游戏 AI / 系统课时
治疗和嘲讽如何改变目标
治疗和嘲讽如何改变目标
只按伤害累计仇恨,治疗者几乎不会被敌人关注,嘲讽也容易被错误实现成“加一个巨大分数”。更稳妥的做法是把伤害、治疗等数值威胁与嘲讽这种强制规则分开:前者进入可累计的仇恨表,后者只在有效期内覆盖选目标结果。
学习目标
- 能把伤害威胁、治疗威胁和倍率修正统一成可计算的数值来源。
- 理解嘲讽为什么更适合作为“强制目标状态”,而不是永久抬高仇恨值。
- 能验证一次治疗、伤害和嘲讽事件对最终目标的影响。
先把数值威胁和强制规则分层
对单个敌人来说,最常见的仇恨表可以表示为“目标 ID → threat”。伤害和治疗都能向表中累加,只是系数不同。例如伤害威胁可以直接按伤害量计算,治疗威胁则按有效治疗量乘以较低系数。
倍率修正应在写入仇恨表之前完成。装备、职业姿态、技能标签都可能改变倍率,但最终都落到同一个公式:
其中 是伤害量或有效治疗量, 是来源基础系数, 是角色或技能倍率。这样规则层只关心“本次要加多少”,不会把职业特例散落在目标选择代码里。

治疗威胁要基于有效治疗量
治疗威胁通常不应使用技能面板上的理论治疗量,而应使用实际恢复的生命值。目标只缺 100 点生命时,即使技能能治疗 1000 点,也只按 100 点计算更容易保持可解释性。
还要先确定治疗威胁的归属范围。若一个治疗事件会让场上所有已进入战斗的敌人都给治疗者记仇,就应由战斗系统把该事件广播给这些敌人的仇恨组件;若只有目睹或感知到治疗行为的敌人才响应,则还要先经过感知过滤。不要在一个敌人的仇恨表里偷偷承担“全场广播”的职责。
嘲讽不要伪装成超大仇恨值
把嘲讽写成 threat += 999999 看似简单,但会留下两个问题:嘲讽结束后目标仍可能长期保持第一,而且多次嘲讽会不断污染数值表。更清晰的模型是保留一个带过期时间的 forcedTarget。
目标选择时先检查强制目标是否仍合法且未过期;若有效,直接返回它。否则清除强制状态,再回到普通仇恨排序。若设计要求“嘲讽结束后坦克至少追平当前最高仇恨”,可以在嘲讽触发时额外把坦克威胁抬到当前最大值,但这应是明确规则,而不是用魔法数字模拟。
下面的 Java 示例演示单个敌人的最小实现:
import java.util.HashMap;
import java.util.Map;
public class AggroDemo {
static class ThreatTable {
private final Map<String, Double> threat = new HashMap<>();
private String forcedTarget;
private long forcedUntilMs;
void addThreat(String actor, double baseValue, double coefficient, double multiplier) {
// 所有数值来源先换算为本次增量,再写入同一张仇恨表。
double delta = baseValue * coefficient * multiplier;
threat.merge(actor, delta, Double::sum);
}
void taunt(String actor, long nowMs, long durationMs, boolean matchHighestThreat) {
// “追平最高仇恨”和“强制选中”是两条独立规则。
if (matchHighestThreat) {
double highest = threat.values().stream().mapToDouble(Double::doubleValue).max().orElse(0);
threat.merge(actor, highest, Math::max);
}
forcedTarget = actor;
forcedUntilMs = nowMs + durationMs;
}
String selectTarget(long nowMs) {
// 有效嘲讽优先;失效后再回到普通分数排序。
if (forcedTarget != null && nowMs < forcedUntilMs) {
return forcedTarget;
}
forcedTarget = null;
return threat.entrySet().stream()
.max(Map.Entry.comparingByValue())
.map(Map.Entry::getKey)
.orElse(null);
}
double threatOf(String actor) {
return threat.getOrDefault(actor, 0.0);
}
}
public static void main(String[] args) {
ThreatTable table = new ThreatTable();
table.addThreat("tank", 120, 1.0, 1.0);
table.addThreat("mage", 150, 1.0, 1.1);
table.addThreat("healer", 80, 0.5, 1.0);
System.out.println("before taunt = " + table.selectTarget(1_000));
table.taunt("tank", 1_000, 3_000, true);
table.addThreat("tank", 10, 1.0, 1.0);
System.out.println("during taunt = " + table.selectTarget(2_000));
System.out.printf("tank threat = %.1f%n", table.threatOf("tank"));
System.out.println("after taunt = " + table.selectTarget(5_000));
}
}预期输出:
before taunt = mage
during taunt = tank
tank threat = 175.0
after taunt = tank这里 mage 先以 165 点成为最高仇恨;嘲讽触发时坦克先追平最高值,随后又产生 10 点普通威胁,因此到期后仍以 175 点领先。正式项目还应定义并列分数时的稳定规则,并在强制目标死亡、离场或不可攻击时立即清除嘲讽状态。
把目标变化验证成可观察行为
测试时不要只看“怪最后追了谁”,而要分别验证事件输入、仇恨表和强制状态。至少覆盖三种情况:治疗者通过有效治疗逐步升高威胁;嘲讽期间无论普通分数如何都锁定嘲讽者;嘲讽过期或目标失效后立即回退到普通选择。
如果治疗威胁、伤害倍率和嘲讽都能在这三层分别观察,就能快速判断问题究竟出在事件没有送达、数值计算错误,还是目标选择没有正确处理强制规则。