地铁乘务AI应用思考：从智能体规则到乘务场景实践

最近交通运输部发起了一个活动，征集人工智能在交通运输领域的应用。其实看到这个活动的时候，我很想参加，从2018年接触人工智能（TensorFlow）开始，到2022年ChatGPT的推出，再到如今的百花齐放，我应该属于对人工智能了解较深的用户之一。但是我思考了很久，以现在的人工智能发展趋势，我觉得不必追求私有的交通运输AI模型，除非有大实力与模型公司合作，否则根本无法跟上人工智能的发展速度。但既然是公司，目标就要盈利，我们更注重资源利用率，如果说与大模型公司合作，那么要持续投入的资金堪称海量，远远超过了同效的人工成本。虽然说，私有模型重在应用，只要能用，那就是好的模型，但是最终受益者是人，既然是人，那么就要求用户体验，你吃过山珍海味，就很难咽的下粗粮，所以，用户的需求会向市场主流模型看齐。

我认为人工智能在交通运输领域的应用属于通用应用领域，无非就是加上了特定场景。

智能体：规则约束下的多维能力组合

说到这里，我想先从Agent入手。Agent，我们称为智能体，何为体，我们学过正方体、学过圆柱体，他们都是三维立体图形，智能体也是一样的概念，我们可以理解为，他是一个多维的人工智能，通常具备多种技能，可自行通过不同技能的组合去实现用户需求。一般来说，我们在与智能体的交互中，大多数非专业人士只能看到输入—输出，上述的过程很少能够看到。

所以，我认为人工智能在交通运输领域的应用，应该从规则入手，先厘清哪里需要AI，需要哪一种AI，需要AI做什么，需要划定哪些红线等，有一系列规则去给智能体划一条道，他只能沿着这条道跑，至于跑的快与慢，那便是业务层面的事情了。例如智慧乘务中的智慧乘务智能体，他使用的DeepSeek-V4模型，我给他的顶层限制就是严禁写库、改库、删库，只允许读库，当然，在代码层面也对其做了限制。这是必要的顶层规则，而在通用规则中，我会读取所有数据表、结构，先让AI知道我整个系统的模块、功能，让AI完成自我学习。在各业务中，我会设置针对不同需求的模型切换，例如文字识别，需要用到OCR模型，图片生成，需要用到image模型等。这就是智能体的规则，当然，这只是片面的，还有很多规则，需要结合实际的场景去设置，但总的来讲，你的每一条规则如果涉及到特定的动作，就可以称作AI的技能。

解决了规则的问题，我们就需要关注业务层面。在业务层面，我们需要更多的关注提示词本身，坦白来讲，你的提示词决定了AI计算的准确率及响应速度。当然，提示词没有严格的约束，没有谁能做到最好，也没有谁敢说绝不冗余，能够达到既定目标便是好的提示词。针对提示词，嗯~没有什么可说的，每个人有每个人的习惯，我把智慧乘务的一些提示词放进来可以看一看。

上面用了大篇章去写了智能体的躯体吧，可以称之为躯体，模型便是这副躯体的心脏。模型的选择就不说了，看个人经济和爱好吧。接下来就要好好说一说人工智能在交通运输领域的应用，也没有那么全面，我是乘务专业，我只基于我并不长的乘务工龄，来说一说人工智能可能在地铁乘务专业的应用。

行为监测：成熟技术的场景化调优

低价值应用就不再叙述。

行为检测这个名字并不是很合适，更恰当的我认为应该是行为监测。行为检测主要涉及到图像识别，这个技术相对来讲非常成熟（我认为图像识别只能算是旧人工智能），应用也很广泛，但是对于地铁乘务来讲，可能没有专业的算法去匹配业务需求，所以该项目重在算法，重在调优。像所需的硬件诸如摄像头、红外、开发板，基本都可以买到，甚至几百块都可以完整组装一套，并且这个价格边缘终端就可以覆盖算力需求。而对于算法，可以使用典型的人脸特征、骨骼特征算法，不仅能够实现盹睡监测，还可以实现标准化作业监测。

贾维斯：乘务专业的史诗级智能辅助构想

贾维斯。哈哈，这个名字我写了又删，删了又写，写了，感觉配不上这个名字，删了，又不甘心，算了，无所谓，心要大，脚步要实。嗯~地铁乘务的贾维斯未来一定会有，但是用与不用，能发挥多大效力，取决于管理因素。有一定的风险，且风险需要靠人工智能的发展消除，但是这绝对是人工智能在地铁应用的史诗级产品。可能很难说的清楚，因为他包含很多技能，例如技术支援、交路编排、智能排班、司机定位、智能监测、自主介入等很多技能，我所想到的也不全面，当然，贾维斯也有一代、二代，都是在应用中不断完善、优化。试想一个场景：某地铁司机在某站作业时，发生了某故障，车载贾维斯甚至先于司机发现该故障，第一时间车载语音，指导司机完成故障处理。我所说的场景还是很保守的，如果按照科技的发展，不说自主介入处理，接入司机VR眼睛指导操作还是很有可能的。

当然，贾维斯只是一个小插曲，下面才是重点。

司机胜任力评估：从主观判断到数据驱动

司机胜任力评估。地铁乘务专业用在人、重在人，所以，对于司机的胜任力评估是影响运营安全的重要环节之一。传统的评估方法重点靠管理人员主观判断，缺乏客观性，也容易造成片面的评估结果，而现在虽有评估方法，但评估材料并非完全包含核心业务，未入木三分。嗯~写了2000字了，长话短说，数据是当前最大的难点，完成数据初期采集和积累后，由人工智能接管，实现智能筛选，人员风险识别等需求。

总之，有很多应用，没有写在这里，有些都融入到了贾维斯里面，设计理念也没说，智能体的流程也没深入去说，需要自己去了解，前段时间我开发的智慧乘务智能体虽有一定的成果，但还是有先天缺陷，不能为案例。