ConstaVitality 自我介绍系列 · 001
ConstaVitality 的价值主张
为什么有能力的 AI 仍难以完成企业工作，以及我们正如何用知识、Harness、Runtime 与 AI 原生应用填补这道断层。
这是 ConstaVitality 自我介绍系列 Blog 的第一篇。
ConstaVitality 为何存在
创立 ConstaVitality 之前，我在一间 IT 解决方案提供商（Solution Provider）任首席顾问（Principal Consultant）及 CTO。该司提供集业务咨询、IT 咨询、自有应用产品、系统实施、开发、运维、多系统集成为一体的数字化解决方案服务，聚焦业务落地而非纯管理咨询——交付结果，而非幻灯片。我的工作包含亲手实现企业变革管理、变革实现、IT 系统设计、技术实现、现场实施等诸多繁杂的任务，以及给执行这些任务的甲方、乙方、第三方团队赋能。
AI 时代，企业用户都将 AI，特别是 Agentic AI 深入到办公工作、编程开发中，我也一样。企业用户大都体验过 Agentic AI 在企业级任务下的挣扎，我也一样，甚至更痛。我努力将 Agentic AI 用于工作，尝试交付结果，一方面让交付团队使用，另一方面为客户做 AI 转型，让客户将 AI 直接用于任务，可当 AI 面对企业组织最典型、最重要的工作场景——企业级基于应用系统的端到端任务——Agentic AI 举步维艰，效果非常糟糕。
ConstaVitality 成立的初衷，即为解决这个问题。ConstaVitality 希望交付给客户的价值，与以结果为导向的解决方案提供商完全一致。不过 ConstaVitality 不是服务公司，我们交付 Agentic AI 相关组件产品，让 AI 给客户完成任务，实现 AI 原生范式的任务交付。
ConstaVitality 旨在 激活 AI 完成企业级任务端到端交付，希望藉由提供企业级 Harness、Runtime、Application，令 Agentic AI 达到甚至超越人类水平的企业任务交付。
企业 AI 在哪里失效
这个选择，来自于我们看到，企业级基于应用系统的端到端任务有这些特点，及相应的导致 Agentic AI 工作效果不佳的难点痛点。
本篇试图仅列出有代表性的实例，可是关键点太多，实难割舍。列表实长，读者见谅。后续将推出文章，以更友好的方式详细分享各类真实故事，以及其使用 ConstaVitality 产品后的任务效果改善。
九种企业任务模式
是什么阻碍了高能力 AI 完成企业任务？
这九种代表性模式反复说明同一个结论：模型能力只是交付的一部分。AI 还需要可操作的应用链、对系统定制的理解、支撑团队级工作的生产级运行环境、可强制执行的控制边界，以及组织私域知识。每种模式都以一个具体的企业实例说明其中一种交付缺口。
系统应用链
01任务现实
工作的完成依赖于企业系统应用链。
02实际工作包含什么
交付年度合并报表、集团整体分析；需要在全面预算系统、OMS系统、CRM系统、销售预测系统、ERP系统（含财务）内搭建各种功能、数据；需要日常正确输入数据，完成功能处理；出最终结果前，还要再于各系统中核对数据、输入年度调整，再抽出数据到合并报表系统、BI系统中，才能完成多份报表以及分析仪表板。
03AI 在哪里失效
合并报表系统，其数据集成模式为基于数仓的 ETL 式，数据库不敢放开，Agent 只好通过为人类设计的 UI 界面去操作，效率极低，浪费模型的质量窗口在摸索执行方法上；OMS，虽然有 RESTful APIs 可以让 Agent 调用，这些 APIs 却未考虑过海量企业级数据面向 Agentic AI 的调用优化，某些 API 的设计还极不符合 RESTful 最佳实践，导致 AI 反复测试。这些都导致 Agent 完全无法直接在系统应用链上工作。
04根因
系统应用链没有能够让 Agent 调用的工具，或者接口质量不足，很多系统根本就没有 MCP tools 或者合适的 APIs 给 Agent 调用。
集成蛛网
01任务现实
应用链中的各系统以复杂的方式集成在一起，并且因为路径依赖，架构往往非最优化。
02实际工作包含什么
对标准价、销售额、折扣额进行统计和分析，然后做销售预测和市场活动安排；其中需要统合电商、经销商、线下多个渠道的商品数据；而 OMS、DMS、POS 从 MDM + ERP 获取商品及其价格；电商销售存在特殊的套装，套装本应作为一个商品统一管理，因历史负担，电商套装的主数据和价格仅在 OMS 中；而 POS 又是从 OMS 间接取得主数据，再进行一定转换；正确的最新全景数据，必须透过复杂的系统集成在 ERP 聚合、清理、处理数据。
03AI 在哪里失效
AI 在调用 OMS、DMS、POS、MDM、ERP 的蛛网状异步集成中，无法弄清正确的数据版本和依赖关系，最终编造数据。
04根因
复杂的集成调度，无法在智能体循环中完成，无法进行正确的 ReAct 等智能体循环，模型容易幻觉。
定制现实
01任务现实
应用链中几乎必然包含某种程度的系统定制，理想的“行业标准系统”几乎不存在。
02实际工作包含什么
供应链计划中的 MRP/LRP 环节，是非常标准化的子系统，方法论、算法、工作语言、数据质量、参数配置都有行业标准，不同 MRP 产品通常只是覆盖的能力子集不同而已，可是因为工作人员的认知参差、难以配置应对的业务特点、数据难以达标等原因，企业使用的 MRP/LRP 几乎都带有二次开发定制，如企业与供应商特殊协议带来的替代料规则、渠道协议带来的剩余效期与动态 DOH/DOS 互相影响、KA 插单改单特殊处理等等。
03AI 在哪里失效
希望 AI 能够在 KA 插单、改单的情况下，帮助调整 MRP 参数，对多版结果进行比对，找出优化解。可是 AI 完全不知道该企业已经做过的定制、二次开发，MRP 跑出的结果与其预期不符，定制开发做出的替代料参数 AI 也不理解其意义和算法，AI 完全无法完成参数设计的任务。
04根因
AI 不了解应用系统的定制，以预训练学到的行业标准去行事，处处碰壁。
变更闭环
01任务现实
系统配置、二次开发的建立、调整对任务完成非常重要。
02实际工作包含什么
仍在上例的场景中，在人通过复杂的提示词和文档工程加持后，让 AI 掌握了定制开发的知识，才能完成参数配置能正确工作，可是又遇到新问题，二次开发需要修改，任务才能正确完成，通常这需要走系统变更。
03AI 在哪里失效
AI 在二次开发做的动态 DOH/DOS 与 KA 需要的剩余效期交互计算的公式里，发现了严重错误，这个错误导致更优化的参数没有办法正确起作用，人类从未发现这个问题。可是，AI 没有办法直接修正这个错误。这里的修正，指完成二次开发、进行部署、在合适的运行环境进行测试，最终令其生效。
04根因
AI 缺乏工具和手段，难以对应用系统进行配置、二次开发，有手段的也不懂应用系统产品特色 Know How。
持续迭代
01任务现实
应用链常常隔一段时间就需要迭代更新一次，纳入新需求，甚至推翻某个系统重来。
02实际工作包含什么
业务中台与财务系统的集成，以及其中的业财转换逻辑建立后，惯常因业务侧引入了新的处理，比如新的订单交付方式，新的收入确认逻辑，新的采购账单结算方法，新的账单付款核销规则等，集成及业财转换逻辑都需要二次开发调整；而这些调整往往需要在业务发生当月月结前就上线，快速迭代；这种业财结合的迭代，例如新引入分期确认收入的场景影响所有现金和收入相关科目，可能导致报表分析模块大规模重做。
03AI 在哪里失效
Vibe Coding 确实大幅提高了业财转换规则以及报表重做的编程效率，可是，也是因为客户使用的 ERP 系统无法直接被 Agentic AI 操纵进行自定义，编程是做了，没法部署测试闭环，需要人复制粘贴代码给系统，复制粘贴日志给 AI。因为该任务对客户价值巨大，我们帮助客户测试了一款著名的具备元数据驱动自定义和二次开发能力的 ERP，但是很不幸，修改此算法的某个关键步骤，不在其元数据驱动自定义的支持范围内，此步骤只好用复杂的 Skill 直到 AI 在系统界面上用 RPA 配置。最终，该任务能够闭环，效率却并不高。
04根因
该企业使用的，全球著名的内含业财规则自定义能力的 ERP 系统，只能通过专门的开发工具进行自定义，AI 无法操作该工具。有意思的是，该专门的开发工具很潮流地嵌入了 Agentic AI，可是它的 Agentic AI 又无法完成交付结果所需的其他任务如调整上游系统，只能在开发工具里改改代码，实为鸡肋。
团队运行环境
01任务现实
大量任务基于多部门用户、应用管理者、应用开发者的非流程式团队协作。
02实际工作包含什么
为了完成一轮月度 S&OP 计划制定以及补货操作的执行，全球不同国家及总部的销售、采购、计划、生产、产品、财务、IT部门的人员需要召开多次分级协作会议，操作多个系统中的数据，以生成预测和补货指令；指令需要被集成到 ERP/MES、SRM、WMS、3PL、TMS 系统，让采购、物流、工厂、终端人员、供应商人员进行具体补货操作执行；S&OP 过程，需要预测应用的开发者快速调整预测模型；系统间大量指令和执行结果的集成，需要管理员关注数据一致性，处理异常。这些工作都是缠绕在一起，基于目标而非 SOP 行动，无法用严谨顺序式系统流程管理。
03AI 在哪里失效
流行的 Harness 大都是分散的本机应用，团队协作任务时，各人用的 Harness 不同，Agentic AI 协同困难，甚至一些复杂任务，在业务人员电脑上的 Harness + Runtime 下性能根本不足以完成。客户希望用 Agentic AI 优化 S&OP 及补货工作，却发现各区域、部门用 AI 做出来的计划内容、格式、逻辑都差异极大，去统合它们反而浪费了时间。而让 AI 去统合、进行计划、进行指令下发和结果追踪，这个任务持续动辄几十个小时，需要灵活地协同数十个 Sub Agent，消耗上百 GB 内存，组织内又找不到合适的人员及其环境去运行和监督这个 Agent。
04根因
企业缺乏集中式的 Harness Service，缺乏完成复杂任务的 Runtime 及配套应用系统环境。
质量边界
01任务现实
对质量的要求非常严苛，可单纯靠系统却无法对任务质量建立强边界。
02实际工作包含什么
精确到千分位的促销活动折扣值，精确到单件和毫秒的库存可用量和订单占库，精确到分币且需与税务、社会保险系统完全一致的工资奖金，精确到单个序列号、产品批次、波次的产品、原料、物流长链追溯，这些企业级任务都有极高的任务质量要求，而任务质量却掌控在操作人员手上，系统难以校验，系统又同时存在为了应对人为差错和异常情况而存在的特殊操作。
03AI 在哪里失效
工资奖金计算例子里，客户希望用 AI 自动化奖金计算，Agentic AI 连上系统后，轻易发现了自己只要输入满足一致性校验的数据，任何调整都能被接纳生效，这在人类工作里是因为最终制表的财务人员需要有极高权限，以调整任意前序过程出现的差错；人会很谨慎，系统确实没边界；于是 AI 为了达成算对奖金的目标，解决三个奖金基数不一致的问题，AI 直接把合同基数调整了。奖金确实一点没错，合同改得一塌糊涂，Skills 是写了哪些数据应当谨慎处理，可是没法强制。
04根因
Agentic AI 的 Harness 不够强，强制的权限和任务边界只能在应用系统上，应用系统又无法精确地强控边界。
权限模糊区
01任务现实
对权限控制、任务边界控制要求严格，而应用系统又不见得杜绝了所有的越权越线操作。
02实际工作包含什么
混合转运、发货作用的仓库，其人员工作权限允许其看到转运过仓货物的库存及信息，也允许操作，因为根据订单和物流的具体情况，存在灵活串用调配的可能；作业规范不允许该仓库人员轻易将转运货物用作发货，除非得到区域级主管线下审批。
03AI 在哪里失效
通过 AI 快速操作 WMS 安排发货波次，多次出现错误串用，因仓库用的 WMS 及物码管理系统，因为对两类货物缺乏物理区分的手段，连库位都是潮汐式混合使用，WMS 无法杜绝仓库人员操作转运货物进行发货。
04根因
工作规范和任务边界存在天然的模糊性，需要靠人对纪律的执行来解决，可是无法将控制和责任加于 AI。
隐性知识
01任务现实
工作的有效性依赖于存在于组织中的各类私域知识，包括大量非显性知识。
02实际工作包含什么
前述说的各类场景中，无论是日常使用，还是配置和开发，有会产生大量 PRD、SOP、数据模板、集成协议、审计规范等文档，完全属于企业组织内部资料；任何人要上手工作，都需要掌握其中的知识；而除了文档资料上已记录的内容，组织内部还会形成人员的默契、共识、习惯等非显性知识，直接影响对流程和结果的定义，不掌握它们也无法工作。
03AI 在哪里失效
前述的各 AI 尝试，都尝试了通过大量的人对人调研，人整理资料，再输出文档喂给 AI 工作区、整理 Skills 固化非显性知识的情况。这些工作，看似 AI 转型所必须，实际上是低效低质量的工作：一方面，很多知识价值低，企业应当以更低的管理成本直接购买更有效的知识，比如对某些应用系统的正确使用、二次开发的方法；另一方面，很多非显性知识，实际来自扭曲的人际工作流，甚至来自办公室政治，这些知识在 AI 驱动的工作流下根本不该存在。
04根因
AI 转型如果还基于以人为本，很容易陷入“重组一套人视角 AI 知识和工作流”的境地，Agentic AI 工作需要的私域知识，难以用 AI 原生的方法获得。
这些例子中的所有场景，在没有使用 ConstaVitality 的各产品时，最终企业做到的仅仅是局部的 AI 工具化，而非 AI 嵌入工作、AI 交付结果。常见地，由清楚其中任务链路的人在 Excel 里拼装数据，再用 AI 辅助办公处理 Excel，最后生成 Excel、Word、代码等各类文件，人检验后交给系统或者交给别人。若用户擅长使用 AI，还好好些，至少局部个人可以提效，否则，企业甚至感觉不到 AI 带来的改变。
真正的瓶颈
总结分析下来，对于企业级任务目标，大模型并不是瓶颈，智能体范式正确有效。2025 年底起推出的一系列模型，其推理、任务解决、工具调用、世界知识能力都能支撑起企业级目标。
Harness 才是瓶颈，展开来说，私域知识／团队记忆 + Harness + Runtime 才是瓶颈。知识和记忆应当是 Harness 的一部分；公域上不容易获得的领域知识，应当先验地提供给 AI；Agentic AI 完成任务的知识，需要让他们自己去专门学习、验证、建立。Harness + Runtime 应当融合为企业服务，而非个人工具，且企业 Harness Service 需要具备部分通常在应用层的算力、集成、强控制能力。
AI 大模型、Harness、Runtime、私域知识和团队记忆都就绪后，企业任务的最终瓶颈是应用系统。企业往往存在复杂的多系统 IT 架构，以当前流行的任一企业应用类型作为 Agentic AI 的入口，去操纵所有系统，均为不妥；让一个 Agentic AI 同时操纵多个企业应用，技术上可行，但让 Harness 的复杂度组合式上升，迅速爆炸，工程极为不妥。
更底层的应用系统问题是，现今所有的企业应用系统，均面向人类使用设计，而非为 Agentic AI 设计，这是很多任务没有真正带来企业价值的根本。只有当企业任务的完整链条，是为以 AI 为核心的组织设计，而非以人为核心设计，AI 革新组织效率才有可能。
产品组合
ConstaVitality 的产品正基于以上实战经验设计，旨在让 AI 真正交付任务。我们有三个初代产品，它们三者结合在一起，目标抹平通用 AI 大模型到企业级任务端到端交付之间的鸿沟，三者共同工作，激活 AI 成为超级高潜人才，以 AI 原生的创新组织工作方式，迅速理解复杂的私域知识，在不同业务系统间游刃有余地执行任务，并且自带强大的核心工作台。若非一起出场，任意地单独或组合使用它们，亦可让 AI 大模型在企业场景下的工作效果、效率，大幅提升。
以下数字的解读说明： 它们仅是所述具体工作环境中的近似观察，不是受控基准，不可直接外推，也不构成预测或结果保证。各场景的基线与评价方式不同；实际结果可能因任务、数据、系统、配置、权限、模型、实施方式与运行条件而有显著差异。
TeemLush：企业级知识和团队记忆
TeemLush 是企业级知识和团队记忆系统，供组织内所有 Agentic AI 接入利用，提高表现。
- 我们采集、学习、验证业界 IT 专家、应用产品专家、业务专家、财务专家的知识，通过 TeemLush 的持续更新内容，为客户的 Agentic AI 预备大模型缺乏的领域知识。
- 基于对各种企业应用产品套件的深刻理解和技术解剖，TeemLush 自动从各应用系统中抽出其配置、定制、二次开发的信息，自动形成 Agentic AI 可以利用的环境定制相关知识，让 AI 面对定制不再抓瞎。
- 用 AI Native 的知识和记忆管理系统，让 Agentic AI 和 TeemLush 协同创造、使用任务直接相关的任务知识、团队记忆，不断改进。
- 让知识直接融入 Harness，形成 Skills 等，或使用 TeemLush 特色的 Advisor、Rules 等 Harness 集成能力。
- TeemLush 对 AI 员工即插即用，企业的 AI 系统不需要漫长的“入职培训”，它上岗的第一条就懂领域专家知识，懂公司的内部规则，懂系统最复杂的定制。
- GPT 5.5 / GPT 5.6 Sol/Terra + Codex + TeemLush + NetSuite（with MCP standard SuiteApp）的工作场景中，用户试图完成的 NetSuite 数据操作、流程运营、报表和分析任务，相比无 TeemLush 的情况，完成率从 ~30% 提高到 ~85%（以任意即兴任务评价），完成任务所需的 tool calls 轮数从平均 ~48 轮降低到平均 ~13 轮。
FleeceTide：中央式企业 Harness Service
FleeceTide 是企业级中央式 Harness Service + 托管 Runtime，支持任意 AI 大模型工作于任意应用系统，专为“通过企业应用系统去完成的困难任务”打造。
- 让企业组织使用到统一的 Harness，不需要管理分散的本机 Harness。
- 针对调用企业应用系统链、工具链这类场景设计，在应用系统的之上，增加为 AI 大模型优化的原生工具层。
- 我们把经验丰富的应用系统顾问、开发、操作者的实战环境，“蒸馏”为特别的 Harness + Runtime，赋能 AI 完成困难工作。
- FleeceTide 可以以极小的实施过程，接入任意产品套件或定制的应用系统，甚至接入不具备 MCP 和 API 能力的系统，现有系统仅需极小改造
- FleeceTide 在任务执行过程可审计、可审批的基础上，还可以让 AI 为自己打造不可突破的强制性规则，让 AI 限制自己，不需要应用层提供强边界。
- 完全采用 Agentic AI 驱动工作流的理念，FleeceTide 不是辅助于人的 AI 工具，而是为任务目标组织 AI 原生工作流的新主体。
- DeepSeek v4 pro + TeemLush + FleeceTide + SalesForce + SAP S/4 Hana + Ariba + Concur（后三者均未使用 MCP，仅使用旧有 API 接口）的工作场景中，用户试图完成的订单交付自动化、供应安排自动化、报修自动化的任务，相比于未使用 FleeceTide 而使用其他 Agent 应用的情况，任务完成率从 21% 提高到 93%（以 AI 转型需求文档覆盖率评价），团队人员效率提高 ~40%，差错率从 ~13% 降低到 1% 且完全杜绝硬性要求不允许出现的恶性错误。
SiriusCore：AI 原生应用系统与工作台
SiriusCore 是企业级一站式应用系统、AI 工作台，直接完成核心任务的同时，集成并驱动企业的其他各系统一同完成复杂工作。
- 为企业级任务提供的专门 AI Native 应用，任意 Agentic AI 工作于 SiriusCore，都能取到良好的任务效果，且大幅节省 token 用量。
- 提供 O2C、P2P、库存、计划、生产、财务、税务、审计等 core ERP 能力，SiriusCore 能够完成最为困难的业财一体化任务，而不仅仅是个中台。
- 提供 AI 原生的 CLI、API、MCP，Headless 的 SiriusCore 只为 AI 设计，且 Agentic AI 可以受控地自行调整、部署控制层。
- 提供易于 Harness 的应用环境，Agentic AI 可以容易地利用沙箱、测试、生产各环境，容易地执行观察、测试，给大目标、长目标智能体闭环建立坚实基础。
- 在复杂企业系统集成架构下，SiriusCore 以各类集成形式与其他应用系统集成，再以统一的口径为 Agentic AI 调用，不需要复杂 Harness，且兼容任意历史架构。
- 向 Agentic AI 提供无方言的完整元数据驱动配置、修改、二次开发能力，SiriusCore 可以完全被通用 AI 理解及自定义。
- SiriusCore 能够作为底座，被 Agentic AI 定制为任意企业应用系统，企业不再需要从零定制开发应用，也不再需要 AI 难以支持的其他开发平台。
- 提供新的权限和边界控制范式，以用户、任务、事件三维度结合，动态定义系统控制，精确有力，让 Agentic AI 工作无法越界。
- SiriusCore 让企业应用系统消除业财数据断层，消除多系统集成造成的数据孤岛，帮助传统企业系统架构渐进式融合到 AI 原生架构。
- Claude Opus 4.6/4.7/4.8 + Claude Desktop + SiriusCore + 外部税务系统的工作场景中，客户试图完成 O2C（订单到收款）的全自动化处理，相比未使用 SiriusCore 而使用其他 ERP 系统前，实现任务全流程不需人工干预（人输入外来订单信息即可），任务有效率（以回款和客诉衡量）从 ~85% 上升到 ~99%，Claude token 用量下降 30%，业务功能调整的上线周期从 14 天缩短到 3 天。
- 多 AI 大模型 + TeemLush + FleeceTide + SiriusCore + 多个企业自开发业务中台 + Oracle EBS 的工作场景中，客户试图完成从 GTM 计划 + 供应链计划出发的现金流优化、毛利优化，相比未使用 ConstaVitality 套件前，CCC（现金转换周期）从 ~38 天下降到 ~29 天，毛利提高 2.1%，企业的系统集成复杂度也大幅降低。
我们选择的路线
除了建立 ConstaVitality 的初代三个产品，我也为 ConstaVitality 选择了这样的路线：
- 坚持 AI 原生（AI Native），为 AI 而建、让 AI 去建、与 AI 共建，而非以人为本。
- 聚焦企业组织透过应用系统去完成的困难任务，不考虑泛化的任务，也不考虑“白领式”泛化办公任务。
- 提供兼容各 AI 提供商的产品，不训练 AI 大模型、不提供 AI 模型服务。
- 为目标专门提供 Harness，不考虑创造泛化的 Harness，且把 Application 放在比 Harness 更重要的位置。
- 赞同企业应用系统永远需要实施，但应当用 Agentic AI 以 AI 原生工作流去完成实施，而不是我们提供人天服务。
- 把服务重点转为：创新企业内 AI 工作范式，同时赋能传统企业 IT、业务架构向 AI 原生架构的迁移。
以及，我们划定了一个边界： 我们实无能力训练 AI 大模型，也无意成为服务部署商或者中转商。诚然，大模型与专属 Harness 的协同进化，能带来更强的能力，但这不是 ConstaVitality 当前可以做到的事。所以暂时，模型的归模型，Harness 的归 Harness。
同时，我们不追求 Harness 提供商以积分（credits）包装大模型提供商 token 用量转卖的商业模式。积分既不承诺结果，也不优化成本，与企业级任务的追求相悖，我们追求创造有价值，能交付任务的体系。
我们正走向何处
企业级任务之所以难被现有 Agentic AI 真正接管，根本原因不在模型能力，而在于支撑这些任务的工具链、知识与应用本身，从未为 AI 设计过。真正能推动 Agentic AI 在企业场景落地的，不是更强的通用模型，而是一套专为“通过应用系统完成复杂任务”设计的基础设施——知识、运行环境与应用本身。
ConstaVitality 选择直接面对这个断层，建造当下缺乏的基础设施：用专门的知识系统、企业级 Harness 和 AI 原生应用，去重新搭建从通用大模型到端到端任务交付之间的桥梁。这不是一个可以一蹴而就的目标。我们审慎且坚定地前进，还抱着一点热血：希望能略尽绵力，推动 Agentic AI 向更高水平的发展，达到甚至超越人类水平的任务交付，靠近 AGI。
接下来，我会陆续写下文章，讲述 TeemLush、FleeceTide 和 SiriusCore 各自的设计取舍、实现细节与实际使用中的观察。你也可以浏览产品架构，通过企业 AI 解决方案指南判断当前缺少哪一层，或关注 ConstaVitality Blog 的下一篇实战笔记。