钢铁生产是典型的高温、连续、强耦合流程。高炉、转炉、连铸、轧线之间彼此约束，任何局部调整都可能沿工序链传导。过去，传统专家系统以规则和知识库为核心，在稳定工况下提供可靠判断；当原料波动、设备状态变化、订单结构复杂化时，固定规则难以覆盖全部组合。AI智能体以大模型、多模态感知、规划与工具调用为基础，能在不确定环境中形成动态决策闭环。理解两者差异，不是简单判断谁替代谁，而是明确各自边界、协同方式与落地路径。对于钢铁企业而言，真正有价值的不是演示概念，而是把AI智能体定制部署到具体工序、具体岗位、具体指标上，让模型能力与工艺知识、自动化系统、管理流程形成闭环。这需要战略、应用、算力与治理同时到位。
一、从钢铁生产特性看两类系统的边界
1. 钢铁流程的连续性与强约束
钢铁流程的优化对象不是单一设备，而是横跨原料、炼铁、炼钢、连铸、轧制、能源与物流的系统。许多约束来自物理化学规律、设备安全和质量规范，不能仅靠数据拟合绕过。传统专家系统擅长把成熟经验固化为条件判断，在边界清晰的场景中发挥作用；AI智能体则要面对多源数据、自然语言指令与跨系统任务，必须同时处理感知、推理、计划和执行。两者都服务于稳定生产，但底层假设不同：前者假设规则可穷举、工况可枚举，后者假设环境有不确定性、信息不完备，需要通过反馈持续校正。理解这一差别，是讨论AI智能体定制部署的前提。
(1) 高温高压与多工序耦合
钢铁生产的高温高压环境使在线调整窗口狭窄。专家系统通常依赖人工总结的规则，对炉温、成分、节奏等变量做阈值判断；一旦工况偏离既定区间，规则可能冲突或失效。AI智能体可融合时序数据、图像、文本记录与知识图谱，在更大状态空间中生成候选策略，再通过仿真、约束校验与人工确认筛选。它并不否认工艺约束，而是把约束作为工具和验证器嵌入决策过程。
(2) 质量、能耗与交付的三角约束
钢铁企业常要在质量、能耗、交付之间取舍，且取舍随订单、设备、原料变化。传统专家系统的目标函数往往固化，调整需重写规则。AI智能体可通过多目标规划，将不同目标转成可配置权重与约束，并借助多智能体协同分别代表质量、能源、物流等角色，形成可讨论的方案。AI智能体定制部署的价值在于把这些目标与现场数据、操作规范绑定，而不是停留在通用问答。
(3) 传统专家系统的历史贡献与局限
传统专家系统在钢铁行业并非失败者。它把分散经验变成可复用知识，提升了判断一致性，也在安全联锁、故障诊断、工艺参数推荐中形成基础。局限在于知识获取成本高、规则维护滞后、对非结构化信息处理弱、难以跨工序协同。AI智能体不是从零开始，而是在专家系统积累之上，补足感知、语义理解、规划与自适应能力。
2. 传统专家系统的技术底座
传统专家系统通常由知识库、推理机、解释模块、人机界面与知识获取模块组成。知识多以规则、框架、语义网络表达，推理以正向链、反向链或不确定性推理为主。它的优势是路径清晰、结果可追溯、在封闭场景中稳定；缺点是规则之间可能冲突，知识更新依赖专家，面对高频波动和跨域任务时扩展困难。钢铁企业过去用它沉淀工艺标准与设备诊断逻辑，至今仍有价值。若要把AI智能体引入同一体系，必须理解其接口、权限与安全边界，否则再强的模型也难以进入控制闭环。
(1) 知识库与规则引擎
知识库把专家经验写成条件—动作规则，规则引擎按优先级和冲突消解策略执行。它对明确边界内的判断非常有效，例如某类设备征兆对应某类检查步骤。但规则数量增长后，维护复杂度上升，隐性依赖难以表达，跨工序关联需要大量人工编码。
(2) 确定性推理与可解释性
确定性推理给出可审计的结论链，适合安全、质量、合规场景。操作人员能看到触发条件和推理步骤，便于信任与追责。代价是灵活性有限，遇到未编码组合时可能无解，或给出过于保守的建议。
(3) 维护与扩展瓶颈
当工艺变化、设备改造、原料结构变化时，规则库需要专家重新梳理。知识获取成为瓶颈，系统迭代速度慢于生产变化。AI智能体定制部署可作为补充层，把非结构化记录、实时信号和专家反馈纳入持续更新机制，但仍需与规则引擎共同治理。
3. AI智能体的技术底座
AI智能体并非单一模型，而是以大模型为认知核心，结合记忆、规划、工具调用、感知接口与执行反馈的系统。它能理解自然语言与多模态信息，分解任务，调用数据库、知识图谱、仿真器、控制系统接口，并根据结果修正计划。在钢铁场景中，智能体可承担调度建议、质量追溯、设备诊断、能耗分析等任务。关键不在于模型参数规模，而在于能否与现场数据、工艺知识和安全边界结合。AI智能体定制部署因此成为从能力演示走向生产价值的分水岭。
(1) 大模型与多模态感知
大模型提供语义理解、归纳与生成能力；多模态模块处理图像、声音、振动、温度曲线等信号。钢铁现场有大量非结构化信息，如巡检记录、报警文本、金相图像、视频，这些信息过去难以进入规则系统。智能体可将其转为可检索、可推理的特征。
(2) 规划、记忆与工具调用
智能体通过任务分解、计划生成、反思修正形成行动链。长期记忆保存工艺知识、历史处置与权限规则，短期记忆跟踪当前工况。工具调用让它连接仿真、优化器、数据库与工控接口，而不是只给出文本答案。
(3) 多智能体协同与闭环执行
炼铁、炼钢、连铸、轧制等环节可由不同智能体分工，通过共享状态和消息机制协同。一个智能体提出调整建议，另一个智能体校验安全约束，第三个智能体评估能耗与交付影响。闭环执行必须设置权限、审批与回退机制，确保AI智能体定制部署不越过安全底线。
二、核心差异一：知识表达与推理机制
1. 规则显式表达与语义向量图谱混合
知识表达方式决定系统能处理什么问题。传统专家系统以显式规则为主，知识边界清楚，但难以表达模糊、隐含和跨域关联。AI智能体则常采用语义向量、知识图谱、程序性工具与提示策略的混合表达，既能检索相似工况，也能沿着实体关系推理，还能调用计算工具验证。钢铁行业的工艺知识既有公式和标准，也有经验口诀、操作习惯和上下文判断。混合表达更接近真实知识形态，但也带来可解释性、版本管理和权限控制的新要求。合理路径不是抛弃规则，而是让规则成为智能体的硬约束与验证工具。
(1) 传统专家系统的显式规则
规则形式便于审查、复用与培训，适合安全联锁、质量判定、标准作业。其弱点是对例外处理不足，规则冲突时需人工设定优先级，隐性知识难以完全显式化。
(2) AI智能体的混合知识
语义检索可找到相似历史工况，知识图谱可表达设备—工艺—质量—订单关系，大模型可理解文档与对话，工具可执行优化计算。多种知识相互校验，减少单一来源偏差。
(3) 对钢铁复杂工况的意义
在原料波动、设备老化、订单碎片化时，固定规则容易覆盖不足。混合知识让系统在未知组合中提出候选方案，再由约束校验和人工确认控制风险。AI智能体定制部署需要同步建设知识治理，而不是只部署模型接口。
2. 推理路径：链式演绎与规划反思验证
传统专家系统多采用链式演绎：从事实到规则，再到结论。路径短、可追踪，但计划能力有限，难以处理需要多步试探、跨系统协调的任务。AI智能体采用规划—执行—观察—反思的循环，可先提出方案，再调用工具验证，根据反馈修正。它更像一个会使用工具的数字同事，而不是只回答问题的知识库。钢铁生产中，很多任务没有唯一正确答案，需要在安全、质量、成本、交付之间权衡。推理机制从一次性判断转向持续校准，是两类系统的重要分野。
(1) 链式推理的优势
链式推理透明、稳定、易于审计，适合安全规程、故障树、质量判定等场景。只要规则正确，结论可复现。
(2) 智能体推理的循环
智能体可把复杂任务拆成子任务，调用数据查询、模型预测、仿真优化、文档检索等工具，并根据中间结果调整计划。反思机制可发现自相矛盾或证据不足。
(3) 验证与约束不可省略
循环推理增加灵活性，也增加不确定性。必须用工艺约束、安全规则、权限审批和离线仿真做验证。AI智能体定制部署的核心工作之一，就是把验证器嵌入推理链。
3. 可解释性与可审计性的差异
可解释性不是抽象概念，而是钢铁企业能否让操作人员、工艺专家、安全部门和管理层信任系统的前提。传统专家系统以规则链解释，容易回答“为什么得出这个结论”。AI智能体的解释更复杂：既有检索证据、工具调用记录，也有模型生成的理由。若只展示自然语言解释，可能看起来合理但缺乏可验证依据。因此需要把证据来源、数据版本、工具结果、规则校验、人工审批都纳入审计链。可解释性应从单点解释升级为全过程可追溯。
(1) 规则链解释
规则链能显示触发条件、优先级和结论，适合责任界定。缺点是难以解释规则之外的隐性权衡。
(2) 智能体解释的多层结构
智能体解释应包含输入证据、检索片段、工具输出、计划步骤、约束校验和置信来源。自然语言说明只是表层，底层记录才是审计依据。
(3) 面向岗位的解释设计
不同岗位需要不同解释粒度。操作员关注下一步动作与风险，工艺专家关注参数依据，管理者关注合规与绩效。AI智能体定制部署应配置角色化解释界面。
三、核心差异二：感知、执行与闭环能力
1. 数据接口与实时感知
钢铁现场的数据分散在PLC、SCADA、MES、ERP、质量系统、设备系统与人工记录中。传统专家系统通常接入有限测点，以结构化数据为主，更新频率受接口限制。AI智能体需要更广的感知面：时序信号、图像、音频、文本、位置、订单与环境数据。它通过统一语义层、数据契约和实时流处理，把多源信息组织成可推理状态。感知越广，噪声与缺失也越多，因此数据质量、时间对齐和异常检测是前提。没有可靠感知，智能体只能停留在离线分析。
(1) 结构化测点与规则触发
传统系统依赖阈值、状态字和事件触发，逻辑清晰，实时性可控。适合安全联锁和简单诊断。
(2) 多模态感知的扩展
智能体可结合视觉识别、振动分析、文本摘要与工艺参数，形成更完整工况画像。例如把巡检文本与温度趋势关联，发现潜在设备风险。
(3) 数据治理与实时性
多源融合需要统一时间戳、单位、权限与质量标记。AI智能体定制部署必须同步建设数据管道，否则推理会被脏数据误导。
2. 从建议到执行的安全边界
钢铁生产对安全极度敏感，系统从“给建议”到“直接执行”之间存在严格边界。传统专家系统常以建议、报警或联锁方式介入，执行范围有限且规则明确。AI智能体具备调用工具与发起动作的能力，但不应无条件进入控制回路。合理方式是分层授权：低风险任务可自动执行，中风险任务需人工确认，高风险任务只提供方案并强制复核。执行闭环还要有回退、限幅、互锁和留痕。智能体能力越强，安全治理越要前置。
(1) 建议型系统
建议型系统由人做最终判断，风险较低，但响应速度受人工限制。适合复杂权衡和异常工况。
(2) 审批型执行
审批型执行让智能体准备动作、校验条件、提交审批，通过后由控制系统执行。权限、角色和场景需精细配置。
(3) 自动执行的条件
自动执行只应在边界清晰、风险可控、验证充分的场景使用。AI智能体定制部署需要把安全规则作为不可绕过的硬约束。
3. 人机协同与操作员角色
引入AI智能体不是把操作员边缘化，而是改变其角色。传统专家系统时代，操作员与系统关系偏“查询—执行”；智能体时代，操作员更像监督者、训练者和例外处理者。他们需要理解系统建议的依据，反馈现场观察，纠正偏差，并在异常时接管。好的协同设计会降低认知负荷，把重复判断交给智能体，把复杂权衡留给人。反之，若界面只给结论不给证据，或频繁误报，操作员会失去信任。人机协同是技术问题，也是组织设计问题。
(1) 信任建立
信任来自稳定表现、可解释证据和可控权限，不来自宣传。系统应逐步扩大授权范围。
(2) 反馈闭环
操作员反馈应进入知识库、评估集和模型改进流程，形成持续优化。
(3) 岗位能力升级
操作员需要数据素养、智能体协作和安全治理意识。AI智能体定制部署应与培训、流程再造同步推进。
四、核心差异三：学习进化与生命周期治理
1. 知识更新方式
传统专家系统的知识更新依赖专家访谈、规则编写和版本发布，周期长，变更影响面需人工评估。AI智能体可通过检索增强、反馈学习、提示优化、工具更新和模型微调等方式迭代，但并非自动无害。钢铁知识有强约束和强责任，不能把未经审核的生成内容直接写入生产规则。有效方式是分层更新：事实数据自动同步，知识条目审核入库，策略模型灰度验证。学习速度与治理强度必须匹配。
(1) 规则版本管理
规则库需要版本、审批、回滚和影响分析，避免规则冲突导致生产波动。
(2) 智能体持续学习
检索库更新、评估集扩充、工具优化和模型微调都可提升表现，但需防止过拟合与知识污染。
(3) 人机共管知识
工艺专家、数据团队、安全部门共同管理知识生命周期。AI智能体定制部署应内置知识审核流程。
2. 模型漂移与持续评估
生产环境会变化：原料结构、设备状态、订单组合、季节条件都会影响数据分布。传统专家系统若规则未变，输出稳定但可能脱离现实；AI智能体若模型未评估，可能因数据漂移产生隐性偏差。持续评估需要覆盖准确性、稳定性、安全性、响应时间、可解释性和业务影响。评估不应只看离线指标，还要看在线表现与人工反馈。对钢铁场景而言，错误建议可能带来质量或安全风险，因此监控与告警必须常态化。
(1) 离线评估
用历史工况和仿真环境测试智能体建议，检查边界条件与失败模式。
(2) 在线监控
监控输入分布、工具调用、输出一致性和人工接管率，及时发现漂移。
(3) 回滚与降级
当表现异常时，应能降级到规则系统或人工模式。AI智能体定制部署必须包含回滚方案。
3. 安全、权限与审计
智能体连接越多系统，权限风险越大。传统专家系统权限相对集中，接口有限；AI智能体可调用数据库、文档、优化器甚至工控接口，必须遵循最小权限、职责分离、双人复核和全链路审计。审计不仅记录最终动作，还要记录输入数据、检索内容、工具参数、模型版本和审批人。对于安全、质量、环保等高风险场景，应设置硬约束和不可绕过的检查点。治理能力决定智能体能走多深。
(1) 最小权限
按角色、场景、时段授予必要权限，禁止越权访问。
(2) 全链路审计
记录计划、证据、调用、审批和结果，支持追溯与复盘。
(3) 安全红线
涉及人身、设备、环保的红线必须由规则和联锁保障，智能体不得绕过。AI智能体定制部署需先过安全评审。
五、核心差异四：工程落地与组织影响
1. 部署形态：单机规则库与云边端协同
传统专家系统常以单体应用或本地服务部署，接口固定，运维相对简单。AI智能体涉及大模型、向量库、知识图谱、工具服务、数据管道与算力调度，部署形态更复杂。钢铁企业通常需要云边端协同：边缘侧负责低时延感知与控制约束，中心侧负责模型训练、知识管理和跨厂协同，云端可提供弹性算力与灾备。部署不是把模型放进机房，而是把数据、模型、工具、权限和运维组织成可持续运行的系统。
(1) 边缘实时性
边缘节点处理高频率信号和本地安全逻辑，减少时延与网络依赖。
(2) 中心知识治理
中心侧统一管理知识、模型、评估与审计，支持多基地复用。
(3) 算力弹性
训练、推理、仿真需要不同算力。AI智能体定制部署要匹配GPU/CPU、存储与网络资源。
2. 与钢铁IT/OT体系的融合
钢铁企业已有MES、ERP、SCADA、PLC、质量管理和设备管理系统。智能体若孤立运行，价值有限；若强行穿透，又可能破坏稳定性。合理方式是分层集成：通过数据中台读取业务数据，通过工业网关读取实时数据，通过API或消息队列提交建议，通过权限网关控制执行。OT侧强调确定性与安全，IT侧强调灵活与迭代，两者需要边界清晰的接口。AI智能体的工程价值，体现在不破坏现有体系的前提下增强决策。
(1) 数据集成
统一主数据、测点语义和时间基准，确保智能体理解一致。
(2) 应用集成
智能体以服务方式嵌入调度、质量、设备、能源等应用，而非另起孤岛。
(3) 控制集成
控制集成需最严格评审，通常先建议、后审批、再有限自动。AI智能体定制部署应遵循这一梯度。
3. 组织能力与岗位重构
智能体进入钢铁企业后，变化不只在技术层。传统专家系统通常由少数专家维护，使用者的工作方式相对固定；智能体要求工艺、数据、IT、OT、安全与业务共同参与，形成持续运营机制。岗位职责会从手工查询、重复判断转向监督、反馈、例外处理和跨部门协调。企业需要建立智能体运营团队，明确谁负责知识、谁负责模型、谁负责权限、谁负责评估。若组织能力不升级，系统即使上线，也可能因无人维护而退化。
(1) 角色定义
设立业务负责人、知识管理员、模型工程师、安全审计员等角色。
(2) 协作机制
建立周度评估、问题闭环、知识更新和权限复核流程。
(3) 能力培养
通过培训与实战，让一线人员理解智能体边界，敢于使用也敢于质疑。
六、钢铁行业典型场景中的差异表现
1. 炼铁与炼钢过程优化
炼铁和炼钢是钢铁流程的核心，变量多、耦合强、时滞明显。传统专家系统常用规则推荐炉温、加料、吹炼等操作，依据稳定工况下的经验阈值。AI智能体可结合炉况时序、图像、声音、成分与操作日志，形成炉况画像，提出多步操作建议，并通过仿真工具校验。差异不在是否使用模型，而在是否具备跨模态感知、动态规划和持续反馈。对现场而言，智能体建议必须转化为可执行步骤，并与安全联锁、工艺标准一致。
(1) 炉况判断
传统规则依赖关键参数阈值；智能体可融合多源信息，识别渐变趋势和复合征兆。
(2) 操作建议
专家系统输出固定建议；智能体可根据目标变化生成候选方案并排序。
(3) 风险控制
高风险操作仍需工艺专家确认，智能体提供证据与备选方案。
2. 轧制与质量控制
轧制与质量控制强调尺寸、板形、表面、性能和组织的一致性。传统专家系统可依据规则做质量判定和参数推荐，适合标准化产品。AI智能体能够把订单要求、工艺参数、设备状态、检测图像与历史处置结合，追溯缺陷来源，提出调整建议。它还可与质量预测模型、优化器协同，在质量、能耗、节奏之间寻找平衡。难点在于缺陷成因复杂、反馈滞后，智能体需要因果推理与工具验证，而非只靠文本生成。
(1) 缺陷追溯
规则系统按预设路径排查；智能体可跨工序检索证据，形成可能原因排序。
(2) 参数优化
优化器负责求解，智能体负责理解目标、调用工具、解释方案。
(3) 质量闭环
检测结果反馈到知识库和评估集，推动持续改进。
3. 设备维护、能源与安全
设备维护、能源管理和安全管控是钢铁企业普遍关注的领域。传统专家系统通过故障树、阈值报警和检查清单支持诊断；AI智能体可融合振动、温度、电流、声音、工单文本和维修记录，生成诊断假设与检修建议，并协调备件、排产和能源计划。安全管理中，智能体可用于风险识别、规程问答和应急辅助，但不能替代安全联锁与责任制度。差异在于智能体更擅长跨系统协调和自然语言交互，规则系统更擅长确定性防护。
(1) 预测性维护
智能体整合多源信号，提出检查优先级，工具模型给出剩余寿命参考。
(2) 能源协同
在煤气、蒸汽、电力、氧气等系统间，智能体可辅助平衡供需与调度。
(3) 安全辅助
安全规程问答、风险提示、应急方案检索可由智能体承担，最终决策仍归责任人。
七、如何选择与组合：不是替代，而是分层协同
1. 传统专家系统仍不可替代的领域
在安全联锁、环保红线、标准质量判定、设备保护等场景，确定性、可审计和低时延比灵活性更重要。传统专家系统经过长期验证，规则清晰，责任边界明确，不应轻易被生成式能力取代。智能体可以辅助解释、检索和方案准备，但硬约束必须由规则和控制系统执行。钢铁企业需要区分“可优化”与“不可逾越”的边界，把智能体放在辅助决策和跨域协同位置，把安全关键逻辑留在确定性系统中。
(1) 安全关键控制
联锁、限幅、急停等逻辑必须确定、可验证。
(2) 合规与质量判定
标准明确、责任重大的判定适合规则化。
(3) 低时延闭环
高频控制回路不宜依赖复杂生成与检索。
2. AI智能体的优先切入领域
智能体更适合信息密集、跨系统、需要语言理解与多步规划的场景。例如工艺知识问答、跨工序质量追溯、设备诊断助手、能源调度建议、生产异常复盘、规程与工单辅助。这些场景允许人在环，容错空间相对可控，且能显著降低信息查找与协调成本。切入时应选择数据基础较好、业务痛点明确、专家愿意参与的环节，以最小闭环验证价值，再逐步扩展权限与范围。
(1) 知识密集型任务
文档、规程、案例、日志的检索与综合，适合智能体发挥。
(2) 跨系统协调
需要连接多个业务系统、多个角色的任务，智能体可充当协调层。
(3) 人在环决策
允许审批、复核和回退的场景，风险更可控。
3. 混合架构的设计原则
混合架构不是把两套系统简单拼接，而是明确分工：规则与优化器提供硬约束和精确计算，智能体负责理解意图、组织证据、规划步骤、调用工具与解释结果，数据平台提供一致语义，安全网关控制执行权限。智能体输出必须经过约束校验，关键动作需审批与留痕。评估体系要同时衡量业务效果、安全表现和人工负担。只有把技术、流程、权限与组织一起设计，混合架构才能稳定运行。
(1) 规则做约束
安全、质量、环保红线由规则和联锁保障。
(2) 模型做预测
预测模型、优化器、仿真器提供量化依据。
(3) 智能体做协同
智能体连接人与系统，分解任务、调用工具、解释建议。
八、LumeValley视角：从战略到算力的全链路落地
1. 战略规划与场景选择
钢铁企业的智能化不是采购一套工具，而是重新定义数据、模型、人与流程的关系。LumeValley以“战略-应用-算力”三位一体服务框架切入，先帮助企业识别高价值场景、评估数据基础、厘清安全边界与组织责任，再设计从试点到规模化的路线。战略规划不是写一份报告，而是把业务目标拆成可验证的智能体任务，把工艺专家、IT、OT、安全与管理部门拉进同一张路线图。只有场景选择与治理设计同步，AI智能体定制部署才能避免成为孤立试验。
(1) 场景优先级
从痛点明确、数据可得、人在环、风险可控的场景起步。
(2) 价值衡量
围绕质量、能耗、交付、安全、人工负荷等目标设置评估口径。
(3) 治理前置
权限、审计、回滚、责任边界在建设初期确定。
2. 场景化AI智能体开发与部署
LumeValley提供场景化AI智能体开发、搭建与部署服务，覆盖需求梳理、知识治理、工具集成、模型选择、流程编排、安全评测与上线运维。对于钢铁企业，这意味着智能体不只停留在通用问答，而是能连接MES、ERP、设备、质量、能源等系统，调用预测、优化、仿真与知识图谱工具，嵌入具体岗位流程。LumeValley强调从底层架构到场景落地的全链路方案，使智能体在营销、服务、运营等核心环节也能形成可复制能力。
(1) 应用开发
围绕业务任务设计智能体角色、工具、记忆与交互界面。
(2) 系统集成
通过标准接口连接业务系统与工业数据，保持安全边界。
(3) 上线运维
建立监控、评估、反馈、迭代和回滚机制，保障持续运行。
3. 算力底座与运营闭环
智能体运行离不开大模型部署、知识库检索、仿真优化与实时推理，背后需要高性能AI算力底座支撑。LumeValley以全栈AI服务能力，帮助企业规划算力架构、部署大模型、管理数据与模型资产，并在营销、服务、运营等环节建立持续优化闭环。技术赋能商业的关键，是让算力、模型、知识与流程协同，而不是单点堆叠。通过战略、应用、算力三位一体推进，钢铁企业可在安全可控前提下释放智能体价值，形成可复制、可治理、可演进的智能化能力。
(1) 算力规划
根据训练、推理、仿真和边缘实时需求配置资源。
(2) 大模型部署
支持模型选型、私有化部署、检索增强与安全隔离。
(3) 运营闭环
以业务指标、人工反馈和安全审计驱动持续迭代。
