这里是这个系统是如何工作以及我为什么建立它的分解。 代码和完整的数学推导是可用于评估/研究的开源内容： https://github.com/DuranceGaming/MUNCH-AI ("Munch"只是我的未婚妻在Unity场景中称呼NPC的名字。) 我为什么建立这个系统 我对3D游戏AI的当前状态感到沮丧。这个行业似乎分裂成了脆弱的、硬编码的行为树和臃肿的、高延迟的LLM API包装器，这些包装器会压碎帧率并打破沉浸感。我想看看是否能从头开始建立一个轻量级、自包含的、生物模拟神经系统，能够在Unity内以120Hz的速度完全局部运行。 这个系统是如何工作的 内部结构 不是预测令牌或评估庞大的条件树，而是代理计算一个动态基线： 意义=f(world,self) 1. 正交压缩：代理捕获一个30维的输入向量（22个外部感官值+8个内部自我调节驱动力，如能量和急性疼痛）。这个向量立即使用确定性正交基（DCT-II）进行压缩，以去除噪声并保留空间特征。 2. 拓扑场：压缩向量映射到一个递归的单形复杂体上，构建在一个二十面体几何体（42个顶点、120条边、80个三角形面）上。 3. 意图出现：权重更新本地通过海伯恩塑性和可用性迹象。行为意图通过跟踪六个反极极轴上的冲突（例如，收敛与分离）而出现。 当前状态 因为我在一个hackathon上建立了这个系统，时间不到一周，所以代理目前像一个单细胞生物一样被体现出来了。它不是深度预训练。相反，它依赖于一个强大的归纳偏见，从单形几何体中导出，来自然地导航基本游戏循环（如资产逃避和食物寻找），并决定何时和如何吃东西，基于其自我调节负载。 关于我和支持 我没有正式的计算机科学学位，也没有企业背景。我有身体残疾，所以在过去几年里，我一直在试图教自己新的技能，以从不同的角度重新进入劳动力市场。“学习编码”对吗？哎呀！但当AI浪潮到来时，我决定教自己线性代数和高维数据处理，以从零开始建立一些东西。这一原型是我的整个尝试逃避孤独的产物。