智能座舱知识图谱示例工程

本项目用于演示：在汽车智能座舱中，如何设计、搭建和使用知识图谱，让语音助手、场景推荐、车控联动、出行服务、故障问答具备更强的语义理解能力。

项目内容

• docs/智能座舱知识图谱建设计划.md：中文建设计划、业务场景、架构、实施路线。
• docs/知识图谱搭建流程.md：从本体设计、数据抽取、融合、存储到应用调用的完整流程。
• data/smart_cockpit_kg.json：智能座舱示例知识图谱数据。
• src/smart_cockpit_kg.py：纯 Python 标准库实现的图谱加载、查询、规则推理和场景推荐。
• examples/run_demo.py：可运行示例，展示自然语言指令解析、场景推荐、故障问答和影响分析。

快速运行

python3 examples/run_demo.py

启动知识图谱可视化

python3 serve_visualization.py

然后在浏览器打开：

http://127.0.0.1:8765/visualization/

可视化页面支持：

• 搜索实体：如“空调”“雨天”“胎压灯”。
• 按实体类型筛选：User、Device、Scene、Action、Fault 等。
• 按关系类型筛选：TRIGGERS、RECOMMENDS、CONTROLS、HAS_CAUSE 等。
• 拖拽节点、滚轮缩放、平移画布。
• 点击节点查看属性、别名、关联关系和应用提示。
• 一键聚焦“场景链路”或“故障链路”。

示例能力

当前样例支持：

• 用户偏好查询：空调温度、音乐偏好、常去地点。
• 车控语义映射：如“有点冷”“副驾有点热”“玻璃起雾了”。
• 场景推荐：通勤、雨天、夜间长途、暴晒上车、儿童乘车。
• 出行服务：根据用户常去地点和车辆状态生成导航/充电建议。
• 故障问答：解释胎压灯、空调不制冷、黄色警示灯等。
• 影响分析：某个系统或部件异常时，找出关联场景和功能。

适合扩展的方向

• 替换 JSON 存储为 Neo4j / NebulaGraph / JanusGraph。
• 接入车机实时信号：温度、湿度、车速、电量、座椅占用、车窗状态。
• 接入大模型：用知识图谱作为 GraphRAG 的结构化事实层。
• 接入语音 NLU：将用户自然语言解析为实体、意图和槽位。
• 接入车控执行层：将推荐动作转换为 CAN / SOA 服务调用。

建议下一步

1. 补充真实车型能力表：设备、区域、可控参数、执行命令。
2. 把用户手册和维修 FAQ 抽取为故障知识。
3. 将 JSON 图谱导入 Neo4j 或 NebulaGraph。
4. 将 resolve_utterance 封装为接口，接入语音助手。
5. 将 recommend_scenes 接入车机实时上下文，形成主动场景推荐。
6. 接入大模型，让图谱查询结果作为回答依据。