游戏架构：从“状态机 (FSM)”到“GOAP”再到“LLM Agent”——游戏 AI 行为逻辑的底层重构

2025-12-31 11:18:41
文章摘要
文章介绍了游戏AI行为逻辑底层架构的三次变革，包括从有限状态机（FSM）到目标导向行动计划（GOAP），再到LLMAgent（大模型智能体）。还演示了在Unity/UE5中搭建“LLM大脑+GOAP肢体”混合架构的步骤，以及让AI不卡顿的方法。指出游戏架构变革本质是“控制权”让渡，开发者工作重心将转移。

前言：别让你的 NPC 只是一个“触发器”

回想一下，在 2020 年以前的游戏里，如果你在一名 NPC 面前跳一支舞，他通常只有两种反应：要么视而不见继续走他的路，要么触发一段写死的代码：“嘿，别挡道！”。这种“人工智障”的根源，在于其底层的有限状态机 (FSM)。它们没有大脑，只有程序员预设的几条 if-else。现在情况发生了质变。在《GTA VI》或者最新的开放世界 RPG 中，你可能会发现：当你偷了 NPC 的鸡，他不仅会追杀你，还会记住你的长相，三天后在酒馆里向其他 NPC 描述你的特征，甚至集结一帮人来围堵你。这种“涌现式行为”，不是靠堆砌脚本实现的，而是架构的革命。从早期的 FSM 面条代码，到《F.E.A.R.》带来的 GOAP 策略，再到如今由 DeepSeek、Llama 等大模型驱动的 LLM Agent，游戏 AI 的心脏已经完成了一次移植。今天，我们将拆解这三次技术跃迁，并手把手教你如何在 开发环境中，搭建一套“LLM 大脑 + GOAP 肢体”**的混合架构。

第一阶段：旧时代——有限状态机与行为树

在很长一段时间里，FSM 是游戏 AI 的圣经。

1. FSM 的逻辑陷阱

FSM 的核心是“状态 ”与“转换 ”。

  • 逻辑：如果（看见玩家）-> 切换到（追逐状态）；如果（距离 < 1米）-> 切换到（攻击状态）。
  • 痛点：状态爆炸 。
    当你想要给 NPC 增加一个“受伤后寻找掩体吃药，但如果没有药就逃跑，如果逃跑路线被堵就殊死一搏”的逻辑时，你需要两两连接所有状态。对于一个复杂的 3A 角色，状态连线会变成一团无法维护的“意大利面条”。

2. 行为树的改良

后来，虚幻引擎 (UE) 大力推广行为树。它将状态变成了树状结构，从上到下评估。

  • 优势：模块化，可读性强。
  • 劣势：依然是“反应式” 的。NPC 不知道“为什么”要做这件事，它只是在执行指令。它没有“计划”的能力。

图片描述

  • 画面内容：一张对比图。左边是复杂的网状 FSM 连线图，线条错综复杂；右边是清晰的 Behavior Tree 树状结构图。
  • 图注：传统架构之痛：从 FSM 的“状态纠缠”到行为树的“逻辑分层”，虽然解决了维护性，但并未解决智能上限。

第二阶段：目标导向行动计划 (GOAP)

这是游戏 AI 变聪明的转折点。最著名的案例是 2005 年的射击游戏《F.E.A.R.》。

1. GOAP 的核心逻辑：倒推法

GOAP 不再规定“怎么做”，而是规定“想要什么”。

  • Goal (目标)：杀死玩家 (IsDead = True)。
  • Action (动作库)：开枪、装弹、寻找掩体、移动。
  • Planner (规划器)：
    • 想杀玩家 -> 需要开枪。
    • 想开枪 -> 需要有子弹 (HasAmmo = True)。
    • 没子弹 -> 需要装弹。
    • 结果：NPC 自动生成了一个行动链条：装弹 -> 寻找射击角度 -> 开枪。

2. 为什么 GOAP 是完美的“中间件”？

即便在现在，GOAP 依然没有过时。因为它连接“意图”和“动画”*。
LLM（大模型）负责产生意图，GOAP 负责将意图拆解为原子级的动作序列。

第三阶段：LLM Agent (大模型智能体)

我们不再编写规则，我们编写认知。

1. 什么是 LLM Agent 架构？

不同于直接把 GPT 接到 NPC 嘴上（那只是聊天机器人），Agent 架构包含四个核心组件：

  • Perception (感知)：将游戏世界的视觉、数值转化为文本或 Embedding（向量）。
  • Memory (记忆)：
    • 短期记忆：当前的对话上下文。
    • 长期记忆：使用 Vector Database (向量数据库) 存储的历史交互。
  • Reasoning (推理/规划)：LLM 根据感知和记忆，决定当前的 Goal（目标）。
  • Tool Use (工具调用)：这是关键！ LLM 输出的不是废话，而是 JSON 格式的函数调用，比如 MoveTo(x,y) 或 Attack(TargetID)。

图片描述
图片描述

  • 画面内容：一张技术架构拓扑图。中心是 “LLM Core”，四周连接着 “Sensory Inputs (感知)”、“Vector Memory (RAG 记忆)”、“Action Space (API 接口)”。箭头表示数据流向。
  • 图注：标准 Agent 架构：斯坦福“Generative Agents”论文的工程化落地版。

第四阶段： 在 Unity/UE5 中搭建混合架构

光说不练假把式。下面我们演示如何在 Unity 中，利用 Local LLM (本地大模型) + GOAP 实现一个高智能 NPC。

环境准备

  • 引擎：Unity 6 (2025 LTS) 或 Unreal Engine 5.5
  • 本地推理引擎：Ollama (用于运行 Llama-4-8B 或 DeepSeek-Coder-V2)
  • 中间件：LangChain (C# port) 或 Unity Sentis (端侧推理)

步骤 1：部署“大脑” (The Brain)

不要直接调 OpenAI 的 API，延迟太高且费钱。标准是端侧推理。

  1. 安装 Ollama，拉取一个量化版的模型（如 deepseek-r1:7b-q4）。
  2. 在 Unity 中编写一个 LLMManager 脚本，通过 HTTP Request 与本地的 Ollama 服务通信（端口通常是 11434）。
  3. System Prompt (系统提示词) 极其重要：
    "你是一个中世纪守卫。你的输出必须是严格的 JSON 格式。
你可以使用的 Function 列表：
- Patrol(Location)
- Inspect(Object)
- Attack(Target)
不要输出任何对话，只输出动作指令。"

步骤 2：构建“感知层” (Perception Layer)

NPC 需要知道周围发生了什么。

  1. 创建一个 Sensor 脚本，获取周围半径 10 米内的物体。
  2. 将物体状态转化为自然语言描述。
    • 转化前：Obj_ID: 101, State: Open
    • 转化后："There is an opened chest near the door."
  3. 将这句话投喂给 LLM。

步骤 3：桥接 GOAP (The Bridge)

这是最容易出错的地方。LLM 可能会产生幻觉，输出 FlyToSky() 这种不存在的函数。

  1. 约束输出：使用 Grammar Sampling (语法采样) 强制 LLM 只能输出预定义的 JSON 结构。
  2. 指令解析：
    • LLM 输出：{"action": "Inspect", "target": "Chest"}
    • C# 解析器：读取 JSON，设定 GOAP 的 Goal 为 Goal_InspectChest。
  3. GOAP 执行：GOAP 规划器自动计算路径、播放走路动画、播放弯腰动画。

架构图解：
环境感知 -> LLM (决策层) -> JSON 指令 -> GOAP (执行层) -> 动画系统

图片描述

  • 画面内容：左边是 Inspector 面板显示 LLM 返回的 JSON 数据 {"Action": "DrawSword", "Reason": "Threat detected"}；右边是 Scene 窗口，NPC 正在执行拔剑的动作，带有 GOAP 的路径线。
  • 图注：混合架构实战：LLM 负责“决定拔剑”，GOAP 负责“如何拔剑”。

第五阶段：让 AI 不卡顿

LLM 推理是昂贵的（即便在本地）。如果每帧都跑，游戏必卡成 PPT。

  1. 异步思考：

    • 不要在 Update() 里调用 LLM。
    • 建立一个 “Thinking Tick”。比如每 2 秒，或者当环境发生重大变化（听到枪声）时，才触发一次 LLM 推理。
    • 在 LLM 思考的几百毫秒“发呆期”内，播放一个“疑惑”或“观察”的 Idle 动画过渡。

  2. 记忆剪枝 (Context Pruning)：

    • 不要把所有历史对话都塞进去。
    • 使用 RAG (检索增强生成)：只检索与当前场景相关的 5 条记忆。比如玩家掏出苹果时，只检索关于“食物”的记忆，不要检索“杀人”的记忆。

六、 总结

游戏架构变革，本质上是“控制权”的让渡。

  • FSM 时代：程序员控制一切。
  • GOAP 时代：程序员制定规则，AI 决定路径。
  • Agent 时代：程序员提供人设和世界观，AI 涌现出行为。

对于开发者来说，这并不意味着失业，而是工作重心的转移。你需要从一名“逻辑编写者”变成一名“AI 心理医生”——去调整 Prompt，去优化记忆库，去防止 AI 发疯。这种架构做出来的游戏，不再是设计师写好的剧本，而是一个真正鲜活的、不可预测的数字社会。这，才是次世代游戏该有的样子。

参考资料与工具

Tags: #游戏开发 #游戏架构 #GOAP #LLM #AI_Agent #Unity教程 #DeepSeek #人工智能#

声明：该内容由作者自行发布，观点内容仅供参考，不代表平台立场；如有侵权，请联系平台删除。
标签：
大模型
智能体（Agent）
模型部署