车上的 AI Agent 延迟和功能安全怎么平衡？「答得快」和「不出错」冲突时怎么取舍？

先这样答

取舍的框架是操作风险分级。高风险类：车控指令、驾驶相关设置，走确定性链路——意图分类加槽位填充加规则映射，输出可枚举可验证，准确率要求接近百分之百，宁可多一轮确认也不猜。中风险类：导航目的地、电话联系人，错一次的代价是重新确认，允许生成式理解但关键槽位（地址、人名）要显式复述确认。低风险类：闲聊、内容推荐、信息查询，错了无伤大雅，走生成链路追求流畅快答。

延迟预算按交互类型反推：驾驶中的指令响应一秒内反馈（至少给出「收到」的即时应答），完整执行可以异步；复杂对话首字两秒内；导航路线规划可以边算边给概要。设计的关键是把「感知到响应」和「任务完成」拆开——立即确认收到，再异步完成，用户的等待焦虑来自没有反馈而不是任务慢。

错误处理的分级也对应风险：高风险操作的歧义输入（「打开那个」指代不明）必须追问澄清，不允许概率最大的猜测执行；执行后要有可撤销或可观察的通道（车窗开了能再关）。系统层面，生成式链路故障不能影响确定性链路，语音系统崩溃不能影响车控本身，故障隔离是架构前提。

面试官会怎么追问

• 「怎么判断一条输入该走哪条链路？」 前置意图分类器先分安全等级，车控类指令直接进确定性链路；分类器本身也是概率的，边界指令（「我冷了」联动空调）按保守原则处理，宁可多确认。
• 「异步执行的任务失败了怎么通知？」 立即确认过「收到」的任务失败，要用明确的结果反馈补救（「刚才的导航没找到这个地址，重新说一次？」），不能沉默失败。异步任务的完成通知要考虑驾驶状态，复杂信息建议停车后查看。
• 「怎么测试不出错的边界？」 高风险链路要穷举测试：指令集的全组合、噪声和口音的鲁棒性、并发指令的仲裁。自动化回归加实车路测，功能安全相关的改动走严格验证流程。

回答的坑

• 用统一的延迟或准确率指标衡量所有功能。分级才是车载产品的正确思维。
• 生成式链路和车控链路耦合设计。故障隔离做不到，一次模型故障就可能变成安全问题。