6. 人工智慧層 - eBattery AI

駕駛電動車旅行需要做出相互關聯的決策。要行駛的距離、目前電量、車輛耗電、路況、充電站位置,以及駕駛人的時間安排,都是同一趟旅程的組成部分。當其中一項變數改變時,其他決策也可能受到影響。看起來較短的路線,在缺乏合適充電基礎設施時,可能變成更長的旅程。若車輛所能接受的充電功率有限,更強大的充電站也未必能帶來預期的時間優勢。

eBattery AI 位於應用程式的核心,負責綜合評估這些決策,並為使用者提供清楚易懂的行程計畫。使用者可以用自然語言表達自己想做的事;eBattery AI 會根據車輛檔案、地圖、路線及可取得的站點資料,將此需求轉化為可執行的選項。

對使用者來說,體驗十分簡單:只要說「我想去伊茲密爾」、「幫我規劃週末兩天的旅行」或「幫我找附近合適的充電站」,就足以開始。在幕後,每個請求都必須對應到不同的資料來源、運算與應用程式功能。eBattery AI 的任務,是在處理這些技術複雜度的同時,讓使用者清楚了解決策背後的理由。

這個方法的核心是 清晰易懂、可計算以及使用者掌控 。助理必須能說明其建議的路線為何合適;必須以一致的方法計算續航里程與充電;使用者也必須能依自身需求調整計畫。

現有產品的 AI 聊天以及路線和行程規劃,構成了這一架構的核心。即時充電站資訊、價格和交通等輸入資料,會配合相關資料來源的涵蓋範圍運作。結合天氣條件的預測、直接車輛連線,以及從行為中學習的個人化,則是在同一架構上逐步擴展的功能。

6.1 中央助理的做法

6.1.1 在共同脈絡中整合應用程式的不同功能

eBattery AI 是一個集中式助理,可減少使用者在應用程式不同區塊之間切換時重複提供相同資訊的需要。在地圖上開始的充電站搜尋,可以在聊天中進一步細化;聊天時建立的路線,可以在路線畫面中檢視;規劃好的行程,連同各天與停靠點,可以在行程模組中編輯。

在這項體驗中,車輛、行程與使用者偏好構成共同的情境。例如,已選定其儲存車輛的使用者說「顯示附近合適的充電站」時,系統不需要每次都重新詢問車型。這個請求會結合所選車輛,以及使用者選擇分享的位置資訊一併評估。

集中式做法也讓應用程式從不同入口都能採用相同的決策邏輯。當使用相同的車輛、相同的偏好與相同的最新資料時,使用者從地圖發起的充電點搜尋與透過 AI Chat 進行的搜尋,應產生一致的結果。

如此一來,eBattery 各模組之間不只是畫面的切換;使用者想完成的任務也能被保留下來。

6.1.2 將使用者的意圖轉換為應用程式操作

人們往往不會用技術參數來表達需求。像「我兩小時內出發」、「我們帶著孩子同行,想要更輕鬆的規劃」或「我不想為了充電繞太遠」這樣的話,同時包含了多項偏好。

eBattery AI 會將這些敘述轉換為可用於規劃的資訊。必要時,它會補齊缺少的細節,例如起點、目的地、電量或時間優先順序。提問會聚焦於真正影響結果的面向。

例如,在「我想從伊斯坦堡去伊茲密爾」這項請求中,若已知已儲存的車輛與出發位置,可能只需向使用者詢問目前的電池電量與行程偏好。當使用者說「可以走收費道路,總時間要短」時,這些資訊就會加入路線請求中。

這種做法將自然語言與應用程式的功能連結起來。使用者不必學習選單的技術結構,就能描述自己的需求;系統再將請求帶入相關的計算與畫面流程。

6.1.3 以使用者控制完善推薦

eBattery AI 提供的計畫可以檢視與修改。使用者可以更換推薦的充電站、新增中途停靠點、從旅程行程中移除一間博物館,或要求成本較低的路線。

助理會將這些變更與計畫的其餘部分關聯起來。移除一個停靠點不只是縮短行程清單,還可能改變每日距離、抵達時間與充電需求。使用者所做的編輯,會在維持這些關聯的前提下進行評估。

計畫屬於使用者。 AI 讓選項一目了然、簡化計算,並說明各種選擇的後果。行程的目的、節奏與可接受的成本,由使用者決定。

6.2 AI Chat:開場體驗、虛擬形象、串流、情境記憶

6.2.1 開場體驗:一開始就展示可以做什麼

AI Chat 的開啟畫面會直接向使用者展示助理的核心功能。使用者可以用自由文字開始對話,也可以使用現成的起始選項之一。

起始選項 使用者的目標 已啟動的流程
規劃路線 駕車前往某個地點 依據起點、目的地、車輛與充電需求建立路線
規劃行程 在設定時間內探索一個區域 依興趣與時間安排每日行程
推薦最近的充電站 抵達合適的充電點 依據位置、車輛相容性及可用的充電站資料產生建議
我的效率 了解使用資料 根據現有紀錄轉向用電與使用評估

這些選項可降低首次互動時的不確定感。使用者無須猜測可以向助理提出哪些問題;應用程式會提供與日常電動車需求相關的起點。

隨著對話進行,起始選項會被符合情境的操作取代。產生路線後,「開啟路線」等操作會優先顯示;建議充電站後,則是「前往充電站」等操作。

6.2.2 虛擬形象:助理的視覺識別

AI Chat 的視覺形象是一個動態機器人頭像。對話開始前,頭像位於畫面中央,透過細微的動作與光影效果,呈現出隨時準備互動的樣子。

發送第一則訊息時,虛擬形象會縮小並移到助理訊息的旁邊。這使畫面焦點自然地從起始體驗轉向對話。使用者輸入的內容、助理的回覆以及產生的結果卡片,都會獲得更多空間。

虛擬形象也有助於以視覺方式區分 AI 產生的訊息。這個身分打造出有別於應用程式內社群訊息、且前後一致的助理體驗。

動態與視覺效果的作用,是引導使用者並讓系統狀態易於理解。可讀性與互動優先;動畫不會妨礙關鍵資訊。

6.2.3 串流:以串流方式傳送回應

eBattery AI 會以串流方式顯示合適的回答。使用者不必等待冗長的說明全部完成,就能逐步看到回答成形。

在這個體驗中,兩個不同的流程是分開的:撰寫說明與計算規劃。助理開始產生文字,並不代表路線計算已經完成。路線、充電站或旅程卡片會在相關資料與計算準備就緒時呈現。

例如,系統可能先顯示已理解請求,接著在準備路線選項時分享進度。計算完成後,會顯示地圖預覽與充電停靠點。如此既能提供快速回饋,又能保持結果的完整性。

若使用者在流程中變更需求,則以新的請求為準。屬於先前請求、較晚送達的結果,不應取代目前的計畫。這在連續變更停靠站或路線偏好的對話中尤其重要。

6.2.4 Context Memory:保留對話的涵義

情境記憶讓系統能結合先前的步驟來理解正在進行的對話。

當使用者先說「我要從伊斯坦堡到伊茲密爾」,接著輸入「也規劃回程」時,助理會將第二個請求與第一趟行程連結起來。像「讓這個更經濟一點」這樣的說法,也會套用到正在討論的路線或旅程計畫。

情境脈絡分為三個層級處理:

  • 聊天情境: 對話過程中提供的資訊與所做的變更。

  • 目前方案情境: 正在編輯的路線、行程或充電站選擇。

  • 已儲存的使用者偏好: 所選車輛以及使用者設定為永久保存的設定。

這種區分可避免將暫時的偏好解讀為長期習慣。使用者在某次行程中說「今天我們避開收費道路」,並不代表其未來所有行程都會以同樣方式規劃。

同樣地,先前對話中輸入的電量,不能在隔天被當作車輛的最新資料使用。記住情境也需要管理資訊在時間上的有效性。

6.3 分層架構:規則式決策層與 LLM 層

6.3.1 區分計算與敘述的職責

eBattery AI 的架構,建立在以不同方法處理不同任務的基礎上。

續航里程計算、能源需求、車輛與充電站的相容性,以及路線選項的評估,是在依照既定資料欄位與計算規則運作的決策層中進行的。理解使用者的自然語言請求並說明結果,則是大型語言模型(即 LLM 層)的職責。

這種區分將建議的數值依據與其說明方式串連起來。當助理說「這個充電站比較合適」時,理由應來自計算層所產生的資料。說明中使用的距離、時間與能量數值,與結果卡片上的數值依據同一來源。

架構元件 核心責任 所產生的結果
資料與整合層 整理來自車輛、地圖、充電站及其他來源的資料 來源與時效性明確的輸入資料
請求與情境管理 整合使用者的需求、所選車輛與目前的方案 結構化規劃請求
規則導向的決策層 執行相容性檢查、能量計算與候選項目評估 路線與充電計畫選項
LLM 層 理解自然語言並解釋計算結果 適合使用者的說明方式
驗證與執行層 檢查結果的一致性與交易授權 可顯示的卡片與可執行的動作
體驗層 呈現聊天、卡片與畫面轉換 應用程式內的使用者體驗

6.3.2 規則式決策層的範圍

規則導向的方式,是指在相同的資料快照與相同的規則版本下,計算結果能夠一致地重現。

這一層會計算可用的電池能量、估算各路段所需的能量、排除與車輛不相容的站點,並依既定標準比較合適的候選站點。使用者所選的道路偏好與需保留的電池餘量也會在此納入考量。

以規則為基礎的計算,並不表示外在世界是確定已知的。未來的交通、實際耗電量或抵達時充電站的狀態都可能改變。因此,即使計算方法一致,部分輸入與輸出仍屬預估性質。

eBattery AI 會保留這項差異:已知資料、使用者輸入的資訊與模型估計值,不會以相同的確定程度呈現。

6.3.3 LLM 層的範圍

語言模型用於理解使用者的請求,並將計算結果轉化為自然的說明。

像是「我想少走一點路」、「把博物館拿掉」、「我不想為了充電等太久」或「你為什麼選這個站點?」這類說法,都屬於這一層的處理範圍。

LLM 協助產生可傳遞給相應應用程式功能的結構化請求。但它不會憑自身的一般知識來補足充電站價格、插座狀態或車輛電池電量。這些資訊來自相關紀錄與整合服務。

例如,當決策引擎因繞路較少且功率支援合適而選擇某座充電站時,助理可以將這項理由簡化說明:

「這座充電站與您的車輛相容,而且離主要路線更近。看起來功率更強的替代站,因您車輛的充電上限,並不會帶來額外的時間優勢。」

這項說明的價值,在於讓使用者能看見決定背後的邏輯。

6.3.4 從經驗證的資料到可解釋的結果

每項結果都會連結到所使用的重要輸入資料。所選車輛、電池資訊、計算時間以及充電站資料的時效性,讓使用者能了解方案是在什麼條件下產生的。

這種架構也讓使用者回饋的評估更容易。使用者沒有選擇建議的充電站,並不一定代表計算有誤。使用者可能想要不同的休息地點、偏好特定營運商,或有計畫中未顯示的時間限制。

一併檢視決策的輸入資料與使用者所做的更改,有助於讓系統隨時間以更有意義的方式持續改進。

6.4 路線規劃 — 車輛檔案、續航計算、路線與道路偏好

6.4.1 結合車輛設定檔規劃行程

在 eBattery 中,路線規劃除了起點與終點之外,也會考量車輛的能量與充電特性。

在同一條路線上,兩輛電動車可能需要不同的充電計畫。可用電池容量、耗電量、支援的插座以及充電接受功率,造成了這種差異。

規劃時使用的主要車輛資訊如下:

車輛資訊 在規劃中的作用
品牌、型號與合適的車輛車型 確保選擇正確的技術設定檔
可用電池容量 構成行程中可用能量計算的基礎
耗電量 將距離換算為預估的能源需求
支援 AC 充電 有助於評估長時間休息與目的地充電的選項
DC 充電支援 可評估沿途快充選項
插座相容性 可確認有哪些充電站可供使用
目前電池電量 定義行程的起始能量狀態

電池總容量與可用容量會分開評估。計算續航里程時所依據的數值,是可供行駛的可用能量。

在目前的使用流程中,使用者會在出發前手動輸入電池電量。已儲存的車輛檔案包含技術資訊,而電池百分比則是該次行程的當前輸入值。未來的車輛連線整合,將為從支援的車輛自動取得這項資訊提供擴充空間。

6.4.2 續航里程計算與能源儲備

續航里程的計算,是以現有能量與預期消耗之間的關係為基礎:

目前能量 = 可用電池容量 × 電池電量 / 100

基本續航估算 = 可用能量 / 能耗 × 100

此處電量單位為 kWh,耗電量為 kWh/100 km,續航里程以公里計。

舉例來說,假設一輛車的可用電池容量為 60 kWh,目前電量為 40%,計算所用的耗電量為 18 kWh/100 km。

在這種情況下:

  • 電池中的計算能量為 24 kWh。

  • 降至零的理論續航里程約為 133 公里。

  • 舉例來說,若保留 15% 的抵達餘量,可用於規劃的電量就會降至 15 kWh。

  • 以相同的耗電假設、保留備用電量計算出的距離約為 83 公里。

此範例說明了為何畫面上顯示的理論續航里程,與規劃時可使用的距離不同。這裡的 15% 是用來說明計算邏輯的範例準備量。

在實際路線計算中,距離會連同道路特性與可取得的耗電輸入一併評估。隨著資料涵蓋範圍擴大,坡度、交通與天氣狀況等影響因素可加入模型。當預估所依據的條件改變時,計畫也會重新評估。

6.4.3 起點、終點與中途停靠站

使用者可以從目前位置、地址搜尋或地圖上設定起點。目的地與中途停靠點也是同一份行程計畫的一部分。

中途停靠點在電動車規劃中尤其重要。從 İstanbul 前往 İzmir 時,在 Bursa 的一次造訪不只是改變總距離。造訪的時間、該地區是否有充電條件,以及下一段路程以多少電量開始,也都會影響規劃。

使用者可以調整停靠站的順序,或維持特定順序。手動設定的順序可以代表使用者的時間安排或個人優先順序。系統會依此偏好重新計算充電停靠站。

每次變更時,相關計畫都會自動更新,使用者無需重新輸入所有資訊。

6.4.4 路線模式與道路偏好

eBattery 會將路線選項與使用者的行程優先順序相互連結。

最快 的做法著重於總行程時間。除了駕駛時間之外,為充電而繞行的路程、充電時間,以及在有資料時的等待時間,也都納入評估。

最高效率 方法則會把能源需求與可取得的成本數據,與合理的行程時間一併考量。在向使用者提供成本較低的選項時,也會顯示其對時間的影響。

這兩種選擇並非對每趟行程都有固定的優勢。商務出差時,時間可能更重要;週末旅行時,休息安排或預算可能更重要。

收費道路、高速公路和渡輪等道路偏好會加入路線請求中。Google Maps Routes API 也為這類偏好提供避開選項;這些選項會引導路線搜尋,能否找到合適的替代路線則取決於道路網路。eBattery 將所用地圖服務提供的這些功能,與車輛及充電規劃結合。

區域性或更細緻的道路限制,會連同相關資料與路線服務的涵蓋範圍一併處理。呈現給使用者的路線,應清楚顯示偏好設定對結果的影響。

6.5 充電規劃與充電站評分——充電量建議、安全餘裕

6.5.1 先看相容性,再做比較

充電規劃的第一步,是找出可以使用的充電站。某個充電站評分高或價格低,並不代表車輛可以在該站充電。

因此,評估分兩個階段進行:

  1. 找出與車輛及行程相容的候選項目。

  2. 從時間、成本與使用條件等方面比較合適的候選項目。

插座相容性、可及性以及抵達充電站所需的能量,屬於第一階段的內容。這些基本條件不會被當作可由其他優勢抵銷的評分因素。

例如,不會僅因為價格較便宜,就推薦與車輛不相容的站點。同樣地,以目前電量看來無法抵達的站點,也不會僅因充電功率高而獲得優先。

6.5.2 充電站評分:隨旅程而變的適合度

確定合適的候選站點後,各充電站會經過多項標準的評估。

準則 評估的主題
偏離路線 抵達充電站並回到主要路線所需的額外距離與時間
與車輛的功率相容性 充電站功率與車輛可利用範圍之間的關係
價格 相關使用者可取得且適用的費率
即時狀態 在支援的整合中,合適充電點的目前狀態
等待資訊 在有可靠資料或足夠模型支援時的可能等候時間
營運可靠性 有資料時的服務連續性與使用體驗
使用者評價 使用經驗的時效性、內容,以及是否有足夠數量的觀察作為依據
休息時間契合度 充電站與使用者目前的停靠點及時間規劃之間的關係
資料時效性 決策所用資訊的更新程度

這些指標的重要性會依所選的路線模式而異。在時間優先的行程中,繞行距離與充電時間可能更具決定性;在成本優先的行程中,費率差異會連同其造成的額外時間一併評估。

資料缺漏也會納入評估。即時狀態未知的充電站不會被視為「空閒」。同樣地,僅憑插座佔用資訊,並不一定足以計算出可靠的排隊時間。

單看使用者評分也無法取代營運可靠性。少數過時的評論,不應與較新且範圍更廣的體驗集合被賦予相同的權重。

6.5.3 充電站功率與實際充電體驗之間的關係

充電站上標示的功率值,並不代表車輛在整個充電過程中都會以該功率充電。充電時間取決於多項因素,例如電池電量、容量,以及車輛與充電設備的特性。美國能源部的 Alternative Fuels Data Center 資源同樣說明,這些變數共同決定了充電時間。

例如,對於 DC 充電接受上限為 100 kW 的車輛,容量 350 kW 的充電站,不一定會比容量 150 kW 的合適充電站更快,因為標示的功率只是銘牌數字。如果前往第一個充電站需要繞更遠的路,就整趟行程而言,第二個選項可能更合適。

eBattery 的評估會將充電站功率與車輛特性一併考量。它不會自動把數字較高的選項呈現為較佳選擇,而是檢視該充電站能為使用者的行程帶來什麼益處。

6.5.4 充電量:適合下一段行程的電量

充電計畫除了選擇充電站之外,也涵蓋建議的充電能量。

基本做法是綜合考量下一段路線所需的能量、預期的抵達電量預留以及合適的替代方案。使用者不需要在每一站都達到相同的電量水平。短程轉移、較長的下一段路程,或目的地的充電條件,都可能產生不同的目標。

需要補充到電池中的能量,基本關係如下:

待補充能量 = 可用容量 × (目標電量百分比 − 目前電量百分比) / 100

例如,在可用容量為 60 kWh 的車輛上,將電池電量從 20% 充到 70%,相當於電池增加約 30 kWh 的能量。

這個數值不必與充電站電表量測或計費的電量完全相同。由於存在充電損耗與輔助耗電,量測電能的位置十分重要。

充電時間也不是單純以充電站的最大功率去除來計算。在可取得資料時,模型會考量車輛在不同電池電量下的充電行為。舉例說明,若以平均淨功率 60 kW 為電池補充 30 kWh 的能量,能量傳輸時間約為 30 分鐘。此處的決定性數值是充電時段的平均功率。

計算成本時,除了電費之外,也會納入適用的工作階段、時間或其他費率組成項目。使用者應能理解所顯示的預估涵蓋哪些範圍。

6.5.5 保留安全餘裕與替代方案

規劃不會以理論上把電池用到最後一點能量為基礎。它會為抵達儲備電量、耗電預估的變動,以及沿途替代方案的可及性預留空間。

所需的預留電量,會結合路線長度、充電站密度、資料更新程度以及計畫的彈性來評估。充電選擇頻繁的市區路線,與替代選項有限的長途路段,條件並不相同。

eBattery AI 在說明建議的充電量時,會讓這套邏輯清楚可見。使用者可以了解為什麼建議在某個充電站多補充一些電量,或為什麼短暫充電就足以抵達下一個合適的站點。

目前的可用性資訊同樣反映的是計畫建立當下的情況。這項資訊並不構成保證抵達時同一插座仍然空閒的預約。因此,評估備選充電站是計畫的重要一環。

6.6 動態重新計算

6.6.1 將旅途中變化的狀況反映到計畫中

路線不會被視為在旅程開始前就建立好的固定文件。隨著使用者前進,位置、交通、充電站狀態以及他們自己的偏好都可能改變。

動態重新計算會評估這些變化對計畫的影響。不過,每個觸發條件僅在相關資料可取得的範圍內運作。

變更 使用的資訊 對計畫可能的影響
交通狀況變化 地圖與交通來源 更新時長與路線選項
規劃中充電站的狀態變更 營運商整合 評估替代充電點
使用者偏離路線 位置與路線進度 重新計算剩餘距離與能源需求
更新電池資訊 使用者登入;支援的未來車輛連線 更新充電停靠點與目標電量
新增或移除中途停靠點 使用者編輯 重新規劃受影響的路線路段
天氣狀況變化 相關整合啟用的範圍 重新評估耗電量預估

在以手動輸入電池電量進行的行程中,系統計算出的剩餘電量只是估算值,不會與從車輛量測到的即時電池資料以相同方式標示。

6.6.2 不要將每項變更都當成新路線呈現給使用者

持續變動的小差異可能會讓使用者背負不必要的決策負擔。幾秒鐘的路況波動或極小的時間優勢,並不需要每次都提出新的建議。

重新計算的方式會評估變更對行程的意義。現有計畫的可行性、能源備用量,以及對使用者明確的好處,是優先考量。

如此一來,計畫能保持穩定。使用者不會在兩個非常接近的選項之間被不斷改變指引,而是在真正需要時看到有意義的更新。

6.6.3 說明變更的原因

建議的新路線會與目前的規劃進行對照後呈現。使用者應能看到哪項條件改變了,以及其結果為何。

例如:

「您所規劃充電站的合適充電槍使用資訊已有變動。替代充電站離您的路線更近,且依目前的能源預估可以抵達。您可以查看新的選項。」

說明中只使用現有資料所能支持的內容。若沒有可靠的等候時間預估,就不會給出確切的節省分鐘數。

來自地圖供應商的交通資訊,以及 eBattery 依據這些資料所做的 EV 評估,也會被正確關聯。建議的理由會清楚說明使用了哪些資料以及如何使用。

6.7 AI 旅程規劃 — 候選池、分群、時間預算、充電整合

6.7.1 從交通規劃到日常體驗

旅遊規劃會安排使用者在特定地區所花的時間。目標是把有趣的地點轉化為符合使用者時間、興趣及車輛能源需求的行程。

當使用者說「我要在卡帕多奇亞待兩天,以自然和歷史為主」時,系統會綜合評估地區、行程長度與偏好。起點、每日步調,以及使用者特別想參觀的地點(如有)都會加入計畫中。

產生的行程提供了依天數劃分且可編輯的旅程架構。

6.7.2 建立候選地點庫

第一步是確定該地區合適的造訪地點。候選清單可能包含文化場所、博物館、自然景區、餐飲地點與休息站。

納入評估的資訊,視來源的範圍而定,包括位置、類別、停留時間、營業時間與使用者評價。

高人氣本身並不構成選擇的理由。若某個地點不符合使用者的興趣、離日常行程太遠,或沒有足夠的時間參觀,其優先順序可能會較低。

內容敘述會與所選地點的紀錄相關聯。營業時間或入場條件等可能變動的資訊,不會從語言模型的一般知識中產生並當作最新資料。

6.7.3 地理群聚與交通關係

在建立每日行程之前,會先從地理與交通關係的角度評估候選地點。目標是減少同一天內不必要的往返。

地圖上看起來相近的兩個地點,實際移動時間不一定很短。道路連接、交會點與地區地理環境決定了實際的移動型態。因此,每日分組並非僅依據直線距離。

例如,當某一天的行程由同一區域的造訪地點組成時,較遠的停靠點可以改排到另一天。如此一來,使用者就能把更多時間花在造訪上,而不是交通上。

當使用者偏好特定順序時,此選擇會被保留;系統會調整其餘計畫,使其與該順序一致。

6.7.4 時間預算:務實的每日行程

每日計畫是否可行,除了總參觀時間之外,還取決於交通與休息時間。

一天的時間預算包含以下組成部分:

  • 各點之間的行程。

  • 在每個地點停留的參訪時間。

  • 用餐與休息時間。

  • 所需的充電停靠站。

  • 為停車、出入及類似轉換預留的合理時間。

若在使用者六小時的旅程計畫中,只安排造訪時間總和恰為六小時的停靠點,就不會留下交通時間。eBattery AI 會在當天的總時間範圍內建立計畫。

這個計畫的價值,不是以列出盡可能多的地點來衡量。重要的是它能按使用者選擇的節奏執行,並為變動預留空間。

6.7.5 將充電安排進每日行程

在建立旅程計畫時,充電停靠點會與能量需求一併考量,而不是當成一天結束時才額外加入的獨立需求。

如果用餐休息能與合適的充電點配對,兩項活動便可在同一時間區間內進行。例如,在同一地點、同一時間開始的 40 分鐘用餐休息與 25 分鐘充電,在適當條件下並不需要總共 65 分鐘的額外停留。計畫會將重疊的時間一併納入考量。

在這項配對中,充電站的實際可達性、營運條件、停車配置和使用者的偏好都很重要。地圖上看起來靠近餐廳的充電站,並不會被默認為在任何情況下都是合適的休息選項。

對於跨越多天的行程,能源計算會在各天之間延續。隔天的起始電量會與前一天預計的結束電量相連。只有當夜間充電包含在使用者的計畫中,且有相關設施支援時,才會納入計算。

6.7.6 可編輯的行程敘述

計算出的行程以按天劃分的停靠點呈現,並附上自然語言的說明。使用者可以看到哪一天前往哪個區域、充電安排在何處,以及當天大致的時間分配。

「讓第二天輕鬆一點」、「把博物館拿掉」或「下午我想待在大自然裡」等請求,都能用來編輯計畫。

變更後,受影響的日期與路線區段會重新評估。旅程敘述也會隨更新後的計畫一併調整;原則是避免舊的說明與新的停靠點清單之間出現矛盾。

這種以城市與區域為重心的結構,為後續階段更廣泛的全國規模與長期規劃奠定基礎。

6.8 效率分析

6.8.1 讓資料對駕駛人有意義

效率分析能協助使用者更清楚地評估自己的能源與行程紀錄。

若可存取的資料足夠,便可比較不同期間的耗電量、距離、充電支出,以及計畫值與實際值。AI 會說明數字之間的變化,並指出用戶審閱哪些記錄可能有幫助。

分析的範圍取決於所使用的資料。透過車輛連線、工作階段記錄或使用者登入取得的資訊,會與僅根據路線計算的估算值分開處理。

6.8.2 實測用電量與計算所得的預估值

在能耗評估中,能量與距離必須屬於同一期間、同一輛車,並採用一致的量測方法。

若已知總能量與總距離,基本能耗計算如下:

平均耗電量 = 總行駛能耗 / 總距離 × 100

將不同長度行程的耗電值直接相加,再除以行程數,可能無法得出正確的期間平均值。以總電能與總距離計算,則能保留短程與長程行程各自的權重。

充電時購買的能源,也不一定等於同期間行駛時消耗的能源。期初與期末的電池電量、充電損耗以及紀錄的涵蓋範圍都會影響這個關係。

因此,eBattery 將充電支出、購買的能源與行駛耗電視為各自不同的概念來處理。

6.8.3 呈現變化,並用資料說明原因

舉例說明,假設在兩個可比較的期間內,平均耗電量從 18 kWh/100 km 上升到 19,8 kWh/100 km。這項變化代表耗電量增加 10%。

不過,僅憑這個結果並無法說明增加的原因。路線、速度、天氣狀況、載重或行程結構都可能已經改變。

AI 的評估僅限於資料所能支持的程度。若只有耗電量與里程紀錄,可以說「您的耗電量增加了」;但若要得出是急煞車或使用冷氣等特定行為所造成的結論,則需要相關的量測資料。

在沒有直接車輛資料的情況下,電池健康狀況不會被呈現得像是已經實際量測過。詳細的駕駛行為分析,會隨著能提供足夠資料來評估這些行為的整合而擴展。

6.8.4 建立可比較的使用習慣

效率畫面的目的,是讓使用者更容易了解自己長期的使用情況。

比較相似的路線、檢視在不同充電站的充電花費,以及查看規劃時間與實際時間的差異,都有助於加深這種理解。

助理的建議具體而有分寸。它不會向使用者承諾未經驗證的節省百分比,而是說明哪些資料有所變動,以及要做出更有意義的比較應該查看哪些條件。

6.9 結果卡片與 Deep Linking

6.9.1 將對話轉化為可在應用程式中使用的成果

在 AI Chat 中產生的路線、行程或充電站建議,會以結果卡片呈現。卡片讓使用者能快速看到重點資訊,並前往相關模組。

卡片類型 卡片的核心內容 相關畫面
路線卡片 起點、目的地、路線摘要、預估時間與充電停靠點 路線規劃
旅程卡片 地區、天數及每日行程摘要 旅程規劃
充電站卡片 位置、相容性、功率與可取得的最新資訊 充電站詳情
效率卡 期間、關鍵指標與評估摘要 效率

卡片的目的並非把所有細節擠進一個小空間。它提供足夠的資訊,讓使用者辨識結果並選擇下一步操作。

6.9.2 透過深層連結開啟同一份計畫

深層連結(deep linking)能讓結果卡片將使用者導向相關畫面中正確的內容。

使用者開啟在聊天中建立的路線時,不會看到空白的路線表單。所選的起點與終點、車輛、中途停靠點以及計畫的其他資訊,都會顯示在相關畫面上。

同樣的關聯也會保留在行程卡片和充電站卡片中。如此一來,聊天、地圖和規劃畫面就成為同一個操作的不同檢視。

在技術上,卡片會與相關紀錄及計畫版本相關聯。當使用者變更計畫時,仍能清楚知道哪個結果是最新的。

6.9.3 符合情境的快速操作

依據結果,會提供「開始導航」、「前往充電站」、「儲存」、「分享」或「加入我的最愛」等操作。

並非每張卡片都需要顯示所有操作。操作會依使用者當下產生的結果來選擇。

可分享的卡片也會連同其內容範圍一併處理。使用者的住家地址或個人出發點等資訊,不被視為分享中理所當然或必要的一部分。使用者應能看到自己分享的是哪些內容。

6.10 主動建議與通知

6.10.1 在需求出現時提供有意義的支援

當相關資料可用時,eBattery AI 也能在使用者沒有詢問的情況下,主動呈現重要的變化。

此範圍包括進行中的行程裡站點狀態的變化、明顯的交通影響,或依據更新後的電池資訊重新評估充電計畫。

主動式支援的目的,是及時協助使用者。並非每次資料變動都會產生通知;系統會評估該資訊與目前行程的關聯,以及是否需要採取行動。

6.10.2 結合通知所依據的資料進行評估

電量過低警示的意義,取決於資料的來源。

若能從車輛取得目前的電量,便可使用實測值。若用戶一開始是手動輸入,則行程中計算出的數值屬於估計值。通知的措辭會保留這項差異。

同樣地,若要針對收藏充電站的價格優勢提出建議,必須掌握目前的費率以及適用於使用者的條件。至於保養提醒,則會與使用者儲存的日期或合適的資料來源相關聯。

這種做法可確保主動式建議與現有資料範圍保持一致。

6.10.3 通知頻率與使用者偏好

通知會依重要程度與情境來管理。影響進行中旅程可行性的變更,與一般的使用建議,優先順序並不相同。

使用者可以管理通知偏好。減少同一事件的重複訊息、不顯示已失效的通知,並將建議導向正確的方案,都是體驗的一部分。

位置與背景功能會在使用者授權及行動作業系統的運作條件範圍內執行。行駛途中顯示的資訊會保持簡短並以行動為導向,詳細內容可在相關畫面中查看。

6.11 信任與錯誤處理

6.11.1 讓資訊的性質清楚可見

eBattery AI 的信任做法,建立在讓人能夠理解結果是依據哪些資訊之上。

使用者輸入的電量、從營運商取得的插座狀態、地圖服務的時間預估,以及 AI 的說明,屬於不同類型的資訊。這樣的區分能讓建議獲得正確的評估。

生成式人工智慧系統可能以令人信服的口吻呈現缺乏依據的資訊。NIST 的生成式人工智慧風險概況也探討了這種行為。eBattery 以資料為基礎的計算與驗證做法,其設計目的在於降低此類錯誤對應用程式決策的影響。

這種做法對於位置、充電站狀態、價格與能源計算尤其重要。流暢的說明不會用來取代經過驗證的資料。

6.11.2 資料缺漏時,保持清楚且一致的行為

某個資料來源沒有回應,並不表示應用程式的所有功能都必須同時停止。系統會評估以現有資料可以提供什麼結果。

例如,若已有充電站的位置與插座資訊,但無法取得即時狀態,仍可繼續探索充電站,而可用性則會顯示為未知。

同樣地,當語言模型暫時無法回應時,會將從計算服務取得的有效路線結果加以解析,以便用標準卡片和簡短說明呈現。

使用最後已知資料時,會維持資料的時效性。從快取顯示的舊狀態,不會被呈現為剛收到的即時資訊。

6.11.3 授權、隱私與外部內容安全

AI 層所需的資料僅限於待執行任務的範圍。要說明為何推薦某個充電站,並不需要把使用者的完整訊息紀錄或付款資訊傳給模型。

位置、旅行計畫與使用者偏好均在存取控制下處理。應用程式的交易權限獨立於語言模型的自由文字生成進行驗證。

來自外部來源的說明與使用者評論同樣會被當作資料處理。不允許這些內容中可能出現的指示改變應用程式的交易規則,是架構的安全原則之一。

在付款或預約等未來的交易流程中,AI 的建議與交易的執行同樣是不同的步驟。系統會向使用者顯示交易的範圍,並保留相關的確認流程。

6.11.4 以可衡量的方式從錯誤中學習

可靠性需要定期評估真實的使用情境。

例如充電站與車輛不相容、缺少價格、電池輸入變更、連線中斷,或較舊的路線請求延遲才完成等情況,都是用來決定系統應如何運作的測試情境。

使用者回饋也有助於這個流程。因錯誤的充電站資訊而做出的選擇,與未能符合期待的選擇,並非同一類型的錯誤。將回饋與相關的資料及決策步驟對應起來,有助於改進正確的環節。

信任方法不僅止於把結果計為「成功」或「失敗」;它著重於了解錯誤的來源及其對使用者的影響。

6.12 與模型無關的基礎設施與效能目標

6.12.1 讓產品邏輯獨立於模型供應商

eBattery AI 的基礎架構,採用不將核心產品功能綁定於單一語言模型特性的做法。

車輛檔案、充電站資料、路線計算與使用者偏好都在應用程式自己的服務中管理。語言模型透過定義好的任務與資料契約連接到這些服務。

這種架構讓我們能夠評估 GPT 和 Gemini 等不同模型系列,或未來開發的替代方案。更換模型時,不應需要重寫車輛與充電站相容性等核心規則。

模型的選擇依據語言品質、結構化輸出的準確度、任務成功率、延遲、成本及資料處理條件。僅憑供應商名稱,不會被用作衡量產品品質的標準。

6.12.2 為任務選用合適的模型與服務

並非每個使用者請求都需要相同的處理負載。簡短的意圖分類與詳細的旅行敘述,所需的資源並不相同。

基礎設施的設計,使任務能依這種差異進行分流。計算服務可以直接解決的工作,在這些服務中執行;需要自然語言理解與說明的步驟,則使用合適的模型。

支撐效能的架構方式包含以下要素:

  • 在適當時同步執行彼此獨立的資料呼叫。

  • 對變動較慢的車輛資訊進行受控的快取。

  • 對供應狀況和價格等變動資料套用時效規則。

  • 當使用者的請求變更時,取消無效的帳戶。

  • 讓耗時的操作在背景執行,而不阻塞介面。

  • 在維持完整性的前提下,分階段呈現結果中已準備好的部分。

地圖與交通服務同樣需要在回應時間與計算細節之間取捨。Google Routes API 為交通狀況評估定義了不同的選項,並說明更全面的搜尋可能造成較高的延遲。eBattery 的效能方法會在整體使用者體驗中評估這類外部服務的行為。

6.12.3 定義效能目標

在 eBattery AI 中,效能是從使用者送出請求到取得可用結果之間的體驗來評估的。

首次回應的開始與路線規劃的完成是不同的衡量指標。顯示載入動畫,並不等同於有意義的 AI 回應已經開始。

績效區 設計目標 衡量方式
AI 回應開始 在標準條件下,讓第一個有意義的回應串流在 2 秒內開始 從送出請求到使用者看到第一個有意義內容所經過的時間
標準路線建立 在受支援的典型情境中,盡可能在 5 秒內提供可用的路線結果 從提出請求到路線與基本充電計畫準備完成所需的時間
畫面轉換 運算進行時保持互動性與流暢度 啟動延遲與介面卡頓
重新計算 及時將有意義的變更反映在計畫中 從收到更新到新選項準備就緒所經過的時間
複雜的行程計畫 透過讓進度保持可見,分階段交付成果 首次可用結果與完整計畫完成時間

這些數值是工程目標。實際結果會依網路狀況、資料提供者、路線長度、站點數量以及規劃的複雜程度而衡量。

單一平均值無法說明整體體驗。除了一般使用者體驗之外,也會追蹤中位數與第 95 百分位數等指標,以便看見較慢的請求。如此一來,系統對多數人運作快速,與部分使用者等待過久之間的差距便能顯現出來。

6.12.4 同時衡量速度、準確性與可用性

效能評估除了回應時間外,也涵蓋結果的品質。

主要的評估領域如下:

  • 選擇與車輛相容之充電站的準確度。

  • 能源與電池百分比計算的一致性。

  • 遵循用戶設定的停靠順序。

  • 保持最新資料與舊資料之間的區分。

  • 說明文字與結果卡片上的數值相符。

  • 結果卡片能開啟正確的方案與畫面。

  • 將使用者的變更套用到正確的版本。

  • 在不同語言中對同一請求有一致的理解。

當能取得實際資料時,會將預估到達時間與實際觀察到的耗電量和充電時間結果進行比較。這些比較可以顯示哪些地區、車輛檔案或使用條件需要改進。

模型更新也以同樣的評估準則處理。新模型說話更流暢,並不代表它在路線說明上更準確。我們會一併檢視它在現有任務上的表現、結構化輸出,以及與應用程式內操作的一致性。

6.12.5 擴展功能的共同基礎

模型獨立的架構,支援 eBattery AI 隨產品發展,不斷擴充新的資料與服務。

直接車輛資料、將天氣狀況納入能源模型、從使用者偏好學習的推薦,以及涵蓋更廣地理範圍的旅行計畫,都會與同一套計算和情境結構相連結。

隨著充電付款、EV 市集、行動充電支援及其他服務陸續上線,助理可引導的操作也會隨之擴展。每項新功能都會結合相關服務的實際範圍、資料與使用者同意來處理。

在整個發展過程中,助理與使用者之間建立的關係始終不變:理解需求、使用合適的資料、說明各選項的後果,並讓使用者所選的操作在應用程式內更輕鬆完成。

搜尋 eBattery

搜尋功能、指南或主題。

起點尋找充電站 →RWA 專案範例 →指南與新聞 →