UE AI 系统——Behavior Tree、Blackboard 与 EQS

一、AI 在 UE 里的位置#

和在 Gameplay 框架（第 8 篇）里讲过的角色层次关系对接：

1
AController
2
├── APlayerController     ← "人类玩家的遥控器"
3
└── AAIController         ← "AI 的遥控器"
4
      │
5
      ├── Behavior Tree    ← AI 的大脑（决策层）
6
      ├── Blackboard       ← AI 的记忆（数据层）
7
      ├── EQS              ← AI 的眼睛（感知层）
8
      └── AI Perception    ← AI 的听觉/视觉（感知组件）

关键：AI 用的 AIController 和人类用的 PlayerController 继承自同一个基类 AController。它们控制 Pawn 的方式完全一样——Possess(pawn) → 控制移动、旋转、技能。区别在于决策来源——人类来自输入设备，AI 来自 Behavior Tree。

二、Behavior Tree：AI 的决策树#

1 核心节点类型#

1
Root
2
└── Selector（或：从左到右依次尝试，直到一个子节点成功）
3
    ├── Sequence（与：从左到右执行，直到一个子节点失败）
4
    │   ├── Decorator: 检查条件（如 "目标是否在攻击范围内"）
5
    │   └── Task: 执行动作（如 "攻击目标"）
6
    │
7
    ├── Sequence
8
    │   ├── Decorator: 检查条件（"听到了枪声"）
9
    │   └── Task: 执行动作（"移动到枪声位置"）
10
    │
11
    └── Sequence（如果前两个都失败，进入巡逻）
12
        └── Task: 执行动作（"随机巡逻"）

三种复合节点：

节点	逻辑	行为
Selector	”或”	依次尝试子节点，一个成功就停止
Sequence	”与”	依次执行子节点，一个失败就全失败
Simple Parallel	”并行”	主任务 + 后台任务同时跑

叶节点：

节点	做什么
Task	执行一个具体动作（MoveTo、PlayAnimation、ActivateAbility）
Decorator	条件检查（“目标在范围内吗”）——附着在 Composite 或 Task 上
Service	后台持续运行的逻辑（“每 0.5 秒更新 Blackboard 里的目标位置”）

2 执行模型：不是每帧重建决策树#

重要区别：

1
不是每帧从 Root 重新评估整个树
2
↓
3
而是：当前 Task 未完成 → 继续执行（不重新评估上层 Selector/Sequence）
4
     除非 Decorator 设置了 "Observer Aborts"

Observer Aborts 是 AI 反应速度的关键：

1
Sequence "攻击目标"
2
  └── Decorator: CheckTargetInRange + Observer Aborts = Self
3
        → 当目标离开攻击范围时，自动中止整个 Sequence
4
        → 树回到上层 Selector → 切换到下一个分支（如"追击目标"）

没有 Observer Aborts，AI 会一直执行当前 Task 直到任务完成，不管外部条件如何变化。有了它，AI 在”攻击”过程中发现目标逃跑时，会立刻切换到追击。

3 Behavior Tree 的 Tick#

不需要手动 Tick。引擎的 UBehaviorTreeComponent 每帧：

检查当前活跃的 Decorator 的 Observer Aborts 条件
触发 Abort → 回退到上层节点重新评估
如果当前 Task 仍在执行且未被 Abort → 跳过重新评估

Service 的 Tick：附着在 Composite 节点上，以某个频率（如 0.5 秒）执行，更新 Blackboard 数据。

三、Blackboard：AI 的共享记忆#

1 Blackboard 存储什么#

1
Blackboard（键值对）
2
├── TargetActor        (Object)  → 当前目标是谁
3
├── TargetLocation     (Vector)  → 目标在哪
4
├── LastKnownPosition  (Vector)  → 目标最后被看到的位置
5
├── HomeLocation       (Vector)  → 巡逻起点
6
├── AmmoCount          (Int)     → 弹药
7
├── bIsAlerted         (Bool)    → 是否警觉
8
└── bHasWeapon         (Bool)    → 是否有武器

2 谁写 Blackboard#

写入方	例子
AI Perception	看到敌人 → 写 `TargetActor`
Service	每 0.5 秒计算”最近敌人”→ 更新 `TargetActor`
Task	移动到目标后 → 写 `bAtDestination = true`
EQS	查询最佳掩体位置 → 写 `BestCoverLocation`
C++ / BP	收到伤害事件 → 写 `bIsAlerted = true`

Blackboard 是 AI 各子系统之间唯一的通信方式。 Behavior Tree 读它来决策、Perception 写它来汇报、EQS 写它来提供空间信息。

四、EQS（Environment Query System）——AI 的眼睛#

1 EQS 是什么#

AI 经常需要回答”最好的 X 在哪”——最好的掩体、最好的狙击点、最好的弹药箱位置。EQS 用打分系统来评估空间中的候选点：

1
查询："离我 10-50 米内，有掩体、离敌人远、离我近的点，哪个最好？"
2

3
步骤：
4
1. Generate：生成候选点（以我为中心的网格，间距 2 米）
5
2. Test（对每候选点打分）：
6
   ├── DistanceTo: Enemy → 离敌人越远，分越高
7
   ├── DistanceTo: Self → 离自己越近，分越高
8
   └── Dot: 掩体方向 vs 敌人方向 → 掩体在敌人方向上的，分越高
9
3. 选出最高分 → 写入 Blackboard.BestCoverLocation

2 在 Behavior Tree 里调用 EQS#

1
Behavior Tree:
2
  Selector:
3
    └── Sequence "寻找掩体"
4
        ├── Task: RunEQSQuery (CoverQuery)
5
        │      → 打分完成，结果写入 Blackboard.BestCoverLocation
6
        └── Task: MoveTo(Blackboard.BestCoverLocation)

整个掩体寻找的逻辑只有两个 Task 节点——查询和移动。EQS 负责”找哪”，MoveTo 负责”走过去”。

五、RPG 卫兵的 AI——怎么设计#

一个 RPG 卫兵需要根据距离、视线和警戒状态做决策。把 Behavior Tree 的思维方式用过来：

1
AI Guard Brain（Behavior Tree 风格）：
2
  Selector:
3
    ├── Sequence "战斗策略"（目标在攻击范围内且自身有法力）
4
    │   └── Task: 释放远程技能
5
    │
6
    ├── Sequence "追击策略"（已经发现目标但距离较远）
7
    │   └── Task: MoveTo(Blackboard.TargetActor)
8
    │
9
    └── Sequence "巡逻策略"（默认）
10
        └── Task: MoveTo(Blackboard.PatrolPoint)

这里 EQS 可以用来寻找掩体、巡逻点或最佳攻击位置，而 Behavior Tree + Blackboard 负责把“目标是否可见”“当前生命值”“是否在攻击范围内”放进 Blackboard，再根据条件选择策略。

六、总结#

概念	一句话
AIController	AI 的”遥控器”——和 PlayerController 同一基类，Possess Pawn 控制一切
Behavior Tree	Selector(或) / Sequence(与) / Task(动作) / Decorator(条件) / Service(后台)
Observer Aborts	外部条件变化时自动中止当前执行——AI 反应速度的关键
Blackboard	AI 的共享记忆——决策层、感知层、EQS 的唯一通信渠道
EQS	空间打分系统——“最好的 X 在哪” → 生成候选点 → 逐个打分 → 选最高分
AI Perception	视觉/听觉/伤害感知——检测到刺激 → 写 Blackboard

UE 的 AI 框架不只是给 FPS 的敌人用的。Behavior Tree 的决策树思维 + Blackboard 的数据共享 + EQS 的打分系统——这套架构可以被复用到 RPG 卫兵、队友 AI、对话系统，甚至自动化测试中。