AI Agent 能力分级：从工具到 AGI
📍 导航指南
根据你的背景，选择合适的阅读路径：
- 🚗 想先看类比逻辑？ → 为什么用自动驾驶来类比 - 理解分级的底层逻辑
- 📊 想直接看分级？ → [L0-L5 详细解析](#L0-L5 详细解析 "#levels") - 每个级别的定义与特征
- 🔧 想知道怎么用？ → [如何定位你的 Agent](#如何定位你的 Agent "#positioning") - 实践中的判断方法
目录
- [借鉴汽车分级看 Agent 发展](#借鉴汽车分级看 Agent 发展 "#why")
- 为什么用自动驾驶来类比？
- 类比的核心逻辑
- [L0-L5 详细解析](#L0-L5 详细解析 "#levels")
- 总结对比表
- [如何定位你的 Agent](#如何定位你的 Agent "#positioning")
- 技术栈地图
- [常见问题 FAQ](#常见问题 FAQ "#faq")
借鉴汽车分级看 Agent 发展
在构建 AI Agent 的过程中，一个核心挑战是如何定义其"智能程度"。为了更清晰地理解 Agent 的演进，我们希望借鉴汽车的自动驾驶分级（SAE J3016），来看看 Agent 应该如何分阶段发展。
为什么要分级？
没有统一的分级框架，我们很难回答："我的 Agent 到底有多智能？它和 ChatGPT 插件有什么区别？和 Devin 又差在哪里？"
分级框架的价值在于：
- 定位当前能力：知道自己在哪，才能知道差距。
- 设定合理预期：L2 的系统不应被要求完成 L4 的任务。
- 指明演进方向：从辅助执行到完全自主，需要补充哪些能力？
为什么用自动驾驶来类比？
自动驾驶的分级逻辑（L0-L5）核心在于："谁在开车？" ------ 是人类还是机器？各负责多少？
这与 AI Agent 的核心问题高度同构："谁在决策？" ------ 是人类还是 Agent？
两者都在解决同一件事：随着机器能力的提升，如何逐步、安全地将控制权从人类转移给机器。这种同构性让我们可以直接迁移自动驾驶的分级思维，而不需要从零发明新框架。
类比的核心逻辑
自动驾驶看的是 "动态驾驶任务的退出程度" ，而 AI Agent 看的是 "人类干预/指令细度的退出程度"：
| 等级 | 自动驾驶 (谁在开车) | AI Agent (谁在决策) |
|---|---|---|
| L0 | 人类全程控制 | 人类逐步操作，机器执行固定指令 |
| L1 | 机器辅助单一方向 | 机器执行预设脚本，人类控制路径 |
| L2 | 机器同时辅助横向和纵向 | 机器完成子任务，人类在关键节点决策 |
| L3 | 特定条件下机器全权，人类待命 | 特定领域内机器全流程自主，边界处求助 |
| L4 | 特定场景内机器完全自主 | 跨领域复杂任务自主，极少需要人类介入 |
| L5 | 任何场景下机器完全自主 | 任何场景下完全自主，具备自我进化能力 |
💡 核心差异：自动驾驶问的是"方向盘握在谁手里"，Agent 分级问的是"决策权握在谁手里"。两者都在量化"机器替代人类"的程度。
L0-L5 详细解析
L0：纯工具
"执行固定指令的机器"
核心特征
- 完全由人类手动操作，机器没有任何自主性
- 只执行单一的、预设的指令，没有记忆，没有上下文理解
- 输入确定，输出确定，没有任何推理过程
典型例子
bash
# 你输入 ls，它列出目录，做完即止
$ ls -la
total 48
drwxr-xr-x 6 user staff 192 Mar 19 10:00 .计算器、Unix 命令行工具、简单的 API 调用------这些都是 L0。它们是工具，不是 Agent。
与自动驾驶的对应
| 自动驾驶 L0 | AI Agent L0 |
|---|---|
| 无任何自动化，驾驶员全程控制 | 无任何自主性，人类逐步操作 |
| 车道偏离预警（被动提示） | 计算器（被动执行） |
小结 ：L0 是所有 Agent 的起点，也是很多"AI 工具"的真实水平。判断标准很简单：去掉人类的每一步操作，系统还能做什么？ 如果答案是"什么都做不了"，那就是 L0。
L1：工作流助手
"按剧本行事的执行者"
核心特征
- 基于预定义的脚本或规则，自动完成机械性的重复操作
- 执行路径完全由人类预先设计，机器只是"播放录制"
- 减少重复劳动，但无法应对脚本之外的情况
典型例子
python
# RPA 脚本：每天早上自动登录系统，导出报表，发送邮件
def daily_report_task():
login(url, username, password) # 步骤1：登录
navigate_to_report_page() # 步骤2：导航
export_csv(date=today) # 步骤3：导出
send_email(to=manager, file=csv) # 步骤4：发送Excel 宏、RPA（机器人流程自动化）、简单的定时任务------这些是 L1。
与自动驾驶的对应
| 自动驾驶 L1 | AI Agent L1 |
|---|---|
| 单一方向辅助（ACC 或 LCC，二选一） | 单一流程自动化（固定脚本） |
| 驾驶员仍需全程监控 | 人类设计路径，机器执行 |
小结 ：L1 的本质是 "把人类的操作录制下来，然后重放"。它能节省时间，但没有理解能力。一旦遇到脚本没有覆盖的情况（网页改版、数据格式变化），就会直接失败。
L2：任务助手
"能完成子任务，但需要你把关"
核心特征
- 具备单一领域的规划能力，能调用工具完成子任务
- 在关键节点需要人类确认或决策
- 有基本的上下文理解，但缺乏长期记忆和复杂推理
- 人类负责"目标"，Agent 负责"步骤"
典型例子
markdown
用户：帮我订一张明天去上海的机票
Agent：我找到以下航班，请选择：
1. CA1234 08:00-10:15 ¥680
2. MU5678 10:30-12:45 ¥520
请问选哪个？（需要你来决策）早期的智能音箱、简单的客服机器人、能查询单一数据源的 Chatbot------这些是 L2。
与自动驾驶的对应
| 自动驾驶 L2 | AI Agent L2 |
|---|---|
| 同时辅助横向和纵向（ACC + LCC） | 同时处理多个子任务 |
| 驾驶员仍需时刻监控，随时接管 | 人类在关键节点确认，随时介入 |
小结 ：L2 是目前大多数"AI 助手"产品的真实水平。它能帮你做事，但决策权仍在你手里 。判断是否是 L2 的关键：Agent 在完成任务的过程中，是否需要多次向你确认？ 如果是，那就是 L2。
L3：垂直领域专家
"特定赛道上的自动驾驶"
核心特征
- 全流程自主：在特定领域（如编程、数据分析、法律检索）内能自主完成闭环任务。
- 元认知能力：具备多步骤规划与工具调用能力，且能识别自身能力边界。
- 主动暂停：遇到超出授权范围或不可逆操作时，主动请求人类介入。
- 责任转移 ：在擅长领域内，任务执行的责任主体首次从人类转向 Agent。
典型例子：Claude Code
Claude Code 是目前 L3 最具代表性的产品之一。它的工具链覆盖了编程领域的完整闭环：读取文件、修改代码、执行命令、搜索代码库及运行测试。
markdown
用户：帮我修复这个 bug，测试通过后提交 PR
Agent 自主执行流：
1. 🔍 分析：读取报错信息，定位问题文件
2. 🧠 规划：分析逻辑，设计修复方案
3. 🛠️ 执行：修改代码，运行单元测试
4. 📝 整理：测试通过，自动生成 PR 描述
5. ⚠️ 暂停："PR 需要人工审核后才能提交，请确认。"深度解析：L3 的"安全线"
L3 的核心设计哲学是：在能力范围内极致自主，在边界处让人类接管。
Claude Code 设定了一条清晰的"安全线"：
- ✅ 自主执行：读写文件、运行测试、搜索代码。
- ⚠️ 暂停确认 ：删除文件、
force push、修改生产环境配置。
关于 bypassPermissions 模式： 这是一个允许 Agent 越过安全线的变体。虽然它能在自动化流水线或 CI 环境中实现无人值守的连续执行，但代价是将"边界判断"完全交给了 Agent。从分级上看，这改变的是安全策略 而非能力边界，它依然处于 L3 阶段。
迈向 L3.5 ：如果通过本地持久化文件（如
claude.md）赋予 Agent 跨 Session 的记忆能力，它将进化为 L3.5------补齐了记忆短板，但在主动性和跨领域协作上仍有提升空间。
与自动驾驶的对应
| 自动驾驶 L3 | AI Agent L3 |
|---|---|
| 特定场景自主（如高速公路） | 特定领域自主（如编程/数据） |
| 系统无法处理时要求人类接管 | 遇到边界/高风险操作主动暂停求助 |
| 驾驶责任首次由驾驶员转向车辆 | 任务执行责任首次由人类转向 Agent |
小结 ：L3 是当前 Agent 技术的最前沿。它与 L2 的本质区别在于其 "元认知"能力------即能够"知道自己不知道什么"，并能在边界处果断止步而非硬撑或乱猜。
L4：全能管家
"你只需要说目标，其余交给我"
核心特征
- 具备长期记忆、跨应用协同能力、主动服务意识
- 能理解模糊的、高层次的指令，并能预判需求
- 在绝大多数场景下无需人类干预，只有极少数特殊情况才需要帮助
- 能跨领域协调多个工具和系统
典型例子
markdown
用户：帮我策划一场难忘的周年纪念日
Agent 自主完成：
1. 从记忆中提取：配偶喜欢法餐，不喜欢嘈杂环境
2. 查询日历：确认当天无其他安排
3. 搜索餐厅：筛选符合条件的法餐厅，预订座位
4. 检查天气：发现傍晚有雨，调整户外活动计划
5. 购买礼物：根据预算和喜好，下单并安排配送
6. 设置提醒：提前 2 小时提醒你出发
7. 汇报："已安排完毕，详情如下..."深度案例：OpenClaw（L4.5）
OpenClaw 是目前最接近 L4 的开源项目，也是 2025-2026 年增长最快的 AI Agent 项目之一（GitHub 180K+ stars）。
它的核心设计和 Claude Code 有一个根本性的不同：OpenClaw 是持续运行的，不是被动等待的。
css
Claude Code：你发消息 → 它响应 → 结束
OpenClaw： 它一直在线，主动监听，随时行动OpenClaw 的三个关键能力让它突破了 L3 的天花板：
1. 跨应用统一调度
它不是一个只能操作文件的工具，而是一个可以同时连接你所有数字生活的枢纽：
消息平台：WhatsApp、Telegram、Discord、Slack、iMessage
生产力工具：邮件、日历、文件系统
开发工具：代码执行、终端命令2. 持久记忆
自托管架构意味着它的记忆不会在对话结束后消失。它记得你上周说的偏好，记得上个月处理过的任务模式，记得你的工作习惯。
3. 主动性
这是 L3 和 L4 最本质的区别。OpenClaw 不需要你每次都发起对话------你可以设定规则，让它在特定条件下自动触发：
arduino
"每天早上 9 点，汇总昨天的未读消息"
"收到带附件的邮件时，自动整理到对应文件夹"
"当 GitHub 有新 PR 时，通知我并附上摘要"4. 动态 Skill 生成
这是 OpenClaw 最接近 L5 的能力------你可以通过自然语言指令，把一段操作封装成可复用的 skill：
arduino
用户："把刚才整理邮件的操作保存成一个 skill"
OpenClaw：封装完成，下次直接说"整理邮件"即可触发这和"开发者预先写好插件"有本质区别------能力边界开始由用户自己决定，而不是开发者。
为什么是 L4.5 而不是 L5？
OpenClaw 的 skill 创建仍然需要人类主动发起指令。L5 的标志是它自己判断"这个操作值得封装成 skill"，然后主动提议：
arduino
L4.5（现在）：你说"帮我把这个做成 skill" → 它才封装
L5（目标）： 它观察到你重复做同一件事 → 主动说"要不要我帮你自动化这个？"此外，它的触发机制仍是规则驱动而非意图推断，记忆管理也依赖插件而非原生代谢机制。
与自动驾驶的对应
| 自动驾驶 L4 | AI Agent L4 |
|---|---|
| 特定场景（城市道路）内完全自主 | 绝大多数任务场景内完全自主 |
| 无需人类接管，但仍有设计运行范围 | 无需人类干预，但仍有能力边界 |
| 可以没有方向盘（乘客模式） | 人类只需设定目标，不参与执行 |
小结 ：L4 的标志是 "目标驱动"而非"指令驱动" ，以及"主动运转"而非"被动响应" 。OpenClaw 通过动态 skill 生成已经触碰到 L5 的边界，准确定级是 L4.5------它是目前最接近 L5 的产品，但那最后一步（自主判断何时进化）仍未跨越。
对比：Claude Code 为什么卡在 L3？
同样是当前最强的 coding agent，Claude Code 和 OpenClaw 的差距恰好揭示了 L3→L4 的三道门槛：
| 维度 | Claude Code (L3) | OpenClaw (L4) |
|---|---|---|
| 记忆 | ❌ 每次对话从零开始 | ✅ 跨 session 持久记忆 |
| 主动性 | ❌ 需要人类发起对话 | ✅ 自主监听，条件触发 |
| 跨领域 | ❌ 只能操作代码/文件 | ✅ 消息、邮件、日历、代码统一调度 |
Claude Code 的设计目标是**"编程领域的极致专家"**，它把所有精力放在把 L3 做到最好------工具链完整、安全边界清晰、代码理解深度强。这是一种有意识的取舍，而不是能力不足。
OpenClaw 的设计目标是**"数字生活的统一入口"**，它牺牲了部分垂直深度，换来了跨领域的广度和持续运转的主动性。
两者并不是竞争关系，而是不同层级的代表：先有 Claude Code 这样的 L3 专家，才有 OpenClaw 这样的 L4 管家。
L5：数字生命体
"不需要你，它也在运转"
核心特征
- 在任何场景下都能像人类（甚至超越人类）一样处理任何任务
- 具备自我进化能力：能根据需求创造新工具，扩展自身能力边界
- 拥有"代谢机制"：在没有任务时进行自我反思、记忆合并、能力优化
- 不受设计运行范围限制
三个深层挑战
到达 L5 边缘，意味着架构重心已经从"如何让 Agent 完成任务"转向了"如何让 Agent 维持生命感"。
挑战 1：从"任务逻辑"转向"代谢逻辑"
传统 Agent 是反应式的：
用户输入 → 思考 → 执行 → 结束L5 系统需要一种代谢机制：
arduino
低功耗运行：没有任务时，进行自我反思、记忆合并、工具库优化
信息吞吐：主动筛选环境中的高价值信息，转化为内部"激活能力"
持续演化：每次交互后，能力边界都在悄悄扩展挑战 2：解决"意识的底噪"问题
L5 的系统不能拥有完美记忆，因为完美记忆会导致注意力被噪音淹没。
arduino
索引失败 vs. 真正丢失：
技能不应该是消失了，而是因为长时间不被激活而进入"冷存储"
高质量剪枝：
只有当 Agent 能识别哪些动作是"脚手架"（用完即拆），
哪些是"地基"（永久保留），它才能实现真正意义上的长久存活挑战 3：激活能力的"自我繁衍"
L5 的标志之一是 Agent 能够根据需求制造工具：
arduino
如果现有的 Skill 无法解决问题，
它是否具备在沙箱中编写、测试并封装新工具的能力？
这种"思考即激活"的模式，
让 Agent 的能力边界不再是静态的文档，
而是一部动态增长的百科全书。与自动驾驶的对应
| 自动驾驶 L5 | AI Agent L5 |
|---|---|
| 任何可行驶条件下完全自主 | 任何场景下完全自主 |
| 不受设计运行范围限制 | 不受能力边界限制 |
| 表现超越人类驾驶员 | 表现超越人类专家 |
小结 ：L5 目前仍是理论目标。它的核心不是"更强的模型"，而是架构层面的根本转变------从"完成任务的工具"变成"持续存在的智能体"。
猜想：OpenClaw 如何演进到 L5？
如果以 OpenClaw 为起点，L4→L5 需要跨越的不是功能堆砌，而是三个架构层面的根本转变。
第一步：从"用户驱动的 Skill 生成"到"自主驱动的 Skill 生成"
OpenClaw 现在已经能通过自然语言指令把操作封装成 skill------但这个封装动作需要用户主动发起。L5 需要它自己判断什么时候该封装：
arduino
现在（L4.5）：用户说"把这个操作存成 skill" → 它才封装
L5（目标）： 它观察到你重复执行同一操作 → 主动提议"要不要我帮你自动化这个？"
→ 用户确认后自动封装，下次直接调用
→ 甚至不需要确认，直接封装并告知这意味着能力边界的扩展从"用户决定"变成"Agent 自己决定"。
第二步：从"被动记忆"到"主动遗忘"
OpenClaw 现在的记忆是累积式的------所有交互都保留。但完美记忆是 L5 的障碍，不是优势。
L5 需要一套"记忆代谢"机制：
arduino
热存储：近期高频使用的偏好和模式
温存储：低频但重要的长期知识
冷存储：长时间未激活，压缩归档
主动剪枝：识别"脚手架"（用完即删）vs "地基"（永久保留）就像人类不会记住每一顿饭吃了什么，但会记住自己不喜欢香菜。
第三步：从"条件触发"到"自主判断触发"
OpenClaw 现在的主动性依赖规则------你设定"每天 9 点汇总消息"，它才执行。L5 需要它自己判断什么时候该主动：
arduino
现在：规则触发 → "每天 9 点执行 X"
L5： 意图推断 → "我注意到你最近每天 9 点都在看消息，
要不要我帮你自动整理？"
→ 用户确认后，自动建立新的触发规则
→ 下次不再询问，直接执行这是从"执行规则"到"理解意图、自主建立规则"的跨越。
路径总结
markdown
OpenClaw (L4.5)
+ 自主判断何时封装 Skill → 能力边界自我扩展
+ 记忆代谢机制 → 长期存活不退化
+ 意图推断式触发 → 真正的主动智能
= L5 数字生命体这三步没有一步是靠"更大的模型"解决的------它们都是架构问题。这也是为什么 L5 的时间表比大多数人预期的要长。
总结对比表
| 级别 | 自动驾驶 (SAE) | AI Agent | 核心特征 | 人类角色 | 典型产品 |
|---|---|---|---|---|---|
| L0 | 无自动化 | 纯工具 | 执行固定指令，无上下文 | 操作员 | 计算器、命令行 |
| L1 | 辅助驾驶 | 工作流助手 | 固定脚本自动化 | 操作员 | RPA、Excel 宏 |
| L2 | 部分自动驾驶 | 任务助手 | 单点任务自主，需节点确认 | 监督者/决策者 | 早期智能音箱 |
| L3 | 有条件自动驾驶 | 垂直领域专家 | 特定领域全流程自主，边界求助 | 后备方案 | Devin、Claude Code |
| L3.5 | --- | 有记忆的专家 | L3 + 跨 session 记忆，但仍被动触发 | 后备方案 | Claude Code + bypassPermissions + 本地文件 |
| L4 | 高度自动驾驶 | 全能管家 | 跨领域复杂任务自主，主动运转 | 目标设定者 | --- |
| L4.5 | --- | 进化中的管家 | L4 + 用户指令驱动的动态工具生成 | 目标设定者 | OpenClaw |
| L5 | 完全自动驾驶 | 数字生命体 | 通用问题解决，自我进化 | 共存者 | 理论目标 |
如何定位你的 Agent
用这三个问题快速判断你的系统处于哪个级别：
问题 1：任务中途，Agent 需要向用户确认几次？
多次确认 → L2
偶尔确认（遇到边界）→ L3
几乎不确认 → L4+问题 2：遇到没有预设处理方案的情况，Agent 会怎么做？
直接失败/报错 → L1
停下来问用户 → L2-L3
自己想办法解决 → L4+问题 3：Agent 有没有跨任务的记忆？
没有，每次对话从零开始 → L2 及以下
有，但只在特定领域内有效 → L3
有，跨领域、跨时间都有效 → L4+实践建议：大多数团队当前构建的系统在 L2-L3 之间。不要急于跳到 L4，先把 L3 做扎实------让 Agent 在它擅长的领域内真正可靠，比让它在所有领域都"差不多能用"更有价值。
🗺️ 不同级别的技术栈映射表
知道自己在哪个级别之后，下一步是选对工具。每个级别的核心技术组件、关键挑战和可参考的开源项目：
各级别技术栈
| 级别 | 核心技术组件 | 关键挑战 | 开源参考项目 |
|---|---|---|---|
| L2 | LLM API + Prompt Template + Search/Tool API | 工具调用准确率、错误处理 | LangChain, LlamaIndex |
| L3 | ReAct Loop + Tool Definition + Local File Context + 权限控制 | 多步规划成功率、边界识别 | Claude Code, LangGraph, AutoGPT |
| L3.5 | L3 + 跨 Session 持久化文件 / SQLite + bypassPermissions | 记忆一致性、上下文膨胀 | Claude Code + MEMORY.md |
| L4.5 | Long-term Memory (Vector DB / SQLite) + 跨应用 API 抽象 + 任务队列 + Skill 封装系统 | 记忆检索准确率、跨应用冲突解决 | OpenClaw, MemGPT |
| L5 | 元认知模块 + 沙箱环境 + 记忆代谢算法 + Periodic Reflection Agent | 自主判断何时进化、遗忘机制设计 | 暂无成熟方案 |
演进路径上的关键跨越
| 跨越 | 需要新增的技术 | 核心难点 |
|---|---|---|
| L2 → L3 | ReAct/CoT 规划模块、工具调用框架、短期记忆管理 | 规划成功率、错误恢复 |
| L3 → L4 | 持久记忆向量库、跨应用 API 抽象、任务队列、主动触发机制 | 记忆检索准确率、冲突解决 |
| L4 → L5 | 元认知模块、沙箱代码执行环境、记忆代谢算法、意图推断引擎 | 自主判断何时进化、遗忘机制 |
常见问题 FAQ
Q: ChatGPT 是哪个级别？
A: 取决于使用方式。裸用 ChatGPT 对话是 L2；配合 Code Interpreter 做数据分析接近 L3；配合 Memory 和 Actions 在特定场景下可以达到 L3.5------有跨 session 记忆，但仍缺乏主动性和跨领域协调。
Q: 哪个跨越最难？
A: L4→L5。L3→L4 有清晰的工程路径（加记忆、加主动触发、加跨应用集成），OpenClaw 已经证明可行。但 L4→L5 需要的"自主进化"和"意图推断触发"目前没有成熟的架构方案，是真正的未知领域。
Q: 分级是固定的吗？同一个 Agent 能在不同场景下处于不同级别？
A: 是的。一个 Agent 在它擅长的领域可能是 L3，在陌生领域可能退化到 L2。这正是为什么"垂直领域专家"是 L3 的典型形态------它在特定赛道上是 L3，但不是全能的。
Q: 提升 Agent 级别，主要靠更好的模型还是更好的架构？
A: 主要靠架构，模型是基础但不是瓶颈：
- L2 → L3：架构（工具调用、规划循环、错误恢复）
- L3 → L4：架构（持久记忆、跨应用集成、主动触发机制）
- L4 → L5：架构（元认知、记忆代谢、意图推断）------目前没有清晰路径
OpenClaw 从 L4 到 L4.5 的跨越，靠的是 Skill 封装系统这个架构创新，而不是换了更强的模型。
Q: 这个分级和 Anthropic、OpenAI 的 Agent 分级有什么关系？
A: 各家公司有自己的内部分级框架，但核心逻辑相似------都在衡量"自主性程度"。本文的框架借鉴自动驾驶标准，增加了 L3.5 和 L4.5 两个中间级别，更贴近当前产品的实际状态。
🔬 三款产品横向对比
| 工具 | 级别 | 记忆 | 主动性 | 跨领域 | 动态工具生成 |
|---|---|---|---|---|---|
| Claude Code | L3 | ❌ | ❌ | ❌ | ❌ |
| Claude Code + bypassPermissions + 本地文件 | L3.5 | ✅ | ❌ | ❌ | ❌ |
| OpenClaw | L4.5 | ✅ | ✅ | ✅ | ✅（用户驱动） |
L3→L4 的三道门槛是记忆、主动性、跨领域 ；L4→L5 的关键一跳是自主进化------从"用户告诉它进化"到"它自己决定进化"。
📝 结语
自动驾驶用了 20 年从 L0 走到 L3 的商业落地，AI Agent 的演进速度可能更快，但面临的挑战并不更少。
分级框架的价值不在于给系统贴标签，而在于帮你看清楚当前在哪、下一步需要什么。
arduino
L0-L1：工具层 → 解决"能不能自动化"的问题
L2-L3：助手层 → 解决"能不能理解意图"的问题
L4-L5：自主层 → 解决"能不能独立存在"的问题大多数团队现在处于 L2-L3 的过渡地带。这里有足够多的工程挑战值得深耕，也有足够清晰的路径可以前进。
参考资源：
- SAE J3016 自动驾驶分级标准
- 国家《汽车驾驶自动化分级》标准