安卓车机端 AIOS 技术生态全景

最新推荐文章于 2026-09-04 17:52:32 发布
原创 最新推荐文章于 2026-09-04 17:52:32 发布 · 360 阅读 · 6 ·
本内容遵循CC 4.0 BY-SA版权协议
转载时请标明出处。https://blog.csdn.net/mhhyoucom?type=blog
GEO检测
收录于
AI

当前文章被收录于：

AI
7 篇文章 0 人学习
订阅专栏 查看详情

一、Agent Runtime / 内核（车机端核心）

安卓车机技术栈

表格

层级技术
开发语言Kotlin（主流）、Java、C++（JNI 推理层）
UI 框架Jetpack Compose + Material 3（车机适配 Car UI Library）
异步模型Kotlin Coroutines + Flow、WorkManager（后台任务）
系统平台Android Automotive OS (AAOS)、Android Auto
车规芯片高通 SA8155P（8 TOPS NPU）、SA8295P（30 TOPS NPU）、地平线 J5

开源框架

表格

项目特点车机适配度
Google ADK for Android (adk-kotlin)Google 官方开源 Agent 开发套件，Kotlin 编写，支持端侧 + 云端混合 Agent，内置多 Agent 层级编排，与 LiteRT-LM/Gemini Nano/Firebase AI 无缝集成⭐⭐⭐⭐⭐ 官方首选
Koog (JetBrains)JetBrains 官方开源，纯 Kotlin/KMP 的企业级 Agent 框架，零 Python 依赖，原生 JVM 运行，支持编排和部署⭐⭐⭐⭐ 纯 Kotlin 生态
ZorvAI安卓端本地优先 AI Agent，Kotlin + Compose，Apache-2.0，核心是 "让手机任意 App 能力成为 Agent 可编排工具，无需公网"⭐⭐⭐⭐ 本地工具调用
Knotwork端侧 AI Agent，Kotlin + Compose，内置 LiteRT 模型管理器，支持自定义模型 URL 下载⭐⭐⭐ 纯端侧演示
MobileAgent-Android移动端 GUI Agent，Kotlin + Compose，支持通过 Accessibility Service 操作手机 / 车机界面⭐⭐⭐ 车机界面自动化

Demo 快速构建

最快路径：Google ADK + Kotlin

dependencies {
    implementation "com.google.android.ai:adk:0.1.0"
    implementation "com.google.android.ai:adk-litert:0.1.0" // 端侧模型
}

val agent = Agent(
    model = LiteRtLm(modelFile = "qwen2.5-0.5b.bin"),
    instructions = "你是车载助手",
    tools = listOf(navigationTool, climateTool, mediaTool)
)
val result = agent.run("导航去最近的加油站")
  • ADK 原生支持工具调用、多 Agent handoff、端云混合模型
  • 在 Android Studio 中 30 分钟可跑通车机 Agent Demo

二、工具调用 / Tool Gateway（车机端最关键）

车机端的 "工具" 本质是车辆能力（导航、空调、媒体、车窗、座椅）和第三方 App 能力。

安卓车机技术栈

表格

层级技术
协议标准MCP（Model Context Protocol）、Android App Functions
系统级工具Vehicle HAL（车辆硬件抽象层）、Car API
应用间调用App Actions for Cars（BII 内置意图）、VoiceInteraction Service
跨进程通信Binder IPC、AIDL、ContentProvider
网络传输Ktor（Android HTTP Server）、LocalSocket（本机 IPC）

开源框架

表格

项目特点
MCP Kotlin SDKJetBrains 官方，Kotlin Multiplatform 实现 MCP 协议，支持 JVM/Native/JS/Wasm/iOS，协程优先，安卓直接用
Mobile-MCP安卓 MCP Server 框架，@MCPServer/@MCPTool 注解 + KAPT 代码生成，AIDL 服务自动生成
droid-mcpAndroid SDK，让 LLM 通过 MCP 协议结构化访问手机能力，也可直接当 Kotlin 函数调用（无需 MCP）
Android App FunctionsGoogle 官方 Jetpack 库，让 App 像设备内 MCP Server 一样暴露工具给 Gemini/Assistant，2026 年最新
android-mcp-serverKotlin + Ktor + SQLite 实现的完整 MCP Server，Foreground Service 保活，Streamable HTTP 传输
shuao-pro/android-mcp37 个工具的安卓 MCP Server，FastMCP + ADB bridge 架构，支持 Claude Desktop/Cherry Studio 连接

车机特有：车辆能力接入

Agent → MCP Tool Layer → Vehicle HAL → 实际硬件
                    ↓
              第三方 App（通过 App Actions / Binder）
  • Vehicle HAL：AAOS 标准接口，控制空调 / 车窗 / 座椅 / 灯光等
  • Car API：CarPropertyManager 读取 / 设置车辆属性
  • App Actions for Cars：第三方 App 在 shortcuts.xml 声明 BII（如 actions.intent.NAVIGATE_TO_POI），语音助手通过 Intent 调用

Demo 快速构建

方案 A：MCP Kotlin SDK 搭车机工具网关

// 用 MCP Kotlin SDK 暴露车机工具
val server = McpServer(
    tool("set_climate") { temp: Float ->
        carPropertyManager.setProperty(CarPropertyIds.HVAC_TEMPERATURE, temp)
        "空调已设为 ${temp}°C"
    },
    tool("navigate") { destination: String ->
        val intent = Intent(CarIntents.ACTION_NAVIGATE).putExtra("dest", destination)
        context.sendBroadcast(intent)
        "正在导航到 $destination"
    }
)
server.start(StreamableHttpTransport(port = 8080))
  • 车机 Agent 通过 MCP Client 调用这些工具
  • 20 分钟出 "语音控制空调 + 导航"Demo

方案 B：Android App Functions（官方路线）

  • 在 shortcuts.xml 声明 capability，App 自动成为系统 Agent 可调用的工具源
  • 适合演示 "第三方 App 零改造接入车载语音助手"

三、记忆与上下文管理（端侧本地 RAG）

安卓车机技术栈

表格

层级技术
向量存储SQLite 向量扩展（嵌入式，零额外依赖）
嵌入模型ONNX Runtime Mobile（INT8 量化 embedding）、MediaPipe Tasks
文本分块自定义 Chunker（带 overlap）
结构化记忆Room (SQLite ORM)、DataStore
短期上下文滑动窗口 + 摘要压缩

开源框架

表格

项目特点
sqlite-vec最流行的 SQLite 向量扩展，支持 F32/F16/INT8/1Bit，Android 预编译 .so 直接集成，毫秒级检索
SQLite-Vector新版 SQLite 向量扩展，向量存在普通表 BLOB 中（无需虚拟表），低内存模式默认 30MB RAM，专为 Edge AI 优化
ZVec (阿里)阿里开源轻量级嵌入式向量数据库，3 行代码实现端侧 RAG，高性能本地向量检索
MediaPipe RAG (SqliteVectorStore)Google 官方 AI Edge RAG 方案，内置 SqliteVectorStore，与 LiteRT-LM 推理管道无缝集成
ONNX Runtime Mobile端侧 embedding 模型推理，XNNPACK/NNAPI 加速，INT8 量化

端侧 RAG 架构

文档 → Chunker → ONNX Embedding → sqlite-vec 存储
                                    ↓
用户 Query → Embedding → 向量检索 Top-K → 注入 Prompt → 端侧 LLM 生成

Demo 快速构建

// sqlite-vec + ONNX Runtime 实现车机本地记忆
class CarMemory(context: Context) {
    private val db = SQLiteDatabase.openDatabase(
        context.getDatabasePath("memory.db").path, null, 0
    )
    init { System.loadLibrary("vec0") }

    fun add(text: String) {
        val embedding = onnxEmbedder.embed(text) // FloatArray
        db.execSQL("INSERT INTO docs(text, vec) VALUES(?, ?)", 
            arrayOf(text, embedding.toBlob()))
    }

    fun search(query: String, k: Int = 3): List<String> {
        val qv = onnxEmbedder.embed(query)
        val cursor = db.rawQuery(
            "SELECT text FROM docs ORDER BY vec MATCH ? LIMIT $k",
            arrayOf(qv.toBlob())
        )
        return cursor.map { it.getString(0) }
    }
}
  • 把车主手册、车辆说明书向量化存入 sqlite-vec
  • Agent 回答 "这个故障灯是什么意思" 时检索本地手册
  • 完全离线，隐私安全，25 分钟出 Demo

四、多 Agent 协同调度（端侧轻量编排）

安卓车机技术栈

表格

层级技术
编排框架ADK Multi-Agent、Koog
通信方式进程内直接调用（同 App）、AIDL/Binder（跨 App）、A2A over HTTP（端云 / 车车）
调度模式顺序执行、层级调度（主 Agent → 子 Agent）、事件驱动
状态管理Kotlin StateFlow、SavedStateHandle

开源框架

表格

项目特点
Google ADK Multi-Agent官方支持模块化多 Agent 系统，可组合成层级结构，on-device + cloud Agent 混合编排
Koog (JetBrains)Kotlin 原生 Agent 编排，支持多 Agent 协作，零 Python 依赖
A2A ProtocolGoogle Agent2Agent 协议，Kotlin SDK 可用，适合车机 Agent 与手机 / 云端 Agent 跨设备协作
ZorvAI本地优先，支持 App 能力编排成 Agent 工具链

车机多 Agent 典型拓扑

                    ┌─────────────┐
                    │  主 Agent    │ （语音入口，意图分发）
                    └──────┬──────┘
           ┌───────────────┼───────────────┐
           ▼               ▼               ▼
    ┌────────────┐  ┌────────────┐  ┌────────────┐
    │ 导航 Agent  │  │ 车控 Agent  │  │ 娱乐 Agent  │
    │ (地图/路线) │  │(空调/车窗)  │  │(音乐/播客)  │
    └────────────┘  └────────────┘  └────────────┘

Demo 快速构建

用 ADK 定义 3 个专业 Agent + 1 个路由 Agent：

val navAgent = Agent(model = liteRt, instructions = "处理导航相关", tools = listOf(navTool))
val carAgent = Agent(model = liteRt, instructions = "处理车辆控制", tools = listOf(climateTool, windowTool))
val mediaAgent = Agent(model = liteRt, instructions = "处理媒体娱乐", tools = listOf(mediaTool))

val router = Agent(
    model = liteRt,
    instructions = "根据用户意图分发到对应 Agent",
    handoffs = listOf(navAgent, carAgent, mediaAgent) // ADK 内置 handoff
)
router.run("有点热，帮我打开窗户再放首歌")
  • ADK 的 handoffs 机制自动实现 Agent 间交接
  • 20 分钟出 "多 Agent 协同处理复合指令"Demo

五、模型网关 / Model Gateway（端侧模型路由）

车机端的 "模型网关" 不是传统的多 Provider 路由，而是端侧模型选择 + 端云协同决策。

安卓车机技术栈

表格

层级技术
端侧推理 APILiteRT-LM (Google)、MediaPipe LLM Inference API
模型格式GGUF、.bin (FlatBuffers)、ONNX、MNN 模型
路由策略按任务复杂度选模型（简单任务端侧 0.5B，复杂任务上云）、按网络状态切换
云端接口OpenAI 兼容 API、Firebase AI、火山引擎 / 阿里云端点

开源框架

表格

项目特点
LiteRT-LM (Google)Google 官方端侧大模型推理库，Android 原生支持，工具调用（Tool Calling）原生支持，与 ADK 无缝集成
MediaPipe LLM Inference APIGoogle 官方，支持 Gemini Nano/Phi/Qwen 等模型，GPU 加速，统一推理接口
llama.cpp (Android JNI)GGUF 格式，社区最活跃，llama-android 提供 JNI 绑定，server 模式可暴露 OpenAI 兼容接口
MNN-LLM阿里开源，Android APK 直接可用，支持 Qwen2.5 Omni 多模态，CPU/NPU 后端
ONNX Runtime Mobile跨平台，NNAPI/QNN Execution Provider 调用 NPU
MLC-LLMTVM 编译优化，支持高通 Adreno GPU OpenCL 加速

端云协同路由架构

用户请求 → 路由决策层
              ├─ 简单意图(设空调/切歌) → 端侧 0.5B 模型 (离线, <300ms)
              ├─ 中等意图(导航/问答) → 端侧 1.5B 模型 (离线, <1s)
              └─ 复杂意图(长文本/推理) → 云端大模型 (需网络)

Demo 快速构建

用 LiteRT-LM 加载两个不同大小的模型，按输入长度路由：

val smallModel = LiteRtLm(modelFile = "qwen2.5-0.5b-q4.bin")
val largeModel = LiteRtLm(modelFile = "qwen2.5-1.5b-q4.bin")

fun route(query: String): String {
    return if (query.length < 20 && isCarControl(query)) {
        smallModel.generate(query) // 简单车控用小模型
    } else {
        largeModel.generate(query) // 复杂对话用大模型
    }
}
  • 演示 "端侧多模型按需调度，平衡延迟和能力"
  • 15 分钟出 Demo

六、安全边界 / 沙箱（安卓原生 + 车机增强）

安卓系统本身就是沙箱优先的设计，车机端在此基础上有更严格的功能安全要求。

安卓车机技术栈

表格

层级技术
应用隔离Linux UID 隔离（每个 App 唯一 UID）、进程级隔离
强制访问控制SELinux（MAC 强制访问控制，车机 ROM 定制策略）
系统调用过滤Seccomp-BPF（过滤危险 syscall）
硬件安全TEE 可信执行环境（Qualcomm QSEE）、Secure Element
网络隔离VPN/Network Security Config、出站白名单
功能安全ASIL 分级（车载安全完整性等级）、Safety Island

开源 / 系统方案

表格

方案特点
Android 应用沙箱系统原生，UID + SELinux + Seccomp 三层隔离，Agent 生成的代码运行在独立进程 / 独立 UID 中
WebView 沙箱若 Agent 需执行 JS/HTML，用独立进程的 WebView（android:process=":sandbox"），渲染进程低权限
SELinux 策略定制车机 ROM 开发者为 Agent 进程定义独立 domain，最小权限原则，.te 文件精细控制
IsolatedProcessAndroid 服务的 android:isolatedProcess="true"，无权限、无 UID 身份的隔离进程
Docker on Android部分车机支持容器运行时（如 via LXC），可跑 E2B/agent-sandbox 等容器沙箱

车机安全架构

Agent 进程 (独立 UID + SELinux domain)
    ↓ 受限 Binder 调用
Vehicle HAL (SELinux 严格策略，只允许特定属性读写)
    ↓
Safety Island (独立 MCU，ASIL-D 安全监控)

Demo 快速构建

方案 A：IsolatedProcess + SELinux 演示

<service android:name=".CodeExecutionService"
         android:process=":sandbox"
         android:isolatedProcess="true" />
  • Agent 生成的代码在 :sandbox 隔离进程执行
  • 该进程无网络权限、无存储权限、无法访问其他 App 数据
  • 通过 Messenger 与主进程通信，只传递输入输出
  • 15 分钟出 "隔离执行 AI 生成代码"Demo

方案 B：WebView 沙箱执行 JS

  • 独立进程 WebView 加载空白页，通过 evaluateJavascript 执行 Agent 生成的 JS
  • WebView 默认无文件访问、无地理位置，setJavaScriptEnabled(false) 按需开启
  • 适合轻量级代码执行场景

七、任务调度与编排（端侧工作流）

安卓车机技术栈

表格

层级技术
工作流引擎ADK Agent 编排、Koog
后台任务WorkManager（持久化、可重试、约束触发）
异步调度Coroutines + Flow、Channel
状态持久化Room、DataStore、SharedPreferences
定时 / 条件触发AlarmManager、WorkManager Constraints（充电 / WiFi / 车载电源）

开源框架

表格

项目特点
Google ADKAgent 内置状态管理和工具调用编排，支持流式输出
KoogKotlin 原生工作流编排，事件驱动
WorkManagerAndroid 官方，保证执行的后台任务调度，适合 "车辆启动时自动整理记忆"" 充电时同步数据 " 等场景
Kotlin Coroutines轻量级并发原语，async/await、Flow 流式处理 Agent 输出

车机典型调度场景

  • 车辆启动触发：Agent 自动加载上下文、检查天气 / 日程
  • 充电时触发：模型热更新、记忆整理 / 摘要压缩
  • 停车时触发：复杂推理任务（端侧大模型全速运行）
  • 行驶中触发：安全优先，只允许简单车控指令，限制长文本生成

Demo 快速构建

// WorkManager 调度"充电时整理记忆"
val compressRequest = PeriodicWorkRequestBuilder<MemoryCompressWorker>(
    1, TimeUnit.DAYS
).setConstraints(
    Constraints.Builder()
        .setRequiresCharging(true)
        .setRequiresDeviceIdle(true)
        .build()
).build()
WorkManager.getInstance(context).enqueueUniquePeriodicWork(
    "memory_compress", ExistingPeriodicWorkPolicy.KEEP, compressRequest
)
  • 配合 ADK Agent，演示 "车机 Agent 的生命周期调度"
  • 15 分钟出 Demo

八、评测与可观测性（端侧性能监控）

车机端可观测性聚焦推理性能、资源占用、功能安全，与服务端 Langfuse 等不同。

安卓车机技术栈

表格

层级技术
系统 TracePerfetto、Systrace（android.os.Trace）
性能分析Android Studio Profiler（CPU / 内存 / 网络 / 能耗）
日志系统logcat、结构化日志（Timber）
AI 专用指标TTFT（首 Token 延迟）、TPOT（每 Token 耗时）、Token 吞吐、推理功耗
基准测试固定 prompt 迭代测试、温度 / 热节流监控

开源工具

表格

项目特点
PerfettoAndroid 官方系统级追踪，支持内核态 + 用户态全链路 trace，AI 推理阶段可打点
LM-METER学术开源，端侧 LLM 推理延迟 profiler，phase 级（embedding/prefill/decode）和 kernel 级细粒度监控，仅 2.58% 吞吐开销
TinyBench端侧推理基准测试，20 轮连续迭代，记录每轮吞吐 / 功耗 / 温度 / 热状态
Android Studio Profiler官方 IDE 集成，实时查看内存（PSS）、CPU 占用、网络流量
logcat + 自定义打点Log.d("AI_INFER", "prefill=${t1}ms decode=${t2}ms tokens=$n")

车机可观测架构

Agent 推理 → Trace 打点(Perfetto) → 本地环形缓冲
                    ↓
              异常/超阈值 → logcat 告警
                    ↓
              WiFi 连接时 → 上传云端分析（可选）

Demo 快速构建

// 用 android.os.Trace 打点 + 自定义指标
fun generateWithMetrics(prompt: String): String {
    Trace.beginSection("llm_prefill")
    val prefillStart = System.currentTimeMillis()
    val context = model.prefill(prompt)
    val prefillMs = System.currentTimeMillis() - prefillStart
    Trace.endSection()

    Trace.beginSection("llm_decode")
    val decodeStart = System.currentTimeMillis()
    val output = model.decode(context)
    val decodeMs = System.currentTimeMillis() - decodeStart
    Trace.endSection()

    Log.i("AI_METRICS", "ttft=${prefillMs}ms tpot=${decodeMs/output.length}ms")
    return output
}
  • 用 Perfetto 抓取 trace，在 UI 中看到推理阶段耗时
  • 记录 P50/P95 延迟、内存占用、温度
  • 20 分钟出 "端侧推理全链路性能监控"Demo

九、端侧 / 车载部署（核心中的核心）

安卓车机推理框架对比

表格

框架模型格式NPU 支持车机适配特点
llama.cppGGUF通过 QNN/Vulkan⭐⭐⭐⭐⭐社区最活跃，模型即拉即跑，JNI 绑定成熟，server 模式 OpenAI 兼容
MNN-LLMMNN高通 / 瑞芯微 NPU⭐⭐⭐⭐阿里开源，Android APK 开箱即用，支持多模态，CPU 性能强
ONNX Runtime MobileONNX/.ortNNAPI/QNN/CoreML⭐⭐⭐⭐跨平台，微软维护，Execution Provider 架构灵活
LiteRT-LM.bin (FlatBuffers)NNAPI/GPU⭐⭐⭐⭐⭐Google 官方，Android 原生，与 ADK/MediaPipe 无缝，Tool Calling 原生
MLC-LLMTVM 编译Adreno GPU OpenCL⭐⭐⭐编译优化极致，高通 GPU 加速好，部署复杂度高
NCNNncnn 模型Vulkan GPU⭐⭐⭐腾讯优图，轻量无依赖，适合小模型 / 视觉模型
Qualcomm SNPE/QNNDLC/context binHexagon NPU 原生⭐⭐⭐⭐⭐高通官方，SA8295P NPU 性能最优，需模型转换

车规芯片部署路线

表格

芯片NPU 算力推荐推理栈可跑模型
SA8155P8 TOPSllama.cpp + QNN / ONNX Runtime + NNAPIQwen2.5-0.5B/1.5B INT4
SA8295P30 TOPSQualcomm QNN + MNN / LiteRT-LMQwen2.5-3B/7B INT4，多模态
地平线 J5128 TOPS地平线天工开物工具链 + ONNX更大模型，视觉融合
联发科 Dimensity Auto-NeuroPilot + LiteRT端侧 AI 加速

语音链路（车机必备）

表格

功能开源方案特点
ASR 语音识别sherpa-onnx下一代 Kaldi，ONNX Runtime，支持中文 / 英文 / 方言，Android 预编译 APK，离线毫秒级
ASR 备选whisper.cppGGUF 格式，JNI 绑定，多语言
ASR 备选FunASR (Paraformer)阿里开源，中文识别精度高，可导出 ONNX
TTS 语音合成sherpa-onnx (VITS)同一框架搞定 ASR+TTS+VAD，离线
VAD 端点检测sherpa-onnx / Silero VAD实时语音活动检测，降低误触发
唤醒词Snowboy / Porcupine离线唤醒，"你好 XX" 触发

完整车机语音 Agent 链路

麦克风 → VAD → ASR(sherpa-onnx) → 文本 → Agent(ADK+LiteRT) 
                                              ↓
                                         工具调用(MCP/Vehicle HAL)
                                              ↓
                                    回复文本 → TTS(sherpa-onnx) → 扬声器

Demo 快速构建

最快路径：llama.cpp Android + sherpa-onnx

# 1. 编译 llama.cpp for Android (或用预编译 .so)
# 2. 集成 sherpa-onnx AAR
# 3. 下载 qwen2.5-0.5b-instruct-q4_k_m.gguf 到车机

// 核心代码结构
class CarVoiceAssistant {
    private val asr = SherpaOnnxAsr(modelPath = "paraformer-zh.onnx")
    private val llm = LlamaCpp(modelPath = "qwen2.5-0.5b-q4.gguf")
    private val tts = SherpaOnnxTts(modelPath = "vits-zh.onnx")

    fun startListening() {
        asr.startStreaming { text ->
            val reply = llm.generate(text) // 可插入工具调用
            tts.speak(reply)
        }
    }
}
  • 完全离线，端到端 < 1s 响应
  • 在 SA8155P 上可稳定运行，SA8295P 上可升级到 1.5B/3B
  • 40 分钟可搭出完整离线车载语音助手 Demo

总结：安卓车机 AIOS 技术选型建议

推荐技术栈组合（SA8155P/SA8295P + AAOS）

表格

模块首选方案备选方案
Agent RuntimeGoogle ADK (Kotlin)Koog / ZorvAI
工具调用MCP Kotlin SDK + Vehicle HALAndroid App Functions
记忆 / RAGsqlite-vec + ONNX EmbeddingMediaPipe RAG / ZVec
多 AgentADK HandoffsKoog 编排
模型路由LiteRT-LM (端侧) + 云端兜底llama.cpp server
安全沙箱Android UID+SELinux+IsolatedProcessWebView 沙箱
任务调度ADK + WorkManagerCoroutines Flow
可观测性Perfetto + LM-METER + logcatAndroid Studio Profiler
推理引擎llama.cpp (GGUF) / LiteRT-LMMNN-LLM / ONNX Runtime
NPU 加速Qualcomm QNN (SA8295P)NNAPI (通用)
语音链路sherpa-onnx (ASR+TTS+VAD)whisper.cpp + FunASR

端侧模型推荐

表格

场景模型量化适用芯片
车控指令Qwen2.5-0.5B-InstructQ4_K_MSA8155P 及以上
通用对话Qwen2.5-1.5B-InstructQ4_K_MSA8155P / SA8295P
复杂推理Qwen2.5-3B-InstructQ4_K_MSA8295P
多模态Qwen2.5-VL-3BQ4_K_MSA8295P
英文场景Llama-3.2-1B/3BQ4_K_M全平台

Demo 汇报主线建议

以"完全离线车载语音助手"为故事线，串起所有模块：

  1. 语音入口：sherpa-onnx 离线 ASR + VAD
  2. Agent 内核：Google ADK + Kotlin，意图理解
  3. 工具调用：MCP 暴露车控工具（空调 / 导航 / 媒体）
  4. 本地记忆：sqlite-vec 存储车主手册，RAG 增强回答
  5. 多 Agent：主 Agent 分发到导航 / 车控 / 娱乐子 Agent
  6. 安全隔离：工具执行在 IsolatedProcess，SELinux 最小权限
  7. 模型调度：简单指令 0.5B，复杂对话 1.5B，网络好时上云
  8. 性能监控：Perfetto trace 展示 TTFT/TPOT/ 内存占用
  9. 端侧部署：llama.cpp + QNN NPU 加速，SA8295P 实测数据

这条主线全部开源、完全离线、可在车机真机运行，汇报时最有说服力。

标签
#人工智能 #ai #AI编程 #AI-native #android
【正点原子I.MX6U-MINI移植篇】Ubuntu-base根文件系统移植构建过程详解（四）
果果小师弟的博客
12-26 3721
能不能在ARM板上运行Ubuntu呢？答案肯定是可以的，Ubuntu是Linux系统的一种，可以简单的将Ubuntu理解为一个根文件系统，和我们用busybox、buildroot制作的根文件系统一样。因此移植Ubuntu也就是将Ubuntu根文件系统移植到我们的开发板上。
05 从零搭建 GPT 模型：LayerNorm、GELU 与解码器堆叠
元直的博客
09-01 648
本文介绍从零搭建GPT模型的关键组件：LayerNorm对特征维归一化，GELU平滑激活，前馈网络扩展收缩，残差连接缓解梯度消失。随后组装TransformerBlock（多头注意力+前馈，Pre-LN），最终构建GPTModel并实现文本生成，附参数量核算。
避开云端风险：私有化 AI 数字人一体机，政企线下服务新方案
yuanyuekejiSZR的博客
09-03 268
<think>我们根据内容生成≤150字的摘要。需要概括核心：数据安全需求，私有化部署优势，本地知识库，交互能力，运维成本，应用前景。注意字数。</think>数字化建设中，政企选型关注数据安全。AI数字人一体机私有化部署将算力、知识库、渲染全部内置，断网可用，知识库本地管控，杜绝外泄。支持多轮对话、形象定制，运维无需持续付费，适合内网展厅、政务大厅等场景，是安全可控的稳妥选择。
全国33万小区数据shp和excel
全国小区数据shp和excel
模型也会“越用越聪明”：AI模型私有化部署平台DLTM的版本管理与持续迭代体系
NVR安防视频技术
09-02 268
有了版本，还要能“比”。
AI时代品牌防御的技术架构：从RAG引用漏斗到实时监测系统的构建
2601_95902086的博客
09-01 282
当AI替用户做判断，品牌争取的已经不是一次曝光，而是进入用户决策前的判断链条。这条链条的起点，就是AI回答中那一次提及——或那一次缺席。建立AI可见度防线，不是“要不要做”的问题，而是“什么时候做、怎么做”的技术生存问题。对于技术团队而言，理解RAG的引用漏斗、构建实时监测架构、实施原子化事实核验，是守护品牌数字资产不被AI幻觉与投毒侵蚀的必经之路。
高校 AI 实操实训平台怎么选？选型标准与课堂落地全流程指南
shizhanyun的博客
09-04 230
AI 实操实训平台只是教学落地的工具，核心永远是课程教学设计本身。选型的核心逻辑，不是挑选参数最豪华的产品，而是寻找与本校课程目标、学生学情、校内安全制度高度匹配的方案。无论选择校内自建环境还是第三方实训平台，完整留存教学过程记录、做好合规风险评估，才是 AI 课程、AI 教改课题能够平稳落地的关键。
赛事 + 载体协同模式：创新创业生态发展的新范式探析
2601_96656533的博客
08-31 413
<think>我们只需要根据内容生成摘要，不超过150字。内容主要讲贵客松与锦邻创享OPC社区联动，构建“赛事挖掘+载体孵化”协同模式，分析价值与痛点。摘要需简洁概括。</think>贵客松与锦邻创享OPC社区联动，构建“赛事发掘-生态承接-场景验证”链路，弥补赛事与孵化割裂痛点。该模式延长创新价值链，对接产业资源，降低早期项目生存门槛，双向赋能。但需甄别项目，避免过度依赖外部资源。为创新创业生态提供实践样本。
NGFW＋行为管理＋审计三合一：一体化网关的应用实操
OgCloud_ICT的博客
09-04 346
一体化安全网关配置时，最容易出问题的往往不是功能不会用，而是顺序没理清：应用还没识别清楚就先封，关键业务还没保障就先限速，最后日志也没配完整。更稳妥的做法是：先识别流量，再保障业务，然后限制非业务应用，最后补齐审计和验收。
SaaS客户成功：依托AI知识库实现用户主动赋能与长效增长
mikiioi的博客
09-03 153
SaaS客户成功早已告别单纯的人工服务模式，被动答疑式运营无法适配规模化增长需求。依托Baklib AI知识库搭建标准化知识体系，以智能化工具赋能前置化、主动化的客户运营，既能大幅降低企业服务成本、释放团队人力价值，又能全方位赋能用户用好产品、深挖价值，持续提升客户留存率与生命周期价值，打造SaaS企业可持续的客户增长新范式。
Java的AI生成式编程工具落地流程
chinalog的专栏
09-04 136
针对Oracle数据库操作场景，让AI自动生成MyBatis-plus的CRUD代码，同时适配Oracle特有的JSON_TABLE、XMLTABLE等高级函数语法，避免手写SQL的语法错误。利用AI的全链路生成能力，快速搭建AI问答机器人、智能风控等Java AI应用原型，整合Stanford CoreNLP、Elasticsearch等组件，大幅缩短新业务的落地周期。调试排障阶段‌：把报错堆栈信息直接粘贴给AI，它会结合本地代码上下文定位根因，同时给出可直接运行的修复代码片段，大幅降低Bug排查耗时。
上届30亿→本届50亿，AACE2026成交规模再攀高峰
2601_96665041的博客
09-04 167
<think>我们根据要求生成不超过150字的文章摘要。内容主要关于2026年北京AI算力展（AACE），强调意向成交额目标50亿，专业观众和展商规模，商贸服务等。需要精简。</think>2026年11月，北京AI算力展（AACE）将在亦创国际会展中心举行，意向成交目标剑指50亿元。展会定向邀约1.5万余名专业观众，汇聚200余家产业链企业，设置闭门对接专区，完善“展前归集-展中对接-展后转化”闭环服务，打造高效商贸对接平台，助力算力液冷产业交易落地。
从重复劳动到智能工作台：用活字格 AI Coding 优化产品周报与月报制作效率
葡萄城技术团队博客
08-31 1202
在 AI Coding 快速发展的今天，它带来的变化已经不只是“让开发者更快写代码”。更重要的是，AI Coding 正在在 AI Coding 快速发展的今天，它带来的变化已经不只是“让开发者更快写代码”。更重要的是，AI Coding 正在进入企业真实办公场景，帮助团队把大量高频、重复、格式进入企业真实办公场景，帮助团队把大量高频、重复、格式要求严格、但又必须持续交付的工作，转化为可配置、可复用、可沉淀的业务工具。对于活字格技术顾问而言，每周产品周报和每月产品月报的制作，就是一个非常典型的效率优化场景。
从虚拟数字人到AI数字人Agent：行业迎来根本性迭代？
2603_96433918的博客
08-31 1382
从"被驱动的形象"到"会办事的智能体"，数字人行业正在换引擎过去两年，如果你在展厅见过一台会打招呼的数字人，大概率它的"灵魂"是提前录好的话术加关键词应答；如果你在直播间刷到过虚拟主播，背后很可能是真人动捕加"中之人"配音。这是"虚拟数字人"时代的典型形态——形象是数字的，智能是有限的。而2026年的行业热词已经换成了"AI数字人Agent"：具备自主对话、任务规划和工具调用能力的智能数字人已占全球新增部署量的41.2%，较一年前提升12个百分点。
每日AI资讯（2026-09-02）
GIS老生，深入架构与AI，持续创作与分享。
09-02 463
截至 2026-09-02。今天的三条主线都关于「门槛」：能入侵系统的模型 OpenAI 要先设发布护栏再放出来；Anthropic 把同一个模型按护栏松紧拆成两个卖；Vercel 那批顶级开源项目开始拒绝人类的路过式 PR。三分钟，扫完今天的新东西。
AI 办公工具技术对比：Codex、Claude Code、WorkBuddy 的工程能力拆解
2501_93684580的博客
08-31 1054
AI办公工具技术架构各异：Codex擅长云端批量并行代码任务；Claude Code深耕IDE本地定制开发；WorkBuddy聚焦腾讯系生态的本地工作流自动化。三者均属个人提效工具。企业级数字员工需具备双模操作、全栈私有化、字段级权限和任务闭环，技术赛道不同，应避免用个人工具解决企业问题。
2026跨境电商AI Agent横评，谁才是增长利器？
上海青山不语网络的博客
09-04 215
2026年跨境电商AI Agent横评：五大产品谁能真正帮卖家增长电商现已愈发内卷, 运营团队人手紧张, 大促节奏飞快, 数据分散于各平台, 这是众多卖家每日面临的真切困境。
如何利用 AI Coding 提效？从工具到思维的全面升级
2601_96493715的博客
09-01 368
AI Coding 工具仍在以月为单位迭代，今天的选择可能半年后就过时。但那些真正提效的人，靠的不是某个具体工具，而是一套人机协作的思维方式把精力从「写代码」移到「定义问题、拆解任务、验收结果」；把小步迭代、测试驱动、上下文沉淀变成默认工作习惯；把 AI 当成一个需要训练和管理的协作者，而不是一个魔法按钮。工具终将趋同，能力分层会在人的层面重新拉开。现在开始转变思维的人，会在这场效率革命里拿到最多的复利。
郑州AI问答推广：精准获客背后的3大关键
最新发布
Tiansan6666的博客
09-04 145
AI问答推广已成为企业数字营销的重要组成部分，郑州市场的服务商如河南添叁网络科技有限公司和河南景飒网络科技有限公司，凭借专业的技术和良好的服务口碑，成为行业内的优选合作伙伴。未来，随着AI技术的发展，该领域的市场潜力将进一步释放，为企业带来更多增长机遇。随着生成式AI技术的快速发展，AI问答推广已成为企业提升品牌曝光、优化用户体验的重要营销手段。在郑州市场，多家企业提供AI问答推广服务，其中河南添叁网络科技有限公司和河南景飒网络科技有限公司凭借专业的技术实力和优质的服务口碑，成为行业内的代表品牌。
【AI时代软件项目管理系列】6.AI 参与软件项目，边界和责任怎么定？从“能做”到“可控执行”
weixin_42258782的博客
09-01 377
AI 进入软件项目后，真正需要解决的不只是“能不能做”，而是“能做到哪一步、什么结果可以生效、最终由谁负责”。项目应围绕数据、工具、执行和输出四类边界进行治理：限制 AI 可访问的信息与工具范围，按风险控制执行权限，并通过自动验证、人工审核和项目基线形成责任闭环。成熟的人机协同不是让 Agent 权限越大越好，而是在明确边界下提升执行效率，同时保证结果可验证、过程可追溯、责任有人承担。
一句话发起排障，镜舟 DevOps Agent 正式上线
Mirrorship的博客
09-04 156
排障过去很依赖资深工程师的经验和对系统的熟悉程度。现在，镜舟 DevOps Agent 把这些经验变成一套可以被更多人调用的能力，同时用足够扎实的安全机制，让AI 参与运维这件事，从一个听起来有风险的想法，变成一个可以放心交给团队使用的功能。
设计师减负实测：Lingko AI 自动化工作流，处理重复修图出图任务
weixin_49349674的博客
09-04 339
很多人只知道Lingko AI（灵构AI）能做电商主图，却不知道它真正的核心竞争力是全链路多智能体协同工作流。市面上绝大多数AI工具都是“单点能力强”：作图的只会作图、剪辑的只会剪辑、配音的只会配音，需要多软件切换拼接。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值