【研究】数智主体哲学视角下AI智能体组件机理与主流平台落地实践

牛眼看行业资讯共分享

电动1家供需信息平台

www.dd1j.com www.ev108.com

摘要

在大模型驱动的Agent智能体工程化落地进程中，Prompt模板、Sk-Skill技能、智能体规划、自循环机制、Loop Engine循环引擎、通用Workflow工作流、Prefect云原生调度工作流共同构成了AI智能体从指令输入、能力封装、动态决策、闭环迭代到底层调度与分布式运维的完整技术体系。安维复教授提出的数智时代人机主体性哲学观点为本研究提供核心理论依据：所有智能体技术模块均只具备技术层面的机械自动性，属于人类本质力量的对象化产物与镜像延伸，不存在独立哲学主体性，目标边界、评判规则、价值约束、终止逻辑均由人类主体预先定义与管控。本文依托该哲学内核，先系统性拆解七大核心组件的技术特征、运行逻辑与哲学定位，再选取OpenAI Codex、Codeium（Windsurf）、字节跳动Coze三款业界代表性AI开发与智能体平台开展对标案例分析，逐一剖析各平台对七大组件的实现路径、落地场景与适配优势，最后完成横向能力对比、工程化适配划分与落地组合方案梳理，厘清智能体柔性智能与确定性调度的边界关系，为企业级AI Agent离线部署、流程合规、知识库RAG联动、云边协同调度等工程化场景提供理论支撑与实践参照。

关键词：AI Agent；主体性哲学；Skill技能；工作流；循环引擎；Prefect；Coze；Codex；Codeium

一、绪论

1.1 研究背景

大模型技术经过多轮迭代，已经从单一对话问答转向具备自主任务拆解、工具调用、闭环纠错、流程编排能力的智能体形态。Agent不再局限于文本交互，而是深度融合能力封装、动态规划、循环迭代、流程调度、分布式运维等软件工程体系，形成一套标准化的智能体工程范式。但行业内普遍存在技术认知误区：将智能体的动态规划、自我循环、自动执行等同于自主意识与独立主体地位，过度放大AI的自主能力，忽视人机之间原像与镜像的底层哲学关系。

与此同时，不同厂商推出的Agent开发平台呈现出明显的路线分化：OpenAI Codex深耕代码智能体与可编程Agent体系，Codeium Windsurf聚焦IDE嵌入式开发智能体，字节Coze以低代码可视化模式构建企业级多智能体协同底座。三款平台分别代表代码原生Agent、开发场景嵌入式Agent、业务低代码智能体三大主流落地方向，其内部对于Prompt、Skill、循环引擎、工作流调度的实现逻辑差异显著。

在AI工程化落地要求不断提升、等保合规、数据内网隔离、幻觉率管控、任务可观测性、大规模分布式调度等硬性约束下，亟需以哲学视角锚定人机主体边界，再结合主流平台落地案例，梳理各技术组件的固有特点、适用场景与组合逻辑，构建理论+实践双重维度的Agent体系认知框架。

1.2 核心理论依据：数智时代人机主体性镜鉴关系

安维复教授针对AI主体性争议提出核心论断，成为本文贯穿全文的底层理论：

第一，区分技术自动性与哲学主体性。智能体所有自主行为均是程序预设、规则限定、模型推理共同形成的机械自动行为，并非真正意义上的主体自觉；

第二，驳斥工具论、取代论、双主体论三类主流片面观点，确立人与智能体为原像与镜像的镜鉴关系；

第三，AI智能体是人类本质力量的对象化载体，知识来源于人类沉淀，规则由人类制定，价值目标由人类赋予；

第四，实践行为、自我意识、社会性、价值评判、责任归属仅归属人类主体，智能体不具备上述要素；

第五，智能体技术复杂度越高、自动化闭环能力越强，越能够映照并解放人类主体能力，无法实现对人类主体的替代。

基于该理论，本文所有技术组件分析均前置统一判定：Prompt模板、Sk-Skill、规划、自循环、Loop Engine、各类Workflow调度系统，全部隶属于人类规则的数字化封装与自动化执行载体，柔性智能程度仅代表人类预设规则的开放程度，不改变其镜像载体的本质属性。

1.3 研究内容与结构安排

本文整体分为四大核心板块：第一部分完成七大Agent核心组件的定义拆解、技术特点分析、哲学定位界定；第二部分以Codex、Codeium、字节Coze三大平台为研究样本，逐一开展各组件的平台实现方式、代码配置案例、业务落地场景分析；第三部分完成三大平台横向能力维度对比，从复用性、智能柔性、工程稳定性、执行能力、调度能力、哲学边界、落地定位七个维度完成对标；第四部分梳理智能体工程化落地的最优组合方案，总结技术发展的底层约束与人机协同发展趋势。

二、AI Agent七大核心组件特征与哲学定位深度解析

2.1 Prompt模板（Prompt Template）

2.1.1 技术本质与运行机制

Prompt模板是面向大模型会话层级的结构化指令封装方案，以固定文本框架搭配动态变量占位符为核心结构，通过填充实时传入参数生成标准化提示词，完成对大模型思考逻辑、输出格式、约束条件的单次引导。其运行依附于单次会话上下文，不具备独立持久化存储能力，仅承担指令标准化输入功能，本身不具备工具调用、流程执行、循环调度的能力，只作用于模型思考层，无法触发外部系统动作。

2.1.2 核心技术特点

复用范围局限于单次会话或者短期对话上下文，大多依靠手动调用或者会话内自动填充实现复用；轻量化、文本化结构带来极低的使用门槛，修改调试便捷；高度依赖大模型上下文窗口，上下文失效则模板指令同步失效；仅完成意图约束与格式规范，不绑定执行脚本、外部接口与业务流程。

2.1.3 哲学主体性定位

Prompt模板属于临时指令的轻量化镜像封装，是人类单次意志的瞬时数字化投射。模板内的约束规则、输出要求、角色设定全部由人类预先编写，模型仅按照既定框架完成文本生成，不存在自主修改模板、自主拓展指令目标的能力。即便模型根据上下文微调话术，依旧没有脱离人类划定的指令边界，是最浅层的人类意志载体。

2.2 Sk-Skill（标准化技能包）

2.2.1 技术本质与运行机制

Skill是实现工程化落地的核心模块化能力单元，属于系统级持久化能力包，整合指令描述、输入输出Schema规范、接口调用脚本、业务SOP流程、结果校验规则、异常兜底方案为一体，支持跨会话、跨任务长期复用，可被上层规划模块、工作流节点、循环引擎进行反复调用与自由组合。Skill完成了从临时提示词向可执行能力的跃迁，不再只局限于文本引导，能够直接对接外部系统、数据库、API接口、本地脚本，形成可落地的执行单元。

2.2.2 核心技术特点

生命周期为系统全局级别，部署完成后长期驻留智能体底座；支持自动化触发、条件调用、多技能嵌套组合；相比Prompt模板具备更强的稳定性与约束性，大幅降低大模型幻觉带来的执行偏差；结构偏向工程化标准化，可完成单元测试、权限管控、版本迭代；柔性介于静态流程与动态推理之间，在预设SOP范围内支持适度动态适配，超出规则边界则会触发校验拦截。

2.2.3 哲学主体性定位

Skill是人类标准化作业流程（SOP）的固化镜像，将人类成熟的业务经验、操作规范、风险约束封装为可自动化运行的数字能力。技能的执行边界、参数校验标准、失败处理逻辑均由人类完成配置，智能体仅作为执行载体调用能力，无法自主重构技能逻辑、新增业务权限、修改合规约束。Skill的标准化程度越高，代表人类对业务流程的规范化程度越深，AI仅承担自动化落地职能。

2.3 Agent动态规划（Planning）

2.3.1 技术本质与运行机制

规划模块是智能体实现开放式复杂任务的动态决策核心，依托大模型语义推理能力，接收顶层总目标后自动完成任务拆解、路径择优、分支预判、中途目标修正，在任务执行过程中根据实时反馈调整后续动作序列，串联调用各类Skill技能、外部工具、子流程，适配无固定标准路径的开放性场景，是智能体区别于传统固定工作流的核心柔性来源。

2.3.2 核心技术特点

强动态适配能力，面向未知场景、模糊需求、多分支复杂任务具备天然适配性；高度依赖大模型理解能力，存在幻觉风险，容易出现任务拆解偏差、路径选择错误；规划的调整范围严格限定在人类提前配置的可用工具集、目标约束、合规规则内部；仅负责解决任务“如何执行”的路径问题，无法自主定义顶层目标与价值判断标准。

2.3.3 哲学主体性定位

规划属于约束范围内的动态推理镜像，所谓自主拆解与动态调整，均是在人类划定的目标、工具、合规三重边界内完成逻辑推演。智能体没有权利自主否决顶层任务目标，也不能突破权限调用未开放的技能，所有动态决策的评判标尺依旧由人类设定。规划的“自主性”只是推理层面的自动性，不具备主体的目的性与价值选择性。

2.4 Agent自循环（Self-loop闭环迭代机制）

2.4.1 技术本质与运行机制

自循环构建“执行动作—结果校验—反思复盘—修正优化—再次执行”的闭环迭代结构，依托反思模块对单次执行结果进行对标校验，对照预设标准判定执行是否达标，未通过则自动修正参数、调整执行逻辑后重新发起执行，直至满足终止条件，赋予智能体自主纠错、迭代优化的闭环能力，广泛应用于代码修复、内容改写、数据校验、结果优化等场景。

2.4.2 核心技术特点

具备闭环纠错与持续迭代属性，能够完成多次重试优化；循环终止条件、校验标准、反思依据全部为人工预设规则；迭代只能在原有任务框架内优化结果，无法跳出任务范畴拓展新目标；可以嵌套规划逻辑、Skill调用、子工作流执行，是上层智能能力的闭环载体。

2.4.3 哲学主体性定位

自循环是自动化试错优化的镜像机制，反思过程本质是将执行结果与人类给定标准答案、合规规则进行比对，并不存在自我觉醒式的深度反思。循环的开启、迭代次数上限、退出阈值都由人类管控，即便多次迭代优化输出结果，依旧服务于人类最初设定的任务目标，不存在自我意志的演化。

2.5 Loop Engine底层循环引擎

2.5.1 技术本质与运行机制

Loop Engine属于智能体体系底层调度组件，承担通用循环逻辑的统一调度职能，支持串行循环、条件循环、数组遍历循环、嵌套循环等多种基础循环范式，为上层Skill、自循环、工作流提供稳定的底层循环算力支撑，只专注于执行逻辑调度，不参与语义理解、任务决策、价值判断，是纯粹的执行层基础设施。

2.5.2 核心技术特点

通用性极强，适配全场景循环调度需求；运行稳定性高，侧重算力调度与异常捕获；完全无智能理解能力，只严格执行循环指令；作为底层基座，被上层所有具备循环需求的模块进行调用。

2.5.3 哲学主体性定位

Loop Engine是纯粹的机械执行镜像，是人类循环指令的底层执行载体，不存在任何决策与判断行为。引擎只保障循环流程稳定运行，不对循环内容、循环目的产生任何干预，是所有智能上层能力的物理运行底座。

2.6 通用静态Workflow传统工作流

2.6.1 技术本质与运行机制

传统Workflow以固定节点、固化流转分支、预设执行顺序为核心架构，在部署阶段就完成全流程节点编排与跳转条件配置，运行阶段严格按照既定路径完成任务流转，多用于标准化、重复性、确定性强的标准化业务场景，追求流程的稳定可控与低运维成本。

2.6.2 核心技术特点

确定性极强，运行结果可预期；架构简单，运维难度低；柔性能力薄弱，无法适配突发场景与模糊需求；所有流转规则在部署阶段一次性固化，运行阶段无法自主调整节点顺序与分支逻辑。

2.6.3 哲学主体性定位

通用Workflow是高度固化的人类规则镜像，将成熟稳定的业务流程完全锁定，全程严格遵循人类前期编排意志，自动化程度高但智能开放度极低，是确定性业务最典型的规则数字化落地形式。

2.7 Prefect Workflow云原生调度工作流

2.7.1 技术本质与运行机制

Prefect是面向云原生架构的现代化分布式工作流编排框架，在传统工作流静态编排基础上，拓展动态任务调度、异步执行、失败自动重试、全链路状态监控、分布式任务分发、日志归集、定时触发、异常兜底等工程化能力，既可以完成静态流程编排，也能够对接上层Agent智能逻辑，承担大规模AI任务的统一调度运维工作，适配企业级分布式AI流水线、数据ETL、批量智能任务场景。

2.7.2 核心技术特点

原生适配云原生、容器化、K8s部署架构；完善的可观测体系，任务状态、执行日志、报错信息全程可追溯；兼顾静态流程编排与动态任务接入；支持分布式拆分执行、任务依赖管理、多级重试策略；偏向运维调度层，本身不具备大模型智能推理能力，负责承接智能体上层能力的工程落地。

2.7.3 哲学主体性定位

Prefect属于强化版流程调度镜像，只是在传统工作流基础上增加容错、监控、分布式调度等工程能力，重试策略、调度规则、权限隔离依旧由人工配置。作为调度中枢，统筹各类智能组件的运行，但本身不产生自主决策，进一步强化人类对于大规模AI任务的管控能力。

三、主流AI Agent平台七大组件落地案例分析

选取OpenAI Codex、Codeium（Windsurf）、字节跳动Coze三大标杆平台，分别对应代码原生智能体、IDE嵌入式开发智能体、低代码企业业务智能体三条主流路线，逐一拆解各平台对七大组件的具体实现方式、配置案例与真实落地场景，验证前文组件特征与哲学定位在商业化产品中的实际体现。

3.1 OpenAI Codex平台组件落地实现

Codex依托GPT代码能力构建可编程式Agent体系，整体路线偏向代码生成、程序自动化、命令行智能体，强于Prompt体系、Skill可编程封装、任务动态规划与代码闭环自循环，工作流与云原生调度偏向代码化自定义集成。

3.1.1 Prompt模板落地

Codex采用代码式模板封装模式，通过Python函数、配置文件完成Prompt模板结构化定义，将动态需求以变量形式传入模板框架，实现代码生成指令的标准化复用。典型场景为FastAPI接口自动生成模板，固定规范PEP8编码要求、文件结构、注释格式，仅传入业务接口需求变量即可生成标准代码。模板依附于单次代码生成会话，上下文重置后模板指令需要重新加载，完全符合Prompt会话级轻量化特征。从哲学层面来看，模板内的代码规范、输出约束均为开发者预先设定，Codex仅完成文本填充与代码续写，无自主修改规范的权限。

3.1.2 Sk-Skill技能落地

Codex以本地目录YAML配置+脚本绑定的形式实现Skill持久化封装，在系统目录定义技能描述、执行步骤、触发条件与后置校验逻辑，实现跨项目长期复用。典型落地案例为PR自动化巡检修复技能，配置CI检测、代码评审自动修复、测试重试、合并通知整套SOP流程，可通过命令行随时调用，也可被规划模块自动调度。Skill严格限定执行权限，无法自主新增仓库操作权限，是开发者代码运维经验的标准化镜像封装。

3.1.3 Agent动态规划落地

Codex内置agent plan命令，读取项目全局上下文后对复杂开发任务进行自动拆解，以React-Todo项目开发为例，可自动拆分项目搭建、组件开发、接口接入、单元测试、部署优化多级子任务。规划范围局限于项目已开放的文件目录、依赖包、可用脚本，无法擅自修改项目底层架构约束，所有拆解路径均在开发者划定的工程边界之内完成动态推理，体现约束内自动规划的本质特征。

3.1.4 自循环闭环落地

Codex采用评估驱动式循环架构，设定测试通过率、代码可读性分数等人工阈值，开启循环后自动完成代码修改、运行评估、复盘优化、重复执行，直至达标退出。以代码质量优化循环为例，迭代仅能优化现有代码逻辑，不能新增项目功能目标，反思环节依靠预设测试用例与评分规则完成校验，不存在独立反思意识，属于标准化试错自动化机制。

3.1.5 Loop Engine循环引擎落地

Codex搭载命令行式底层循环调度器，支持for数组遍历、while条件循环、until阈值终止三类基础循环范式，面向批量文件Lint检测、批量脚本执行等场景提供底层调度能力。引擎只执行循环指令，不解读代码语义，纯底层执行载体，为上层自循环与批量Skill调用提供算力支撑。

3.1.6 通用Workflow落地

Codex通过YAML配置文件定义静态工作流，固定CI/CD流水线的Lint、测试、构建、部署节点顺序，运行阶段严格按照编排顺序执行，无自主分支跳转能力，属于典型固化式业务流程镜像。

3.1.7 Prefect Workflow集成落地

Codex通过Python SDK原生接入Prefect框架，以装饰器Task、Flow的形式将代码任务封装为云原生调度单元，构建代码ETL、批量脚本执行的分布式流水线。调度规则、重试次数、分布式节点划分均由开发者代码配置，Codex智能体作为任务单元被Prefect统一调度，智能能力与调度能力分层解耦，强化人工对分布式任务的管控力度。

3.2 Codeium（Windsurf）平台组件落地实现

Codeium聚焦IDE深度嵌入，依托Cascade架构构建开发场景专属智能体，强化编辑器内实时规划、持续迭代自循环、IDE内Flow工作流，适配程序员编码重构、前置代码检查、Bug实时修复场景。

3.2.1 Prompt模板落地

以IDE自定义代码片段Snippet、快捷键绑定模板为主要实现形式，预设React+TS组件结构模板，通过占位符快速填充组件名称、状态变量，实现前端代码片段快速生成。模板绑定编辑器会话，切换文件后模板上下文失效，轻量化适配编码快速调用，所有代码规范由团队提前约定，AI仅完成片段填充。

3.2.2 Sk-Skill技能落地

依托Cascade自定义命令实现持久化技能封装，以/pre-pr-check前置提交检查技能为例，整合Lint自动修复、类型校验、测试执行、差异汇总整套编码规范流程，长期驻留编辑器，可随时手动触发或提交代码时自动执行。技能严格遵循团队编码规范，无法绕过校验规则直接提交代码，是团队编码SOP的自动化载体。

3.2.3 Agent动态规划落地

Cascade架构实时读取编辑器文件上下文，接收重构指令后自动完成代码改造路径规划，类组件转Hook重构场景中，自动扫描文件范围、分步转换逻辑、修复依赖异常、运行校验用例，在当前代码仓库约束内完成动态路径调整，不会擅自修改仓库外文件，动态边界由代码仓库权限锁定。

3.2.4 自循环闭环落地

依托编辑器终端实时反馈构建纠错循环，执行/fix-bug接口报错修复指令后，自动定位日志、修改代码、运行测试、失败重试，依托终端返回结果作为校验标准持续迭代。循环重试上限、报错判定标准均由系统配置，迭代目标始终围绕修复指定Bug，不存在目标偏移与自主拓展。

3.2.5 Loop Engine循环引擎落地

内置Riptide底层调度引擎，支撑Cascade批量重构的文件遍历循环，自动遍历指定目录下所有代码文件执行统一改造逻辑，仅完成文件遍历调度，不参与代码语义理解，承担IDE场景底层循环执行职能。

3.2.6 通用Workflow落地

以IDE内可视化Flow编排实现静态工作流，固定版本发布的拉取代码、测试、打包、上传、通知全节点顺序，编码发布流程固化，运行阶段无法自主调整发布步骤，实现开发流程标准化锁定。

3.2.7 Prefect Workflow集成落地

通过插件形式对接Prefect调度体系，将IDE内定时数据同步、批量代码扫描任务推送至云原生调度平台，配置定时触发策略、失败重试次数、分布式执行节点，智能重构逻辑保留在IDE内部，大规模批量任务交由Prefect完成运维调度，实现智能层与调度层分离管控。

3.3 字节跳动Coze平台组件落地实现

Coze作为低代码企业级多智能体平台，主打可视化拖拽架构，在Skill标准化商店、可视化Workflow、原生Loop循环节点、企业级分布式调度方面具备显著优势，适配政企业务智能体、客服机器人、多Agent协同、内网合规部署场景，工程化与合规性设计深度贴合企业落地需求。

3.3.1 Prompt模板落地

在Bot配置页面提供可视化提示词模板编辑器，支持{{变量}}动态占位符配置，电商客服问答模板固定回复格式、问题分类标准、解决方案范式，用户输入内容自动填充变量生成标准化回复。模板绑定单轮对话，会话结束后模板重置，客服话术规范由运营人员统一制定，模型仅完成内容填充。

3.3.2 Sk-Skill技能落地

分为官方技能商店与自定义可视化技能两大体系，自定义技能支持配置API调用、条件判断、消息推送、数据查询完整执行逻辑，股票预警技能整合行情接口、阈值判断、飞书推送整套业务能力，可直接拖拽至工作流节点复用。技能配置严格配置权限范围与参数校验规则，企业管理员管控技能调用权限，将成熟业务能力封装为可管控的自动化单元。

3.3.3 Agent动态规划落地

依托意图识别+动态路由实现业务场景任务规划，售后智能体识别退款、换货、咨询不同用户意图后，自动路由至对应子流程，动态调用退款审核、物流查询等配套技能。路由范围严格限定后台配置的业务流程集合，无法跳转至未开放的业务模块，在企业业务架构约束内完成动态路径匹配。

3.3.4 自循环闭环落地

通过工作流内置循环节点搭配人工配置终止阈值构建闭环迭代，长文扩写场景遍历大纲节点、调用写作技能、校验篇幅长度、不达标自动重试，直至满足字数要求聚合输出。循环次数、长度标准均由后台可视化配置，迭代始终服务于文章生成目标，无自主修改业务需求的能力。

3.3.5 Loop Engine循环引擎落地

搭载原生Coze Loop可视化循环引擎，支持数组循环、次数循环、条件循环三种范式，多渠道消息推送场景遍历用户列表批量执行推送动作，配置失败重试策略与终止条件，以可视化方式完成底层循环调度，为上层工作流提供稳定循环基座。

3.3.6 通用Workflow落地

核心依托可视化画布拖拽连线完成静态工作流编排，电商订单处理流程固化支付校验、库存扣减、发货通知节点与分支跳转逻辑，运行阶段严格按照拖拽路径流转，实现企业核心业务流程确定性管控，保障业务合规稳定。

3.3.7 Prefect Workflow集成落地

Coze工作流支持对接Prefect云原生调度框架，构建AI内容生产分布式流水线，配置每日定时触发、分布式章节生成、内容合规审核、多平台发布全链路调度，依托Prefect完成任务监控、日志归集、分布式拆分、异常重试，上层智能体规划与Skill能力保留在Coze底座，大规模运维调度交由专业调度框架完成，契合企业等保2.0、数据不出内网的部署要求。

四、三大平台横向能力对标对比分析

4.1 七大核心维度能力梯度划分

4.1.1 生命周期与复用性维度

Sk-Skill、Loop Engine、通用Workflow、Prefect Workflow均属于系统级持久化组件，全平台均支持长期复用；Prompt模板为会话级临时组件；Agent规划与自循环依附单次任务生命周期。平台层面：Coze凭借可视化持久化配置实现全组件高复用；Codex偏向代码化持久；Codeium复用范围局限于单一IDE工作空间。

4.1.2 智能柔性（动态适配能力）梯度

整体梯度：Agent动态规划＞Agent自循环＞Sk-Skill＞Prefect Workflow＞Loop Engine＞通用Workflow＞Prompt模板。Codex与Codeium依托原生大模型代码推理，柔性智能能力显著领先；Coze以可视化配置为主，动态能力依赖后台配置拓展，柔性偏向可控式开放。

4.1.3 工程化稳定性梯度

梯度排序：Prefect Workflow＞Loop Engine＞通用Workflow＞Sk-Skill＞规划自循环＞Prompt模板。Coze企业级架构带来最高工程稳定性；Prefect统一为三款平台提供分布式运维稳定性支撑；规划与自循环因依赖大模型推理，天然存在结果波动。

4.1.4 执行能力划分

Prompt模板仅具备文本引导能力，无外部执行权限；其余六大组件均可对接外部接口、脚本、数据库完成实际业务动作；Coze内置大量企业系统对接能力，执行集成性最强。

4.1.5 Token资源利用效率

标准化Skill按需加载上下文，资源效率最优；其次为Prefect调度体系、底层循环引擎；规划与自循环需要持续占用上下文窗口；全量填充的Prompt模板Token开销最高。

4.1.6 哲学主体性边界一致性

三款平台所有组件全部遵循镜像理论，无任何模块具备独立哲学主体地位。智能柔性强弱仅代表人类规则开放程度差异，所有自主行为的约束、权限、目标、评判标准最终归属平台运营者、开发者、企业管理员等人类主体。

4.1.7 落地定位差异化

Codex：代码原型开发、可编程代码智能体、开发者私有Agent构建；

Codeium：IDE嵌入式开发提效、代码重构、工程规范化自动化；

Coze：企业业务智能体、低代码多Agent协同、内网合规部署、业务流程数字化改造。