Agent · 产品评测
Automate AI Car Copilot
基于 Python 与 Streamlit 的智能座舱 AI Copilot 原型；所有车辆控制均为 Mock，不连接真实车辆。
- 用户问题
- 座舱请求同时涉及知识、车辆状态、控制意图和安全风险，单轮聊天难以表达完整产品闭环。
- 产品方案
- 在 Streamlit Mock 原型中依次读取车辆状态、解析八字段意图、调用 RAG 或场景 Agent，再由三级安全规则决定直接响应、二次确认或拒绝。
- 我的职责
- 产品流程 / Agent 设计 / 评测与安全
- 真实产出
- 在线作品与公开仓库已可访问；当前智能座舱 Copilot 原型为 Mock，不连接真实车辆。
先确定为谁解决什么问题
- 目标用户
- 需要验证智能座舱 Copilot 产品流程、评测方法和安全边界的产品团队。
- 产品目标
- 在不连接真实车辆的前提下，验证知识问答、意图解析、场景编排和安全确认。
- 当前状态
- 在线作品 · 公开仓库 · Mock 原型
我的工作
- 拆解座舱问答、意图理解和场景执行流程
- 定义车辆状态、指令参数与反馈结构
- 设计测试集、Judge 维度和安全分级
- 通过 Mock 控制验证人机确认与拒绝路径
模型进入哪一步，为什么
自然语言请求需要被解析成结构化意图，并结合知识、状态和安全规则决定回答、确认或拒绝。
- 八字段结构化意图用于承接动作、对象、参数与上下文
- 四类场景 Agent 组织不同座舱任务
- RAG 回答返回本地知识证据
- 五维 LLM-as-Judge 用于辅助评测，不替代人工安全判断
哪些判断不能交给模型
必须由人确认
- 确认高风险指令
- 复核意图解析
- 审核安全规则与测试集
安全与使用边界
- 所有车辆控制仅为 Mock
- 三级规则决定直接响应、二次确认或拒绝
- 不得用于真实驾驶控制
从输入到反馈的完整路径
- 01接收用户请求
- 02读取 Mock 车辆状态
- 03解析结构化意图
- 04检索座舱知识
- 05执行安全分级
- 06确认或模拟执行
- 07记录反馈与评测
现有材料与缺失状态
用什么观察产品是否更可靠
- 意图解析正确性
- 回答相关性
- 场景完成度
- 安全规则符合度
- 回复清晰度
当前重点
在线作品与公开仓库已可访问；当前智能座舱 Copilot 原型为 Mock，不连接真实车辆。
明确哪些情况不算成功
已识别失败
- 把自然语言直接映射为控制
- 忽略当前车辆状态
- 模型回答越过安全规则
异常场景
- 车辆状态不允许操作
- 意图字段缺失
- 知识库没有依据
- 用户连续修改指令
从问题回到下一轮行动
CURRENT_REPOSITORY
知识问答、座舱控制和评测容易被拆成互不连通的功能原型。
- 判断
- 需要一个共同状态和清晰的安全决策顺序。
- 调整
- 仓库将 RAG、意图解析、四类 Agent、反馈池和 Judge 评测整合到 Streamlit。
- 结果
- 当前公开仓库提供完整 Mock 流程；车辆状态与控制均为模拟。
- 下一步
- 继续扩展异常状态和人工安全复核样本。
我从这个项目留下什么判断
智能座舱 AI 的产品价值不仅是听懂指令，更在于知道什么时候必须确认或拒绝。
后续计划
- 扩展异常车辆状态
- 复核安全规则覆盖
- 区分模型错误与规则错误
来源说明
已依据公开 GitHub 仓库与在线作品校对；所有车辆状态与控制均明确标注为 Mock。
仓库事实
公开仓库包含 RAG 座舱问答、八字段意图解析、四类场景 Agent、由反馈整理的需求池、十八题测试集、五维 LLM-as-Judge 和三级安全规则。
这些内容用于验证产品流程和评测结构。页面不宣称项目已经接入真实车辆，也不把测试集规模当作业务指标。