反应式AI，动手

惯例，YY完趁头脑尚热就动手；

需求？文案？今天天气不错，早上有bug，中午有雨，下午还是有bug。

工具：python

模型：YY篇的AI模型

成品：通用库，中间件模式

难点：

  1·神经元的构建，因为它将会模仿人体神经元，延伸到对象的各个细节末端，对于大多数构建模式来说，这是TMD个恶梦；

  2·大脑到底怎么处理这些信号，也就是处理模式；

  3·既然要做成中间件，那么就不得依赖于具体项目或者项目具体，甚至要提供通用扩展，对于游戏AI这种东西，同样是个恶梦。

纠结成果：

  1·python有个东西，叫装饰器，可以让神经和对象的结合变得轻松无节操，甚至可以让神经元掌控到一个具体对象属性的变更，这会引起开发语言依赖，无视吧；

  2·这一点见仁见智，不过从这套东西考虑，处理模式俺也是推荐静态方式，俺一共实现了三套处理模式，按顺序是 情绪、个性、习惯，具体下述；

  3·解决办法有两个关键：基本库不对控制对象做任何处理，只提供对象处理扩展；一切处理过程只使用配置信号。

经过一段说长不长说短不短的时间的折腾，终于连库连配置工具连测试一起吐出来了，配置工具用python Tkinter，不为别的，就为即时不懂编码的人使用时各种简便；

资源请恕俺自珍，毕竟各人有各人的实现，仅放一些简陋的伪代码做参考：

大脑：

class Brain:
    def input(self, func):
        """
        信号输入端用的装饰器
        """

    def output(self, *o):
        """
        信号输出处理
        """

    def signal_setter(self, func):
        """
        输入信号设置装饰器
        """

    def reflection_signal_setter(self, func):
        """
        输出信号设置装饰器
        """

处理过程：

处理过程根据俺个人的理解和划分，分成了三部分：

  1·情绪，主要处理复数输入基于权重作出复数输出的处理；

  2·个性，主要基于状态机、行为树等，甚至是更简单的反映模式的自定义脚本处理，作为根据项目进行细节扩展的工具；

  3·习惯，出入信号一对一原始处理，简单直接暴力。

经过这三部处理后，只要输入输出信号安排得当，即时没有个性处理或者个性处理只使用一些简单的默认脚本，也会为对象带来丰富多彩的行动；

然后是意义不大纯骗稿费的伪代码：

class Mood:
    def run(self, entity, signals):
        """
        return reflect-signals
        """
        # 基于权重的处理过程
        for weight, signal in self.moods:
            do something

class Character:
    def run(self, entity, signals):
        """
        return reflect-signals
        """
        # 基于个性脚本的处理
        self.character_script(entity, signals)

class Habit:
    def run(self, entity, signals):
        """
        return reflect-signals
        """
        # 基于习惯列表的简单处理
        self.habit.get(signals)

最后，在上面的基础上，俺塞进去了一个巨大的加分项：学习能力。

在这个AI模式里，俺给学习作出一个定义：

        在对象（obj）生命周期内，根据大脑（brain）天生（配置）的学习能力和学习机制，通过对于输入信号（signal）的处理的过程中的积累，对象的大脑（brain）可以增加自然界中存在（全体配置内存在）但其本身并不具备的反应信号（reflection signal）。

这样定义下来，其实就是个很简单的东西而已：

class Learn:
    def _machine(self, signals):
        """
        学习机制
        """

    def add_refliction(self, rf_signal):
        """
        习得输出信号
        """

    def run(self, signals):
        """
        把习得的输出信号反映到信号处理过程
        """

加入了这种学习模式，就造成了一种结果：起码，默认上，所有的反应信号，对于各种不同对象，都是可用的，节操掉一地了。

小结，它有什么优缺点，有多强悍多孱弱：

  ·静态AI，对cpu友好，更不需要线程支持，但是，如果输入点太少，这AI就会极度懒散；

  ·在足够的输入输出信号支持下，灵活性高，可以说这货在扩展和惊喜方面非常有料，但是，理解成本也高，于是不得不提供编辑器；

  ·对程序员来说，使用方便，但是，对无论是否程序员来说，要掌握好它，会比学会漂移难。

最后，神经型反应式AI（Neuronalreaction AI， NR）在 不带 各种期待下诞生。