GOAP（Goal-Oriented Action Planning，目标导向行为规划）是一种让 NPC 自己「想办法」达成目标的决策技术。行为树把决策路径提前写死，GOAP 反过来：你只描述角色想要什么（Goal）和能做什么（Action），至于先做哪一步、再做哪一步，交给规划器（Planner）在运行时算出来。

这套思路并不新，源头是 1970 年代的自动规划（STRIPS）。真正让它在游戏圈出名的是 2005 年的《极度恐慌》（F.E.A.R.）——敌兵会绕后、找掩体、喊队友合围，很大程度上就是 GOAP 规划出来的。更早在 2003 年的《杀出重围：隐形战争》里就试过一次，但那一代的 AI 因为行为不一致、战术偏简单、算力吃紧挨了不少批评。这段历史其实提前把 GOAP 的代价摆到了台面上：规划是要花 CPU 的，用之前得想清楚值不值。

这篇记录在 Unreal 里从零搭一套 GOAP 框架的做法。GOAP 的概念、规划为什么是反向图搜索，见 GOAP：目标导向行为规划；这里只谈落到 UE 上的实现——数据结构怎么设计、规划器怎么写、以及项目跑起来之后撞上的两个坑。

整体结构

一套可用的 UE GOAP 框架大致是这些类：

• 课程链接

• 项目地址

Behavior Tree

这一系列记录在 Unreal 里做 GOAP AI 的完整过程：从概念，到框架实现，再到上生产后的性能优化。GOAP 的通用原理（与行为树的取舍、规划为什么是反向图搜索）单独放在 Gameplay 分类下，这里聚焦落到 UE 引擎上的工程细节。

目录

• GOAP：目标导向行为规划（前置概念）— 核心概念、反向 A* 规划、GOAP 对比行为树、适用场景
• UE 中实现 GOAP — WorldState 位集设计、反向 A* 规划器的两处不对称、GoapSubSystem 多模板、中断机制、StateTree 作目标选择编辑器，以及对象池 / 动作筛选两个生产级优化
• UE AI 性能优化实践 — 视觉查询 overlap 去重、Tick 管理、DetourCrowd 转向抖动 workaround、碰撞通道与 UObject 上限

这些经验来自一个第一人称潜行 RPG 项目。它是纯开发项目、不是优化项目——排期按 feature 塞得很满，以实现为主、code review 少、写的时候基本不考虑性能，AI 用了 GOAP，而且没有 Tick 框架。等功能堆得差不多，性能债一次性爆出来，跑 profile 定策略，主要就两块：视觉查询和 GOAP 规划（后面版本又多了传送门）。GOAP 那部分的优化放在 UE 中实现 GOAP，这里讲剩下的：碰撞查询、Tick、群体避让。

1. Create an AI Controller class
2. Create a BlackBoard and Behavior Tree
3. Add a Blackboard Component and Behavior Tree Component to the AI Controller
4. Add a Behavior Tree to the Enemy
5. Run the Behavior Tree

Behavior Tree

Reference

• 用算法让NPC集体“开窍”？Boids鸟群算法详解！

Tactical Locations

A Set of Locations

Primitive and Compound Tactics

行为决策对于角色来说有两个重要的限制：

• 用于单个角色
• 不对基于现有的一些信息去预测整个游戏的走向

策略方法从简略的信息中推断出战术形势的方法，使用展示形势作出决定，并且多个角色之间进行调节。

并不是所有的游戏都会有这个模块