易特驰：AI智能标定工程师

人工智能技术在过去数年间实现快速迭代，大语言模型已经具备对话交互、代码生成、复杂任务处理等多重能力，但面向实体工业场景，通用人工智能距离深度落地工程业务还存在明显差距。在汽车研发领域，工程师迫切需要人工智能技术走进测试现场，切实承接工程业务流程，以此缓解复杂工程工作带来的工作压力，推动汽车研发工作模式发生转变。

2026 年 9 月 17日，ETAS 嵌入式软件专家戚鸿宇在 2026 第四届 AI 定义汽车论坛上表示，Agent 技术已经完成从对话问答向任务执行的发展演进，汽车行业所需要的并非擅长聊天的通用人工智能，而是同时掌握行业知识、项目上下文、工具数据、工程流程经验的工程 Agent。ETAS 依托三十余年工程工具积累，打造面向汽车工程的 AI Agent 解决方案，落地 AI 标定工程师实践，推动汽车工程师的工作模式从手动执行每一步操作，转变为定义业务目标、确认关键决策。

戚鸿宇丨ETAS嵌入式软件专家

以下为演讲内容整理：

AI Agent 的发展演进：从会说、会做到可控地做完

自 2023 至 2026 四年时间内，AI Agent 整体行业完成多轮技术迭代，发展路径可以概括为从会说，到会做，再到可控地做完，整体能力链路实现从回答问题，工具调用，连接系统，走向持续执行、验证、重规划。

2023 年属于 Agent 概念爆发阶段，AutoGPT、BabyAGI 等项目相继出现，行业开始探索由人工智能承接完整任务，AI 的能力边界从单纯回答用户提出的问题，转向接受指令完成指定任务。这一阶段第一代 Agent 具备较强的任务尝试能力，但技术成熟度有限，运行过程中容易出现无限循环、错误调用工具、执行过程遗忘原始任务目标等各类问题，还不具备规模化投入实际业务的条件。

2024 年行业进入 Agent 工程化发展阶段，Tool Calling、Memory、Computer Use、MCP 相关技术走向成熟。Tool Calling 赋予人工智能调用外部工具的能力，Memory 技术实现上下文状态管理，Computer Use 可以让人工智能直接操作电脑软件，MCP 提供标准化接入数据与外部工具的实现方式。经过这一轮技术演进，Agent 不再局限于对话交互，具备对接外部软硬件的执行能力，但是该阶段技术重点依旧集中于让 Agent 可以实现基础运行，尚未面向生产业务场景完成可靠性打磨。

2025 年 Agent 正式进入生产环境，Agentic Workflow、A2A 成为行业关注的重点方向。Agentic Workflow 的核心逻辑为向人工智能交付业务目标与基础流程框架，具体执行步骤不再进行硬编码固定，人工智能会根据每一步任务的实际输出结果动态调整后续工作路径。面对复杂度较高的生产业务，单一 Agent 很难独立完成全部工作，多 Agent 协同的需求持续凸显，A2A 协议随之诞生，该协议主要用于规范不同 Agent 之间的通信与协作模式。

截至 2026 年，Agent 行业发展进入深度垂直化阶段，行业关注点不再局限 Agent 模型本身，Harness Engineering 成为技术重点。行业逐渐意识到，即便大模型本身性能足够强大，如果缺少完备的上下文环境、状态管理机制、安全运行边界以及反馈机制，依旧无法可靠完成复杂工程任务，技术研发重心转移到 Agent 背后的完整执行环境搭建。整体来看，AI Agent 技术能力持续提升，但是现有技术成果，还不能直接满足汽车工程业务的实际工作需求。

汽车工程场景对人工智能的核心能力要求

通用人工智能可以针对汽车工程问题输出理论层面的解答，但是无法真正解决工程现场实际发生的业务问题，以能量回收率分析场景为例，当减速工况之下车辆能量回收率不及预期时，通用人工智能可以输出回收扭矩、电池 SOC、温度、电机能力、制动协调等相关影响因素，理论答案具备完整性，却无法匹配工程师的真实工作诉求。面对这一工况现象，汽车工程师需要掌握当前所属项目信息，明确对应的 ECU 硬件与软件版本，定位问题发生的具体工况，梳理关联标定参数，查阅历史项目是否出现同类故障，并且获取后续工作的具体实施路径。

汽车工程业务所需要的人工智能，必须同时具备四大维度的核心能力，分别是行业知识理解能力、项目上下文感知能力、工具数据访问能力，以及工程流程和经验的落地能力。

行业知识理解层面，人工智能需要掌握汽车领域专业内容，充分理解动力系统、排放、驾驶性以及整车控制策略相关专业知识，建立汽车行业基础认知。项目上下文感知层面，人工智能需要掌握当前开展工作对应的完整项目信息，明确项目所属车型、ECU 硬件、软件版本、标定参数集合以及对应的测试工况，能够识别项目软硬件配置变化带来的结果差异。工具数据访问层面，人工智能需要具备访问各类工程数据的权限，能够读取测量数据、标定数据、测试结果、工程文档以及项目沉淀的历史经验资料。工程流程和经验层面，人工智能需要适配汽车工程完整的复杂业务过程，熟悉发现问题，分析数据，提出假设，验证假设，修改参数，重新测试，对比结果这一套循环往复的工程工作逻辑。

四项能力缺一不可，仅拥有行业知识却无法对接工程工具，人工智能输出的内容只会停留在理论层面。仅掌握业务数据却不熟悉工程流程，人工智能只能够完成数据可视化输出，无法推进实际问题的处理。仅可以调用工具却缺少运行边界约束，自动化工作模式反而会放大工程业务的运行风险。汽车工程业务需要的工程 Agent，必须做到懂行业、懂项目、懂工具、懂数据、懂流程。

ETAS 的 AI Agent 整体解决方案架构

ETAS 拥有长达三十年的汽车工程工具积累，这也是人工智能技术落地汽车工程业务的重要地基。ETAS 前身易特驰股份有限公司 1994 年成立，1997 年推出测量与标定解决方案，后续持续完成技术与业务拓展，陆续推出实时操作系统产品，布局汽车网络安全业务，完成多轮企业收购整合，收购 LiveDevices、ESCRYPT 以及博世原始设备制造商诊断解决方案相关业务单元，后续和博世应用独立软件业务完成业务合并，面向软件定义汽车时代打造完整业务能力。目前全球超过百分之九十的汽车产品采用 INCA 开展标定工作，RTACAR 产品为超过四十亿个汽车电子控制单元提供技术支持，ETAS 是 Eclipse 软件定义汽车工作组联合创始机构，在全球十四个国家设立三十八个分支机构，是嵌入式汽车网络安全领域的市场领导者，可以提供覆盖完整车辆生命周期的技术解决方案。

ETAS 打造名为 Productivity Assistant 的中央式 AI Agent 解决方案，整套方案分为底层工具与行业知识层、MCP 中间层、上层 Engineering Agent 三层架构。底层工具与行业知识层包含 ETAS 自研系列工程产品，涵盖 INCA、MDA、EATB、ASCMO、INCAFLOW、EHANDBOOK、EHOOKS，同时沉淀企业内部知识，标定工作指引文档，复杂任务处理模板等资产，为上层 Agent 提供工程数据与操作底座。

MCP 中间层承担工具与外部系统接入工作，除了对接 ETAS 自有产品之外，还可以通过第三方 MCP Server 接入客户自有业务体系、内部测试方法、操作手册等资产，同时实现工具组合编排，对接诊断、标定数据管理、测试管理、仿真等各类业务模块，支持 Agent 作为工具对外提供能力。

上层为 Engineering Agent，该层以大语言模型作为基础，包含内存管理、任务规划、工具路由、用户界面、产品交互等模块，配套工作流引擎、反馈学习、治理安全相关能力，支持多 Agent 协同运行。该层保持开放属性，客户可以自主选择接入的大语言模型，也可以接入客户自行研发的 Agent，保留客户自身模型策略、知识体系以及工作流资产。整套解决方案希望实现的效果为工程师无需掌握每一款工具的详细操作步骤，通过统一上层界面下达业务目标，由 Agent 完成底层工具能力的调度与组织，推进任务落地执行。

AI 标定工程师：面向复杂标定场景的工程 Agent 实践

ETAS 优先选择标定场景开展 AI Agent 落地实践，标定是极具代表性的汽车工程业务场景，该场景同时具备数据复杂、工具复杂、工程流程复杂的特征，高度依赖工程师长期沉淀的工程经验。现代动力系统包含成千上万组标定参数，标定工作本质上属于多目标优化业务，需要兼顾动力性能、能耗水平、驾驶性、舒适性多维度指标，需要持续调试参数获取综合最优结果。如果 AI Agent 能够完成标定场景的业务适配，就意味着 Agent 已经具备深度融入汽车工程完整流程的现实价值。

ETAS正与国内汽车电子行业合作伙伴开展技术试点，落地 AI 标定工程师项目。AI 标定工程师依托 DeepSeek Harness 搭建完整运行框架，框架包含角色层、DeepSeek Harness 执行框架、Agent 循环逻辑，以及 Context、Skill、Tools、Memory 四项基础支撑能力。

角色层划分多个子 Agent，分别承担不同工作职能，包含标定专家、工具操作员、自动化管理员、报告审核员、闲聊响应员。标定专家负责制定标定策略，工具操作员完成 INCA、MDA 等工程工具操作，自动化管理员负责组织和监管整体工作流程，报告审核员对任务报告开展审核输出业务结论，闲聊响应员负责日常交互工作。每一类子 Agent 配置独立系统上下文、工具白名单与操作权限，把各个角色的工作能力约束在职责范围之内，主 Agent 根据业务任务完成子 Agent 的任务编排分工，支持子 Agent 串行或者并行开展协同工作。

DeepSeek Harness 是 AI 标定工程师的执行框架，负责接收业务任务，组织多源上下文信息，按需加载业务 Skill，调用对应工具，管理任务运行状态，持续向大模型反馈任务执行结果。Agent Loop 循环逻辑是整套框架的核心，运行逻辑包含规划、执行、观察、重新规划，Agent 首先规划需要完成的任务，调用工具开展实际执行，观察任务输出结果，结果满足业务目标就结束循环，没有达到目标就重新调整方案，开启新一轮迭代，这套运行逻辑和标定业务修改参数，观测结果，迭代优化的工作逻辑高度契合。

整套循环稳定运行依赖 Context、Skill、Tools、Memory 四项基础能力。Context 负责输入约束人工智能判断边界的知识，包含 A2L、HEX 文件，项目完整知识，标定规范以及试验约束，告知 Agent 当前面对的业务问题是什么。Skill 封装专家方法和标准化业务流程，包含标定操作手册、知识库文档，明确对应业务场景应当采用何种工作方式。Tools 提供实际执行能力，让 Harness 框架可以完成测量、任务执行、数据回写，对接 INCA、MDA 等 ETAS 工具链，实现仿真、测量、日志读取、脚本执行，让 AI 可以落地实际操作。Memory 负责沉淀业务经验，存储历史标定方案、用户反馈信息以及版本回溯内容，将每一轮调参工作沉淀为可以复用的项目经验。

未来展望与挑战

面向未来，AI 标定工程师还将持续迭代进化，发展方向集中在看得懂、记得住、做的完三个层面。看得懂指向多模态能力拓展，除文本信息之外，AI 标定工程师后续可以识别 CAN 报文、信号波形、ECU 日志、测试视频多类型工程资料。记得住指向项目记忆能力持续完善，Agent 可以留存项目历史信息，不需要每一次处理业务都重新初始化，持续积累项目参数变更、测试结果、历史故障经验，随着项目推进不断加深对项目的理解。做的完指向闭环协同模式落地，工程师只需要定义业务目标，由 AI 完成业务全过程执行，关键决策环节交由工程师确认，实现人和 AI 的协同作业。

ETAS 推动 AI 标定工程师发展，追求实现三层转变，第一是能力层面，从单纯回答业务问题转向稳定可控完成完整任务。第二是产品定位层面，从通用人工智能产品转向面向工业业务的 Engineering Agent。第三是工程师工作模式层面，工程师不再需要手动完成每一步操作，转为定义业务目标，确认关键决策。

AI 标定工程师不会在短时间之内彻底改变整个汽车行业，但是会逐步改变工程师的日常工作模式，改变每一组参数调试、每一次试验测试、每一轮迭代循环的工作体验。在未来的研发工作当中，工程师遇到业务问题时，工作习惯或将发生改变，不再优先查阅文档、手动打开各类工程工具，而是直接向 AI 标定助手下达指令，交由 Agent 辅助完成业务分析与任务执行。

（以上内容来自ETAS嵌入式软件专家戚鸿宇于2026年9月17-18日在第四届AI定义汽车论坛发表的《易特驰AI智能标定工程师》主题演讲。）