第二章《狀態機設計》。對於任何狀態下都有可能轉移到的狀態，可以將判斷放在GlobalState全局狀態中，避免在其他狀態中複製相同的代碼。同時有限狀態機可用於遊戲狀態管理，菜單狀態，暫停狀態等等
第三章 《操控行爲，組行爲》。有些計算是利用照距離正比/反比，避障算法主要用到了空間座標轉換，再產生一個牽制力和縱向力避障
第四章《足球體育案例》，學習分層狀態機。一個Team有一個狀態機，Team裏的每個Player也有狀態機，且Team在一定程度上會影響Player個體。每個實體的狀態機中有個狀態是全局狀態
第五章 《遊戲中的圖》學習。圖在遊戲中有導航圖，依賴圖，狀態圖，鄰接表。搜索算法有BFS，DFS，最短路徑樹，dijkstra，A*搜索尋路。其中dijkstra通過邊鬆弛，A*基於BFS和估價函數進行搜索
第六章 《遊戲腳本》學習。通過編寫lua腳本實現AI的決策邏輯，避免反覆編譯浪費時間，對於對性能要求比較高的代碼片段，使用C++更好
學習第七章《遊戲中的觸發器》。通過觸發管理器更新，註冊，刪除觸發器，AI還可以有短暫記憶，有些功能實時性不太高的可以隔幾幀運行一次。目前在堆積AI知識的量，看完這本書後計劃 研究UE4行爲樹的源碼，工作流。
學習第八章《AI路徑規劃》。①對於到達某個點的路徑，用A*尋路；對於到達某個Item，用Dijkstra。要記錄路徑所有的邊，採用邊路徑而不是點路徑，這樣可以通過給邊加變量，當AI要走這條邊的時候切換狀態，例如要過河切換游泳模式的情況。②對於路徑平滑，相鄰兩條邊，第一條起點和第二條終點若無障礙，則可以合併。③性能優化：若遊戲環境是靜態的，先預處理出所有點出發的dijkstra最短路結果，空間換時間。如果是動態，可以用在PathManager裏時間片輪轉所有AI尋路請求，或者使用分層路徑
第九章《目標驅動》。HTN分層任務網絡，將一個大的任務劃分成原子任務的組合，有點像行爲樹的一個個任務節點
第十章《模糊邏輯》。在臨界數據data1上下改變，可能會導致AI決策突變，可以依賴隨機做一些判定。模糊邏輯通過對於環境的潛在輸入定義隸屬度，輸出是確定的，能夠更加逼真一些