战斗 AI

MCE 为战斗 AI 使用可插拔的策略模式。每个 AI 都是一个 BattleAI ScriptableObject，而内置的 AI 被设计为可以串联：每种策略尝试做好自己的那件事，做不到时就把决定交给它的 Fallback AI。

战斗状态机

AI 从不驱动战斗 —— 它只回答一个问题：“这位训练师现在会怎么做”，而战斗循环决定何时发问。正是这种分离，让任何战斗都可以使用不同的策略而无需触碰回合流程。

架构

BattleAI（命名空间 OpenMon.MCE.Battle.AI）要回答两件事：

RequestPerformAction —— 战斗者的回合。AI 以一个 BattleAction 回调，这是一个描述要做什么的小结构：战斗者（BattlerType 和 Index）、行动的 Type（Move、Switch、Item 或 Run）、是否触发 Mega 形态（TriggerMegaForm），以及数值型的 Parameters（哪个招式和哪个目标、哪个道具、哪只怪物）。
RequestNewMonster —— 某只怪物濒死后，从队伍中派出哪一只。

它还有两个可选的钩子：OnBattlerFainted 和 OnBattleEnded（ML AI 用它们来给予奖励）。

一条链就是资产指向资产：

MegaOrGigaIfCan  ──Fallback──▶  SwitchToEffectiveMonster  ──Fallback──▶  PerformEffectiveMove  ──Fallback──▶  PerformRandomMove  ──Fallback──▶  RandomBattleAI

每个环节审视当前情况；如果满足条件就作答，否则询问它的 fallback。RandomBattleAI 是每条链的终点：它没有 fallback。

内置 AI 策略

它们都通过 Assets > Create > MCE > Battle > AI > ... 创建。

资产	作用	设置
RandomBattleAI	在随机招式和切换到随机怪物之间随机选择一个行动。用作最终的 fallback。	--
PerformRandomMove	使用一个随机招式，若无可用招式则 fallback。	`Fallback`
PerformEffectiveMove	使用它拥有的最强有效伤害招式：任何高于阈值的都算有效；在有效招式中，优先选择多目标的，然后是威力更大的。当没有有效招式或几率判定失败时 fallback。	`EffectivenessThreshold`（默认 1）、`Chance`（0-1）、`Fallback`
SwitchToEffectiveMonster	带有一定随机性地切换到拥有有效招式的队伍成员。它也负责选择濒死后派出哪只怪物。	`EffectivenessThreshold`、`SwitchingChance`（0-1）、`Fallback`
UseBattleItems	在特定条件下使用战斗道具（HP 低于阈值时的恢复道具、列出的道具）；否则 fallback。	`UseIfAvailable`、`UseOnOwnIfAvailable`、`HPThreshold`、`HPHealItems`、`Fallback`
MegaOrGigaIfCan	先向它的 fallback 询问行动，然后在战斗者能够时，将其标记为变为 Mega 或 giga 形态。	`Fallback`
IfWildWithRunChanceRun	如果怪物是野生的且其物种有逃跑几率，则在判定成功时逃跑；否则交给下一个。	`Fallback`
MLBattleAI	让训练好的 ML-Agents 大脑来决定（见下文）。	`AgentPrefab`、`Fallback`

为战斗选择 AI

战斗中的每支队伍由一个 BattleAI 控制：

对于普通遭遇 —— 由 CommandGraph 节点 SingleWildFight、DoubleWildFight 和 SingleTrainerFight 发起的野生战斗和训练师战斗 —— BattleLauncher 资产使用其 Default AI 字段。把它指向你想要的链的头部。
要给某场战斗专属的策略，使用 BattleTemplate（Create > MCE > Battle > Template）：它的 AIs 数组为每支队伍保存一个 BattleAI，与队伍、角色、背包和战斗的其他参数并列。FightFromTemplate 节点会发起它。
在代码中，BattleLauncher.LaunchBattle(...) 直接接收 AI 数组。

示例链（你分配给 BattleLauncher 或模板的 AI 是列出的第一个）：

简单（一号道路）

PerformRandomMove → RandomBattleAI

中等（道馆谜题）

MegaOrGigaIfCan → PerformEffectiveMove → PerformRandomMove → RandomBattleAI

困难（冠军）

MegaOrGigaIfCan → UseBattleItems (HP below 25%) → SwitchToEffectiveMonster → PerformEffectiveMove → PerformRandomMove → RandomBattleAI

编写你自己的 AI（Source 与 Studio 版本）

继承 BattleAI，实现两个抽象方法，并给你的类加上 [CreateAssetMenu]：

using System;
using System.Collections;
using System.Collections.Generic;
using OpenMon.MCE.Battle;
using OpenMon.MCE.Battle.AI;
using OpenMon.MCE.Configuration;
using UnityEngine;

[CreateAssetMenu(menuName = "MyGame/AI/Always Struggle", fileName = "AlwaysStruggle")]
public class AlwaysStruggle : BattleAI
{
    [SerializeField] private BattleAI Fallback;

    public override IEnumerator RequestPerformAction(MCESettings settings, BattleManager battleManager,
                                                     BattlerType type, int inBattleIndex,
                                                     Action<BattleAction> callback)
    {
        // Ask the next link of the chain, then adjust what it answered.
        BattleAction action = default;
        yield return Fallback.RequestPerformAction(settings, battleManager, type, inBattleIndex,
                                                   answer => action = answer);
        callback(action);
    }

    public override int RequestNewMonster(MCESettings settings, BattleManager battleManager,
                                          BattlerType type, int inBattleIndex, List<Battler> forbiddenBattlers) =>
        Fallback.RequestNewMonster(settings, battleManager, type, inBattleIndex, forbiddenBattlers);
}

受保护的辅助方法 GenerateActionForMove(...) 为选定的 Move 构建 BattleAction（招式槽位和有效目标），静态方法 GetEnemies(battleManager, type) 返回正在战斗的对方战斗者。关于拥有这些 AI 的模块，参见 BattleManager API。

ML-Agents 集成

MCE 包含一个实验性的、基于 ML-Agents 的 AI。

MLBattleAI

使用 Unity ML-Agents，借助训练好的神经网络做出决策。

难度：可变（取决于训练）
用途：后期训练师、竞技 AI、研究
设置：需要 com.unity.ml-agents 包和 MCE_ML_AGENTS 脚本宏定义；ML 代码位于它自己的程序集（OpenMon.MCE.ML）中

对每个战斗者，AI 会从其 Agent Prefab 生成一个 MCEAgent，写入一个观测向量（代码记录了 630 个整数：场景设定、双方的状态、四名上场战斗者以及其余队伍，每个战斗者由物种、形态、等级、个体值/努力值、特性、HP、状态、招式与 PP、携带道具、能力等级和易变状态描述），并向大脑请求离散的决策，再将其转换为 BattleAction。当怪物濒死时给予奖励（己方濒死时为 -10 的一部分，对手濒死时为 +100 的一部分）。濒死后派出哪只怪物不是通过学习得到的：它交给 Fallback。

训练 AI

训练在 Unity 之外进行，使用标准的 ML-Agents 工具链。MCE 提供的是智能体、观测与奖励；训练好的模型由你自己产出。

在虚拟环境中安装 Python 部分：pip install mlagents
按照 ML-Agents 配置参考，为你的智能体预制件所声明的行为（behaviour）编写一份配置
运行 mlagents-learn <你的配置>.yaml --run-id=<名称>，当它提示等待时在 Unity 中按下 Play
用 tensorboard --logdir results 监控
导出训练好的模型（.onnx 文件）
将模型分配给你的 agent 预制体

引擎自身的仓库在根文件夹中保留了这些步骤的封装脚本（MLAgentsInstall.ps1、RunMLTraining.ps1、 ViewMLResults.ps1 和 MLAgentsConfig/）。它们是维护者的工具，不包含在任何软件包中，因此不在你收到的内容里：请按照上面的步骤操作。

ML-Agents 依赖

ML-Agents 是一个独立的包，有自己的 Python 依赖。MCE 的核心战斗系统不需要它也能工作。只有在你计划使用基于神经网络的 AI 时才安装 ML-Agents。

AI 难度指南

难度	AI 链	使用场景
非常简单	仅 `RandomBattleAI`	野生遭遇
简单	`PerformRandomMove`	早期道路、新手
中等	`PerformEffectiveMove`（感知属性）	道馆训练师、劲敌
困难	Mega + 道具 + 替换 + 有效招式	道馆馆主、四天王
神经网络	带训练模型的 `MLBattleAI`	竞技、挑战模式

最佳实践

让 AI 匹配叙事背景。一个普通的捕虫少年不该像冠军那样战斗。
用相近等级的玩家队伍测试 AI。失衡的 AI 会让人觉得不公平。
用小型策略构建链。它们比一个庞大的整体 AI 更容易维护。
始终让链以 RandomBattleAI 结尾（或由它兜底的 PerformRandomMove），这样 AI 永远不会无从作答。
不要为早期训练师过度优化 AI。玩家需要先学会这个系统，才会面对聪明的对手。

架构​

内置 AI 策略​

为战斗选择 AI​

简单（一号道路）​

中等（道馆谜题）​

困难（冠军）​

编写你自己的 AI（Source 与 Studio 版本）​

ML-Agents 集成​

MLBattleAI​

训练 AI​

AI 难度指南​

最佳实践​

架构