安卓车机端 AIOS 技术生态全景

一航jason2026-08-29 8:41

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

复制代码 
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 SDK JetBrains 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-mcp Android 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 Functions Google 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-server Kotlin + Ktor + SQLite 实现的完整 MCP Server，Foreground Service 保活，Streamable HTTP 传输
shuao-pro/android-mcp 37 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

复制代码 
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

复制代码 
// 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

复制代码 
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

复制代码 
// 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 Protocol Google 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

复制代码 
                    ┌─────────────┐
                    │  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：

复制代码 
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 API LiteRT-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 API Google 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-LLM TVM 编译优化，支持高通 Adreno GPU OpenCL 加速

端云协同路由架构

复制代码 
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：

复制代码 
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
IsolatedProcess Android 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

复制代码 
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

复制代码 
<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 ADK Agent 内置状态管理和工具调用编排，支持流式输出
Koog Kotlin 原生工作流编排，事件驱动
WorkManager Android 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

复制代码 
// 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 Trace Perfetto、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
Perfetto Android 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

复制代码 
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

复制代码 
// 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.cpp GGUF 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-LLM MNN 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 Mobile ONNX/.ort NNAPI/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-LLM TVM 编译 Adreno GPU OpenCL ⭐⭐⭐ 编译优化极致，高通 GPU 加速好，部署复杂度高
NCNN ncnn 模型 Vulkan GPU ⭐⭐⭐ 腾讯优图，轻量无依赖，适合小模型 / 视觉模型
Qualcomm SNPE/QNN DLC/context bin Hexagon 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
SA8155P 8 TOPS llama.cpp + QNN / ONNX Runtime + NNAPI Qwen2.5-0.5B/1.5B INT4
SA8295P 30 TOPS Qualcomm QNN + MNN / LiteRT-LM Qwen2.5-3B/7B INT4，多模态
地平线 J5 128 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.cpp GGUF 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

复制代码 
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

复制代码 
# 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 Runtime Google ADK (Kotlin) Koog / ZorvAI
工具调用 MCP Kotlin SDK + Vehicle HAL Android App Functions
记忆 / RAG sqlite-vec + ONNX Embedding MediaPipe RAG / ZVec
多 Agent ADK Handoffs Koog 编排
模型路由 LiteRT-LM (端侧) + 云端兜底 llama.cpp server
安全沙箱 Android UID+SELinux+IsolatedProcess WebView 沙箱
任务调度 ADK + WorkManager Coroutines Flow
可观测性 Perfetto + LM-METER + logcat Android Studio Profiler
推理引擎 llama.cpp (GGUF) / LiteRT-LM MNN-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-Instruct Q4_K_M SA8155P 及以上
通用对话 Qwen2.5-1.5B-Instruct Q4_K_M SA8155P / SA8295P
复杂推理 Qwen2.5-3B-Instruct Q4_K_M SA8295P
多模态 Qwen2.5-VL-3B Q4_K_M SA8295P
英文场景 Llama-3.2-1B/3B Q4_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。

相关推荐
故七月15 小时前
锦邻创享OPC社区：构建全要素创业生态，打造城市创新发展新引擎
大数据·人工智能
Mickey Q15 小时前
【深度学习】感知机基础
人工智能·深度学习
夫唯不争，故无尤也15 小时前
Agentic Search + RL ：打通从RL原理到实际训练全流程
人工智能·深度学习·机器学习·强化学习·rl
H03111698515 小时前
项目汇报PPT模板平台梳理：六个渠道的特点与适用场景
人工智能
小白的成长路程15 小时前
AI答案被竞品垄断，如何破局
人工智能·geo
顿哥GPT15 小时前
2026-08-28｜ChatGPT Plus 与 Codex 实战：用 AI 编程为 Python 接口编写自动化测试的完整复盘
人工智能·chatgpt·重构
天远Date Lab15 小时前
零信任架构实战：基于天远天远风控经营异常预警构建分布式企业合规监控网关
人工智能·分布式·架构
是店小二呀15 小时前
AI 已经能直接改设计稿了:Windows部署Penpot，接入Codex MCP实测
人工智能
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02GitHub 镜像站点03ZCode 周末送额度活动开启：3 亿 Token 免费领取04历年考研数学一、数学二、数学三真题试卷及答案PDF05微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新062026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？07Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费08AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路09蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接10VSCode+CodeX扩展，无法启动