Utility Intelligence (ECS)是一款基于DOTSData-Oriented Technology Stack架构的 Utility AI 框架专为Entity实体驱动项目设计。它通过“效用评分Utility Score”机制来驱动 AI 决策使得在大规模实体场景中依然能够保持高性能与高智能表现。与传统的行为树BT、有限状态机FSM、目标导向行动规划GOAP不同这套框架不再依赖“条件判断 分支结构”而是通过对所有可能行为进行评分从中选出最优决策从而让 AI 表现更加自然、连续。一、核心设计理念从“条件驱动”到“评分驱动”传统 AI 的核心问题在于决策是离散的而不是连续的。例如在 FSM 中一个敌人通常只有“巡逻 / 攻击 / 逃跑”几个状态通过条件切换。而 Utility AI 则完全不同所有行为同时存在通过评分竞争胜出。1.1 基本决策流程Utility Intelligence 的决策流程可以抽象为输入数据Input ↓ 评分函数Consideration ↓ 行为评分Decision Score ↓ 选择最高分行为Best Decision ↓ 执行动作Action Task换句话说每一个行为Decision都有多个评分因素Considerations每个因素会根据当前环境输入计算一个 0~1 的分数最终通过某种聚合方式通常是乘法或加权得到行为总评分选择评分最高的行为执行二、核心架构拆解基于 ECS该插件最大的技术亮点在于Utility AI 与 ECS 完全结合这意味着所有 AI 数据与逻辑都遵循数据Component逻辑System批处理Job System Burst2.1 核心模块结构1Utility Agent实体每一个 AI 单位对应一个 Entity包含当前状态数据输入参数Blackboard 引用决策组件引用2Decision决策一个 Decision 代表一种行为例如AttackFleePatrol每个 Decision 包含多个 Consideration目标选择逻辑Target EvaluationAction Task3Consideration评分因子这是整个系统最核心的部分。每个 Consideration 本质是Score ResponseCurve( Input )例如距离越近 → 攻击评分越高血量越低 → 逃跑评分越高评分函数通常是曲线AnimationCurve数学函数如指数、线性、Log插件提供可视化曲线编辑器可以实时看到评分变化4Target Scoring目标评分这是该插件相比普通 Utility AI 的一个关键增强每个 Decision 是针对多个目标分别评分的例如 Attack玩家A0.8玩家B0.6玩家C0.9最终选择 C 作为目标Attack Decision 的最终评分 0.9这使得 AI 不只是“做什么”还能决定“对谁做”。5Decision Maker决策系统在 ECS 中Decision Maker 是一个 System负责遍历所有 AI Entity并行计算所有 Decision选择最高分行为写入执行结果关键点使用 IJobChunk / Entities.ForEach可结合 Burst 编译支持大规模并行上千 AI6Action Task行为执行当决策选定后会触发对应的 Action移动MoveTo攻击Attack播放动画Animation这些通常也是 ECS System 处理的数据驱动无状态或弱状态三、评分系统的数学本质Utility AI 的核心其实是一个函数优化问题DecisionScore ∏(ConsiderationScore_i)或者DecisionScore Σ(w_i * score_i)3.1 为什么使用乘法乘法的优势任一因素为 0 → 整体为 0强约束更符合“短板效应”例如距离合适0.9血量足够0.8武器可用0最终0.9 × 0.8 × 0 0AI不会攻击合理3.2 响应曲线的意义Consideration 并不是线性映射而是通过曲线控制例如“距离 → 攻击欲望”太远0中等距离1太近0.5这类非线性行为通过曲线实现使 AI 更像人四、ECS Utility AI 的性能优势4.1 传统 AI 的瓶颈面向对象OOP每个 AI 独立 Update分支判断复杂当 AI 数量上百CPU 压力剧增4.2 DOTS 的优化方式Utility Intelligence 通过 DOTS 实现数据连续Cache FriendlyComponent 数据连续存储减少缓存未命中批处理Batch Processing所有 AI 一次性计算避免频繁函数调用多线程Job System每个 Decision 并行计算利用多核 CPUBurst 编译SIMD 指令优化数学计算极快4.3 实际效果在大规模场景上千 AI 同时决策仍然保持流畅这正是该插件最大的价值所在五、编辑器系统的技术实现该插件不仅运行时强大编辑器也非常关键5.1 Decision Making Preview核心原理在 Editor 模式下模拟 System 执行使用当前数据计算评分可视化展示每个 Decision 分数当前选择行为本质是离线运行 ECS 逻辑5.2 Consideration 可视化实现方式使用 Unity Editor CurveField实时绘制输入 → 输出曲线支持拖拽控制点5.3 JSON 数据驱动AI 数据结构支持导出为 JSON外部编辑再导入优势可版本控制支持工具链扩展5.4 Blackboard 共享变量类似行为树中的 Blackboard存储共享数据多组件访问实现方式ECS Component 或 BlobAsset或 ScriptableObject 映射六、与 GOAP / BT / FSM 的本质区别维度FSMBTGOAPUtility AI决策方式状态切换树遍历规划路径评分选择连续性否一般一般是可扩展性差中高高性能DOTS否否否是Utility AI 更接近人类直觉决策七、适用场景分析该插件特别适合1大规模 AI 场景RTS战场模拟生存游戏2复杂行为决策NPC 社交系统动态战斗 AI3需要自然行为的游戏AI 不再切状态而是权衡选择八、总结Utility Intelligence (ECS) 的核心价值可以归纳为三点1决策模型先进从条件判断升级为评分竞争AI更自然2架构先进基于 DOTS实现真正的高性能 AI 系统3工程化完善强大的 Editor 工具可视化调试JSON 数据驱动如果你正在做大规模 AIDOTS 项目或希望 AI 更像人这个插件几乎是目前 Unity 生态中非常值得研究的一套 AI 架构之一关于这个资源的更多信息请关注下方公众号进行学习交流