6. 人工智能层 - eBattery AI
驾驶电动汽车出行,需要做出相互关联的决策。行驶距离、当前电池电量、车辆能耗、路况、充电站位置以及驾驶员的时间安排,都是同一次行程的组成部分。其中一个变量发生变化时,其他决策也可能受到影响。看起来更短的路线,在缺乏合适充电设施时,可能变成更长的行程。如果车辆能够接受的充电功率有限,功率更大的充电站也未必能带来预期的时间优势。
eBattery AI 位于应用的核心,用于综合评估这些决策,并向用户提供清晰易懂的行程计划。它让用户可以用自然语言表达自己想做什么;并借助车辆档案、地图、路线和可获取的充电站数据,将这一需求转化为可执行的方案。
对用户来说,体验很简单:说一句“我想去伊兹密尔”、“帮我规划一个周末两天的行程”或“找一个我附近合适的充电站”,就足以开始。而在后台,每个请求都需要与不同的数据源、计算和应用功能相匹配。eBattery AI 的任务,是在处理这种技术复杂性的同时,让决策的依据对用户保持清晰。
这一方式的核心是 清晰易懂、可计算以及用户可控 包含在内。助手必须能够解释其推荐的路线为何合适;必须以一致的方法进行续航和充电计算;用户也必须能够根据自己的需求修改计划。
当前产品的 AI 聊天以及路线和行程规划构成了这一架构的核心。实时充电站信息、价格和交通等输入,会结合相关数据源的覆盖范围共同发挥作用。结合天气状况的预测、与车辆的直接连接,以及从行为中学习的个性化功能,则是在同一架构上逐步扩展的能力。
6.1 中央助手方式
6.1.1 在共同情境中整合应用的不同功能
eBattery AI 是一个中枢助手,可减少用户在应用不同部分之间切换时反复提供相同信息的麻烦。在地图上开始的站点搜索,可以在聊天中进一步细化;聊天中生成的路线,可以在路线界面查看;规划好的行程,连同各天和各站点,可以在行程模块中编辑。
在这一体验中,车辆、行程和用户偏好构成共同的上下文。例如,已选择其已保存车辆的用户说“显示我附近合适的站点”时,系统无需每次都重新询问车型。该请求会结合所选车辆和用户选择分享的位置信息一并评估。
集中式方案还能让应用中不同的入口使用同一套决策逻辑。在使用相同车辆、相同偏好和相同最新数据的情况下,用户从地图发起的充电点搜索与通过 AI Chat 进行的搜索,应当得出一致的结果。
这样,eBattery 的各个模块之间不仅仅是界面跳转,用户想要完成的任务也会得到保留。
6.1.2 将用户意图转化为应用操作
人们往往不用技术参数来表达需求。像“我两小时内出发”“我们带着孩子,想要更轻松的计划”或“我不想为了充电绕太远”这样的句子,同时包含了多项偏好。
eBattery AI 会把这些表述转化为可用于规划的信息。必要时,它会补全起点、目的地、电量或时间优先级等缺失的细节。提问会集中在真正影响结果的方面。
例如,对于“我想从伊斯坦布尔去伊兹密尔”这样的请求,如果已保存的车辆和出发位置已知,可能只会向用户询问当前电量和行程偏好。当用户说“我们可以走收费道路,总时间要短”时,这些信息会被加入路线请求。
这种方式将自然语言与应用的功能连接起来。用户无需了解菜单的技术结构,就可以描述自己的需求;系统随后会将请求带入相应的计算和页面流程。
6.1.3 以用户控制完善推荐
eBattery AI 提供的方案可以查看和修改。用户可以更换推荐的充电站、添加中途停靠点、从行程安排中删除一座博物馆,或要求成本更低的路线。
助手会将这些更改与计划的其余部分关联起来。删除一个站点不仅会缩短行程清单,还可能改变每日里程、到达时间和充电需求。用户所做的编辑会在保持这些关联的前提下进行评估。
计划归用户所有。 AI 让各种选项一目了然,简化计算,并解释不同选择的后果。出行的目的、节奏和可接受的成本由用户自行决定。
6.2 AI Chat:开场体验、头像、流式输出、上下文记忆
6.2.1 启动体验:第一时间展示可以做什么
AI Chat 的开场界面会直接向用户展示助手的核心能力。用户可以用自由文本开始对话,也可以使用现成的起始选项之一。
| 起始选项 | 用户的目标 | 已启动的流程 |
|---|---|---|
| 规划路线 | 驾车前往某个充电点 | 根据起点、终点、车辆和充电需求生成路线 |
| 规划行程 | 在规定时间内游览一个地区 | 根据兴趣和时间制定每日行程 |
| 推荐最近的充电站 | 到达合适的充电点 | 根据位置、车辆兼容性和可访问的站点数据生成推荐 |
| 我的效率 | 了解使用数据 | 基于现有记录转向能耗与使用情况评估 |
这些选项减少了首次交互时的不确定性。用户无需猜测可以向助手提出哪些问题;应用会提供与日常电动汽车需求相关的起点。
随着对话的推进,与情境相符的操作会取代初始选项。生成路线后,会突出显示“打开路线”;推荐充电站后,则会突出显示“前往充电站”等操作。
6.2.2 头像:助手的视觉形象
AI Chat 的视觉形象是一个动画机器人头像。在聊天开始前,头像位于屏幕中央,通过轻微的动作和灯光效果,呈现出随时准备互动的样子。
发送第一条消息后,头像会缩小并移到助手消息旁。这样,屏幕的焦点自然地从起始体验转向对话。为用户输入的内容、助手的回复和生成的结果卡片腾出更多空间。
头像也有助于在视觉上区分由 AI 生成的消息。这一形象营造出一种有别于应用内社区消息、且前后一致的助手体验。
动效和视觉效果的作用是引导用户,并让系统状态一目了然。可读性和交互优先;动画不会妨碍关键信息。
6.2.3 流式传输:以数据流的方式呈现回复
eBattery AI 以流式方式显示合适的回答。用户无需等待一段很长的说明全部完成,就能逐步看到回答的形成过程。
在这一体验中,两个不同的过程是分开的:撰写说明和计算方案。助手开始生成文字,并不意味着路线计算已经完成。路线、充电站或行程卡片,会在相关数据和计算准备就绪时呈现。
例如,系统可以先显示已理解请求,然后在准备路线选项时分享进度。计算完成后,会显示地图预览和充电站点。这样既能提供快速反馈,又能保证结果的完整性。
如果用户在流程中更改了请求,则以新的请求为准。属于先前请求的迟到结果,不应取代当前计划。这在连续更改停靠点或路线偏好的对话中尤为重要。
6.2.4 Context Memory:保留对话的含义
上下文记忆使系统能够结合之前的步骤来理解正在进行的对话。
当用户先说“我要从伊斯坦布尔去伊兹密尔”,接着又写“也规划一下返程”时,助手会把第二个请求与第一段行程关联起来。“让这个更经济一些”这样的说法,也会应用于正在讨论的路线或行程计划。
上下文分三个层级处理:
聊天上下文: 对话过程中提供的信息和所做的更改。
当前方案背景: 正在编辑的路线、行程或站点选择。
已保存的用户偏好: 所选车辆以及用户永久设定的设置。
这种区分可以避免把临时偏好误解为长期习惯。用户在某次行程中说“今天我们避开收费公路”,并不意味着今后所有行程都会以同样方式规划。
同样,在之前的对话中输入的电池电量,不能在第二天被当作当前的车辆数据使用。记住上下文,也需要管理信息随时间推移的有效性。
6.3 分层架构:基于规则的决策层与 LLM 层
6.3.1 区分计算与叙述的职责
eBattery AI 的架构建立在以不同方法解决不同任务的基础之上。
续航计算、能源需求、车辆与充电站的兼容性以及路线方案的评估,在使用既定数据字段和计算规则的决策层中完成。理解用户的自然语言请求并解释结果,则是大语言模型,即 LLM 层的职责。
这种区分把建议的数据依据与其说明方式联系在一起。当助手说“这个充电站更合适”时,理由应来自计算层生成的数据。说明中使用的距离、时间和能量数值,与结果卡片上的数值出自同一来源。
| 架构组件 | 核心职责 | 产生的结果 |
|---|---|---|
| 数据与集成层 | 整理来自车辆、地图、充电站及其他来源的数据 | 来源和时效性明确的输入数据 |
| 请求与上下文管理 | 将用户的请求、所选车辆和当前方案结合起来 | 结构化规划请求 |
| 基于规则的决策层 | 执行兼容性检查、能量计算和候选评估 | 路线与充电计划选项 |
| LLM 层 | 理解自然语言并解释计算结果 | 适合用户的说明方式 |
| 验证与执行层 | 检查结果的一致性和交易授权 | 可展示的卡片与可执行的操作 |
| 体验层 | 呈现聊天、卡片和屏幕切换 | 应用内用户体验 |
6.3.2 基于规则的决策层的范围
基于规则的方法是指,对于相同的数据快照和相同的规则版本,计算结果可以一致地重现。
这一层会计算可用电池能量,估算各路段所需的能量,排除与车辆不兼容的站点,并按设定的标准对合适的候选站点进行比较。用户选择的道路偏好以及需要保留的电池余量也在此处纳入考虑。
基于规则的计算并不意味着对外部世界有确切的了解。未来的交通状况、实际能耗或到达时充电站的状态都可能变化。因此,即使计算方法保持一致,部分输入和输出仍属于估算。
eBattery AI 会保留这一区别:已知数据、用户输入的信息和模型估算,不会以同样的确定程度呈现。
6.3.3 LLM 层的范围
语言模型用于理解用户的请求,并将计算结果转化为自然的表述。
诸如“少走点路”、“去掉博物馆”、“我不想为充电等太久”或“你为什么选这个站点?”之类的表述,都属于这一层的处理范围。
LLM有助于生成可传递给相应应用功能的结构化请求。但它不会凭自身的通用知识补全充电站价格、插座状态或车辆电池电量。这些信息均取自相关记录和集成。
例如,当决策引擎因路线偏离更少且功率支持合适而选择某个站点时,助手可以把这一理由简化说明:
“这个充电站与您的车辆兼容,而且离主路线更近。看起来功率更大的备选站,由于您车辆的充电上限,并不能节省更多时间。”
这种说明的价值在于,用户能够看到决策背后的逻辑。
6.3.4 从经过验证的数据到可解释的结果
每个结果都与其所用的关键输入相关联。所选车辆、电池信息、计算时间以及站点数据的新鲜度,可帮助您了解方案是在什么条件下生成的。
这种结构也便于评估用户反馈。用户没有选择推荐的充电站,并不总是意味着计算有误。用户可能想换一个休息地点,可能偏好某个特定运营商,也可能有计划中未体现的时间限制。
将决策的输入与用户所做的更改一并审查,有助于系统随时间以更有意义的方式不断改进。
6.4 路线规划 — 车辆档案、续航计算、路线与道路偏好
6.4.1 结合车辆档案规划行程
在 eBattery 中,路线规划除了起点和终点外,还会考虑车辆的能量和充电特性。
在同一条路线上,两辆电动车可能需要不同的充电计划。可用电池容量、能耗、支持的插口以及充电接受功率造成了这种差异。
规划中使用的主要车辆信息如下:
| 车辆信息 | 在规划中的作用 |
|---|---|
| 品牌、车型和合适的车辆版本 | 确保选择正确的技术档案 |
| 可用电池容量 | 构成行程中可用能量计算的基础 |
| 消耗值 | 将距离转换为预估的能量需求 |
| AC 充电支持 | 有助于评估长时间休息和目的地充电选项 |
| DC 充电支持 | 可评估沿途的快充选项 |
| 插座兼容性 | 可确定可用的充电站 |
| 当前电量 | 定义行程的初始能量状态 |
电池总容量与可用容量分别评估。续航计算所依据的数值是可用于行驶的能量。
在当前的使用流程中,用户在出行前手动输入电池电量。已保存的车辆档案记录技术信息,而电池百分比则是该次行程的当前输入。未来的车辆连接集成将提供扩展空间,使这一信息可以从受支持的车辆自动获取。
6.4.2 续航计算与能量储备
续航里程的计算基于可用能量与预期消耗之间的关系:
当前能量 = 可用电池容量 × 电池电量 / 100
基础续航估算 = 可用能量 / 能耗 × 100
此处,能量以 kWh 计,能耗以 kWh/100 km 计,续航里程以公里计。
例如,设想一辆可用电池容量为 60 kWh、当前电量为 40%、计算中采用的能耗为 18 kWh/100 km 的车辆。
在这种情况下:
电池中的计算电量为 24 kWh。
降至零电量的理论续航约为 133 公里。
例如,如果保留 15% 的到达储备电量,可用于规划的能量将降至 15 kWh。
在相同的能耗假设下,保留储备后计算出的里程约为 83 公里。
这个示例说明了为什么屏幕上显示的理论续航与可用于规划的距离不同。这里的 15% 是用来展示计算逻辑的示例储备。
在实际路线计算中,距离会与道路特征及可获得的能耗输入一并评估。随着数据覆盖范围的扩大,坡度、交通和天气等影响因素可被加入模型。当预估所依据的条件发生变化时,计划也会重新评估。
6.4.3 起点、终点和途经停靠点
用户可以通过当前位置、地址搜索或地图来设定起点。目的地和中途停靠点也是同一行程计划的组成部分。
途经站点在电动汽车规划中尤为重要。从 İstanbul 前往 İzmir 时,在 Bursa 的一次停留所改变的不只是总里程。停留的时长、该地区是否有充电条件,以及下一段行程以多少电量出发,也都会影响计划。
用户可以更改各停靠点的顺序,也可以保持特定顺序。手动设定的顺序可以体现用户的时间安排或个人优先事项。系统会根据这一偏好重新计算充电停靠点。
每次更改时,相关计划都会更新,用户无需重新输入全部信息。
6.4.4 路线模式与道路偏好
eBattery 将路线选项与用户的出行优先事项关联起来。
最快 的方法侧重于总行程时间。除驾驶时间外,为充电而绕行、充电时间,以及在有数据时的等待时间,也会纳入评估。
最高效 方式则将能源需求和可获得的成本数据与合理的行程时间一并考虑。在向用户提供成本更低的选项时,也会显示其对时间的影响。
这两种选择之间,并不存在适用于每次行程的固定优势。商务出行时,时间可能更重要;周末出游时,休息安排或预算可能更重要。
收费公路、高速公路和渡轮等路线偏好会添加到路线请求中。Google Maps Routes API 也为此类偏好提供规避选项;这些选项会引导路线搜索,能否找到合适的替代方案取决于道路网络。eBattery 将所用地图服务提供的这些能力与车辆和充电规划相结合。
区域性或更详细的道路限制,会结合相关数据和路线服务的覆盖范围一并处理。呈现给用户的路线应清楚显示偏好设置对结果的影响。
6.5 充电规划与充电站评分——充电量建议、安全余量
6.5.1 先看兼容性,再做比较
充电规划的第一步是确定可以使用的充电站。某个充电站评分高或价格低,并不意味着车辆能在那里充电。
因此,评估分两个阶段进行:
确定与车辆和行程相匹配的候选对象。
从时间、成本和使用条件等方面比较合适的候选方案。
插座兼容性、可达性以及到达充电站所需的能量,属于第一阶段的考察内容。这些基本条件不会被当作可以由其他优势来弥补的评分因素。
例如,不会仅因为价格更便宜就推荐与车辆不兼容的站点。同样,以当前电量看起来无法到达的站点,也不会仅因充电功率高而获得优先。
6.5.2 充电站评分:随行程而变化的适配度
确定合适的候选站点之后,充电站会经过多项标准的综合评估。
| 标准 | 评估事项 |
|---|---|
| 偏离路线 | 到达充电站并返回主路线所需的额外距离和时间 |
| 与车辆的功率兼容性 | 充电站功率与车辆可利用范围之间的关系 |
| 价格 | 可获取且适用于相关用户的资费 |
| 实时状态 | 在受支持的集成中,合适充电点的当前状态 |
| 等待信息 | 在有可靠数据或足够模型支持时的可能等待时间 |
| 运营可靠性 | 有数据时的服务连续性与使用体验 |
| 用户评价 | 体验是否及时、内容如何,以及是否基于足够数量的观察 |
| 休息契合度 | 充电站与用户当前停靠点和时间安排的关系 |
| 数据新鲜度 | 决策所用信息的时效性 |
这些指标的重要性会因所选路线模式而异。在时间优先的行程中,绕行距离和充电时间可能更具决定性。在成本优先的行程中,会将电价差异与由此产生的额外时间一并评估。
数据缺失也会纳入评估。实时状态未知的充电站不会被视为“空闲”。同样,仅凭插座占用信息并不总能足以计算出可靠的排队时间。
用户评分本身也不能替代运营可靠性。少量陈旧的评价,不应与当前更广泛的体验集合赋予同等权重。
6.5.3 充电站功率与实际充电体验之间的关系
充电站上标示的功率值,并不意味着车辆在整个充电过程中都会以该功率充电。充电时间取决于多种因素,例如电池电量、容量,以及车辆和充电设备的特性。美国能源部的 Alternative Fuels Data Center 资料同样说明,这些变量共同决定充电时间。
例如,对于直流充电接受上限为 100 kW 的车辆,容量为 350 kW 的充电站,并不一定比容量为 150 kW 的合适充电站更快,仅仅因为其铭牌功率更高。如果前往第一个充电站需要绕更远的路,那么从整个行程来看,第二个选择可能更合适。
eBattery 的评估会将站点功率与车辆特性一并考虑。它不会自动把数值高的选项呈现为更好的选择,而是考察该站点能为用户的行程带来的益处。
6.5.4 充电量:适合下一段行程的电量
充电计划除了选择充电站之外,还包括建议的充电电量。
基本思路是将下一路段所需的能量、目标到达时的预留电量以及合适的备选方案放在一起考虑。用户不需要在每个停靠点都达到相同的电量。短途衔接、较长的下一段行程或目的地的充电条件,都可能产生不同的目标。
需要补充到电池中的能量,其基本关系如下:
需补充的能量 = 可用容量 × (目标电量百分比 − 当前电量百分比) / 100
例如,对于可用容量为 60 kWh 的车辆,将电量从 20% 充到 70%,相当于电池增加约 30 kWh 的能量。
该数值不必与站点电表测得或计费的能量完全一致。由于存在充电损耗和辅助耗电,测量能量的位置十分重要。
充电时间也不是简单地用站点最大功率去除来计算的。在可获取数据时,模型会考虑车辆在不同电量水平下的充电表现。举一个说明性的例子:如果以 60 kW 的平均净功率向电池充入 30 kWh 的能量,能量传输时间约为 30 分钟。这里起决定作用的是会话中的平均功率。
在成本计算中,除能源费用外,还会计入适用的会话费、时间费或其他电价组成部分。用户应能理解所显示的预估涵盖哪些范围。
6.5.5 保持安全裕度和备选方案
规划并不以理论上将电池用到最后一点电量为前提。它会预留到达时的储备电量,以应对能耗预测的波动,并能够到达沿途的备选方案。
所需的储备电量会结合路线长度、充电站密度、数据新鲜度和计划的灵活性一并评估。充电选择频繁的市内路线,与替代方案有限的长途路段,条件并不相同。
eBattery AI 在说明建议充电量时,会让这一逻辑清晰可见。用户可以了解为什么建议在某个充电站多充一些电,或者为什么短时间充电就足以抵达下一个合适的站点。
当前的可用性信息同样反映的是生成方案时的情况。该信息并不构成到达时同一插口仍空闲的预约。因此,评估备选充电站是方案的重要组成部分。
6.6 动态重新计算
6.6.1 将行程中变化的条件反映到计划中
路线不会被当作出行开始前就已创建好的固定文档。随着用户前进,位置、交通、充电站状态和他们自己的偏好都可能发生变化。
动态重新计算会评估这些变化对计划的影响。不过,每个触发条件仅在相关数据可获取的范围内起作用。
| 变更 | 所使用的信息 | 对计划的可能影响 |
|---|---|---|
| 交通状况的变化 | 地图和交通来源 | 更新时长和路线选项 |
| 计划中充电站的状态变化 | 运营商集成 | 评估备选充电点 |
| 用户偏离路线 | 位置与路线进度 | 重新计算剩余距离和能源需求 |
| 更新电池信息 | 用户登录;受支持的未来车辆连接 | 更新充电站点和目标能量 |
| 添加或移除中途停靠点 | 用户编辑 | 重新规划受影响的路线路段 |
| 天气条件的变化 | 相关集成生效的范围 | 重新评估能耗预估 |
在使用手动输入电池电量的行程中,系统计算出的剩余能量只是估算值。它不会与从车辆测得的当前电池数据采用相同的标注。
6.6.2 不把每一次变更都作为新路线呈现给用户
不断变化的微小差异可能给用户带来不必要的决策负担。几秒钟的路况波动或极小的时间优势,并不需要每次都给出新的建议。
重新计算的方法会评估变更对行程意味着什么。现有计划的可行性、能量储备以及对用户的明显益处优先考虑。
这样可以保持方案的稳定。用户不会在两个非常接近的选项之间被不断引导,而是在确有必要时看到有意义的更新。
6.6.3 说明更改的原因
建议的新路线会与当前计划对比展示。用户应当能够看到哪项条件发生了变化,以及由此产生的结果。
例如:
“您所规划充电站的合适充电接口的使用信息已发生变化。有一个替代充电站离您的路线更近,并且根据当前的能耗预估可以到达。您可以查看这个新的选项。”
说明中只使用现有数据所能支持的要素。如果没有可靠的等待时间预估,就不会给出确切的节省分钟数。
来自地图服务商的交通信息,以及 eBattery 基于这些数据做出的 EV 评估,也会被正确关联。推荐的理由会清楚说明使用了哪些数据以及如何使用。
6.7 AI 行程规划——候选池、聚类、时间预算、充电整合
6.7.1 从出行计划到日常体验
旅行规划安排用户在特定区域内度过的时间。目标是将有趣的地点转化为符合用户时间、兴趣和车辆能源需求的行程。
当用户说“我要在卡帕多奇亚待两天,以自然和历史为主”时,系统会综合评估地区、行程时长和偏好。起点、每日节奏,以及用户特别想看的地点(如有),都会加入计划中。
生成的行程按天划分,可供编辑。
6.7.2 建立候选地点库
第一步是确定该地区合适的游览地点。候选池可能包括文化场所、博物馆、自然区域、餐饮点和休息站。
根据来源的范围,纳入考量的信息包括位置、类别、游览时长、营业时间和用户评价。
高人气本身并不是入选的理由。如果某个地方不符合用户的兴趣,与日常行程相距太远,或者没有足够的时间参观,它的优先级可能会降低。
内容讲解与所选地点的记录相关联。营业时间或入场条件等可能变化的信息,不会凭语言模型的一般知识当作最新数据生成。
6.7.3 地理聚集与交通关系
在生成每日行程之前,会先从地理和交通关系的角度评估候选地点。目的是减少同一天内不必要的往返。
地图上看起来相距很近的两个点,实际行程时间未必很短。道路连接、通行节点和地区地理条件决定了真实的移动方式。因此,每日分组并不仅仅依据直线距离。
例如,当某一天的行程由同一区域的到访点组成时,较远的一站可以安排到另一天。这样,用户可以把更多时间用于参观,而不是花在路途上。
当用户偏好某种顺序时,该选择会被保留;系统会调整其余计划,使之与该顺序保持一致。
6.7.4 时间预算:现实可行的每日安排
每日计划是否可行,取决于总游览时长以及交通和休息时间。
一天的时间预算包含以下组成部分:
各点之间的行程。
在每个地点停留的参观时间。
用餐和休息时间。
所需的充电站点。
为停车、进入及类似过渡预留的合理时间余量。
如果在用户六小时的行程计划中,只安排游览时间总和恰为六小时的站点,就不会给交通留出时间。eBattery AI 在一天的总时间框架内制定计划。
该计划的价值不以列出尽可能多的地点来衡量。重要的是它能按用户选择的节奏执行,并为变动留出余地。
6.7.5 将充电融入日常安排
在制定行程计划时,充电站点会与能量需求一并考虑,而不是作为一天结束时额外加上的独立需求。
如果一次用餐休息能与合适的充电桩匹配,两项活动就可以在同一时间段内进行。例如,在同一地点同时开始的 40 分钟用餐和 25 分钟充电,在合适的条件下并不需要总共 65 分钟的额外停靠。计划会将重叠的时间一并考虑。
在这种匹配中,站点的实际可达性、运营条件、停车布局以及用户的偏好都很重要。地图上看起来靠近餐厅的站点,并不会被默认在任何情况下都是合适的休息选择。
对于跨越多天的行程,能量计算会在各天之间延续。次日的起始电量与前一天计划的结束电量相关联。只有当过夜充电包含在用户的计划中且有相应设施支持时,才会计入计算。
6.7.6 可编辑的行程叙述
计算得出的行程会以按天划分的停靠点并附带自然语言说明的形式呈现。用户可以看到哪一天游览哪个区域、充电安排在哪里,以及当天大致的时间分配。
“把第二天安排得轻松些”“去掉博物馆”或“我下午想待在大自然里”等请求,可以用来编辑计划。
变更后,受影响的日期和路线路段会被重新评估。行程叙述也会随更新后的计划而变化;原则是避免旧描述与新的停靠点列表之间出现矛盾。
这种以城市和区域为重点的结构,为后续阶段更广泛的国家级、长期规划奠定基础。
6.8 效率分析
6.8.1 让数据对驾驶者有意义
效率分析帮助用户更清楚地评估自己的能耗和行程记录。
如果可获取的数据足够,就可以对比不同时期的能耗、里程、充电支出以及计划值与实际值。AI 会解释数字背后的变化,并指出用户查看哪些记录可能有帮助。
分析的范围取决于所用数据。通过车辆连接、会话记录或用户登录获得的信息,与仅根据路线计算的估算值分开处理。
6.8.2 实测能耗与计算所得的估算
在能耗评估中,能量和里程必须属于同一时期、同一辆车,并采用一致的测量方法。
如果已知总能量和总里程,基础能耗计算如下:
平均能耗 = 总行驶能量 / 总里程 × 100
将不同长度行程的能耗值简单相加,再除以行程数量,可能得不到该期间的正确平均值。基于总电量和总里程进行计算,则能保留短途和长途行程各自的权重。
充电时购买的能量也并不总是等于同一时期行驶中消耗的能量。周期开始和结束时的电池电量、充电损耗以及记录的覆盖范围都会影响这一关系。
因此,eBattery 将充电支出、购买的电量和行驶耗电分别按其各自的含义处理。
6.8.3 展示变化,并依据数据解释原因
举例说明:假设在两个可比较的周期内,平均能耗从 18 kWh/100 km 上升到 19.8 kWh/100 km。这一变化意味着能耗增加了 10%。
但仅凭这一结果,并不能说明增长的原因。路线、速度、天气状况、载重或行程结构都可能发生了变化。
AI 的评估只停留在数据所能支持的程度。如果只有能耗和里程记录,可以说“您的能耗上升了”;要得出是急刹车或使用空调等特定行为所致的结论,则需要相应的测量数据。
在没有直接车辆数据的情况下,不会把电池健康状况呈现为已实测的结果。详细的驾驶行为分析,将随着能提供足够数据以评估这些行为的集成而扩展。
6.8.4 养成可比较的使用习惯
效率页面的目的,是让用户更容易了解自己随时间变化的使用情况。
对比相似路线、查看不同站点的充电花费,以及了解计划时长与实际时长之间的差异,都有助于加深这种认识。
助手的建议具体而有分寸。它不会向用户承诺未经核实的节省百分比,而是说明哪些数据发生了变化,以及为了进行更有意义的比较应当关注哪些条件。
6.9 结果卡片与Deep Linking
6.9.1 将对话转化为可在应用内使用的结果
在 AI Chat 中生成的路线、行程或充电站建议,以结果卡片的形式呈现。卡片让用户快速看到关键信息并跳转到相应模块。
| 卡类型 | 卡片的核心内容 | 相关界面 |
|---|---|---|
| 路线卡片 | 起点、目的地、路线概要、预计时间和充电停靠点 | 路线规划 |
| 行程卡片 | 地区、天数及每日行程摘要 | 行程规划 |
| 充电站卡片 | 位置、兼容性、功率及可获取的最新信息 | 站点详情 |
| 效率卡 | 期间、关键指标和评估摘要 | 能效 |
卡片的目的并不是把所有细节都挤进一个小空间。它提供足够的信息,让用户能够识别结果并选择下一步操作。
6.9.2 通过深度链接打开同一计划
深度链接让结果卡片将用户带到相关页面的正确内容。
用户打开在聊天中创建的路线时,不会看到空白的路线表单。所选的起点和终点、车辆、途经站点以及行程的其他信息都会显示在相应的界面上。
同样的关联在行程卡片和站点卡片中也会保留。这样,聊天、地图和规划界面就成为同一操作的不同视图。
从技术上讲,卡片与相关记录和计划版本相关联。用户更改计划时,仍能清楚地知道哪个结果是最新的。
6.9.3 适合场景的快捷操作
根据结果,会提供“开始路线”“前往充电站”“保存”“分享”或“添加到收藏夹”等操作。
并非每张卡片都需要显示所有操作。操作会根据用户当时产生的结果来选择。
可分享的卡片同样会结合其内容范围来处理。用户的家庭地址或个人起点等信息,不被视为分享中自然或必需的一部分。用户应当能看到自己正在分享哪些内容。
6.10 主动建议与通知
6.10.1 在需求出现时提供有意义的支持
当相关数据可用时,eBattery AI 也可以在用户没有询问的情况下主动呈现重要变化。
此范围包括:行程进行中站点状态发生变化、出现明显的交通影响,或根据更新的电池信息重新评估充电计划。
主动支持的目的是及时帮助用户。并非每次数据变化都会产生通知;系统会评估该信息与当前行程的关系,以及是否需要采取行动。
6.10.2 结合通知所依据的数据来评估通知
低电量警告的含义取决于数据的来源。
如果能从车辆获取当前电池电量,就可以使用实测值。如果用户在开始时手动输入,则行程中计算出的数值属于估算。通知的措辞会保留这一区别。
同样,要针对收藏充电站的价格优势给出建议,必须了解当前的资费以及适用于该用户的条件。而保养提醒则与用户保存的日期或合适的数据来源相关联。
这一方法使主动推荐与现有数据范围保持一致。
6.10.3 通知频率与用户偏好
通知会根据重要程度和情境进行管理。影响当前行程可行性的变化,与一般的使用建议,优先级并不相同。
用户可以管理自己的通知偏好。减少针对同一事件的重复消息、不显示已失效的通知,以及将推荐引导至正确的方案,都是该体验的一部分。
位置和后台功能在用户授权下,并在移动操作系统的运行条件范围内运行。行程中显示的信息保持简短且以行动为导向;详细内容可在相应界面查看。
6.11 信任与错误处理
6.11.1 让信息的性质清晰可见
eBattery AI 的信任理念,建立在让人能够理解结果依据哪些信息之上。
用户输入的电量、从运营商获取的充电枪状态、地图服务的时间预估以及 AI 的说明,是不同类型的信息。这种区分有助于正确评估推荐结果。
生成式人工智能系统可能以令人信服的方式呈现缺乏依据的信息。NIST 的生成式人工智能风险概况也涉及这一行为。eBattery 基于数据的计算与验证方式,旨在降低此类错误对应用决策的影响。
这一方式在位置、站点状态、价格和能量计算方面尤为重要。流畅的说明不会取代经过验证的数据。
6.11.2 数据缺失时保持清晰一致的表现
某个数据源无响应,并不意味着应用的所有功能都必须同时停止。系统会评估在现有数据下能够提供什么样的结果。
例如,如果已有充电站的位置和插座信息,但无法获取实时状态,则仍可继续进行充电站发现,而可用性会显示为未知。
同样,当语言模型暂时无法响应时,从计算服务获得的有效路线结果会被解析,以便通过标准卡片和简短说明呈现。
在使用最近已知数据的情况下,会保持时效性。从缓存中显示的旧状态,不会被呈现为刚刚获取的实时信息。
6.11.3 授权、隐私与外部内容安全
AI 层所需的数据仅限于待执行任务的范围。说明为何推荐某个站点,无需将用户的全部消息历史或支付信息传给模型。
位置、出行计划和用户偏好在访问控制下处理。应用的交易权限独立于语言模型的自由文本生成进行验证。
来自外部来源的说明和用户评论同样作为数据处理。不允许这些内容中可能出现的指令改变应用的交易规则,是该架构的安全原则之一。
在支付或预订等未来的交易流程中,AI的建议与交易的执行同样是相互独立的步骤。系统会向用户展示交易的范围,并保留相应的确认流程。
6.11.4 以可衡量的方式从错误中学习
可靠性需要对真实使用场景进行定期评估。
例如与车辆不兼容的充电站、缺失的价格、变更的电池输入、连接中断,或延迟完成的旧路线请求,这些情况都是用来确定系统应如何表现的测试场景。
用户反馈同样有助于这一过程。基于错误充电站信息做出的选择,与未达到预期的选择,并不属于同一类错误。将反馈与相关数据和决策环节对应起来,有助于改进正确的组件。
信任方法不止于将结果简单地计为“成功”或“失败”,而是着眼于理解错误的来源及其对用户的影响。
6.12 与模型无关的基础设施和性能目标
6.12.1 使产品逻辑独立于模型提供方
eBattery AI 的基础架构基于这样一种方法:不将核心产品功能绑定于某一种语言模型的特性。
车辆档案、站点数据、路线计算和用户偏好均在应用自身的服务中管理。语言模型通过已定义的任务和数据约定与这些服务连接。
这一结构使得可以评估 GPT 和 Gemini 等不同的模型系列,或未来开发的替代方案。更换模型不应要求重写车辆与充电站兼容性等核心规则。
模型的选择依据语言质量、结构化输出的准确性、任务成功率、延迟、成本以及数据处理条件。服务商的名称本身不作为衡量产品质量的标准。
6.12.2 为任务选用合适的模型和服务
并非每个用户请求都需要相同的处理负载。简短的意图分类与详细的出行叙述,所需的资源是不同的。
基础设施的设计使任务可以根据这种差异进行分流。计算服务可以直接解决的工作在这些服务中执行;需要自然语言理解和表述的步骤则使用合适的模型。
支持性能的架构方法包括以下要素:
在适当的情况下,并发执行相互独立的数据调用。
对变化较慢的车辆信息进行受控缓存。
对可用状态和价格等变动数据适用时效性规则。
在用户请求变化时取消失效的账户。
在后台运行耗时较长的操作,而不阻塞界面。
在保持完整性的前提下,分阶段呈现结果中已准备好的部分。
在地图和交通服务中,响应时间与计算细节之间同样需要权衡。Google Routes API 为交通评估定义了不同的选项,并说明更全面的搜索可能带来更高的延迟。eBattery 的性能方案会在整体用户体验中评估这类外部服务的表现。
6.12.3 定义性能目标
在 eBattery AI 中,性能是通过用户从发出请求到获得可用结果之间的体验来衡量的。
首个响应的开始与路线规划的完成是两项不同的度量。显示加载动画,并不等同于有意义的 AI 响应已经开始。
| 绩效区 | 设计目标 | 衡量方法 |
|---|---|---|
| AI 开始回复 | 在标准条件下,使首个有意义的响应流在 2 秒内开始 | 从发出请求到用户看到第一个有意义内容所经过的时间 |
| 标准路线创建 | 在典型的受支持场景中,尽可能在 5 秒内给出可用的路线结果 | 从发出请求到路线和基础充电计划准备就绪所需的时间 |
| 屏幕切换 | 在计算进行时保持交互与流畅 | 启动延迟和界面卡顿 |
| 重新计算 | 及时将有意义的变化反映到计划中 | 从收到更新到新选项就绪所经过的时间 |
| 复杂的行程计划 | 通过保持进度可见,分阶段交付结果 | 首个可用结果和完整计划的耗时 |
这些数值是工程目标。实际结果将根据网络状况、数据提供方、路线长度、停靠站数量和方案复杂程度来衡量。
单一的平均值无法说明完整的体验。除了典型的用户体验外,还会跟踪中位数和第 95 百分位数等指标,以便发现较慢的请求。这样就能看出系统对大多数用户运行迅速,而部分用户却要等待很久之间的差距。
6.12.4 将准确性和可用性与速度一并衡量
性能评估既包括响应时间,也包括结果的质量。
主要评估领域如下:
选择与车辆兼容的充电站的准确性。
能量与电池百分比计算的一致性。
遵循用户设定的停靠顺序。
保持最新数据与旧数据的区分。
说明文字与结果卡片上的数值相符。
结果卡片应打开正确的计划和页面。
将用户的更改应用到正确的版本。
在不同语言中对同一请求保持一致的理解。
当能够获得实际数据时,会将预计到达时间与实际观察到的能耗和充电时间结果进行比较。这些比较表明在哪些地区、车辆档案或使用条件下需要改进。
模型更新也遵循同样严谨的评估方式。新模型说话更流畅,并不意味着它在路线说明上更准确。我们会综合考察它在当前任务中的表现、结构化输出,以及与应用内操作的一致性。
6.12.5 不断扩展能力的共同基础
模型无关的架构支持 eBattery AI 随着产品发展,通过新的数据和服务不断扩展。
直接的车辆数据、将天气条件纳入能耗模型、从用户偏好中学习的推荐,以及覆盖更广地理范围的出行计划,都与同一套计算和情境结构相关联。
随着充电支付、EV 市场、移动充电支持及其他服务陆续上线,助手可引导的操作也会随之扩展。每项新功能都会结合相关服务的实际范围、数据和用户确认来处理。
在整个发展过程中,助手与用户之间建立的关系始终保持不变:理解需求、使用合适的数据、说明各选项的后果,并在应用内让用户所选的操作更加便捷。
