当前大部分的游戏开发公司,特别是卡牌类游戏公司在开发设计游戏AI[1]（Artificial Intelligence,人工智能）时,普遍使用状态机和行为树来组建整体的游戏AI系统,上述系统在游戏初期搭建简易,但随着玩法机制频繁升级修改或游戏的快速迭代优化,每次迭代势必会造成大量的行为或者状态修改,而且在问题修复上,无法进行及时的更新。状态机的状态数量很多导致拓展困难,而行为树的后期维护成本也很高,这些已经严重降低了游戏中AI的开发效率。而且状态机和行为树组建的AI系统,AI的行为选择固定,逻辑单一,降低了游戏的可玩性。此外,在行为策略选择上,往往不能选择相对更优的策略,局限了游戏AI的应用场景。本文旨在研究一种新的游戏AI开发方法,该方案的核心是用行为价值来量化游戏行为,通过定义一组基础行为,赋予其合适的价值。游戏中的行为一般情况下都能由这组基础行为来组合,通过收集基础行为所产生的收益来计算量化行为的最终价值,这样就能够在众多行为的决策中直观地选择出价值收益最大的行为。基础行为间相互独立,由他们组合而成的游戏行为之间的耦合度就低,游戏行为之间的触发关系可以看成是一颗行为收益树,行为与行为之间相互独立形成树形结构下的父子或者兄弟关系,能够应对复杂多变的状态,没有行为树逻辑上的繁琐,便于迭代拓展,提高开发效率。本文通过对行为树等游戏AI技术的深入了解,创造性的在其树形结构的基础上,用量化行为收益的方式来取代行为逻辑的判定,设计了一个基于行为收益树的AI模型,并通过实验验证了该模型在开发效率和行为策略选择上具有明显的优越性。其次,通过ELO积分匹配算法和行为收益树模型相结合,实现了AI自适应地动态调整自身的行为策略来匹配玩家的水平,通过仿真模拟实验证明了对游戏的可玩性有明显的提升。最后,在实现了基于行为收益树的游戏AI框架上,创新性的将数据隔离在宿主程序中,计算逻辑完全用脚本语言Lua实现,实现了数据和逻辑的分离,该机制能够很方便地对游戏中的AI行为的选择逻辑进行实时调整,支持热更新。