本项目仅用于个人学习与技术测试，属于非商业性质的兴趣实践，不构成商业开发、不用于任何商业用途，不提供任何形式的收费服务或分发。文中涉及的游戏名称、商标及原厂内容，其版权归各自权利人所有。文内代码与工具仅限自用研究，转载请注明出处；如有异议请联系删除。
参考文献
1 BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learnersC//Advances in Neural Information Processing Systems (NeurIPS). 2020. arXiv:2005.14165.
2 WANG G, XIE Y, JIANG Y, et al. Voyager: An open-ended embodied agent with large language modelsJ/OL. arXiv preprint, 2023. arXiv:2305.16291.
3 TAN W, ZHANG W, LU X, et al. Cradle: Empowering foundation agents towards general computer controlJ/OL. arXiv preprint, 2024. arXiv:2403.03186.
4 PARK J S, O'BRIEN J C, CAI C J, et al. Generative agents: Interactive simulacra of human behaviorC//Proceedings of the 36th Annual ACM Symposium on User Interface Software and Technology (UIST). 2023. DOI:10.1145/3586183.3606763.
5 GALLOTTA R, BARTOLI A, GAROUFALIDIS A, et al. Large language models and games: A survey and roadmapJ. IEEE Transactions on Games, 2024. DOI:10.1109/TG.2024.3461510.
6 关于大语言模型驱动的游戏智能体的综述性工作（Survey on LLM-based game agents）.
7 VINYALS O, BABUSCHKIN I, CZARNECKI W M, et al. Grandmaster level in StarCraft II using multi-agent reinforcement learningJ. Nature, 2019, 575(7782): 350-354. DOI:10.1038/s41586-019-1724-z.
8 VINYALS O, EWALDS T, BARTUNOV S, et al. StarCraft II: A new challenge for reinforcement learningJ/OL. arXiv preprint, 2017. arXiv:1708.04782.
9 GOODFRIEND A, AFFEN A, et al. A competition winning deep reinforcement learning agent in microRTSC//2024 IEEE Conference on Games (CoG). 2024. DOI:10.1109/CoG60054.2024.10645610.
10 LI X, et al. Multiagent deep reinforcement learning algorithms in StarCraft II: A reviewJ. IEEE Access, 2024. DOI:10.1109/ACCESS.2024.3497322.
11 LIU X, et al. LLM-powered hierarchical language agent for real-time human-AI coordinationC//International Joint Conference on Artificial Intelligence (IJCAI). 2024. DOI:10.65109/ZDXP6361.
12 ONTAÑÓN S, BARRIGA N A, SILVA C R, et al. The microRTS competition in CoG 2017C//IEEE Conference on Computational Intelligence and Games (CIG). 2017.
13 引擎脚本环境与脚本原语参考文档（含 AI 脚本环境的行为限制说明，本文第 3 节相关结论的直接依据）: https://jass.sourceforge.net/doc/library.shtml
14 OPENXXAI. OpenWar3AI: An open API for Warcraft III, built for AI agentsCP/OL. 2026. https://github.com/OPENXXAI/OpenWar3AI (Apache-2.0). 创建于 2026-09-28，经 GitHub API 核实
附录 A：本文涉及的关键工程经验
| 问题 | 结论 |
|---|---|
| 归档文件在游戏运行时被独占 | 写入须在游戏进程退出后进行（需延迟写入机制） |
| 存档/脚本目录表在启动时载入内存 | 修改后必须完全重启游戏方生效 |
| 脚本字符串编码 | 因发行包而异（实测某中文版按 UTF-8 解释；另有版本按本地代码页），必须先实测 |
| 常量名版本差异 | 同一语义的常量在不同版本命名不同，须以目标版本自带脚本为准 |
| 引用未声明函数 | 会导致整份 AI 脚本编译失败、电脑完全失效------必须以符号白名单机制前置拦截 |
附录 B：可复现性说明
本文所述系统由三部分组成，均可独立验证：①游戏侧脚本注入工具（幂等、含符号白名单与回读校验）；②外部宿主进程（零第三方依赖）；③本地控制台。建议复现路径：先以探针确认通道落点与可执行性（第 3.2 节），再逐层接入模型服务与指令协议；任一环节失败时系统均可降级至纯本地运行。