某座舱负责人:Harness+Model的Agent做不到现场感原作者为群友，是非理想的座舱负责人，以下为群友原文，原标题为Agent就是智能座舱交互的终点吗？

We can only see a short distance ahead, but we can see plenty there that needs to be done.— Alan Turing

序章2025 年底，Tesla 把 Grok Agent 放进车机，能自然地聊天，能理解并执行自然语言表达的复杂出行任务。

2026 年 4 月，北京车展前夕，地平线发布 KaKaClaw 咖咖虾，有记忆、有技能、有性格，还能调度全车舱驾能力，进一步把 Agent 推到"整车Agent操作系统"。

如果说过去十年座舱语音的关键词是"识别率"和"指令成功率"，那今年的关键词明显变了：LLM、Agent、情感、人格、记忆、任务编排。

车不再只能听你说"打开空调""音量调大""导航回家"，它开始能够理解你随意表达的需求，能猜出你后续可能的需要，能知道你的兴趣喜好，能温柔接纳你的烦恼。

这是一次巨大的进步。

过去的车载语音，本质上是一套规则系统。用户说一句话，系统识别意图，填槽，执行。它很稳定，也很可控，但边界非常硬。换个说法、跨个场景、多问两句，体验就容易掉下去。

引入大模型技术以后，对话管理不再完全依赖预置的状态机，任务可以被动态拆解、规划、调用工具；语音也不再像播报员，开始有语气、有停顿、有情绪。智能座舱终于从"命令执行器"，往"有真人感的车内助手"靠近了一步。

无论是 KaKaClaw，还是正在上车的一大波 Agent 们，智商和情商都有了很大提升。

分合但这并不意味着传统系统会被一夜替换。

车载场景对延迟、成本和可控性极度敏感。低延迟链路、无网时本地链路、可见即可说、免唤醒指令、垂域逻辑，这些能力很多仍然会被保留。这也是当前 Agent 在车端落地的最大难点：新架构性感强大，旧链路似乎也必要，两套系统该如何共存。

有的做多个语音入口，有的通过设置切换，有的做分发缝合，却没人敢直接抛弃旧有的系统。

随着模型能力的提升、芯片成本的下降、推理技术的优化，成本、延迟和可控性都会逐步解决，Agent 的覆盖面会一点点扩大，最终走向更统一的架构。这是大概率会发生的演进，但具体是哪一天，恐怕没人敢预测，我们常常高估一年后的进展，也常常低估五年后的变化。

暗涌即便那一天到来，问题仍然没有彻底解决。

因为这套 Agent 的底层，仍然沿用着一套旧式的交互假设。

一个用户，对着机器，说完一句话；机器拿到一段文本，理解，思考，回答。

这就是我们常说的 turn-based。但它不只是"轮流说话"这么简单。它背后默认了许多假设：这句话是对机器说的；用户已经说完了；文本本身足够表达意图；环境信息可以事后再补。

这套结构适合微信、ChatGPT 这类聊天界面。当你按下发送键，就等于告诉系统：这是给你的，我说完了，请回答。它也适合很多车控任务，比如"打开空调""导航回家""音量调大"。

但真正的自然语音交互不是这样。

用户说到一半停下来，不一定是说完了，也可能是在组织语言。后排说了一句"这个太冷了"，不一定是在和车说话，也可能是在阻止小朋友吃冰箱里的冰激凌。用户询问环境信息时，当一句话说完，环境状态可能已经改变了。

我们在和人对话时，还会用停顿、眼神、手势、语气来不断确认彼此是否理解。

而当车内交互被简化成了一段"已经说完、已经指向机器、已经足够表达意图"的文本，这在模型上更好处理，产品也更好控制；但被牺牲掉的停顿、指向、说话对象、视觉现场、车内状态，恰恰是车内交互最关键的现场感。

尽头最近很流行一个说法：Agent = Harness + Model。

Model 能力不够，Harness 来凑。

聪明的工程师们，引入语义判停，音区锁定，拒识别模块，视觉信息融合，时间戳对齐，然而问题却没有被完美解决。

以最常见的判停为例：阈值短了总是截断用户，阈值长了延迟太多，加语义判断要引入一个多大的模型才能真正准确？

这不是某个模块的精度问题，是整个范式的问题。turn-based 假设了一个清晰的"输入-处理-输出"边界，但真实的交互没有这个边界。在边界不清晰的世界里缝合再多模块，缝出来的也只是一个更精致的 turn-based。

归元那么，能不能从 Model 层解决？

这正是当下许多顶尖的 AI 实验室正在关注的方向。从 Google 的 Gemini Live 到阿里的 Qwen Omni、字节的 Seed Duplex，都在试图把"实时交互"放进模型本身，让模型直接完成边听-边想-边说，而不是放在外层的 Harness 里。

最近，前 OpenAI CTO Mira Murati 创立的 Thinking Machines 也提出了 interaction model。这个模型重新设计了交互模型的时间结构，它处理的是连续发生的现场信息，声音、画面、文本、工具调用都在同一条时间轴上。它不等用户说完，而是在很小的时间片里（200ms）持续判断：用户还在想吗？现在该回应吗？视觉里发生了什么？后台任务到哪一步了需要告知用户吗？

Thinking Machines 的系统是一套前后台的架构，前台进行交互对话，后台提供任务调用的能力。

图1

前台是 interaction model。它本身必须足够聪明，能在实时交互里判断用户是不是在和车说话，停顿是不是意味着说完，打断是不是需要立刻停止，屏幕上的信息是否和用户当前意图有关。

Thinking Machines 在文中专门强调：

Both the background and interaction models are intelligent — on its own, the interaction model is also competitive on both interactive and intelligence benchmarks.也就是说，前台模型和后台模型不是"浅智能"和"深智能"的区别，而是智能发生在不同时间尺度上。

前台负责的是当下这一秒——会听、会等、会停、会接话、会处理打断，也要知道什么时候闭嘴。

后台是 Agent 模型。它负责更长链路的任务，比如查路线、读车辆手册、调用生活服务、规划行程、协调多个工具。它可以慢一点，但要想得更深，做得更完整。

在这种架构下，座舱交互才有可能真正具备现场感。

未竟当前座舱行业的热点是 Agent，但未来智能化真正的分水岭，不只是 Agent。

大语音模型带来的自然语调、大语言模型带来的复杂任务执行能力，都将变得不稀奇。真正稀缺的，是 Model 层引入的新交互能力，它有可能带来下一个奇点。

未来座舱 AI 的竞争，可能会从"谁更聪明"，变成"谁更懂互动"。

最好的智能座舱，是一辆能和你保持同一节奏交流的车。

车里许多声音重叠，它能判断谁在和车说话；你边看屏幕边问"这个怎么关上"，它知道你指的是什么。你在倾诉烦恼时停顿下来，它只是轻轻说一声"嗯，我在听呢"，而不是急着告诉你什么是正确答案。

李想理想汽车