游戏 AI / 系统课时

怎样让仇恨规则可调可查

怎样让仇恨规则可调可查

仇恨系统一旦加入距离、伤害、治疗、职业倍率和状态修正,最难维护的往往不是公式本身,而是“为什么这次选了它”。解决办法是把规则参数集中配置,并让每次评分同时产出明细,做到数值可调、结果可复现、异常可定位。

学习目标

  • 能把仇恨评分来源拆成独立、可配置的权重和开关。
  • 能为一次评分记录输入值、修正值、分项得分和最终总分。
  • 能用固定快照复现目标选择,区分配置问题与代码问题。

配置只描述规则,不承载运行状态

配置文件适合保存伤害权重、治疗权重、距离惩罚、可见性倍率等稳定规则;当前仇恨值、上次受击时间、当前目标则属于运行状态,不能混进配置。这样策划调整参数时,不会意外修改某个战斗实例的数据。

下面是一个精简的 JSON 配置片段示例,依赖项目自己的配置加载器读取:

json
{
  "damageWeight": 1.0,
  "healingWeight": 0.5,
  "distancePenaltyPerMeter": 0.2,
  "visibleMultiplier": 1.1,
  "invisibleMultiplier": 0.7,
  "minimumScore": 0.0
}

这份配置生效后,评分器仍应使用同一套计算流程,只替换参数值。验证时可以加载一组固定输入,比较修改前后的各分项得分是否按预期变化,而不是只观察最终目标有没有改变。

每次计算都返回 Score Breakdown

只返回一个 score=143.6 对排查帮助很小。更好的接口是同时返回总分和明细,例如 damage=120、healing=20、distance=-6、visibility=x1.1。这样日志、调试面板和回放工具都可以复用同一个结果对象。

可配置规则生成评分明细并进入目标选择的数据流

下面的 Java 示例把规则与运行输入分离,并返回可打印的评分明细:

java
public class ThreatBreakdownDemo {
    record RuleConfig(
            double damageWeight,
            double healingWeight,
            double distancePenaltyPerMeter,
            double visibleMultiplier,
            double invisibleMultiplier,
            double minimumScore) {}

    record Snapshot(
            double damage,
            double healing,
            double distanceMeters,
            boolean visible) {}

    record ScoreBreakdown(
            double damageScore,
            double healingScore,
            double distancePenalty,
            double visibilityMultiplier,
            double finalScore) {}

    static ScoreBreakdown evaluate(RuleConfig config, Snapshot input) {
        // 先保留各来源的独立贡献,后续日志才能解释总分。
        double damageScore = input.damage() * config.damageWeight();
        double healingScore = input.healing() * config.healingWeight();
        double distancePenalty = input.distanceMeters() * config.distancePenaltyPerMeter();

        // 可见性是整体修正项,不与伤害、治疗混成同一个权重。
        double visibilityMultiplier = input.visible()
                ? config.visibleMultiplier()
                : config.invisibleMultiplier();

        double raw = damageScore + healingScore - distancePenalty;
        // 最低分钳制属于最终阶段,避免中间分项被悄悄改写。
        double finalScore = Math.max(config.minimumScore(), raw * visibilityMultiplier);

        return new ScoreBreakdown(
                damageScore,
                healingScore,
                distancePenalty,
                visibilityMultiplier,
                finalScore);
    }

    public static void main(String[] args) {
        RuleConfig config = new RuleConfig(1.0, 0.5, 0.2, 1.1, 0.7, 0.0);
        Snapshot snapshot = new Snapshot(120, 40, 30, true);

        ScoreBreakdown result = evaluate(config, snapshot);
        System.out.printf(
                "damage=%.1f healing=%.1f distance=-%.1f visibility=x%.1f final=%.1f%n",
                result.damageScore(),
                result.healingScore(),
                result.distancePenalty(),
                result.visibilityMultiplier(),
                result.finalScore());
    }
}

预期输出:

text
damage=120.0 healing=20.0 distance=-6.0 visibility=x1.1 final=147.4

这个结果可以直接复核:先得到 120 + 20 - 6 = 134,再乘以可见性倍率 1.1,最终是 147.4。如果线上结果不同,就能逐层检查输入快照、配置版本和具体分项,而不是从最终目标倒推整个过程。

给日志加上足够的上下文

评分明细只有在能定位到“哪次战斗、哪个敌人、哪组配置”时才真正可查。日志中至少保留敌人 ID、候选目标 ID、配置版本、评分时间点和分项结果。动态时间、对象 ID 等值不必写死到规则代码中,运行时记录真实值即可。

还应避免每帧为所有候选打印详细日志。更实用的做法是按调试开关、指定实体或“目标发生变化”时输出明细,否则高频日志本身会拖慢战斗循环并淹没真正异常。

用固定快照做回归验证

调参之后最容易出现的问题是“某类目标突然总能抢到仇恨”。可以保存一组小型评分快照,包含输入数据和期望排序,修改配置或公式后重新执行。若总分改变但排序符合新设计,这是配置调整;若输入与配置都未改变而分项发生漂移,则更可能是实现缺陷。

最终目标不是让策划看到更多数字,而是让一次目标选择具备完整证据链:用了哪组规则、读到了什么输入、每个来源贡献多少、为什么最终排在第一。只要这条链能稳定输出,仇恨系统就从“凭感觉调参”变成了可验证的工程系统。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

怎样让仇恨规则可调可查

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通