@thorneLiu 几个方面，一则这个项目开发了五年，数据结构之类的设计上和 python 强耦合，利用了大量的 python 的特性和设计思想，另一方面，python 的生态还是可以的，我用了许多三方库来解决问题，社区的拖拉机还是很可以的，比如用 numpy 实现，以 value 作为随机区间，随机选择一个 key ，比起我直接拿 python 写二分法，要快 40%，又或者我写的蚁群算法依赖近似度检索，chatgpt 给我挑了一堆库多半都是炼丹来实现的，我直接拿来就用，不用去关心它的设计原理，

@antonius 倒也没有在虚空优化，火焰图之类的东西有在用，print 也打得多，各有优缺吧吧，但是常规的手段只能排查一些明显的瓶颈，通常也通过预热数据来解决了，比如游戏中场景树相当复杂，节点到节点之间的移动找不到什么有效的算法，最后选择上数据预热，例如在 github 的流水线中打包的时候，就把所有可能的，结果到节点之间的移动的最短路线创建好，比起死磕这块，不过直接从算法上完全避免，

@zglzy 其实有尝试过，但是，数据传递和数据类型转换的成本相当的高，再者就是高度耦合的问题，详看我在 8 楼的回复

@antonius utility-based ai system 实质上是被包含在这个算法的条件随机场(Conditional Random Field)中了，效用(utility)，即 crf 中，验证函数通过世界变量获取到的条件权重，在人类的思考过程中，并不总是选择最优策略，但总的来说，人类总是更倾向于更有利的选择，所以这里做了个随机场来实现这一点，权重越大，选择对应目标的概率就越大

@antonius PreCondition 这块的处理也是有的，核心是通过实现建立好的 hash 表，从 Goal 去查它绑定的 PreCondition ，当 PreCondition 不能满足的时候，又通过事先建立好的 hash 表，从 Effect 去反查能够满足他的 Goal ，只有一个 Goal 能满足的时候就返回它，有多个的时候就通过权重抽一个，某个 Goal 有某个 PreCondition 不能满足的时候，就又递归一层，通过对数据结构的调整，以及对数据进行预热，来优化这块的时间复杂度，尽可能的做到 O1 ，至少我刚才回忆了一下，只有一两处实在绕不开的地方是 On ，底层架构的话，我已经做了非常多的优化，我的能力所限，现在要继续优化也完全找不到新的思路

@kepenj github 上搜 dieloli 就是了，帖子里说的算法自然是成品，这个游戏我做了五年了

@thorneLiu 主要是 gpu 只能解决特定算法问题，参考上面我对 txhwind 的回复

@txhwind 在这套设计里，作为核心，也就是性能瓶颈最大的 crf ，和对象化的数据结构强耦合，详细来说，我通过装饰器，注册了几千个验证世界状态的函数，它们各自之间，又有一些逻辑处理，同时也必须非向量化的处理角色的属性数据，各种状态验证中，验证角色之间的社交关系，好感度，当前位置，历史状态的也不在少数，我目前应该是没有能力完成向 c 的迁移

@antonius 时间切片之类的在行为跨度短的时候有效，但是第一次启动时，所有角色都在查找可用的目标，其实也是一个比较大的瓶颈，玩家选择睡觉这种操作的时候，步进跨度比较大，要卡很久，也是常受玩家诟病的，设计上，其实是选择了状态机和时间切片耦合的办法，ai 找到目标后就进入了状态机，状态结束后才重新查找，另外蚁群优化也是降低查询次数的方案，找到了近邻角色以后，按相似度和信息素作为决定是否模仿对方的行为的概率

@Eddition 可以详细解释下吗，请原谅我没看懂