本系列的第一部分闡述了為何汽車產業的數據基礎架構已超越其智慧基礎架構，並介紹了「代理迴路」（Agentic Loop）——Sonatus為彌合此差距所提出的框架：偵測 → 收集 → 推論 → 行動 → 學習。在第二部分中，我們將具體說明各階段的實際運作方式，以及為何此順序與各階段本身同樣重要。
DETECT
偵測是迴路的起點，其品質決定了後續所有環節的品質。若處理不當，將使系統充斥雜訊；若處理得當，則能發揮精準濾波器的作用——篩選出重要的訊號，同時忽略無關的訊號。
汽車系統中的傳統檢測方式通常基於規則：閾值越界、故障代碼觸發，以及二元「通過／失敗」條件。這些規則是由工程師在特定時間點，根據已知的故障模式所制定的。從定義上來說，它們是回溯性的——旨在偵測已知的問題，卻未將這些問題與其發生的更廣泛系統背景相結合。
在「代理式架構」中，偵測機制有所不同。它以機率性且具情境意識的方式運作，同時汲取來自多個車輛領域的模式——不僅是孤立的動力傳動系統、熱管理或車輛網路，更涵蓋這些領域之間的交集。在特定駕駛情境下，與某種網路流量模式同時發生的熱事件，其所傳遞的訊號，便與孤立存在的相同熱事件截然不同。 情境會改變信號的意義，因此檢測機制必須具備情境感知能力，才能在恰當的時刻呈現正確的信號。
關鍵在於，偵測是持續進行的——並非在測試日結束時以批次處理的方式進行，而是作為嵌入車輛智慧基礎架構中的即時層。這正是使該迴路具備主動性，而非僅止於分析性的原因。
COLLECT
一旦偵測到值得調查的對象，資料蒐集階段便會決定哪些資料需要擷取——而同樣重要的是，哪些資料則不需擷取。
此處的轉變在於，從「持續記錄」轉向「事件觸發式」且「針對性」的資料蒐集。持續記錄會產生大量資料，其中絕大部分永遠不會被分析。透過行動網路傳輸這些資料成本高昂，儲存成本高昂，處理成本也高昂。更重要的是，大量日誌通常缺乏使其能付諸行動所需的上下文：若不清楚觸發資料擷取的具體原因，原始遙測資料便難以解讀。
事件驅動式資料蒐集則顛倒了這種關係。當偵測層識別出值得調查的訊號時，蒐集階段便會組建針對性的擷取作業：選取正確的通道、正確的時間視窗，以及正確的跨領域脈絡——精確地圍繞著目標事件進行擷取。工程師收到的不再是數吉字節的連續日誌，而是真正重要的資料，且這些資料附有豐富的註解，詳述了事件發生的具體條件。
這正是消除「重新驅動」的原因。先前遺失的上下文——即在任何人設定記錄器之前就已關閉的視窗——會在第一次就被擷取，因為系統早已在監控該視窗。原型不需要再次執行。工程師們已經獲得了所需的資訊。
理由
推理是將智慧架構與資料架構最明確區分開來的階段。正是這個階段，使迴圈從「發生了什麼」轉向「為什麼」。
車輛系統的複雜性使得手動進行根本原因分析變得越來越困難。跨領域的交互作用——例如動力總成、熱管理、ADAS 以及車輛網路之間的交互作用——會產生某些故障模式，而這些模式在任何單一資料流中都無法清晰顯現。一位經驗豐富的工程師可能需要花費數天時間，對比分析 CAN 日誌、乙太網路擷取資料、感測器資料以及系統事件追蹤紀錄中的訊號，才能針對根本原因提出假設。 而這項專業知識並不容易傳承：它存在於個人身上，是經年累月的診斷工作所累積而成的，一旦員工考慮其他機會，便會成為人才流失的風險。
在「代理式架構」中，推理階段正是針對此類多來源、跨領域的數據，運用「AI 」輔助分析。它並非取代工程師的判斷——而是縮短從數據到假設所需的時間。它會提出潛在根本原因候選項並附上支持證據，且以結構化的形式呈現，方便工程師進行審查、驗證並據此採取行動。工程師仍全程參與其中；這個循環僅是運行得更快，且能處理比任何個人手動處理所能應付的更複雜的狀況。
此外，此事還涉及一個知識保存的層面，而業界往往低估了這一點。當診斷專業知識被編碼到推理層中——當專家工程師累積的模式辨識能力被整合到系統中，而非僅存於其腦海之中時——它便成為了一項持久的制度性資產。它不會隨時間消逝，反而會持續累積。
ACT
正是「行動階段」讓這個迴圈真正具備「主體性」，而非僅止於分析層面。若缺少這個階段，「主體性迴圈」便僅僅是一個精巧的報告系統；有了它，智慧便成為一種成果。
這些行動的範圍刻意設定得相當廣泛。一端是：透過驗證工程師現有的任何工具，向其呈報結構化的調查結果，其中包含佐證資料及潛在根本原因；另一端則是：觸發針對特定車隊區段的 OTA 配置更新，或針對特定經銷商據點的車輛標記服務建議。 在這兩種極端之間，還有一系列自動化與半自動化的回應措施，這些措施會根據推理的信心水準、決策的利害關係，以及原始設備製造商（OEM）的組織政策進行調整。
行動層也是該迴圈創造最顯著商業價值之處。過去需要耗費數天進行人工分析，並安排會議才能採取行動的發現，如今能在數小時內浮現並傳播開來。過去必須等到保固索賠激增才會觸發的車隊品質改善措施，現在甚至能在第一起客戶投訴出現之前就展開。
學習
「學習階段」正是「代理迴路」（Agentic Loop）與其他所有應用於車輛智慧的方案之間的區別所在——而這也是所有階段中最具戰略意義的一環。
這個迴圈中的每個階段，單獨來看都極具價值。但若缺少學習階段，迴圈便會陷入靜態：第 1,000 個週期的偵測、蒐集與推理品質，並不會比第一個週期更好。學習階段在字面意義上完成了迴圈——結果會回饋至偵測模型與推理知識庫中，並根據已確認的內容、錯誤的資訊以及新出現的模式來更新它們。
這意味著系統會隨著時間推移而顯著提升。這種提升並非僅是邊際性的漸進式進步，而是呈複利效應的提升——因為每個週期都會為系統的累積智慧增添新內容，從而提升後續每個週期的品質。我們稍後將再探討這對原廠製造商（OEM）策略為何至關重要，因為我們認為這是此架構最重要的啟示。
為何「作業系統」是恰當的比喻
讓我們對「作業系統」這個比喻加以精確闡述，因為如果沒有確實的依據，它很容易聽起來像是一種市場定位的說辭。
作業系統並不會執行應用程式的功能。它負責管理底層資源——運算、記憶體、I/O——讓應用程式能夠專注於其設計的任務。它建立了一個穩定且共享的平台，使各種不同類型的作業都能在此高效運行。
「代理迴路」（Agentic Loop）在車輛智慧領域中扮演著相同的角色。它負責管理車輛數據背後的複雜性——包括偵測、蒐集、推理、行動與學習——讓基於該架構進行開發的團隊能夠專注於實際工作：做出工程決策、提升產品品質、服務客戶。它並不會取代上述任何一項功能，而是為各項功能創造條件，使其運作速度與品質，相較於缺乏該架構的情況，能顯著提升。
就像作業系統一樣，在其上運行的功能越多，其價值就越高。橫跨驗證、品質與服務的共享智慧基礎架構，其價值遠高於將相同能力以孤島式方式部署——因為在驗證階段所學到的模式能為實地檢測提供參考，而實地確認的失效模式則會回饋至驗證基準中。這個循環不僅在單一功能內部運行，更將各項功能相互連結。
「迴圈」的實際應用：SOP 前與 SOP 後
在車輛生命週期中，該迴路的架構並不會改變。真正發生變化的是資料來源，以及迴路末端的操作性質。
在 SOP 實施前，於驗證階段，該迴路會針對執行結構化與非結構化測試情境的原型車進行運作。 偵測機制能在試駕過程中即時識別異常狀況。針對性資料蒐集功能則會在車輛返回the garage 且視窗關閉之前，當場擷取相關背景資訊。推理機制會在當天（有時甚至更快）為驗證團隊提出潛在根本原因候選項。後續行動可能包括立即調整測試方案，或是將設計發現轉交給負責的工程團隊。學習機制會更新偵測與推理模型，以備下個測試週期之用，使系統在後續測試中已知曉應關注的重點。
在標準作業程序（SOP）實施後，該循環機制將在大規模的量產車隊中實際運作。偵測機制可識別新興模式——例如按區域、行駛週期、軟體版本或環境條件所呈現的故障模式群聚現象。針對性資料蒐集則透過來自故障發生車輛的精確且可重複驗證的證據，來確認該訊號。透過邏輯推演，可在車隊層級診斷根本原因。 相應的行動可能包括針對特定軟體配置進行 OTA 更新、在故障顯現給客戶之前主動發起服務活動，或是向零組件供應商發出品質警示。透過學習機制，將新的故障模式納入偵測基準線，使下一代平台在開發之初便已內建此項知識。
無論是在驗證車庫還是量產車隊中，系統架構本身並不會改變，僅有資料來源與最終執行的動作有所不同。然而，這種一致性絕非單純的設計細節。這正是此類系統運行時間越長，價值就越高的重要原因，而這一點，正是原廠（OEM）當前應如何思考此議題時最關鍵的論點。
