MOLA V3 架构详解

一、架构概述

MOLA V3版本在V2"快慢双模型架构"基础上进行深度演进，从"双模型架构"升级为"多智能体架构"。通过System Agent作为核心协调者，构建了车控Agent、导航Agent、记忆Agent、其他Agent四大智能体，实现了能力的专业化与协同化。

核心设计理念：

• 多智能体协同：System Agent作为核心协调者，支持A2A分发与记忆交互
• 领域专业化：车控Agent、导航Agent、其他Agent各自深耕垂直领域，能力深度大幅提升
• 记忆深度拓展：记忆Agent支持情景记忆（1周session）+ 语义记忆，通过A2A交互实现复杂功能穿插
• 状态感知增强：融合多音区/识人特征与车辆实时状态（130+），实现个性化与上下文感知交互

主要演进：

• 从V2的"System Agent + Function Call双模型" → V3的"System Agent + 多Agent多智能体架构"
• System Agent专注于任务规划与播报文本生成，输入ASR结果与当前上下文
• 车控Agent接收130+车辆状态，支持40+高频API，API输出经车机端状态回传至System Agent，追问API直接返回System Agent
• 导航Agent为React Agent，内置17+API，通过notify_user结束循环后返回结果至System Agent
• 其他Agent（多媒体/通讯等）暂不具备React能力，结果直接返回System Agent
• 记忆Agent仅与System Agent交互，提供1周情景记忆与语义记忆

二、系统架构图

2.1 A2A交互与多智能体协同

flowchart TB
    SA["System Agent 任务规划与分发"]
    CA["车控Agent 40+API 状态感知"]
    NA["导航Agent React Agent 17+API notify_user"]
    OA["其他Agent 多媒体/通讯"]
    MA["记忆Agent 情景语义记忆"]
    CD["车机端"]
    TTT["生成播报文本"]

    SA -->|任务分发| CA
    SA -->|任务分发| NA
    SA -->|任务分发| OA
    SA <-->|A2A交互| MA
    CA & NA -->|API调用| CD
    CD -->|状态回传| CA
    CD -->|状态回传| NA
    CA -->|追问| SA
    NA -->|notify_user| SA
    OA -->|结果| SA
    SA --> TTT
    TTT -->|下发| CD

2.2 车控Agent架构

flowchart LR
    ST["System Agent任务"] --> CA["车控Agent 40高频API"]
    CS["车辆实时状态 130+"] --> CA
    CA --> OUT["输出 API调用或追问"]

2.3 记忆Agent架构

flowchart LR
    MA["记忆Agent"] --> SM["情景记忆 1周内所有session"]
    MA --> SEM["语义记忆 用户偏好/习惯/常去地点"]
    MA <-->|A2A交互| SA["System Agent 仅交互"]

2.4 导航Agent架构

flowchart TB
    ST["System Agent任务"] --> NA["导航Agent React 17+API"]

    subgraph ReactLoop["React 编排循环"]
        Plan["React规划 多工具编排"]
        POI["POI搜索 poi_search"]
        NAV["导航启动 navigation_start"]
        Route["路线查询 route_query"]
    end

    ADS["ADS云接口 POI/路线服务"] --> POI
    ADS --> Route

    Plan --> POI -->|结果解析| Plan
    Plan --> NAV -->|执行结果| Plan
    Plan --> Route -->|结果解析| Plan

    CD["车机端"] <--> NAV
    CD <--> Route

    Plan -->|notify_user结束| NA
    NA --> TT["生成播报文本 返回至System Agent"]

三、A2A规划机制详解

3.1 规划原理

System Agent作为核心协调者，通过Prompt工程的方式将各垂域Agent的能力描述注入到System Agent的上下文中，实现智能化的任务规划。

当前实现方式：

• 将垂域Agent的能力描述（包括功能范围、输入输出格式）写入System Agent的Prompt
• System Agent基于用户任务与Agent能力描述进行匹配，选择合适的垂域Agent
• 支持单Agent规划与多Agent编排两种模式

3.2 能力描述注入示例

当前实现的Agent能力描述：

3.3 A2A规划示例

示例1：车控Agent - 打开车窗

用户指令："打开车窗"

1. 用户指令 → System Agent
   输入："打开车窗"

2. System Agent规划
   - Agent选择：车控Agent
   - 生成Plan：{agent: "car_control", subtask: "打开车窗"}

3. Plan → 车控Agent
   输入：{subtask: "打开车窗"}

4. 车控Agent执行
   - Function Call：调用车机API打开车窗
   - 等待执行状态

5. 车机端执行
   - 执行车窗打开操作
   - 返回执行状态

6. 执行状态 → 车控Agent
   接收：{status: "success", window_position: "fully_open"}

7. 车控Agent → System Agent
   输出：{tts: "", result: {status: "success", window_position: "fully_open"}}

8. System Agent生成播报
   基于result生成TTS："车窗已打开"

9. TTS播报下发
   下发至车机端进行播报

示例2：车控Agent - 所有开着的车窗都关小10%

用户指令："所有开着的车窗都关小10%"

1. 用户指令 → System Agent
   输入："所有开着的车窗都关小10%"

2. System Agent规划
   - Agent选择：车控Agent
   - 生成Plan：{agent: "car_control", subtask: "所有开着的车窗都关小10%"}

3. Plan → 车控Agent
   输入：{subtask: "所有开着的车窗都关小10%"}

4. 车控Agent接收车辆状态
   接收130+车辆实时状态，包括：
   {
     "window_front_left": {"status": "open", "position": 80},
     "window_front_right": {"status": "open", "position": 60},
     "window_rear_left": {"status": "closed", "position": 0},
     "window_rear_right": {"status": "open", "position": 40}
   }

5. 车控Agent状态感知与规划
   - 分析车辆状态：识别开着的车窗（前左80%、前右60%、后右40%）
   - 结合subtask：需要将开着的车窗都关小10%
   - 生成Function Call：
     window_control({position: "front_left", target: 70})
     window_control({position: "front_right", target: 50})
     window_control({position: "rear_right", target: 30})

6. Function Call → 车机端
   依次下发三个window_control调用

7. 车机端执行
   - 前左车窗：从80%调至70%
   - 前右车窗：从60%调至50%
   - 后右车窗：从40%调至30%
   - 返回执行状态

8. 执行状态 → 车控Agent
   接收：{status: "success", windows: [...]}

9. 车控Agent → System Agent
   输出：{tts: "", result: {status: "success", windows: [...]}}

10. System Agent生成播报
    基于result生成TTS："已将前左、前右、后右车窗各关小10%"

示例3：记忆Agent - 查询奶奶家地址

用户指令："查一下我奶奶家在哪"

1. 用户指令 → System Agent
   输入："查一下我奶奶家在哪"

2. System Agent规划
   - Agent选择：记忆Agent
   - 生成Plan：{agent: "memory", subtask: "查一下我奶奶家在哪"}

3. Plan → 记忆Agent
   输入：{subtask: "查一下我奶奶家在哪"}

4. 记忆Agent执行
   - 检索语义记忆：查询"奶奶家"相关信息
   - 获取地址数据

5. 记忆Agent → System Agent
   输出：{tts: "", result: {address: "北京市朝阳区xxx路xxx号", latitude: 39.9, longitude: 116.4}}

6. System Agent生成播报
   基于result生成TTS："您奶奶家在北京市朝阳区xxx路xxx号"

示例4：导航Agent - 导航到最近的麦当劳

用户指令："导航到最近的麦当劳"

1. 用户指令 → System Agent
   输入："导航到最近的麦当劳"

2. System Agent规划
   - Agent选择：导航Agent
   - 生成Plan：{agent: "navigation", subtask: "导航到最近的麦当劳"}

3. Plan → 导航Agent
   输入：{subtask: "导航到最近的麦当劳"}

4. 导航Agent React规划（第一步）
   - 规划：需要先搜索麦当劳POI
   - 生成API调用：poi_search("麦当劳")

5. POI搜索 → ADS云接口
   调用：poi_search("麦当劳")

6. ADS云接口 → 导航Agent
   返回POI列表

7. 导航Agent React规划（第二步）
   - 分析POI列表：选择距离最近的麦当劳
   - 生成API调用：navigation_start({...})

8. 导航API → 车机端
   下发：navigation_start({...})

9. 车机端执行
   - 执行导航启动
   - 返回执行状态

10. 执行状态 → 导航Agent
    接收：{status: "success", route_calculated: true}

11. 导航Agent生成播报
    生成TTS："最近的麦当劳是朝阳店，距离1.2公里，已开始导航"

12. 导航Agent → System Agent
    输出：{tts: "最近的麦当劳是朝阳店，距离1.2公里，已开始导航", result: {}}

13. System Agent处理
    - 检测到tts字段非空
    - 直接下发导航Agent生成的TTS

示例5：多Agent编排 - 导航到我奶奶家

用户指令："导航到我奶奶家"

1. 用户指令 → System Agent
   输入："导航到我奶奶家"

2. System Agent规划（多步骤编排）
   生成Plan：
   [
     {step: 1, agent: "memory", subtask: "查询我奶奶家", output: "$res1", depends_on: []},
     {step: 2, agent: "navigation", subtask: "导航到$res1", depends_on: [1]}
   ]

3. 执行Step1：查询我奶奶家
   Plan → 记忆Agent
   输入：{subtask: "查询我奶奶家"}

4. 记忆Agent执行
   - 检索语义记忆：查询"奶奶家"相关信息
   - 获取地址数据

5. 记忆Agent → System Agent
   输出：{tts: "", result: {address: "北京市朝阳区xxx路xxx号", latitude: 39.9, longitude: 116.4}}
   System Agent将结果存储到$res1

6. 执行Step2：导航到$res1
   System Agent将$res1的值填充到Step2的subtask中
   实际subtask: "导航到北京市朝阳区xxx路xxx号"
   Plan → 导航Agent

7. 导航Agent执行（React Agent）
   - 分析目的地
   - 生成Function Call：navigation_start({...})

8-10. 导航执行 & 播报
   同单Agent导航流程

11. 导航Agent生成播报
    生成TTS："已为您规划前往奶奶家的路线，全程12.5公里，预计用时35分钟"

12. 导航Agent → System Agent
    输出：{tts: "已为您规划前往奶奶家的路线...", result: {}}

13. System Agent处理
    - 检测到tts字段非空
    - 直接下发导航Agent生成的TTS

3.4 TTS播报生成机制

3.4.1 双模式支持

System Agent支持两种TTS播报生成模式，以满足不同场景需求。

模式1：垂域Agent自生成TTS

适用场景：

• 垂域Agent对执行结果有更精准的描述能力
• 需要领域专业术语的播报
• 执行结果复杂，需要Agent自行组织语言

流程：

垂域Agent执行 → 生成播报文本 → 标准化返回（mode: self_generate） → System Agent直接下发TTS

模式2：System Agent统一生成TTS

适用场景：

• 多Agent编排场景，需要统一播报风格
• 简单执行结果，System Agent可快速生成
• 需要结合多个Agent结果进行综合播报

流程：

垂域Agent执行 → 返回原始数据 → 标准化返回（mode: system_generate） → System Agent生成播报文本 → 下发TTS

3.4.2 TTS模式选择策略

四、V3 vs V2 对比总结

4.1 核心架构演进

4.2 多智能体能力提升

车控Agent

导航Agent（TIR模型）

记忆Agent

应用场景示例：

• 情景记忆：记得一周内去过的地方、说过的话
• 语义记忆："帮我导航去公司"（知道公司地址）
• 复杂功能穿插："导航去我奶奶家，中途去趟天坛，最后去公司"

4.3 System Agent能力升级

A2A分发机制是V3架构的核心创新点，System Agent不再直接执行功能，而是作为中央分发器，将用户任务精准分发至专业化智能体。

分发流程：

1. 任务规划：System Agent分析用户任务所属领域（车控/导航/通用/记忆）
2. 智能体选择：根据任务类型选择对应智能体
3. 上下文传递：将用户指令、历史上下文传递至目标智能体
4. 结果聚合：接收各智能体执行结果，生成播报文本

4.4 技术指标提升

五、小结

MOLA V3通过多智能体化架构演进，实现了从V2"双模型架构"到"多智能体协同架构"的跨越式升级。System Agent作为核心协调者，接收ASR结果与当前上下文，负责任务规划与播报文本生成；车控Agent接收130+车辆状态，支持40+高频API及追问能力，API调用经车机端状态回传；导航Agent内置17+API，支持复杂指令的多工具编排与多轮交互，通过notify_user结束React循环；其他Agent包括多媒体、通讯等功能，暂不具备React能力；记忆Agent仅与System Agent交互，提供1周情景记忆与语义记忆。上下文深度从5轮扩展至50轮，融合多音区/识人特征，实现个性化与智能化交互。

V3架构的核心价值：

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
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

V3架构为后续版本的多智能体深度协同与平台化演进奠定了坚实基础。