在将 Agent 引入汽车业务时，我们为其设定了一条标准：Agent 不只是回答问题，而要直接参与业务任务，生成可衡量的改善。
兑现这一标准，仅有模型并不够。汽车行业的 Agent 需要先理解数据、理解场景，才具备行动能力。今天就来介绍一下翌擎智能在这一路径上的布局。
翌擎智能的产品组合分三层，自下而上构建。
第一层：数字基座
车联网云负责车辆接入、远程控制和 OTA；用户数字平台打通车企 APP 与企微私域，沉淀用户资产；座舱应用面向量产车型做数字消费场景——互联网大厂 APP 上车、收费车娱应用、车载精品件。
第二层：数据智能
两个环一起转：车辆数据智能做电池健康、故障分析、能耗优化；用户与经营数据智能做用户洞察、精准营销、经营分析。其下由数据平台与数据治理支撑，将分散的数据转化为可用、可追溯的数据资产。
第三层：AI 应用服务
面向业务场景交付 Agent，直接产生可衡量的经营改善。
以上三层之间并非独立堆叠，而是共享同一批 OEM 客户与同一套数据资产：车联网云部署在主机厂系统中，车辆与用户数据沉淀于平台之上；数据智能将其加工为可支撑决策的数据资产；AI 应用层复用既有客户与数据，无需从零构建。
第二层的两个“环”，分别面向车辆数据与用户经营数据。
车辆数据智能这一环，翌擎智能积累最深的是电池。动力电池监控及预警平台已在多家主机厂量产落地，其底层是自主构建的数据底座：35 万辆以上四轮电动车的电芯级数据，5 年以上全生命周期；10 亿条充放电片段；100 起真实工况下的着火溯源样本。SOH 电池健康度精度超过 98%，热失控短周期预警召回率 78.4%，误报率只有 0.165%。
用户与经营数据智能这一环，翌擎智能把车主在 APP、企微、私域里的行为，变成用户洞察和经营分析，支撑精准营销和精细化服务。
两个“环”之下是数据平台与数据治理，负责数据校验、标准统一、权限管理与链路追溯。
“数据智能”这一层不直接面向客户，但决定了上层 Agent 的判断质量。我们对它的要求正如架构中的表述：从可用、可追溯的数据，到可衡量的业务改善。
研发与质量 Agent
帮助 OEM 和零部件企业的研发工程师做质量问题的知识检索、定位与报告生成。研发知识原本散落在个人手里，Agent 把它变成知识证据链，新人也能按老工程师的路数查问题。该类型翌擎智能已有项目落地案例。
营销与售后 Agent
营销素材生成、线索跟进、售后知识问答，能理解对话、主动服务。客户是 OEM 和生态伙伴。该类型翌擎智能已有项目落地案例。
座舱 Agent
意图理解、任务编排，把自然语言变成一串时序任务（如：智能空调、娱乐内容、生活服务）。座舱里已在运行的有翌擎智能的智能空调、AI 节能管家、座舱智能体和 AI 精准推荐，这一类正在孵化。
产业链 AI 赋能与产品化 FDE
这是四类中最新的一类。翌擎智能的现场团队将进驻零部件企业开展共创，把现场知识、数据与流程沉淀为标准化 AI 产品，再复制至更多工厂。FDE（Forward Deployed Engineer）模式，即以交付团队为载体，把现场经验转化为可规模复制的产品。
以上四类 Agent 的成熟度不同：前两类已有案例交付，后两类处于孵化阶段。前两类在真实业务中积累的数据与场景经验，可直接为后两类复用。
落到具体场景，翌擎智能已在动力电池监控预警、AI 节能、智能补能、控车及问答、售后智能诊断五个方向交付垂域智能体，并在主机厂项目中落地。支撑它们的是同一个主动服务平台——Brain Agent，采用车云协同架构：车端负责实时感知与安全执行，涉及车辆控制的动作需通过安全校验后方可执行；云端负责复杂推理与全局策略生成，跨车型、长周期的判断在云端完成计算后下发。平台与车型解耦，新场景可基于同一底座扩展。
主动服务面向的是低频、高感知场景：基于用户出行习惯提前完成备车；结合行程能耗与沿途补能资源，在续航不足前给出提醒；识别到紧急求助意图时，直接触发救援链路。这类需求不会以提问的形式出现，只能由系统依据车辆状态与环境变化主动发起。
单车数据回答的是车辆当前状态，跨车型、长周期的数据回答的是这一类车的趋势。基于群体数据的预测性决策，正是主动服务能力的来源。
主动服务面向的是低频、高感知场景：基于用户出行习惯提前完成备车；结合行程能耗与沿途补能资源，在续航不足前给出提醒；识别到紧急求助意图时，直接触发救援链路。这类需求不会以提问的形式出现，只能由系统依据车辆状态与环境变化主动发起。
单车数据回答的是车辆当前状态，跨车型、长周期的数据回答的是这一类车的趋势。基于群体数据的预测性决策，正是主动服务能力的来源。
沪公网安备 31011502018990号
