AI智能体与数据要素产业融合观察

执行摘要：AI智能体产业正从单点工具走向多智能体协同与平台化管理，开发者协作工具加速迭代；同时，领域知识注入提升大模型在安全等专业场景的实用性；数据要素与区块链的生态对接推动数据流通基础设施完善。本报告从产业格局、产业链结构、数据与竞争、趋势判断四个维度，梳理AI智能体与数据要素产业的融合发展现状与演进方向。

产业现状与竞争格局

一、市场概览：AI智能体工具进入平台化竞争阶段

2025年以来，AI智能体（AI Agent）工具市场从“单点模型能力竞争”快速演进为“平台化生态竞争”。以编程场景为切入口的智能体产品率先完成商业化验证，开发工具成为智能体落地的第一主战场。当前市场呈现三大结构性特征：

1. 开发者协作平台化：智能体不再以“对话窗口”形态存在，而是嵌入开发者的工作流，与版本管理、任务分发、代码评审等协作环节深度整合；

2. 多智能体统一管理成为产品竞争焦点：随着开发者并行调度的智能体数量增加，如何对多个智能体进行统一编排、监控与资源管控，成为产品差异化核心；

3. 头部厂商加速布局桌面端入口：桌面应用作为高频、高粘性的入口，正被各头部团队视为抢占开发者心智的关键阵地。

以近期行业动向为例，已有厂商发布面向开发者的桌面端应用，核心定位即为“开发者协作”与“多智能体控制”：开发者可在统一界面中并行管理多个AI编码智能体，分配任务、审查产出、掌控执行过程。这一产品形态标志着智能体工具从“助手模式”向“团队协作模式”的关键跃迁——智能体开始被当作可管理的“数字劳动力”而非单一工具。

二、三大趋势解析

趋势一：开发者协作平台化，工具属性向基础设施迁移

智能体工具的第一波竞争围绕模型能力展开，但模型能力的同质化使竞争焦点迅速转向工作流整合。领先产品的路径清晰可辨：从IDE插件，到独立客户端，再到覆盖“任务分发—并行执行—结果验收”全链路的协作平台。在这一过程中，智能体工具的价值锚点从“生成质量”转向“协作效率”与“过程可控性”，产品形态趋近于传统软件开发中的项目管理与CI/CD基础设施。

趋势二：多智能体统一管理成为产品分水岭

当开发者同时运行2个以上智能体时，碎片化的管理界面带来的上下文切换成本急剧上升。能否提供统一的任务队列、资源配额、进度监控与冲突仲裁机制，直接决定了产品能否承接团队级需求。这一能力构建需要深厚的工程积累，也构成了当前竞争格局中的技术分水岭：具备多智能体编排能力的产品正在向“智能体操作系统”定位演进，而停留在单体交互的产品则面临被管道化（pipelined）的风险。

趋势三：桌面端入口争夺与数据要素生态对接并行

桌面端入口的战略价值在于：高频使用场景、本地数据访问能力与深度系统集成空间。头部厂商抢先发布桌面应用，本质是在开发者桌面上建立“智能体调度中枢”的心智占位。与此同时，智能体与数据要素产业的融合也在加速推进——近期在深圳举办的“AI智能体与区块链数据要素产业生态对接会”等活动显示，产业界正积极探索智能体作为数据要素流通“执行主体”的可能性：智能体调用数据、加工数据、产出价值，区块链与数据要素市场则为其提供确权、定价与合规流通的制度基础设施。

三、竞争格局研判

当前格局可概括为“头部集中、分层竞争”：技术门槛与商业价值双高的“领跑者”象限，由具备完整多智能体编排能力与桌面端入口的厂商占据；IDE插件与轻量工具处于中间层，面临向上突围或被整合的选择；开源编排框架技术积累深厚但商业化路径尚待验证，属“潜力股”；单纯依赖模型API封装的产品则已滑入“跟随者”象限。

未来12个月，竞争将沿两条主线展开：其一是入口之争——桌面端能否沉淀足够多的开发者日常工作流；其二是生态之争——智能体工具能否与数据要素、区块链等基础设施完成对接，在数据确权与合规流通体系中占据关键执行层位置。两条主线的交汇处，即是下一阶段智能体产业的真正胜负手。

上游：模型与数据供给

智能体产业的竞争，表面上是应用层的交互与编排之争，实质上是上游“模型能力 + 数据要素”双底座的供给之争。本章从大模型能力供给、领域知识注入、数据要素资源池化三个维度，拆解智能体上游的产业逻辑。

一、大模型能力供给：从单点模型到多智能体协同

上游供给的第一个变化，是模型能力的“产品化封装”。以开发者工具领域为例，Band 推出的桌面端应用，将多个 AI 编码智能体的控制与协作能力整合到统一界面，开发者可以在同一工作区内调度、监督多个智能体并行完成任务。这一产品的产业意义在于：智能体上游供给正从“单一模型 API”演进为“多智能体编排层”，模型能力被封装为可管理、可协同的工作单元。

这背后是供给结构的分层：

编排层的兴起意味着上游供给的重心上移：基础模型能力（推理、代码生成、工具调用）逐渐同质化，差异化竞争转向“谁能让多个智能体高效协同、可被人类有效监督”。桌面端、IDE 集成等载体成为上游能力触达下游应用的枢纽节点。

二、领域知识注入：通用模型的“最后一公里”

通用大模型在专业领域存在系统性盲区。安全研究领域的典型案例是 npm 恶意软件分诊：参考素材《Closing the Binary Blind Spot》指出，LLM 在分析 npm 包中的恶意代码时存在“二进制盲区”——模型难以直接理解编译产物与混淆代码，导致恶意样本漏判。该研究通过领域知识注入（Domain-Knowledge Injection）技术，将恶意代码的结构特征、行为模式等专业知识注入模型分析流程，显著提升了 LLM 对恶意包的分诊准确率。

这一案例揭示了上游供给的关键规律：

高知识密度、高价值的场景（安全、金融、医疗）构成“战略必争”象限，其共同特征是：通用模型无法直接胜任，必须依赖领域数据与专家规则的系统性注入。产业机会集中在知识工程与模型能力的接口层——谁能把行业 know-how 结构化并注入模型，谁就掌握了垂直智能体的供给入口。

领域知识注入的供给链条可归纳为：

漏斗形态说明：领域数据从原始采集到可注入模型的可用状态，损耗巨大，“专家标注与结构化”是供给瓶颈，也是数据服务商的核心价值环节。

三、数据要素资源池化：智能体的“燃料仓”

模型能力之外，数据要素的可获取性决定智能体产业化的天花板。2024 年以来，数据要素市场化配置改革持续推进，各地数据交易所与产业生态对接活动活跃。以深圳举办的“AI 智能体与区块链数据要素产业生态对接会”为例，产业各方聚焦区块链技术在数据确权、流通、交易中的应用，探索数据要素向智能体供给的转化路径。

区块链与智能体的结合逻辑在于解决数据供给的三个核心问题：

数据要素资源池化的产业意义在于：智能体对高质量、可授权、可追溯的领域数据有刚性需求，而区块链提供的确权与分配机制，恰好补上了数据“愿供给、敢供给”的制度缺口。深圳作为数据交易所与区块链产业的双重高地，其生态对接模式正在形成“模型厂商 + 数据服务商 + 行业数据持有方”的三方供给网络。

四、本章小结

上游供给呈现“一纵一横”的结构：纵向是“基础模型 → 领域注入 → 编排层”的能力深化，恶意代码分诊等技术证明了领域知识注入的商业可行性；横向是数据要素通过区块链确权、交易所撮合实现池化，深圳生态对接等活动显示基础设施正在成型。模型与数据双底座的耦合程度，将直接决定中游智能体产品的能力上限与成本曲线。下一章将转向中游，分析智能体开发与运营的产业生态。

中游：智能体开发平台

智能体开发平台是AI智能体产业链的中游枢纽，向下承接大模型与数据要素供给，向上支撑千行百业的应用落地。本章聚焦智能体编排、多Agent控制与开发者协作工具层，考察平台型产品的功能演进、生态接入机制与商业化路径。

一、功能演进：从单Agent编排走向多Agent协同

智能体开发平台的功能演进大致经历了三个阶段。第一阶段以单一Agent的工作流编排为核心，平台提供提示词管理、工具调用、知识库挂载等基础能力，解决“一个智能体完成一个任务”的问题。第二阶段，随着任务复杂度提升，平台开始引入多Agent协作机制，通过任务分解、角色分工、结果聚合等方式，让多个智能体在统一控制平面下协同工作，典型的技术方向包括编排引擎（Orchestrator）、Agent间通信协议以及共享记忆与状态管理。

第三阶段即当前正在发生的演进：多Agent控制从“编排”走向“管理”。以Band近期发布的桌面端应用为例，其产品定位是面向开发者的多AI编码Agent协作与控制工具——开发者可以在统一的桌面环境中同时调度、监督多个AI编码智能体，进行任务分配、进度监控与结果审查。这一产品形态标志着平台层的关注点从“如何让Agent干活”转向“如何让人类高效管理一群Agent”，人类角色从任务设计者升级为Agent团队的指挥者与质量守门人。这类工具层产品填补了大模型能力与工程落地之间的空白，是中游平台竞争的新焦点。

二、多Agent控制与开发者协作的工具化

多Agent控制的工程难点集中在三方面：一是任务的可观测性，即如何让开发者清晰掌握每个Agent的执行状态、工具调用链与中间产物；二是权限与边界控制，即在开放自主性与安全合规之间取得平衡，避免智能体越权操作或产生不可控的副作用；三是成本与效率的权衡，多Agent并行带来的Token消耗与算力开销需要精细化管理。

开发者协作工具层的价值在于把这些工程难点产品化。桌面端形态的选择并非偶然：相比纯云端控制台，本地桌面环境更贴近开发者日常的工作流，便于与本地代码库、调试工具和版本管理系统集成，实现Agent作业与人工开发的紧密交织。可以预见，围绕多Agent管理的IDE化、平台化将是中游工具层的持续演进方向。此外，随着开源生态与供应链安全议题升温，面向npm等包管理生态的恶意代码分诊也出现了引入领域知识注入、利用LLM提升二进制缺陷识别能力的技术尝试，这类能力未来可能作为安全组件嵌入开发平台，成为多Agent治理工具链的一部分。

三、生态接入机制与商业化路径

平台型产品的竞争本质是生态竞争。生态接入机制通常包括模型层接入（对接多家基础模型，避免单一供应商锁定）、工具层接入（通过MCP等协议或插件市场接入外部工具与数据源）、以及数据要素接入。值得一提的是，深圳近期举办的“AI智能体与区块链数据要素产业生态对接会”等活动，反映了产业界正在探索智能体平台与区块链支撑的可信数据流通体系之间的对接：通过可信确权、授权流通的数据要素供给，为智能体提供高质量、合规可溯源的“燃料”，这为中游平台构建数据生态提供了新的制度与技术基础设施。

商业化路径上，当前主流模式包括：按调用量或Token计费的资源订阅模式、面向企业私有化部署的项目制收费、工具层产品的席位订阅（Seat-based SaaS）以及生态分成模式。不同定位的平台侧重不同：编排类平台倾向用量计费与私有化部署，开发者协作工具更依赖席位订阅与团队版升级。

四、竞争格局与展望

以技术门槛与商业价值两个维度观察，中游平台竞争格局呈现分层态势：具备多Agent编排引擎与大型企业客户基础的平台占据高门槛、高价值区间；面向开发者的多Agent管理工具处于技术门槛适中但增长迅速的潜力区间；仅提供基础提示词编排的同质化产品则面临激烈的价格竞争。

总体来看，中游平台正从“搭建工具”演进为“Agent操作系统”：编排能力成为标配，差异化竞争转向多Agent治理、开发者体验与生态接入深度。随着数据要素流通基础设施逐步完善，掌握可信数据接入能力与开发者生态的平台，将在下一阶段的产业竞争中占据关键位置。

下游：行业应用与落地

智能体产业的下游环节，正在从“单点工具”走向“行业渗透+生态对接”的双轮驱动。本章从软件开发、网络安全两大典型应用场景切入，考察智能体应用的渗透路径；并结合区块链支撑的数据要素流通对接活动，观察区域产业生态建设的最新动向。

4.1 软件开发：智能体协作从“单兵”走向“编队”

软件开发是当前智能体渗透最快、验证最充分的场景。从代码补全到自主编码智能体（Coding Agent），工具形态经历了从“辅助人”到“代理任务”的跃迁。近期产业动态显示，头部工具正在补齐“多智能体管理”这一关键能力：某知名开发工具发布了桌面端应用，定位为开发者协作与多智能体控制的统一入口，支持开发者同时调度、监督多个AI编码智能体。

这一动向意味着软件开发生产范式正在发生结构性变化：开发者角色从“编写代码”转向“定义任务、审查结果、编排多个智能体”，形成“人类监督+智能体执行”的协作分层。桌面端形态的推出，也反映出厂商对开发者工作流主入口的争夺——谁占据智能体的调度中枢，谁就可能成为下一代软件生产链条的“操作系统层”。

从渗透逻辑看，软件开发场景具备天然优势：任务可拆解、结果可验证、反馈闭环清晰，这使其成为智能体商业化的“首发阵地”。而多智能体并行开发一旦成熟，将直接压缩软件交付的人力成本与周期，重塑外包、SaaS定制等下游服务市场的定价体系。

4.2 网络安全：领域知识注入成为渗透关键

与软件开发相比，网络安全场景的智能体渗透难度更高。近期研究提出的“弥补二进制盲区”（Closing the Binary Blind Spot）工作具有代表性：针对npm包中的恶意软件分诊（Malware Triage）任务，通过向大语言模型注入领域知识（Domain-Knowledge Injection），提升其对二进制与混淆代码的识别与研判能力。

这揭示了安全场景渗透的核心规律：通用大模型在高度专业化任务上存在“知识盲区”，纯参数化学习难以覆盖恶意样本演化、混淆技术迭代等对抗性场景。产业路径因此分化为两条——一是通用智能体叠加安全领域微调与知识注入；二是安全厂商自建垂直智能体，将威胁情报、样本特征库等数据资产封装为模型外挂能力。

值得注意的是，恶意软件分诊等任务因误判代价高、对抗性强，对智能体的可解释性与人工复核机制提出严格要求，短期内更可能以“人机协同”而非“全自动”模式落地。这也决定了安全智能体的商业化节奏：先渗透告警分诊等高频低风险环节，再逐步向核心研判环节延伸。

4.3 数据要素流通：区块链对接活动反映区域生态建设

智能体的规模化落地，离不开高质量数据要素的供给与流通。近期在深圳举办的“AI智能体与区块链数据要素产业生态对接会”，是观察区域产业生态建设的一个典型样本。活动以生态对接为核心议题，围绕智能体产业与区块链、数据要素的交叉融合展开，汇聚了产业链上下游相关参与方。

从产业逻辑看，区块链在其中的角色是解决数据要素流通中的信任基础设施问题：通过确权登记、存证溯源、可信交易凭证等机制，降低数据供给方对“数据被滥用、权益被稀释”的顾虑，从而激活面向智能体训练与应用的合规数据供给。深圳作为数据要素市场化配置改革与数字经济产业集聚的前沿区域，此类对接活动体现出地方政府与产业界共同推动“技术平台—数据资源—应用场景”三方撮合的生态建设思路。

其信号意义在于：智能体产业的下游竞争正在从“单点技术能力”扩展到“数据要素获取能力”，而区域生态建设的成效，将取决于对接机制能否沉淀为常态化、可复用的流通基础设施，而非停留在活动层面的资源展示。

4.4 小结

下游应用呈现清晰的分层渗透格局：软件开发凭借可验证闭环率先进入多智能体协作阶段；网络安全依靠领域知识注入攻坚高壁垒垂直任务；而以深圳对接会为代表的区域生态活动，则显示数据要素流通基础设施已成为智能体产业竞争的底层变量。三者共同指向一个判断：智能体产业的下游壁垒，正在从“模型能力”转向“场景知识+数据供给+生态协同”的复合能力。

数据要素与竞争壁垒

引言：从“模型能力”到“数据能力”的竞争重心迁移

随着大模型基础能力的逐步趋同，AI智能体厂商之间的竞争焦点正在从“谁的模型更强”转向“谁的数据更优”。数据要素作为新型生产要素，其资产化进程与可信流通机制的建立，正在深刻塑造智能体产业的竞争格局。对厂商而言，领域数据的积累深度、数据治理的规范程度以及数据生态的协同广度，正在成为比算法本身更难被复制的护城河。

数据资产化的路径：从成本项到资产项

数据资产化的核心逻辑在于将企业手中的数据资源转化为可计量、可入表、可流通的资产。2024年以来，随着数据资产“入表”政策的落地，越来越多的企业开始将高质量领域数据纳入资产负债表，这直接改变了数据密集型企业的估值逻辑。对智能体厂商而言，数据资产化带来三重影响：

其一，融资与估值层面，拥有清晰确权与评估体系的数据资产能够直接提升企业估值，为厂商提供新的融资抵押物与资本运作空间。其二，商业闭环层面，数据资产化使“数据供给方—加工方—应用方”之间的利益分配有了定价基准，智能体厂商可以通过数据授权、API调用等方式将数据能力变现。其三，合规底线层面，资产化倒逼厂商完善数据确权、分类分级与隐私保护，客观上提高了行业准入门槛。

数据资产化的完整链条可概括为以下流程：

值得注意的是，该链条并非线性单向，而是循环强化：智能体在实际业务中产生的反馈数据回流至资源池，形成“数据飞轮”，这正是头部厂商壁垒持续加深的核心机制。

可信流通机制：智能体规模化落地的前提

智能体的价值高度依赖其能否在可信前提下获取跨主体、跨领域的数据。当前产业界主要沿三条路径构建可信流通机制：

隐私计算路径：通过联邦学习、多方安全计算等技术实现“数据可用不可见”，使金融机构、医疗机构等敏感数据持有方敢于与智能体厂商合作。

区块链存证路径：利用区块链的不可篡改特性实现数据流转全过程存证与溯源。深圳举办的“AI智能体与区块链数据要素产业生态对接会”即反映了这一趋势——产业界正在积极探索智能体与区块链数据要素生态的对接模式，通过链上确权与智能合约，解决数据交易中的信任与结算难题。

空间与接口治理路径：通过可信数据空间、沙箱环境等方式，让智能体在受控边界内使用外部数据。

可信流通机制的成熟度直接决定了智能体可触及的数据半径：机制越完善，智能体能调用的数据越广，其任务完成能力与商业价值就越高。

领域数据积累：垂直智能体的核心壁垒

通用大模型的能力趋同使垂直领域的差异化价值凸显。以代码智能体领域为例，Band发布面向开发者的桌面端应用，支持多智能体协作与控制，其竞争落点不仅是交互形态，更在于沉淀的开发者协作数据与工程上下文数据——这类数据难以通过公开爬取获得，只能在实际使用中积累。

在安全领域，面向npm恶意包分诊的领域知识注入研究（“Closing the Binary Blind Spot”）表明：将二进制分析与安全专家知识注入通用模型，能显著提升智能体在专业任务上的表现。这印证了一个产业规律——领域知识的结构化沉淀 + 持续的场景数据回流，构成垂直智能体难以逾越的能力差距。通用模型厂商即使投入巨资，也难以短期复刻安全厂商十年积累的样本库与规则体系。

基于“数据积累深度—技术门槛—商业价值”三个维度，可将当前智能体厂商的竞争格局刻画如下：

生态协同：从单点数据到网络效应

单一厂商的数据积累终究有限，生态协同正在成为壁垒的第二层构造。其典型形态包括：

• 产业联盟协同：数据要素产业对接会这类平台撮合数据供需双方，推动智能体厂商接入行业数据池，形成排他性的合作网络；
• 开发者生态协同：如Band的多智能体桌面端协作工具，通过控制与编排能力吸附开发者，使用户工作流数据沉淀于平台；
• 跨链与跨空间协同：区块链基础设施为跨主体数据交换提供结算与信任层，使生态参与者之间的数据合作可审计、可分账。

生态协同一旦形成网络效应，壁垒将从“数据量”升级为“数据关系网络”——后来者即便获取同等规模的数据，也难以复制参与者之间的协作契约与信任结构。

护城河的分层结构

综合来看，智能体厂商的数据护城河呈现清晰的层次：

小结与展望

数据要素与智能体的融合正在重塑竞争规则：资产化使数据从成本变资产，可信流通使数据从孤岛变网络，领域积累与生态协同使数据从资源变壁垒。未来2-3年，判断智能体厂商竞争力的关键指标将从模型评测分数转向数据资产规模、流通协议覆盖广度与生态绑定深度。对产业参与者而言，尽早完成数据确权与治理布局、积极接入可信流通网络，将成为构筑长期护城河的先决条件；对监管与行业组织而言，统一的数据定价与收益分配规则仍是释放这一融合价值的关键短板，值得持续关注。

趋势判断与风险提示

综合前述各章观察，AI智能体与数据要素产业的融合正沿着三条主线演进：技术形态上从单体智能走向多智能体协同，能力维度上从通用模型走向垂直领域知识深化，产业模式上则依托数据要素市场化改革加速落地。本章对上述趋势进行研判，并提示三类需要重点关注的风险。

一、趋势一：多智能体协同成为组织新形态

单智能体的能力边界日益显现，多智能体协同（Multi-Agent）正在从概念验证走向工程实践。一个典型信号是开发者工具链的快速演化：2025年以来，面向多智能体管理的桌面端协作工具陆续落地，开发者可以在统一界面中调度、监控多个AI编码智能体的任务分配与进度控制。这表明多智能体不再停留于论文与演示，而是进入日常开发工作流。

产业逻辑在于：单个智能体适合封闭、明确的任务，而企业级真实场景往往需要拆解为研究、规划、执行、审核等多个角色分工。多智能体架构以“组织化”的方式扩展了智能体的能力上限，也带来了新的基础设施需求——智能体间的通信协议、任务编排、权限控制与可观测性，正在催生一层新的技术栈。可以预见，未来2-3年，“智能体操作系统”级别的平台型产品将成为竞争焦点。

二、趋势二：垂直领域知识深化决定价值天花板

通用大模型的能力趋同正在加剧，差异化竞争的重心转向垂直领域知识的注入深度。以软件安全领域为例，近期研究显示，将恶意软件分诊的领域知识注入大模型后，可显著弥补通用模型在二进制代码、npm包生态等专业场景中的“盲区”，提升检测准确率并降低误报。这一案例揭示了清晰的产业路径：通用模型 + 领域知识库 + 领域工具链 = 可商业化的垂直智能体。

垂直深化的核心壁垒不在模型本身，而在数据——高质量、可持续更新的领域语料与知识图谱。这恰恰与数据要素市场化形成闭环：医疗、金融、工业、安全等行业的专业数据，通过合规确权与流通机制供给给智能体开发者，构成垂直智能体的“燃料”。数据要素的价值发现与智能体的能力提升，将互为因果、螺旋上升。

三、趋势三：数据要素市场化进入对接落地期

政策与产业的双轮驱动下，数据要素市场化正从制度设计走向场景对接。以深圳举办的AI智能体与区块链数据要素产业生态对接会为代表，各地正在探索“区块链确权 + 智能体应用”的对接模式：区块链为数据流通提供存证、确权与溯源能力，智能体则成为数据消费端的重要主体。当智能体大规模参与数据交易与调用，数据交易所、数据商、智能体开发者之间的角色分工将逐步清晰，“数据供得出、流得动、用得好”的链条有望加速形成。

四、竞争格局：技术门槛与商业价值双重定位

五、风险提示

1. 技术成熟度风险。 多智能体系统的可靠性仍存在明显短板：任务编排中的误差累积、智能体间通信失败、长链路任务的容错能力不足，均可能限制其在高可靠性要求场景（如金融交易、医疗决策）中的落地。当前部分演示效果与生产环境之间存在落差，产业参与方需警惕能力预期透支，避免“为协同而协同”的过度工程化。

2. 数据合规风险。 智能体对数据的规模化调用放大了合规挑战：训练语料与调用数据的授权边界、跨主体流通中的个人信息保护、智能体自动决策背后的责任归属，均尚待制度细化。企业应将合规能力视为核心竞争力而非成本项，在数据供给与智能体应用两端同步建立分级授权、全链路留痕与安全评估机制。

3. 生态碎片化风险。 智能体框架、协议与数据接口标准尚未统一，多智能体平台之间、智能体与数据要素基础设施之间的互操作性不足，可能导致重复建设与生态孤岛。行业亟需在智能体通信协议、数据调用接口、可信存证等关键节点上推动标准化，避免碎片化抬升全行业的协作成本。

总体判断：三大趋势共振下，AI智能体与数据要素的融合将进入加速期，但技术可靠性、合规能力与生态协同将共同决定这一进程的实际速度。对产业参与者而言，构建“领域数据壁垒 + 多智能体工程能力 + 合规运营体系”三位一体的能力组合，是穿越不确定性的关键。