混合‘规则+学习’在魔兽真三AI地图的实现

魔兽真三 AI 地图的核心难点，不是单纯把机器学习模型接入游戏，而是在有限引擎、低延迟对战和复杂技能交互之间建立稳定的决策闭环。“规则+学习”混合架构的价值，正在于把确定性要求高的部分交给规则系统，把需要长期判断和动态适应的部分交给学习模型，从而避免纯规则系统僵化，也避免纯学习系统训练成本高、行为不可控。

分层设计：规则负责稳定，学习负责选择

游戏内逻辑可由 JASS 或 Lua 扩展实现，外部 AI 进程则承担更复杂的状态分析与模型推理。两者之间不宜频繁交换所有底层信息，而应建立抽象化的状态接口，例如英雄位置、生命状态、技能可用性、资源状况和局部战场威胁。游戏内只接收“追击、撤退、集火、控线”等高层指令，再由规则层展开为具体操作，有助于缓解外部通信和高频数据交换带来的限制。

规则层适合处理必须稳定执行的任务，包括基础移动、危险区域规避、技能释放前置条件和单位编队。有限状态机成本较低，适合资源受限的场景；层次化行为树更便于模块化，并能通过优先级处理冲突行为。路径规划可采用 A* 或增量方式计算单体路线，再结合影响地图评估区域控制、敌我密度与潜在威胁。

学习层不应直接接管全部微操，而应重点优化策略选择和技能时机。回放数据可以构建状态—动作样本，强化学习则用于改进长时序决策。但训练结果必须经过规则约束与安全校验：当模型输出违反地图规则、进入高风险区域或触发不合理连招时，由规则层接管。这样既保留学习模型的适应能力，也避免出现难以解释的异常行为。

训练与评估不能只看胜负

混合架构的评估应拆分为决策质量、执行稳定性和竞技公平性。单纯比较胜率，无法识别模型是否依赖过高频率的操作，或是否因网络延迟、同步状态漂移而产生不具备实战意义的优势。回放分析应同时关注技能时机、单位损失、路径选择、资源交换和异常动作，并通过随机化测试检验模型在不同局面下的鲁棒性。

赛事环境还需要限制 AI 的操作速率，并模拟必要的输入延迟，使代理行为具备可比性。对开发者而言，优先建立统一的回放格式、对局指标和性能基准，比盲目增加模型复杂度更重要。只有当规则接口、数据采集和评估标准稳定下来，“规则+学习”才可能从一次性实验变成可持续迭代的地图 AI 方案。