认识 its-trip:开源智能交通大模型 TRIP,如何用多智能体让 AI 自动研判高速事故?

原创2026-09-21 15:57:362,300 阅读
文章标签:人工智能AI 应用大模型多智能体Agent 编排Agent 工作流交通物流多模态OCRAI 技能本地部署CANNAscend

认识 its-trip:开源智能交通大模型 TRIP,如何用多智能体让 AI 自动研判高速事故?

its-trip(TRIP,Transport Reasoning with Intelligence Progression)是一个面向智能交通领域的大模型开源仓库,核心亮点是用多智能体(Multi-Agent)协作构建"感知—研判—方案—下发"的闭环决策机制:上传一张高速事故工单或现场照片,AI 就能自动完成事件理解、风险定级、处置方案生成,并把任务按部门拆分下发。

下面带你 10 分钟看懂这个项目能做什么、怎么跑起来。

一、为什么需要 AI 来研判高速事故?🚨

高速公路一旦发生追尾、抛洒物、故障车等事件,处置链条其实很长:

  1. 接警信息往往分散在工单截图、现场照片、电话回话中,人工阅读和补全字段耗时;
  2. 风险定级(I / II / III / IV 级)依赖经验,不同值班人员口径不一致;
  3. 处置措施要分发给路网指挥、诱导大屏、清障救援、交警、收费站等多个部门,漏项或重复都会拖慢处置。

its-trip 的思路是:把"值班员 + 调度员"的工作流程拆成 5 个专职智能体,让大模型按流水线自动执行,每一步都有结构化输出和运行轨迹,可审计、可回放。项目归属 CANN 社区 Intelligent Transportation System SIG,由东南大学团队开源维护,许可证为 CANN Open Software License Agreement Version 2.0(见 LICENSE)。

智能交通大模型 TRIP 高速事故现场照片示例:隧道内多车追尾,用于演示多智能体自动研判

二、多智能体流水线:5 步完成一次事故研判

打开 trip_ai/multi_agent.py 可以看到整个编排只有 5 个智能体,依次执行:

事件理解 (EventUnderstandingAgent)
  → 知识调取 (KnowledgeRetrievalAgent)
  → 风险研判 (RiskAssessmentAgent)
  → 方案生成 (PlanGenerationAgent)
  → 决策下发 (DispatchAgent)
智能体 做什么 输出
事件理解 OCR 解析工单图片/PDF,必要时调用视觉模型补理解 事件文本 + 结构化要素(时间、路段、桩号、方向、伤亡、占道)
知识调取 按上下文调取规则与知识片段 研判依据
风险研判 给出风险等级 I~IV 与置信度 RiskAssessment(等级、置信度、理由)
方案生成 基于部门职责模板生成处置措施 ControlAction 列表(部门、措施、渠道、优先级、时效)
决策下发 按部门聚合成任务包 dispatch_payloads,可直接对接业务系统

每个智能体共享一个 GlobalContext:working_memory 传递结构化中间产物,traces 记录每一步的输入摘要、输出摘要与原始模型输出——这也是 UI 上"运行检查器"能看到中间过程的原因。

几个值得细看的设计:

  • 结构化输出:所有结果都落在 Pydantic 模型里,字段定义见 trip_ai/schemas.py,比如 IncidentExtract 会抽出"是否涉及危化品、占用了哪条车道、拥堵里程"等关键字段;
  • 部门职责模板(Playbook):trip_ai/department_playbook.py 内置了路网运行、诱导大屏、路面清障、交警协同、收费站管控 5 类部门的"标准动作库",并要求措施必须覆盖至少 3 个部门、每条都带 eta_minutes 与 rationale,从制度层面约束 AI 不"空谈";
  • 顺序编排器:trip_ai/agents/orchestrator.py 非常轻量——逐个执行智能体并把上下文传下去,单步失败也会记录 trace 而不中断整条链路。

三、上手体验:从一张工单到部门任务清单

仓库自带两张示例图片,点开应用即可一键加载体验:

  • 工单1.png:事故工单截图,包含事件编号、时间、地点(柳山隧道 K36+822 杭州方向)与初步评估;
  • 事故1.png:事故现场监控照片,展示隧道内多车追尾。

智能交通大模型 TRIP 高速事故工单示例:事故编号、地点桩号与初步评估文字

操作步骤(Windows 示例,Linux/macOS 类似):

git clone https://gitcode.com/cann/its-trip
cd its-trip
python -m venv .venv
pip install -r requirements.txt

再复制密钥配置:

Copy-Item .streamlit/secrets.toml.example .streamlit/secrets.toml

在 .streamlit/secrets.toml 中填入 PADDLE_OCR_TOKEN(PaddleOCR AI Studio 部署)和 SILICONFLOW_API_KEYS,然后:

streamlit run app.py

浏览器打开 http://localhost:8501 后:

  1. 点击 使用默认示例 加载两张示例图;
  2. 在"补充文本"里填写接警补充信息,例如 现场已封闭第2车道,无人员伤亡,需要拖车;
  3. 点击 开始研判,页面会实时显示 5 个智能体的执行进度(app.py 驱动);
  4. 在"管控下发"区域查看按部门分发的任务卡片,点 下载 JSON 导出完整 PipelineResult。

运行结果会自动存入本地 runs/ 目录(trip_ai/history_store.py),之后可以在左侧"运行历史"里回放对比,方便调试。

四、进阶玩法:Skills 热插拔,不改代码调整 AI 行为

its-trip 最有意思的设计之一是 skills/ 目录:每个智能体的"工作方法"被写成一份 Markdown 文件,带 YAML front matter(名称、输入输出、依赖资源)加 Action Guide,支持热插拔,运行时可以在 UI 侧边栏直接切换。

格式说明见 skills/README.md,5 个默认技能分别是:

想换一个更严格的研判标准?复制一份 risk_assessment.default.md 改写 Action Guide 即可生效,无需改动 trip_ai/agents/ 里的 Python 代码。加载逻辑在 trip_ai/skill_loader.py。

五、更多资料与目录速览

资源 说明
README.md 完整文档:版本配套、环境准备、快速开始、目录结构
TRIP_Framework_Test_Report.md TRIP 框架在香橙派 AI Station(昇腾 310P)上的推理部署测试报告
app.py Streamlit 应用入口,含研判 UI 与运行检查器
requirements.txt Python 依赖(Python ≥ 3.10、Streamlit ≥ 1.36、pydantic ≥ 2.7)
CONTRIBUTING.md / SECURITY.md 贡献指南与安全漏洞报告渠道

写在最后

its-trip 展示了一条值得关注的路线:让交通大模型从"单点问答"走向"可验证、可执行"的闭环——OCR 负责感知、多智能体负责推理、Playbook 负责约束、JSON 载荷负责对接业务系统。对新手来说,它的代码量不大、结构清晰,非常适合用来学习"多智能体 + 结构化输出 + 技能热插拔"这套组合拳;对行业用户,它提供了高速事件处置场景一个可直接跑通的参考实现。

登录后查看全文
its-trip