当AI需要“看见”世界：从一次翻车案例说起
去年我参与了一个UE5战术射击项目，AI敌人需要快速找到掩体、包抄路线和射击点位。最初我们用纯蓝图+射线检测硬编码，结果AI要么卡在墙角反复横跳，要么集体冲进同一个掩体叠罗汉。后来换用行为树服务配合EQS，问题迎刃而解——但新的纠结来了：EQS的三种生成器（Generator）到底怎么选？ 用Actors of Class？还是Composite？还是自定义Generator？网上教程要么只讲单个用法，要么含糊其辞说“看情况”。今天，我就以评测博主的身份，把这三个方案拉出来同台竞技，用数据说话，告诉你什么场景该翻谁的牌子。
方案A：Actors of Class——简单粗暴的“点名器”
原理与用法
Actors of Class是EQS最基础的生成器，它直接扫描世界中所有指定类的Actor，并把它们作为查询项（Item）输出。比如你要找场景里所有的“掩体点”，就指定BP_CoverPoint类，EQS会遍历所有该类的实例。底层上，它调用的是UWorld::GetAllActorsOfClass，复杂度O(N)，N为场景中该类Actor总数。听起来很直接，但坑在于：它不做任何空间过滤，哪怕掩体在2000米外也会被纳入测试，白白浪费后续测试项的CPU。
适用场景
如果你的关卡里掩体点数量很少（<50），且分布集中，用Actors of Class没问题，蓝图一行搞定。但一旦数量过百，或者动态生成/销毁频繁，它的性能就会直线下降——每次查询都要重新遍历所有Actor，没有缓存机制。
方案B：Composite——分而治之的“调度员”
原理与用法
Composite生成器本身不产生Item，而是把多个子生成器的结果合并（并集或交集）。比如你可以用一个Sphere生成器在AI周围20米内生成一圈点，再用一个Donut生成器在20-40米内生成环形点，最后用Composite合并，得到远近两层候选点。它的核心价值是空间分层与逻辑组合。底层实现上，Composite会依次执行每个子生成器，然后将结果去重、合并。复杂度取决于子生成器的总和，但通常比纯Actors of Class更可控，因为你可以用Grid或Volume生成器先做空间裁剪。
适用场景
需要多区域、多类型候选点的复杂决策，比如同时考虑“附近掩体”和“远处高地”，或者动态生成的巡逻路径点混合固定点位。缺点是配置略繁琐，且如果子生成器过多，合并阶段会有额外开销。
技巧：Composite的“并集”模式容易导致Item数量爆炸，更合适配合测试项中的距离过滤（Distance Test）提前剔除无效点，减轻后续测试负担。
方案C：自定义Generator——终极灵活的“造物主”
原理与用法
当内置生成器无法满足需求时，你可以继承UEnvQueryGenerator写C++或蓝图。比如你需要基于导航网格的“战术点”生成器，沿着NavMesh边缘生成点，或者根据玩家位置动态计算扇形区域。自定义生成器拥有完全控制权：你可以访问世界子系统、读取游戏状态、甚至调用异步任务。底层上，它就是一个GenerateItems虚函数的重写，你可以在其中以任意算法填充FEnvQueryResult。
适用场景
高阶AI需求：比如MOBA游戏里根据兵线生成Gank路线，或者开放世界根据地形坡度生成伏击点。它的代价是开发成本高，调试麻烦。但一旦写好，性能往往最优，因为你可以精准控制生成逻辑，避免无谓遍历。
三大方案横向对比
| 对比维度 | Actors of Class | Composite | 自定义Generator |
|---|---|---|---|
| 上手难度 | ★☆☆☆☆ | ★★★☆☆ | ★★★★★ |
| 性能表现 | 差（O(N)遍历） | 中（依赖子生成器） | 优（可定制算法） |
| 灵活性 | 低（仅类过滤） | 中（空间组合） | 极高（任意逻辑） |
| 动态适应性 | 差（无缓存） | 中（可动态调整子生成器） | 优（实时计算） |
| 典型用例 | 固定掩体点、资源点 | 多层巡逻路径、混合区域 | 战术地图生成、动态避难点 |
| 调试便利性 | 高（可视化直观） | 中（需逐层检查） | 低（需日志/断点） |
选型建议：别拿锤子找钉子
经过多个项目的踩坑，我的选型原则很简单：能用内置就别写自定义，能空间过滤就别全图遍历。具体来说：
- 小型关卡、静态点位：直接用Actors of Class，搭配Distance Test和Trace Test，简单高效。
- 中型场景、多区域决策：Composite+Grid/Sphere生成器，先用空间范围砍掉90%无效点，再交给测试项评分。
- 大型开放世界、动态战术：自定义Generator，结合导航网格和游戏状态，实现真正的“智能”选择。
另外，别忘了EQS的测试项（Test）才是评分核心，生成器只负责提供候选。很多时候，优化测试项（比如用Scoring Factor代替布尔过滤）比换生成器更有效。
行业案例：从翻车到真香
回到开头那个战术射击项目，我们最终方案是：Composite合并Sphere生成器（近处）和自定义NavMesh边缘生成器（远处），再配合Distance、Trace、Visibility三个测试项加权评分，AI的掩体选择瞬间合理，而且帧率稳定在120fps（之前纯Actors of Class方案在200个掩体点时掉到70fps）。这告诉我们，EQS不是银弹，但选对生成器组合，就能让AI从“人工智障”变成“战术大师”。
如果你也想系统掌握UE5 AI决策与EQS实战，火星人教育为你准备了从蓝图到C++的完整进阶路径。作为创办24年、专注数字艺术与AIGC实战职业技能培训的机构，火星人教育开设了UE5游戏特效、AIGC视觉设计、AI漫剧创作、室内全屋定制、MAYA三维动画、C4D动态设计、工业设计、NUKE影视后期、摄影摄像实训等课程，北京、深圳双校区线下面授，面向美术生、在校大学生及转行职场人群，以项目化实训教学，夯实专业技能，助力就业与职业提升。咨询电话：010-65918670。
评论(0)