aicore
aicore 是经典教材《游戏人工智能》(第一版,2005 年出版)的配套开源代码库,主要记录了 2002 至 2004 年间游戏 AI 的基础实现方案。它旨在为开发者提供一套可运行的参考示例,涵盖了当时主流的游戏人工智能算法,帮助读者将书中的理论转化为实际代码,解决早期游戏开发中行为逻辑构建的难题。
作为一段具有历史价值的代码,aicore 采用了高度模块化的设计,核心引擎被封装为静态链接库,并提供了基于 SCons、CMake 及 Visual Studio 的跨平台构建支持。其源码注释详尽,且支持通过 Doxygen 生成完整的 API 文档,便于深入研读。不过需要注意的是,由于该库已十余年未更新,未包含后续算法改进或勘误内容,官方也明确建议将其视为“历史 curiosities"而非现代生产环境的首选方案。
aicore 最适合对游戏 AI 发展史感兴趣的研究人员、希望对比算法演进的教育者,以及需要参考旧式架构实现的资深开发者。对于寻求最新技术栈的普通用户或现代项目团队,更推荐参考该书第三版中语言无关的最新伪代码列表。
使用场景
2003 年,一家初创游戏工作室正在开发首款 3D 策略游戏,急需为 NPC 实现基础的路径规划与状态行为逻辑。
没有 aicore 时
- 程序员需从零手写状态机代码,导致逻辑耦合严重,后期添加新行为时极易引发崩溃。
- 缺乏统一的路径搜索算法参考,团队花费数周调试 A* 算法的启发式函数,效率低下且效果不稳定。
- 不同模块间的数据结构定义混乱,碰撞检测与移动逻辑无法复用,造成了大量的重复造轮子。
- 新人入职后难以理解分散在各处的 AI 逻辑,缺乏标准文档指引,培训周期长达一个月。
使用 aicore 后
- 直接集成 aicore 中成熟的状态机框架,将行为逻辑模块化,新增单位类型仅需配置而非重写代码。
- 调用库内经过书本验证的路径寻找接口,半天内即可实现流畅的寻路功能,无需反复调试底层算法。
- 复用其标准化的数据结构与引擎核心,确保移动、感知与决策模块无缝协作,大幅减少冗余代码。
- 依托与《游戏人工智能》教材完全对应的源码注释与 Doxygen 文档,新成员三天内即可上手核心开发。
aicore 在当年作为教科书配套代码,将游戏 AI 开发从“盲目摸索”转变为“有据可依”,极大降低了早期游戏智能系统的构建门槛。
运行环境要求
- Windows
- Linux
- macOS (可能支持)
未说明 (演示程序需要 OpenGL 和 GLUT,非现代 AI 计算 GPU)
未说明

快速开始
关于本仓库
本仓库如今仅可视为一种历史性的参考资料。
该代码的原始版本开发于2002年至2004年间,并随书籍《游戏人工智能》免费附赠。然而,经过多年的发展,这段代码已逐渐失去了作为参考的价值。目前,该教材的第三版篇幅大幅增加,而本仓库中的代码并未及时更新以反映书中的勘误或算法改进。在过去十多年里,我从未在自己的咨询工作中使用过本仓库中的代码。
第三版教材并未提及本仓库中的代码,而是以语言无关的格式,在正文中提供了更为详尽且经过修正的代码清单。我推荐读者参考该版本。
历史信息
游戏人工智能系统。
版权所有 © 伊恩·米灵顿 2003–2009。保留所有权利。
本软件根据许可协议分发。使用本软件即表示您同意随附软件许可协议中的所有条款和条件。
本代码还包含 AI Core 引擎的部分内容。
版权所有 © Icosagon Limited 2003–2007。保留所有权利。
请参阅随附的 LICENSE 文件。
安装
可以将代码解压到任意目录中。
平台兼容性
本软件在设计时尽可能地实现了平台无关性。对于您的平台,可能需要修改的唯一文件是 ./src/timing.cpp,该文件当前封装了 Windows 多媒体定时器。
构建
使用 SCons 构建
可以使用 SCONS 构建代码,SCons 可从 http://www.scons.org/ 下载。只需切换到 build 目录并运行 scons 即可。
cd build scons
构建完成后,若要清除中间文件(但保留库和示例程序):
scons -c ../src
使用 Microsoft Visual Studio 8 Professional 构建
随附了适用于 Microsoft Visual Studio 8 Professional 的解决方案文件和项目文件。这些文件也可能适用于 Express 版本,但我尚未进行测试。
使用 CMake 在 Linux 上构建
可以在 Linux(以及可能其他平台)上使用 CMake 构建代码:
cd build cmake . make
文档
要构建文档(见下文),您必须先安装 Doxygen(可从 http://www.stack.nl/~dimitri/doxygen/ 获取)。只需切换到 ./doc/build/doxygen 目录,然后输入以下命令即可生成文档:
doxygen aicore.config
目录结构
构建过程会在 ./lib 目录下生成一个静态链接库,并可与 ./include 目录中的头文件一起使用。示例程序会被编译并放置在 ./bin 目录中。
源代码位于 ./src 目录,文档则位于 ./doc 目录中,其中参考文档存放在 ./doc/ref 目录内。
文档
源代码具有详尽的注释,其内容与《游戏人工智能》一书中的讨论相对应。
利用源代码文件中的标签,可以生成 Doxygen 文档;./doc/build/doxygen 目录中提供了用于构建文档的配置文件。所提供的 Doxygen 配置仅生成 HTML 格式输出,因为其他格式的输出取决于您机器的具体配置。
目前,此功能并未集成到 SCons 配置中,因为 SCons 对 Doxygen 的支持依赖于 Doxygen 在您机器上的安装位置。
示例程序
要运行示例程序,您的机器上需要安装 OpenGL 和 GLUT,并确保相关的 DLL 或共享对象位于系统的路径中。
相似工具推荐
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程,旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周,包含 26 节精炼课程和 52 道配套测验,内容涵盖从基础概念到实际应用的完整流程,有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员,还是对人工智能充满好奇的普通爱好者,都能从中受益。课程不仅提供了清晰的理论讲解,还强调动手实践,让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持,通过自动化机制提供了包括简体中文在内的 50 多种语言版本,极大地降低了全球不同背景用户的学习门槛。此外,项目采用开源协作模式,社区活跃且内容持续更新,确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路,ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成(RAG)引擎,旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体(Agent)能力相结合,不仅支持从各类文档中高效提取知识,还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中,幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构(如表格、图表及混合排版),显著提升了信息检索的准确度,从而有效减少模型“胡编乱造”的现象,确保回答既有据可依又具备时效性。其内置的智能体机制更进一步,使系统不仅能回答问题,还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统,还是致力于探索大模型在垂直领域落地的创新者,都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口,既降低了非算法背景用户的上手门槛,也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目,它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来,转换成计算机可读取的结构化数据,让机器真正“看懂”图文内容。 面对海量纸质或电子文档,PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域,它扮演着连接图像与大型语言模型(LLM)的桥梁角色,能将视觉信息直接转化为文本输入,助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显:不仅支持全球 100 多种语言的识别,还能在 Windows、Linux、macOS 等多个系统上运行,并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目,PaddleOCR 既能满足快速集成的需求,也能支撑前沿的视觉语言研究,是处理文字识别任务的理想选择。
awesome-machine-learning
awesome-machine-learning 是一份精心整理的机器学习资源清单,汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点,这份清单按编程语言(如 Python、C++、Go 等)和应用场景(如计算机视觉、自然语言处理、深度学习等)进行了系统化分类,帮助使用者快速定位高质量项目。 它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库,还是资深工程师对比不同语言的技术选型,都能从中获得极具价值的参考。此外,清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源,构建了从学习到实践的全链路支持体系。 其独特亮点在于严格的维护标准:明确标记已停止维护或长期未更新的项目,确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”,awesome-machine-learning 以开源协作的方式持续更新,旨在降低技术探索门槛,让每一位从业者都能高效地站在巨人的肩膀上创新。
scikit-learn
scikit-learn 是一个基于 Python 构建的开源机器学习库,依托于 SciPy、NumPy 等科学计算生态,旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口,涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具,内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。 对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言,scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点,让用户无需重复造轮子,只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。 其核心技术亮点在于高度一致的 API 设计风格,所有估算器(Estimator)均遵循相同的调用逻辑,极大地降低了学习成本并提升了代码的可读性与可维护性。此外,它还提供了强大的模型选择与评估工具,如交叉验证和网格搜索,帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目,scikit-learn 以其稳定性、详尽的文档和活跃的社区支持,成为连接理论学习与工业级应用的最
keras
Keras 是一个专为人类设计的深度学习框架,旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。 无论是刚入门的学生、专注算法的研究人员,还是需要快速落地产品的工程师,都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。 Keras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码,即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性,还允许开发者根据需求自由选择:利用 JAX 或 PyTorch 的即时执行模式进行高效调试,或切换至速度最快的后端以获得最高 350% 的性能提升。此外,Keras 具备强大的扩展能力,能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群,是连接原型开发与生产部署的理想桥梁。