MOLA 架构演进总览

一、演进历程概览

MOLA（Multi-Orchestration Learning Architecture）作为智能语音助手的核心架构，从2025年9月至2026年2月，经历了从V1到V3的三代演进。架构从"大小模型混合"到"双大模型"，再到"多智能体协同"，实现了响应速度、理解深度和智能化水平的跨越式提升。

演进时间线：

V1 (2025.09) → V2 (2025.12) → V3 (2026.02)
   大小模型混合      双大模型         多智能体协同

二、总体架构演进图

V1架构图 (2025.09 - 大小模型混合架构)

flowchart TB
    User1[用户语音输入] --> ThirdASR["第三方ASR 800ms"]

    subgraph Parallel1["并行处理层"]
        SmallNLU["小模型NLU 百科/拒识/垂域NLU"]
        subgraph LLM["大模型流水线 Qwen2.5-7B"]
            Rewriter["① 改写模型 支持2轮对话改写"]
            IntentSplitter["② 多意图拆解模型"]
            FunctionCaller["③ Function Call 口语化指令解析"]
        end
    end

    ThirdASR --> Parallel1
    SmallNLU --> RuleFusion[规则融合模块]
    FunctionCaller --> RuleFusion
    RuleFusion --> TTS --> 语音输出

V2架构图 (2025.12 - 双大模型架构)

flowchart TB
    User2[用户语音输入] --> SelfASR["自研ASR+VAD 400-600ms"]

    subgraph Parallel2["并行计算层 (ASR完成后启动)"]
        SysAgent["System Agent 收编:改写+拆解+百科+拒识 任务规划与路由"]
        FuncCall["Function Call模型 口语化指令解析+API拒答 1000+工具调用"]
    end

    SelfASR -->|VAD抢跑计算| Parallel2
    SysAgent -.-->|改写/多意图辅助| FuncCall
    FuncCall --> AIEE["AIEE 业务策略执行引擎"]
    AIEE --> TTS --> 语音输出

V3架构图 (2026.02 - 多智能体协同架构)

flowchart TB
    User3[用户语音输入] --> SelfASR3["自研ASR+VAD"]
    SelfASR3 --> SA["System Agent A2A分发+播报生成 50轮上下文+1周场景记忆"]
    MultiZone["多音区/识人特征"] --> SA

    subgraph Agents["专业化智能体"]
        Car["车控Agent 40+高频API 状态感知+追问"]
        Nav["导航Agent React 17+API Multi-turn Tool Call"]
        Other["其他Agent 多媒体/通讯 Function Call"]
    end

    VehicleState["车辆实时状态 130+"] --> Car
    SA -->|任务分发| Car
    SA -->|任务分发| Nav
    SA -->|任务分发| Other
    Car -->|API调用| CA["车机端"]
    Nav -->|API调用+notify| CA
    Other -->|API调用| CA
    CA -->|状态回传| SA
    SA -->|生成播报| CA

三、关键特性对比总览

四、核心能力演进详解

4.1 ASR与延迟优化演进

4.2 架构演进路线

资源约束阶段              能力释放阶段              专业化协同阶段
     V1          ──────────→        V2      ──────────→        V3
     │                        │                       │
  大小模型混合            双大模型               多智能体协同
  规则融合               System Agent            System Agent A2A
  三模型流水线           自研ASR+VAD             四大专业Agent
  第三方ASR              抢跑计算600ms            状态感知130+状态
  2轮多轮               5轮多轮+大模型化拒识      50轮+1周场景记忆

4.3 多轮对话深度演进

4.4 拒识能力演进

4.5 智能体专业化演进

车控Agent能力升级对比：

导航Agent能力升级对比：

4.6 状态感知演进

多音区与识人能力（V3新增）：

• 多音区识别：识别用户所在音区（主驾/副驾/后排等）
• 音区差异化：不同音区提供差异化服务
• 用户识别：声纹识别 + 人脸识别
• 个性化交互：基于用户历史的个性化推荐与响应

实时车辆状态感知（V3新增）：

• 环境状态：30+（温度、湿度、光线等）
• 车辆状态：50+（速度、档位、电量等）
• 系统状态：50+（车机、APP、连接状态等）

五、V3 A2A规划机制与TTS播报

V3版本的核心创新在于System Agent的A2A（Agent-to-Agent）规划与编排机制。

5.1 A2A规划机制

System Agent通过Prompt工程方式将各垂域Agent的能力描述注入到上下文中，实现智能化任务规划。

当前实现的Agent：

5.2 TTS播报双模式

5.3 多步骤编排示例

案例：导航到我奶奶家

Step1: 记忆Agent查询奶奶家地址
  ↓ 输出: $res1 = "北京市朝阳区xxx路xxx号"

Step2: 导航Agent导航到$res1
  ↓ 输出: "已为您规划前往奶奶家的路线，全程12.5公里"

六、应用场景演进

6.1 V1时代：基础对话能力

多轮对话示例：

• "导航去机场T3" → "去T2" 改写为"导航去机场T2"
• "查周杰伦的专辑" → "林俊杰呢？" 改写为"查林俊杰的专辑"

多意图拆解示例：

• "打开天窗空调座椅加热，关上车窗遮阳帘，导航去机场，播放周杰伦的歌" → 8项操作同时执行

口语化车控示例：

• "打开车耳朵" → 打开后视镜
• "打开头顶的灯" → 打开阅读灯
• "把座椅调舒服点" → 调节至舒适模式

6.2 V2时代：端到端大模型能力

大模型化拒识：

• 句级拒识：System Agent拦截不通顺语句
• API级拒识：Function Call拒绝不支持的API调用

流式响应：

• VAD抢跑计算，节省600ms延迟
• 自研ASR+VAD优化，耗时400-600ms

6.3 V3时代：多智能体专业化能力

车控Agent状态感知：

• "所有开着的车窗都关小10%" → 结合130+车辆状态，识别开着的车窗并精确控制
• "我很冷" → 结合当前温度、设定温度追问调节幅度

导航Agent复杂指令：

• "导航到最近的麦当劳" → React Agent：POI搜索 → 选择最近 → 启动导航

记忆Agent跨会话：

• "导航去我奶奶家，中途去趟天坛，最后去公司" → 记忆Agent提供地址，多Agent编排执行

多音区差异化：

• 主驾说"打开车窗" → 打开主驾车窗
• 副驾说"打开车窗" → 打开副驾车窗

七、技术指标与性能对比

八、架构演进总结

核心演进趋势

1. 大模型化演进：从大小模型混合 → 双大模型 → 多智能体协同
2. 专业化演进：从统一处理 → 垂直领域Agent专业化
3. 智能化演进：从规则驱动 → System Agent智能调度 → A2A深度编排
4. 深度化演进：从2轮对话 → 5轮 → 50轮+1周情景记忆
5. 感知化演进：从无状态感知 → 基础状态 → 130+实时状态+多音区+识人

架构价值演进

V3架构核心价值

1. 专业化：垂直领域Agent深耕各自领域，能力深度大幅提升
2. 协同化：A2A交互实现智能体间协同编排
3. 智能化：130+状态感知 + 50轮上下文深度 + 1周情景记忆
4. 个性化：多音区 + 识人特征 + 语义记忆 + 长期用户偏好学习
5. 连续性：情景记忆打破单会话限制，实现跨会话的连贯交互
6. 平台化：纯云架构天然具备平台化优势

未来演进方向

基于V3架构，未来可能演进方向包括：

1. 动态能力发现：Agent能力动态注册与发现
2. 跨智能体交互：不仅是与System Agent交互，Agent间直接协作
3. 编排引擎独立：将A2A规划能力独立为编排引擎
4. 更多垂域Agent：新增天气、娱乐、通讯等专业化Agent
5. 记忆Agent深度：更长期的记忆存储与检索能力