【传统实现方式】
1、朴素AI：用if……else……分支对NPC行为进行分类和判断
2、有限状态机：将NPC行为抽象为状态，用事件连接状态，可形成网状逻辑
3、分层有限状态机：状态下包含子状态，可细化某一状态的内容组成
4、行为树：从根遍历条件逐级进入子节点到执行，灵活易扩展适合个性化的攻击逻辑
5、目标导向的行为规划：设定AI目标并给予一系列潜在行为（规定外界的先决条件与执行后对外界影响）由AI根据这些行为的因果自主评估执行最优解，接近人类的思考方式，也是简化方案的核心
6、协同多智能体：对群体AI进行调度，实现多单位联动
7、机器学习：将传统分支事件替换为定义了触发条件（入口）和一个或多个分支结局（出口）的黑盒，两者间的路径是由玩家不断触发NPC的动态实时反馈来确定的，类似目标导向的行为规划但NPC的决策是根据学习得到的
【简化实现】
基于设定的行动与基于记忆的交互，或者说决策受设定（个性）与记忆影响的目标导向的行为规划
1、指定基本信息作为行为决策的参数
——基本信息：姓、名、性别、年龄
——互动设置：视野半径、感知半径（注意力范围）、记忆流条目数（记忆力）
——个性与作息：先天（性格倾向）、后天（职业与目标）、现状（预设的人际关系）、作息（日程表）
上述信息可驱动NPC按日程表进行基本（单人）行为，也将决定与玩家或其它NPC交互时的倾向
2、记忆与检索、判断与反馈
——NPC感知周遭环境，将感知半径内发生的事记录下来，加入自己的记忆流中
——检索记忆流对NPC的计划（未来的行动队列）与反馈（与玩家或其它NPC互动的结果）产生影响
上述机制可驱动NPC进行交互（多人）行为，如：
——共享信息（记忆并传播从其它NPC处得到的信息，如将记忆的信息加入自己的闲话队列）
——互相配合（记忆得到的信息并作出反馈或计划，如接受玩家或其它NPC提出的请求或安排）
——建立关系（记忆信息并在日后作出反馈或尝试更新信息，如询问玩家或其它NPC以前记忆过的某事后续）
串接起来的例子：NPC按固定作息行动，遇到玩家或其它NPC，按个性倾向（如内向/外向决定是否主动接触）与记忆（如目标与自己是否有恩怨决定是追是逃）决定交互方式，开始交互后按个性倾向（如目标驱动决定是否接受对方提议，或按喜恶决定反馈的态度）与记忆（如是否询问任务完成情况、是否请求归还道具）决定结果，结束交互并将相关记忆写入记忆流以供日后其它交互使用。
与任务玩法有关的例子：事件入口为NPC货物被劫，NPC按目标决定是否讨伐山贼夺回货物，NPC按内外向决定是否主动求助，按记忆判断是否求助玩家（判断信任度、战斗力、正义感等），按自身战力判断是否同去，按内外向判断是否求助更多人（其它NPC按各自目标、性格、记忆可能演变成团战、逃避、推荐玩家等情况），事件出口也有多种，如（无论单挑还是团战）讨伐了山贼并夺回货物，（无论潜伏还是赎金）单纯夺回了货物，（无论等价物还是替代品）单纯满足了NPC目标，总之，NPC行为出发点均基于目标，而过程基于个性与记忆。同理，山贼基于目标夺取货物既可使任务自发出现，也可引出其他任务（如夺取货物只是行为，山贼目标是筹钱救人）。
目标导向的行为规划使世界活了起来（产生变数），而记忆机制则使世界真了起来（积累定数）。