AI落地Best Practice · 企业与业务成品 · 2026-07-28

Loop 怎么跑进汽车研发:FDE 驻场,把 AI 做成自主闭环

汽车研发AI落地新范式:FDE驻场+Loop自主闭环,Combo Agent让AI自动闭环解决需求,无需手动操作。 核心内容:

  1. Combo Agent核心理念:可插拔技能封装与全流程自动交付
  2. 汽车研发AI落地的四大差异(对比通用方案)
  3. FDE驻场工程师角色与价值

旧方式:你打开对话框、粘贴一份需求、等它回答。新方式:凌晨两点没人开对话框——一份新需求文档被同事丢进 Polarion;等你早上到工位,需求分析、冲突清单、一份草稿 Test Run 已经躺在那儿了。因为有一个被我们"驻场配置"过、一直盯着你项目的 Agent。这篇讲的,就是汽车研发 AI 化真正落地的两个词:FDE(驻场工程师) 和 Loop(自主闭环)——以及它在客户自己的 Polarion 上是怎么跑起来的。

关于平台:Combo Agent 是什么

本文反复出现的"它",指的是 Combo Agent™——我们的企业级 AI 智能体平台。它的核心理念是"可插拔技能(skill)":把解析、建模、出图、合规分析、ALM 读写、测试回写等一个个专业能力,封装成标准化、按需调用的技能单元,挂在平台应用层;你用自然语言说清要做什么,平台就在沙箱里自动编排相应技能、跑完全流程并交付结果。

它要解决的事很直接——用 AI 智能体赋能企业现有工作流、降本增效,而不是替换你现有的工具链(DOORS / Polarion / Jama / Jira / CANoe / dSPACE 照旧)。上一篇我们讲了"从设计文档到 ASPICE 合规图",这一篇换个角度讲怎么落地:不是把工具交给你,而是把工程师"派过去"。

为什么不是"又一个聊天框":四个落地差异

这两年汽车研发团队被各种 "AI" 轰炸过,大多试用完就回到老路——因为它们不落地。把话说直白,对比一下你大概率试过的几类方案:

你可能试过 它的天花板 我们怎么做
通用聊天助手(ChatGPT 类) 一问一答、答完就忘;不写进你的系统,不懂汽车信号、读不了你的 Polarion schema;数据还出域 自主闭环 + 私有化不出域,直接写进你自己的 Polarion(结果 / 缺陷 / 附件 / 追溯)
传统咨询 / 集成商 交一份 PPT 或一次性定制,人一走就停,沉淀不下来 FDE 驻场把能力固化成可复用的 skill + 知识库,人走了 Agent 还替你跑
RPA / 录制脚本 死板,界面一改就崩,不懂语义 LLM 懂语义 + skill/适配器稳定契约 + debounce/锁等防呆,真实项目里不乱跑
需求 / 测试工具自带的 AI 困在自己孤岛里,跨不了工具、连不起追溯 跨 DOORS / Polarion / Jama / Jira + 总线 / 标定信号 + 回写并连上追溯线

一句话:别人给你一个工具,我们给你一个驻场、能写进你系统、还自己盯着干的工程师。下面全是干货——而且文末,我们会当场写一条进你的 Polarion 给你看。

第一个词:FDE——不是卖工具,是"派工程师进场"

FDE(Forward Deployed Engineer,前置/驻场工程师)这个角色最早由 Palantir 提出。Palantir 的产品(Foundry / Gotham)强大但通用——可没有哪个客户能把一个平台"开箱即用"地变成解决自己问题的方案。于是它没有派一支"咨询顾问团",而是派资深工程师亲自驻场:坐进客户的办公室、参加客户的早会、读懂客户的业务,然后把能跑在生产上的软件直接交付出来,一直待到系统上线、被真正用起来。

关键区别在这里——FDE 不是"给建议的顾问",也不是"做个 Demo 的售前":

传统顾问 / 售前 FDE
交付物 PPT、建议、临时 Demo 跑在客户生产环境里的软件
关系 签完合同就交接走人 待到系统上线、被用起来
责任 给方案 对结果负责——凌晨两点出问题也是他来修

我们把这套模式搬进了汽车研发。落到我们身上,FDE 意味着每个工程师必须做到两件"非常懂":

非常懂客户的工作流

——不是泛泛"了解需求",而是把客户的研发流程一节一节摸清:需求在 Polarion 里走哪条状态机、用例怎么派生、台架 / HIL 怎么执行、结果回写到哪些字段、追溯线怎么连。再叠加我们咨询工程师对 ASPICE / 功能安全流程的理解,才知道这条链到底该怎么转。

非常懂 AI 的边界

——同样重要的是知道 AI 不该碰哪里:哪些是机械对齐、跨工具搬运、出草稿,可以放心交给 Agent;哪些是判断、决策、签字,必须留在人手里。边界划错,要么不敢用,要么乱用。

FDE 的价值,正落在"懂流程"和"懂 AI 边界"这两件事的交叉点上:把 Agent 配置成一个懂你项目的同事——而不是丢给你一个通用工具,让你自己摸索。

一句话:我们不卖一份 License 然后走人,而是坐进客户的办公室,把客户的研发流程、Polarion 里的字段与状态机、各域的判定规则,一条条配置进 Agent。交付物不是"一个通用工具",而是"一个懂你项目、还能自己开工的同事"。

第二个词:Loop——配好的 Agent 自己开工

配置好的 Agent 不再是"一问一答"。它常驻、盯着事件、自己开工。机制很简单:

CronJob: 时间到了 → 往 session 里塞一条消息 → Agent 按提示词决定做什么 EventTrigger:事件来了 → 往 session 里塞一条消息 → Agent 按提示词决定做什么

触发系统不预定义"审核/通知/报告"这些动作——Agent 是逻辑层,你的提示词是配置,触发系统只管投递。你说"有新需求就分析",它收到事件就分析;你说"有结果就判定回写",它收到结果就判定回写。

闭环的一天:以 DrivePilot 项目为例

下面用我们自己部署的一套 Polarion(项目 DrivePilot)把闭环串一遍。场景是一个很常见的活:功能测试 + 台架执行——需求来了要分析、要派生用例、上台架跑、结果要判定并回写。传统做法这条链全靠人来回搬运;闭环里它自己转。

时间 发生了什么 谁干的
09:12 新需求文档进 Polarion(workitem.created) 同事上传
09:12 自动需求分析 + 冲突/歧义清单,登记成问题单 Agent
11:40 按需求派生功能测试用例(含边界/异常) Agent
14:05 台架执行完,结果文件落库(testrun.updated) 台架
14:06 逐条判定 → 回写 Polarion → 失败项自动建缺陷 + 连追溯线 Agent
14:20 工程师只看"判定有争议的 3 条",签字 人

下面这些都是从这套 Polarion 真实截下来的——不是 PPT:

左侧栏就是一套完整的研发结构:Requirements / Design / Risks / Planning / Development / Testing / Maintenance。列表里 DP-528、DP-532 这些,正是下文闭环自己写进去的工作项。

触发:事件驱动是闭环的发动机

闭环之所以能"自己开工",靠的是一套与定时任务平行的事件触发基础设施。事件源可以是:

Polarion 变更——新建工作项、状态流转、Test Run 更新;

一个被监视的上传目录 / 网盘——有新需求文档就开扫;

SCM ——PR / push(代码侧,已量产)。

事件到了,触发系统按"来源 + 过滤条件"匹配规则,把它格式化成一条消息投递进目标 session,剩下的交给 Agent。

配置它,就是一句话:

你:以后 DrivePilot 里只要进来新需求文档,就自动做需求分析, 把冲突点登记成问题单;不用每次叫我。

Agent:✅ 事件触发器「新需求自动分析」已创建。 以后 DrivePilot 收到 workitem.created(需求类)事件, 我会在这个会话里自动处理。

几个工程上的"防呆"细节,决定…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/AIqiche/2026072802134.html