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:
{
"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。

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:
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:
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。