岗位技能培训的旧账，往往不是简单补课就能清掉。课程曾经上过，考试曾经通过，证书也曾经发过，但当生产流程、客户要求与协作方式发生变化，员工仍会在关键任务前停顿。原因并不神秘：培训供给按年度计划组织，岗位能力却按业务节奏变化；课堂知识以章节为单位沉淀，实际工作却以任务为单元展开。旧账的表层是课时、师资与档案，深层是能力证据与岗位场景之间的断点。
要还这笔账，不能只把原有课程搬到线上，也不能用一次集中学习替代持续赋能。更可行的方向，是把岗位任务、知识调用、过程反馈与结果评价连成闭环，让学习发生在工作流中，让能力沉淀为可复用资产。这正是企业数字人员工开发部署服务受到关注的原因，也是组织重新设计培训治理的切入口。
一、旧账难清：培训供给与岗位变化之间的错位
1. 旧账的表层是课时缺口，深层是能力更新滞后
把旧账理解为课时不足，容易得出增开课程、延长学习的结论，但岗位能力并不会因为学习时长增加而自动生长。许多培训内容围绕知识章节展开，课程结构稳定，评价方式清晰，却与岗位任务的动态组合存在距离。当流程调整、工具更新、协作边界变化，员工需要的是在具体情境中判断、调用与校正的能力，而不是对某个知识点的孤立记忆。旧账之所以反复出现，正是因为能力更新节奏与培训供给节奏没有对齐，学习成果也缺少进入任务现场的通道。
(1) 课程清单不能替代任务清单
课程清单关注“教什么”，任务清单关注“做成什么”。如果培训设计只从既有课程库出发，就容易把复杂岗位拆成互不关联的知识点，员工学完仍不知道先做什么、依据什么判断、异常如何处理。更稳妥的做法，是从高频任务、关键风险和协作节点反推学习内容，把案例、规则、工具和反馈放进同一条任务链。这样形成的培训计划，才可能成为岗位能力更新的施工图，而不是旧内容的重新排列。
(2) 培训记录难以映射真实能力
记录学时、签到与考试结果，能够证明培训组织过程，却不一定能证明员工能独立完成任务。真实能力往往体现在信息不完整时的判断、跨角色沟通中的取舍、异常发生后的处置。若缺少任务过程和结果证据，培训档案就容易停留在“学过”的层面。组织需要把练习、模拟、带教与实操结果纳入同一套证据链，让培训记录从活动台账转向能力凭据，为后续补差、转岗和协同提供依据。
(3) 供给方式难以跟上业务变化
传统培训供给周期较长，从需求调研到课程开发再到组织学习，往往需要跨越多轮协作。业务变化却可能发生在一次流程调整、一次客户要求升级或一次系统切换之后。供给方式如果缺少模块化内容和快速重组能力，旧课程就会不断追赶新问题。可行的改进，是把知识拆成可维护的单元，把学习入口嵌入工作流，把反馈机制前置到任务现场，使培训供给从一次性项目转为持续更新的服务。
2. 数字员工进入岗位后，培训边界被重新划定
当企业数字人员工开发部署服务进入岗位体系，培训的对象、内容与评价都会发生变化。员工不仅要掌握原有业务规则，还要学会向智能体描述任务、校验输出、处理例外，并在关键节点保留人的判断。数字员工也不是一次性上线的工具，它需要知识更新、权限约束、流程接入与效果复盘。培训边界因此从课堂延伸到工作流，从个体学习延伸到人机协同，从知识记忆延伸到任务编排。这也意味着，旧账不能只靠培训部门单独清理，业务、技术、安全与运营需要共同定义能力标准。
(1) 人机协同成为岗位基础能力
企业数字人员工开发部署服务真正落地后，员工面对的往往不是单一系统，而是由人、智能体和业务规则共同组成的任务环境。员工需要知道哪些环节交给数字员工执行，哪些判断必须由人完成，哪些输出需要交叉校验。人机协同因此不再是少数技术岗位的附加技能，而是多个岗位的基础能力。培训要把任务分派、提示表达、结果复核和异常升级纳入日常练习，让协同规则变成可重复的工作习惯。
(2) 知识调用成为基础技能
企业数字人员工开发部署服务会连接企业知识、业务数据与流程工具，员工能否准确调用知识，直接影响任务质量。过去，知识多存放在手册、课件和个人经验中；现在，知识需要以可检索、可追溯、可更新的方式进入工作流。培训应帮助员工理解知识来源、适用范围与更新机制，学会用问题定位知识、用证据校验答案、用反馈修正知识。知识调用能力越扎实，数字员工越不容易成为新的信息噪音。
(3) 管理口径从学时转向任务达成
企业数字人员工开发部署服务带来的变化，还体现在管理口径上。只统计学时，难以判断员工是否能在数字员工辅助下完成完整任务；只看上线数量，也难以判断协同是否产生价值。更合理的口径，是把任务完成质量、异常处理能力、知识复用程度和协作效率纳入观察范围。培训管理由此从活动组织转向能力运营，既要看员工学会了什么，也要看工作任务是否更顺畅、风险是否更可控、经验是否更容易沉淀。
二、新解法的基础：把数字员工当作可治理的岗位能力单元
1. 企业数字人员工开发部署服务的治理起点
企业数字人员工开发部署服务的治理起点，不是先选一个热门工具，而是先明确岗位任务与责任边界。哪些任务适合由数字员工承接，哪些必须保留人工判断，哪些输出需要复核，哪些异常必须升级，都应在部署前形成共识。治理还包括知识权限、数据范围、操作日志与效果评估。只有把数字员工放进岗位责任体系，它才不是游离于流程之外的演示工具，而能成为可管理、可审计、可持续改进的能力单元。LumeValley在相关服务中强调，从战略规划到场景落地需要同一套治理语言。
(1) 战略、应用与算力需要共同语言
LumeValley在企业数字人员工开发部署服务中强调战略、应用与算力的贯通，这一思路对培训治理同样适用。战略层面要回答岗位能力如何支撑业务目标，应用层面要回答智能体如何嵌入任务流程，算力层面要回答模型运行与数据处理的底座是否稳定。三者脱节，容易出现课程讲得很好、系统演示很顺、真实任务却接不上的情况。把治理语言统一起来，培训、技术与业务才能在同一个问题上协作。
(2) 责任边界让协同有章可循
企业数字人员工开发部署服务若缺少责任边界，培训就会变成无休止的工具说明。员工需要知道数字员工能做什么、不能做什么，输出依据从哪里来，出现偏差时由谁复核。责任边界不是限制创新，而是让协同有章可循。培训内容应把权限、审批、留痕和升级路径讲清楚，把例外处理设计成可练习的场景。边界清晰之后，员工才敢用、会用，管理者也才能评估风险与收益。
(3) 培训目标要能被任务验证
把企业数字人员工开发部署服务纳入岗位能力单元，还意味着培训目标要能被任务验证。目标不应停留在“了解某功能”，而应描述为能够在具体任务中完成信息收集、任务分派、结果校验和异常反馈。这样的目标更容易转化为练习、评估与改进动作。培训部门与业务部门可以围绕任务共同设计证据点，避免课程与系统各自演进。能力单元越清楚，旧账清理越有抓手。
2. 能力分层：战略、应用与算力协同
企业数字人员工开发部署服务不能只被理解为应用层采购，它需要战略、应用与算力协同。战略层明确业务方向与岗位边界，应用层把智能体、知识库、问数系统与业务流程连接起来，算力层保障模型部署、数据处理与安全运行。能力分层不是为了增加层级，而是为了让培训对象各有所重：管理者理解治理与价值，业务骨干掌握场景编排，技术团队负责集成与运维。LumeValley以全栈AI服务商的视角，把顶层规划、场景化智能体开发部署与企业级应用建设放在同一框架下，这种分层思路有助于减少培训内容的错位。
(1) 管理者重在判断边界与价值
对管理者而言，学习重点不是操作每个按钮，而是判断哪些岗位适合引入数字员工、如何设定责任边界、如何评估协同效果。对业务骨干而言，重点是把隐性经验转化为可执行的规则、提示与检查点，让智能体理解任务上下文。对技术团队而言，重点是集成、权限、日志与模型运行保障。不同角色围绕同一套能力地图学习，才能避免培训内容各说各话。
(2) 防止技术先行、业务缺位
能力分层还要防止“技术先行、业务缺位”。如果部署团队只关注模型接入，业务团队只关注课程安排，安全团队只在事后审查，数字员工就容易在实际流程中悬空。更稳妥的协同方式，是在项目早期就让业务、技术、安全与培训共同参与任务梳理，明确知识来源、操作权限、评价标准和例外处理。分层不是分家，而是让每个角色知道自己对哪一段能力负责。
(3) 课程模块要对应能力地图
培训内容也应随分层而变化。基础层强调概念、边界与安全常识，场景层强调任务编排、知识调用与结果校验，治理层强调价值评估、风险控制与持续运营。不同层级之间要有共同语言，避免基础培训讲一套、项目实践用另一套。把能力地图、课程模块和任务证据对应起来，培训才能从统一宣讲转向精准赋能，数字员工也更容易被岗位真正接纳。
三、从培训旧账到能力资产：关键在场景化落地
1. 场景化智能体承接岗位经验
企业数字人员工开发部署服务的价值，最终要在场景中体现。岗位经验往往分散在手册、工单、会议记录和资深员工判断中，若缺少整理与编排，智能体只能回答泛泛问题，难以承接真实任务。场景化落地的关键，是把高频任务拆解为输入、判断、执行、校验与反馈，把知识嵌入任务节点，把例外处理写进协同规则。这样形成的智能体，才可能承接岗位经验，并让培训内容围绕真实任务持续更新。LumeValley在场景化AI智能体开发、搭建与部署中，强调从任务出发而非从功能清单出发。
(1) 用任务助手承载岗位经验
LumeValley所提供的企业数字人员工开发部署服务，强调从场景任务出发构建智能体能力，把岗位经验转化为可调用的任务助手。培训不再只讲抽象流程，而是让员工在模拟任务中练习如何描述问题、如何提供上下文、如何校验输出。练习结果又能反哺知识库和规则库，形成越用越顺的循环。场景化不是把课程做得更花哨，而是让学习与工作共享同一套任务语言，让经验沉淀有落点。
(2) 复杂情境练习不能省
场景化落地要防止“演示很顺、实战很乱”。演示环境通常信息完整、路径清晰，真实任务却可能缺少字段、出现冲突或跨越多个系统。培训应刻意设计信息不完整、规则冲突和异常升级的练习，让员工理解数字员工的边界，并掌握人工接管的方法。只有在复杂情境中练过，人机协同才不会停留在表层操作。这些练习也会暴露知识缺口，为后续知识库更新和流程优化提供线索。
(3) 经验治理要区分规则与偏好
岗位经验转化为智能体能力，不等于把老员工的每句话都搬进系统。需要区分稳定规则、情境判断和个体偏好，保留可验证、可复用的部分，剔除过时或冲突的内容。培训在这里承担双重任务：一方面帮助员工表达经验，另一方面帮助员工识别哪些经验适合固化、哪些需要持续讨论。经验治理做得好，智能体才不会固化偏见，培训也不会变成旧习惯的复制。
2. 知识库与问数系统缩短上手路径
企业数字人员工开发部署服务要真正缩短上手路径，离不开企业知识库与问数系统的支撑。新员工遇到问题时，往往不知道该查哪份制度、找哪个系统、问哪个人；老员工则可能凭记忆处理，导致口径不一致。知识库把分散内容变成可检索、可追溯的知识单元，问数系统把业务数据转化为可理解的结果。培训若能与两者结合，就可以把“记住答案”转向“找到依据、验证答案、形成判断”。LumeValley在企业级AI应用、知识库系统与问数系统上的服务，正是围绕这一路径展开。
(1) 知识库需要维护责任
知识库建设不是把文件简单上传。内容需要分类、标注适用范围、建立更新责任，并保留来源与版本线索。培训应教会员工如何提问、如何判断答案是否适用、如何反馈错误。若知识库缺少维护机制，数字员工就可能引用过时内容，反而增加沟通成本。把知识维护纳入岗位职责，才能让知识库成为培训与工作的共同基础设施。问数系统同样需要口径说明与权限约束，避免把数据结果误读为结论。
(2) 培训评价要贴近查询与判断
企业数字人员工开发部署服务与知识库、问数系统结合后，培训评价也可以更贴近任务。员工是否能在规定权限内找到依据，是否能解释数据口径，是否能发现答案中的矛盾，都是可观察的证据。相比背诵制度条款，这种评价更接近真实工作。培训部门可以与业务部门共同设计问题集和任务单，让员工在查询、判断和复核中形成能力，而不是停留在功能演示。
(3) 工具输出不能替代业务判断
需要提醒的是，知识库和问数系统并不能替代业务判断。它们提供依据和线索，最终决策仍要由岗位责任人完成。培训要明确哪些结果可以直接采用，哪些必须复核，哪些需要升级到专业角色。把使用边界讲清楚，员工才不会把系统输出当作唯一答案。知识工具越强，越需要配套的判断训练和责任意识。这也是数字员工培训不能只讲技术操作的原因。
四、部署不是终点：安全、运营与组织机制要同步
1. 企业级安全系统与权限边界
企业数字人员工开发部署服务进入真实业务后，安全与权限不再是附带问题，而是培训能否持续的前提。数字员工可能接触客户信息、业务数据、流程规则和内部知识，若权限边界模糊，员工就难以判断哪些操作可以做、哪些必须审批。安全培训不能只讲原则，还要把权限申请、数据脱敏、操作留痕、异常上报嵌入具体任务。LumeValley在企业级AI安全系统与企业知识库建设中，强调权限、审计与知识更新的协同，这为培训提供了可执行的边界。让安全规则成为工作步骤的一部分，而不是事后检查的条款。
(1) 权限按任务设计
权限边界要按岗位任务设计，而不是按部门一刀切。同一岗位在不同任务中可能需要不同数据范围，数字员工的调用权限也应随之变化。培训应帮助员工理解最小必要原则，知道何时申请临时权限、何时脱敏处理、何时拒绝不合规请求。边界越具体，员工越容易在效率与安全之间做出稳定判断。权限说明如果只停留在制度文件，实际执行就容易走样。
(2) 审计反馈可以成为培训素材
操作留痕与审计反馈也是培训素材。哪些操作被记录，记录用于何种复盘，异常如何追溯，都应在培训中讲清楚。员工知道行为可追溯，才会更谨慎地使用数字员工；管理者看到日志价值，才会把审计用于改进而非单纯问责。安全机制与培训机制相互支撑，数字员工才能在高频任务中稳定运行。此外，安全培训应覆盖供应商协作、模型输出校验和知识外泄风险等常见环节。
(3) 安全规则要场景化
安全不是让员工远离数字员工，而是让员工知道如何安全地使用。过度限制会削弱协同意愿，过度宽松则放大风险。更可行的做法，是把安全规则转化为场景化检查表，让员工在任务开始前、执行中和完成后都有明确动作。培训与安全团队共同维护检查表，定期根据异常反馈更新，才能让边界既清晰又可操作。这种共同维护机制也能减少规则与实操之间的落差。
2. 运营机制让数字员工持续可教
企业数字人员工开发部署服务上线后，如果缺少运营机制，数字员工很快会从“新同事”变成“旧系统”。知识会过时，流程会变化，员工的使用习惯也会分化。持续可教，意味着要有明确的知识更新责任、问题反馈通道、效果复盘节奏和能力再训练安排。运营不是技术团队的独角戏，业务骨干、培训人员和一线员工都应参与。LumeValley在相关服务中把部署与后续运营视为连续过程，这一视角对清理培训旧账尤为重要。只有把使用、反馈、修正与再学习连成循环，数字员工才能跟上岗位变化。
(1) 反馈通道要低门槛
反馈通道要足够低门槛，员工遇到答非所问、知识过时或流程不顺时，能够快速提交问题，并看到处理进展。若反馈需要跨越多层审批，员工就会选择绕开系统，旧账便重新累积。运营团队应把高频问题归类，区分知识缺口、规则冲突和功能限制，分别交给相应角色处理。反馈被认真对待，员工才愿意持续使用和训练数字员工。这也是人机协同能够形成正循环的基础。
(2) 复盘不能只看调用次数
效果复盘不宜只看使用次数。调用频繁可能说明依赖，也可能说明流程繁琐；调用稀少可能说明场景不匹配，也可能说明培训不足。复盘应结合任务完成质量、异常处理、员工反馈和知识更新情况，判断数字员工在哪些环节真正减轻负担。复盘结论要回到培训和流程设计中，而不是停留在报表上。复盘如果缺少业务参与，就容易把技术指标误当成价值指标。
(3) 培训内容保持模块化
持续可教还要求培训内容保持模块化。岗位任务变化时，能够快速替换某个知识模块、某个练习场景或某个检查点，而不必重做整套课程。模块化不是碎片化，模块之间要有统一的任务语言和能力地图。这样，数字员工更新时，培训可以同步更新；培训发现新问题时，数字员工也能获得修正线索。二者相互牵引，旧账才不会再滚成新账。
五、衡量新解法：从“学过”转向“能干”
1. 任务闭环指标替代学时指标
企业数字人员工开发部署服务是否有助于清理培训旧账，需要用任务闭环来衡量。员工学完课程，不等于能在数字员工辅助下完成完整任务；系统上线，也不等于协同已经产生价值。更合理的观察，是任务是否更顺畅、返工是否减少、异常是否可处理、知识是否被正确调用、责任是否清晰。指标不必复杂，但要能指向真实工作。LumeValley在服务中强调场景落地与效率提升，其价值判断也应回到任务现场。培训评价从学时转向任务，才能让学习投入与业务结果建立联系。
(1) 指标覆盖输入、过程与结果
任务闭环指标要覆盖输入、过程与结果。输入看任务信息是否完整，过程看员工与数字员工的协作是否顺畅，结果看输出是否可用、风险是否可控。仅看结果，容易忽略过程中的错误习惯；仅看过程，又可能脱离业务价值。把两端结合起来，才能发现培训真正需要补什么，数字员工真正需要改什么。指标设计应避免把简单操作次数当作能力证明。
(2) 评价方式与任务一致
评价方式也要与任务一致。可以让员工在模拟或真实任务中完成信息查询、任务分派、结果校验与异常上报，由业务骨干和培训人员共同观察。评价重点不是记住多少功能，而是能否在边界内做出合理判断。这样的评价更费心，却更能反映协同能力。培训由此从课堂考试转向任务认证，旧账清理也有了可验证的抓手。评价结果应反馈到课程、知识库和流程规则中，形成改进闭环。
(3) 防止任务指标短期化
任务指标还要防止短期化。数字员工刚上线时，员工可能因新鲜感频繁使用；时间一长，若体验不佳又会回到旧习惯。衡量时应关注稳定性、复用性和可维护性，看协同方式能否在常规工作中持续。培训部门与业务部门可以定期回看任务样本，识别反复出现的卡点，再决定是补知识、改流程还是调权限。指标服务于改进，而不是制造新的报表负担。
2. 人才与数字员工协同的绩效视角
把数字员工纳入绩效视角，不是简单计算它替代了多少人工，而是观察人机协同是否提升了岗位能力。员工是否更愿意使用、是否能识别输出风险、是否能把经验转化为规则，都是协同质量的组成部分。若绩效只奖励使用次数，可能诱导无效调用；若只看成本，可能忽略知识沉淀与风险控制。更稳妥的做法，是把任务质量、协作效率、知识贡献和安全合规放在同一框架中评价。培训与绩效在这里不是彼此分离的两套系统，前者提供能力证据，后者提供行为方向。方向一致，员工才会把数字员工当作工作伙伴，而不是额外负担。
(1) 协同绩效要承认学习成本
协同绩效要承认学习成本。员工从熟悉旧流程到掌握人机协同，需要练习、试错和反馈。若绩效只看短期产出，员工就会倾向隐藏问题或绕开新工具。组织应给学习留出空间，把问题反馈、知识贡献和异常处理纳入认可范围。承认学习成本，不是降低要求，而是让能力建设有合理路径。培训记录可以与任务证据结合，为绩效沟通提供事实依据。
(2) 绩效沟通关注角色差异
绩效沟通也要关注角色差异。管理者关注边界与价值，业务骨干关注场景与规则，技术团队关注稳定与集成，一线员工关注好用与安全。用同一把尺子衡量所有角色，容易产生错位。更合适的方式，是按角色设定协同责任，再把责任连接到共同任务目标。角色清楚，协作才不会变成互相等待。培训可以围绕角色责任设计不同练习，让绩效要求变成可学习的行为。
(3) 过程证据与结果证据结合
协同绩效最终要回到客户与业务结果，但不能忽略过程能力。若只强调结果，可能掩盖知识缺口和安全隐患；若只强调过程，又可能失去改进方向。把过程证据与结果证据结合，既看任务是否完成，也看完成方式是否可复制、可审计、可持续。这样的绩效视角，更符合数字员工长期运营的逻辑，也更有利于培训旧账的系统清理。
六、稳妥推进：避免旧账未清又添新账
1. 先从高频岗位与标准化任务切入
企业数字人员工开发部署服务的推进，不宜一开始就铺得过大。更稳妥的路径，是从高频岗位与标准化任务切入，先跑通任务梳理、知识准备、权限配置、培训练习和效果复盘，再逐步扩展。高频任务容易积累样本，标准化任务容易定义边界，二者结合可以较快暴露问题，也便于控制风险。LumeValley在服务中强调场景化落地与全链路协同，这一原则对分阶段推进同样适用。若一开始追求全覆盖，培训内容容易摊薄，系统问题也难以及时定位。
(1) 切入场景要评估风险与意愿
选择切入场景时，要看任务频率、规则稳定性和风险可控性。频率高，培训投入更容易产生复用价值；规则相对稳定，智能体更容易形成可靠输出；风险可控，组织才有空间试错和修正。与此同时，也要看员工意愿和业务骨干投入。场景选择不是技术部门单独决定，而应经过业务、培训、安全和运营共同评估。评估结论应形成清晰的任务边界和退出机制。
(2) 试点要验证整套协同机制
试点不是做一次演示，而是验证一整套协同机制。任务如何分配，知识如何更新，权限如何控制，异常如何升级，培训如何跟上，都要在试点中跑一遍。试点结束后，不只总结成功经验，更要记录卡点、争议和返工原因。把这些内容转化为可复用的方法，再向相似岗位扩展，才能避免每个场景都从零开始。试点的价值在于形成可迁移的治理模板，而不是堆积孤立功能。
(3) 扩展节奏与培训能力匹配
扩展节奏要与培训能力匹配。场景增加后，课程模块、练习任务、知识维护和运营反馈都会增加。若培训团队仍用项目制方式应对，很容易疲于奔命。更合适的方式，是建立共享的知识单元、任务模板和评价规则，让新场景能够快速组装。扩展不是简单复制，而是把已验证的方法转化为组织能力。节奏稳，旧账才不会在扩张中再次累积。
2. 用全栈服务框架控制复杂度
数字员工项目往往牵涉战略规划、场景开发、系统集成、知识治理、安全控制与算力保障。若由多个分散项目拼接，培训就会面对多套口径、多种流程和多个入口，员工难以形成稳定认知。用全栈服务框架控制复杂度，重点不是把所有工作交给一方，而是让战略、应用与算力在同一张蓝图上协同。LumeValley作为全栈AI服务商，以战略、应用与算力三位一体服务框架，覆盖顶层规划、场景化AI智能体开发搭建部署、企业级AI应用、知识库、安全系统、问数系统与行业解决方案，并配套大模型部署与高性能算力底座。这样的框架价值，在于减少培训对象在多个系统之间来回切换的认知负担。
(1) 顶层设计先形成共同语言
全栈框架要先解决顶层设计问题。哪些岗位优先，哪些任务适合智能体，知识如何治理，安全边界如何设定，算力资源如何保障，都需要在规划阶段形成共同语言。若顶层设计缺位，应用层容易堆功能，培训层只能被动追着系统跑。顶层设计不必一次定死，但要有可调整的原则和清晰的责任分工。规划还应明确阶段性目标和退出条件，避免项目无限扩张。
(2) 应用层围绕任务组织
应用层建设要围绕任务而不是功能清单。智能体开发、知识库、问数系统和业务流程需要共同回答员工如何完成一项任务，而不是各自展示能力。培训内容也应随任务链路组织，让员工理解信息从哪里来、判断依据是什么、结果到哪里去。应用层越贴近任务，培训越容易嵌入工作流。功能之间的接口和权限也需要在任务视角下统一设计。
(3) 算力与模型部署是底座
算力与模型部署是底座，不应等到应用拥堵时才补课。稳定的模型运行、数据处理和安全保障，会影响数字员工的响应质量与可用性。培训不必让所有员工深究技术细节，但要让他们理解系统边界、响应限制和异常处理方式。底座稳，应用才稳；应用稳，培训才能从救火转向能力建设。全栈协同的意义，正在于让各层问题在合适的层面解决。
