1. 课程导入
欢迎进入《驾驶智能体任务规划与工具调用工程》的第一章。在正式进入算法与代码之前，我们需要先建立一个清晰的认知框架：什么是驾驶智能体？它和传统的自动驾驶系统有什么本质区别？为什么"任务规划"与"工具调用"会成为工程落地的关键能力？本章将围绕这些问题展开，并给出整门课程的学习路径。
一、什么是驾驶智能体
驾驶智能体（Driving Agent）是指以大型语言模型或多模态大模型为决策核心，能够感知驾驶环境、理解自然语言或结构化指令、自主拆解任务、调用外部工具与车辆接口，并在闭环中完成驾驶相关目标的智能系统。它不只是"会开车的模型"，而是一个具备感知—理解—规划—调用—执行—反馈完整链路的智能体。
与传统自动驾驶模块化栈相比，驾驶智能体的核心差异在于：决策不再完全依赖人工编写的规则或单一端到端网络，而是由具备推理能力的模型驱动，通过工具调用与外部世界交互。例如，它可以调用地图服务查询路线、调用车辆控制接口执行变道、调用天气 API 判断路面风险，甚至调用诊断工具读取故障码。
二、发展历程：从规则到智能体
驾驶智能体的演进大致可分为四个阶段，每个阶段都对应着决策方式的根本变化：
- 规则驱动阶段（2000s—2015）：以有限状态机、行为树和人工规则为主，典型代表是早期 DARPA 挑战赛中的自动驾驶车辆。系统可解释性强，但泛化能力差。
- 模块化学习阶段（2015—2020）：感知、预测、规划、控制分模块训练，深度学习开始替代部分规则。规划仍以优化算法为主，工具调用概念尚未形成。
- 端到端学习阶段（2020—2023）：以模仿学习和强化学习为代表，尝试用单一网络完成感知到控制的映射。可解释性和可控性成为瓶颈。
- 智能体阶段（2023 至今）：大模型作为推理与规划核心，通过工具调用连接地图、车辆、云端服务，形成可解释、可干预、可扩展的驾驶智能体。
这一演进说明：驾驶智能体的出现不是简单的模型替换，而是决策范式的转变——从"预设规则"走向"动态规划与工具编排"。
三、任务规划与工具调用的工程意义
为什么本课程要把"任务规划"和"工具调用"作为两条主线？因为在真实工程中，模型再强，如果不能把高层目标拆解为可执行步骤，并正确调用外部工具，就无法落地。
任务规划解决的是"做什么、按什么顺序做"的问题。例如用户说"帮我找个附近能充电的停车场并开过去"，智能体需要拆解为：定位当前位置 → 搜索充电停车场 → 筛选可用车位 → 规划路线 → 发起导航 → 监控到达。工具调用解决的是"用什么能力去做"的问题，包括地图 API、车辆控制接口、支付接口、诊断接口等。
从工程角度看，这两项能力直接决定了系统的可扩展性（新增工具即可新增能力）、可解释性（每一步调用可追溯）、安全性（关键动作可拦截）和可维护性（规划逻辑与工具实现解耦）。
四、整体课程框架与学习路径
本课程共 30 章，围绕"认知—规划—调用—执行—评测"五个层次展开。下面的 SVG 图展示了课程的整体结构与学习路径，帮助你建立全局视角。
学习路径建议按"认知 → 规划 → 调用 → 执行 → 评测"顺序推进。前五章建立概念与架构认知；第 6 至 12 章深入任务规划算法；第 13 至 19 章掌握工具调用工程；第 20 至 25 章完成车辆接口与闭环联调；最后五章聚焦评测与迭代。
五、核心概念速查表
| 概念 | 含义 | 工程关注点 |
|---|---|---|
| 驾驶智能体 | 以大模型为推理核心，具备感知、规划、调用、执行闭环的驾驶系统 | 可解释性、可干预性、安全性 |
| 任务规划 | 将高层目标拆解为有序、可执行的子任务序列 | 分解粒度、优先级、重规划 |
| 工具调用 | 智能体通过标准接口调用外部能力完成子任务 | 参数校验、权限、错误处理 |
| 闭环反馈 | 执行结果回传智能体，用于判断是否继续或调整 | 时延、状态一致性、异常恢复 |
| 安全边界 | 对高风险工具调用设置拦截与人工确认机制 | 权限分级、审计日志 |
六、常见误区与复盘提示
误区二：认为工具调用越多越好。调用链越长，时延与失败概率越高，应优先选择最短可靠路径。
误区三：忽视规划的可解释性。无法解释的规划在安全审查和事故复盘中难以通过。
复盘时建议关注三个问题：规划是否覆盖了所有关键分支？工具调用是否有明确的失败回退策略？执行结果是否被正确反馈到下一轮决策？这三个问题将贯穿整门课程。
七、本章小结
本章建立了驾驶智能体的基本定义，梳理了从规则驱动到智能体阶段的发展脉络，明确了任务规划与工具调用在工程落地中的核心地位，并给出了五层递进的课程框架。接下来的章节将从系统架构开始，逐步深入规划算法、工具接口、执行闭环与评测体系。请带着"规划—调用—反馈"这条主线进入后续学习。