企业官网建设流程全解析

广告营销团队最缺的从来不是某个AI工具，而是一套能把AI能力像水电一样接入业务流程的底座。我过去一年帮几家代理商搭投放自动化，最深的感觉就是：脚本和RPA解决单个环节还行，一旦要覆盖素材生产、投放诊断、客户触达、复盘归因这些完整链路，就散得到处都是。直到我把OpenClaw跑在腾讯云上，把Agent框架当成独立基础设施来设计，广告营销业务的自动化才算真正立起来。这篇东西就是想把这套企业级方案的选型思路、部署过程、Skill开发和成本账一次讲清楚，给正在做Agent落地的朋友一个能直接参考的样本。

1. 广告营销行业的Agent化：为什么必须做基础设施而不是堆脚本

1.1 传统RPA和脚本处理广告业务的边界在哪

广告营销的工作流其实高度套路化：先出创意和素材，再搭建投放计划，盯着消耗和转化数据调整预算，然后处理线索和客服消息，最后写日报周报做复盘。每个环节都有现成的API、后台或Excel报表，所以很多团队第一反应是写一堆Python脚本去拉数据、调出价、发告警。

但脚本的问题是它只会执行你写死的逻辑。比如你可以写一个脚本，每两个小时去拉一次账户数据，当点击率低于某个阈值时给企业微信群发一条消息。可一旦出现“点击率下降是因为素材A受众疲劳，还是因为竞品大促抢量，还是落地页崩了”这种需要综合判断的场景，脚本就无能为力了。它没法跨工具去搜索、去查询历史数据、去生成解释、再根据解释反过来执行动作。更麻烦的是，脚本之间的状态是割裂的：上一个脚本算出的结论不会自动传给下一个脚本。维护成本会随着变量增加指数级上升。

这时候Agent的意义就出来了。Agent本质上是一个能理解目标、自主编排工具、并基于中间结果做下一次决策的执行体。它不是替代脚本，而是把脚本变成它手下的“工具”，统一调度。广告营销这个领域特别适合Agent化，因为这里的业务对象——账户、计划、素材、人群、关键词——本身就有清晰的结构，而且所有决策都能通过数据闭环验证。以前需要人工盯盘、拍脑袋的活儿，现在可以让Agent按规则和模型判断来执行。

1.2 Agent基础设施应该具备的企业级特征

团队里一两个技术高手可以写Agent脚本自用，但要让整个投放部门、创意部门、客服部门都用上一套Agent能力，就必须把它做成基础设施。我认为企业级Agent平台至少要满足四个特征。

第一是可编排。不是每个Agent孤立运行，而是能定义多个Agent协作的拓扑。比如内容Agent产出素材，合规Agent审核素材，投放Agent根据审核结果配置广告计划，复盘Agent再收集结果返回给内容Agent。这种多角色协作必须由框架层支撑，而不是每个Agent自己用HTTP去调别人。

第二是可扩展的工具生态。广告营销要对接的系统太多了：巨量、腾讯广告、Meta、Google、CRM、企业微信、飞书、数据库。Agent平台必须具备标准的工具接入协议，随时把新系统封装成一个Skill，让Agent在对话中动态发现和调用。

第三是可观测、可审计、可控权限。广告花钱是真金白银，Agent一旦能操作预算、调整出价，就必须留下完整的操作日志、成本标签、权限边界。AI开个玩笑没关系，AI误操作把预算翻倍那就出大事了。

第四是成本可量化。模型API是按token计费的，Agent跑一次复杂任务可能要调十几次模型。如果没有成本分摊和路由控制，月底账单会让大家都很懵。基础设施必须支持按部门、按项目、按Agent维度计量。

1.3 腾讯云在这里的角色不是“买几台服务器”，而是底座服务化

有人会问，开源Agent框架本地跑不就行了，为什么非要用腾讯云？我的理解是：OpenClaw解决的是“Agent怎么编排”的问题，但企业需要的是“Agent怎么稳定、安全、划算地在业务里跑”，后者必须依赖云底座。

腾讯云提供的CVM、TKE容器服务、COS对象存储、云数据库、CLS日志服务、CAM权限体系，恰好能拼成一套完整的Agent基础设施。OpenClaw本身是无状态的应用层，可以随时弹性扩缩容；广告数据沉在云数据库里；生成的素材文件放COS；操作日志发到CLS；访问权限用CAM收敛。这样一来，Agent能力就变成企业的一项内部服务，而不是某个工程师笔记本上的demo。

我建议团队从第一天就按“框架+云底座”的思维去设计，不要指望用一个单体平台解决所有问题。OpenClaw负责智能决策，腾讯云负责稳定和合规，两者配合，才能真正支撑广告营销这类高并发、高成本敏感的业务。

2. OpenClaw核心概念速览：让团队有统一语言

2.1 Harness 和 Agent 到底有什么区别

团队第一次接触OpenClaw，最容易绕晕的两个词就是Harness和Agent。我当时也被这个区分卡了半天，后来用了一个特别朴素的类比：Harness是工作台，Agent是坐在工作台前干活的员工，Skill是员工手边的工具书和工具箱，Gateway是工作台的电话线。

Harness管的是执行环境——它决定Agent跑在哪里、能访问哪些网络、有哪些环境变量、可以用哪些硬件资源。一个Harness可以同时承载多个Agent，就像一个大开间里坐了好几个人。在广告营销企业里，你可以给投放组开一个Harness，给创意组开另一个Harness，两组之间的Agent默认隔离，只有需要时才能通过内部网关通信。

Agent则是决策主体，它接收目标、分析上下文、决定调用哪个Skill、最终输出结果。同一个Agent可以换不同的底层模型，但它的职责和提示词保持不变。Harness和Agent拆开的意义在于：环境的问题归运维，业务逻辑的问题归开发，两边可以独立升级。

2.2 Skill 与 Agent 的关系，以及企业怎么规划Skill

Skill是Agent用来执行具体任务的插件，本质上是一个带描述、输入输出Schema的API。Agent和Skill是“大脑”和“手脚”的关系。Agent不负责具体实现，只负责判断“现在要做什么，用哪个手脚去做”。这一点在企业落地时特别重要：你可以让投放经验丰富的同学去定义“如何分析一条计划是否该停投”的Skill逻辑，而Agent只需要学会在什么时候调用它。

我把广告营销领域的Skill规划分成三层。底层是“连接类Skill”，负责和各平台API打交道，比如获取账户列表、拉取消耗数据、操作暂停/启动计划。中间层是“分析类Skill”，比如对历史数据做环比、计算ROI、识别素材衰退曲线、给出预算重分配建议。上层是“沟通类Skill”，负责把人话翻译成业务指令，或者把Agent结论输出成日报、播报、群消息。

对刚上手的团队，我强烈建议别一上来就想做几十个Skill，先把三个底盘Skill打牢：账号数据读取、投放报表解析、消息通知。这三个通了，后续所有业务场景都能在它们之上叠加。我在实际项目里，就是先把这三个能力做成标准模板，后面每个行业的Agent都在这个底座上长出来的。

2.3 Gateway、CCSwitch和模型路由：企业控成本的第一道闸门

OpenClaw的Gateway是一个统一模型网关，所有Agent调用模型都会经过这里。这样做的好处不是多一层转发那么简单，而是给了你一个集中做“模型路由”的入口。CCSwitch就是这类路由工具，它可以在多个模型服务商之间做切换和负载均衡。

广告营销业务有一个很典型的分层需求：不是所有任务都需要顶级大模型。比如从一段投放笔记里提取客户名称和预算关键词，这种信息抽取任务用中等模型就能完成，没必要每次都调用付费很高的强推理模型。反过来，让Agent制定一个月的投放策略，涉及跨平台数据分析和竞品判断，这时候才需要强模型。

通过Gateway的路由规则，可以给不同Skill绑定不同的模型等级。我在腾讯云上部署时，习惯把“报表数据格式化”这类机械任务路由到SiliconFlow上的开源模型，把“策略建议”“创意脑暴”这类任务路由到商业大模型。CCSwitch让我能随时根据模型服务商的价格波动和延迟表现做调整，不必改Agent代码。这一层是整个成本优化里最立竿见影的部分。

3. 在腾讯云上搭建OpenClaw的完整过程

3.1 环境规划：单机试验和容器化集群分别怎么做

我见过不少团队一上来就要高配GPU集群，结果Agent还没开发出来，账单先把人吓退。正确的做法是分阶段规划。

验证阶段，一台4核8G的CVM就够用了。OpenClaw本身并不吃太多资源，真正的消耗在模型API和外部服务的调用上。把这台服务器放在和业务数据同一个VPC内，给它配一个安全组，只放行必要的端口，然后开始跑通“安装—启动—Skill调用”的最小闭环。

到了生产阶段，我建议迁移到TKE容器集群。OpenClaw可以打包成Docker镜像，通过Deployment部署多个副本，前端用负载均衡挂载，数据库用云数据库替代本地的SQLite，日志输出到CLS。这样做的原因很简单：Agent服务需要弹性扩缩容，广告投放的流量高峰往往出现在大促或节假日，如果只趴在一台CVM上，要么扛不住，要么只能常年开高配浪费钱。

我整理了一个参考配置表，大家可以按团队规模缩放：

3.2 从源码安装OpenClaw：命令和依赖细节

OpenClaw的安装方式在官方文档里写得很清楚，推荐使用安装脚本，并且支持通过--git参数指定从GitHub的main分支检出源码。我第一次安装时就是直接拉的main，这样做的好处是能第一时间拿到最新特性，但坏处是上游一旦有破坏性变更，可能影响现有Skill。建议在测试环境先跑稳了再升生产。

下面是验证环境里我实际执行过的安装流程，命令细节以官方仓库为准：

# 1. 安装基础依赖（以Ubuntu为例） sudo apt update sudo apt install -y git curl build-essential # 2. 克隆OpenClaw仓库到本地 git clone https://github.com/openclaw-server/openclaw.git cd openclaw # 3. 用安装脚本执行git方式安装，检出main分支 ./install.sh --git --branch main # 4. 启动服务 openclaw start

安装完成后，OpenClaw会在用户目录下生成配置文件夹，比如~/.openclaw，里面包含模型网关配置、Skill目录、Agent定义和运行时数据。我第一次不知道这个目录这么重要，后来升级时忘了备份，结果辛辛苦苦调好的几个测试Skill全丢了，所以这里专门提醒一句：任何升级操作前，先备份这个目录，最好是打包后丢到COS里。

启动后，先用命令行验证一下基本状态，可以用openclaw doctor之类的命令检查配置是否完整，也可以直接在REPL里和Agent对话。如果报错，优先看日志文件，大部分配置问题都能在那里找到答案。

3.3 配置模型网关：直连服务商还是走SiliconFlow中转

模型网关是安装配置里最重要的部分。OpenClaw本身不绑定任何模型，它通过Gateway访问不同服务商。国内团队我比较推荐先接入SiliconFlow这类国内模型服务，因为网络延迟低、支付方便、开源模型覆盖全。当然也可以配OpenAI、Anthropic、腾讯混元等商业模型。

在网关配置里，你需要设置每个模型服务商的BaseURL和API Key。OpenClaw的CCSwitch组件可以识别多个服务商，并支持按规则自动切换。我的配置习惯是：默认模型用一个综合能力不错的商业大模型，然后在特定Skill上覆盖模型参数，使用更便宜的开源模型。这样既保证了复杂的Agent推理质量，又把机械任务的成本压下来。

配置完成后，测试一下连通性：

openclaw gateway test

如果某个模型调用超时或者返回错误，可以直接在命令行里切换到备用模型。这一步就是在广告营销场景里保证高可用的关键，因为投放系统白天高峰期的请求是不等人的。

3.4 从安装到升级：版本演进和常见坑

OpenClaw迭代速度很快，升级前一定要看官方更新日志。我踩过一次坑：某次升级后，一个自定义Skill因为依赖库版本不兼容直接加载失败，而Agent在对话里还不知道该Skill不存在，导致执行中断，花了不少时间排查。

所以升级流程我固定为四步：先备份数据目录，再在测试环境升级试跑，确认核心Skill和模型网关都正常，最后才切生产环境。卸载则相对简单，停止服务后删除安装目录和数据目录即可，但要注意如果配置了系统服务或定时任务，要把这些也一并清理干净。

4. 广告营销场景的Skill开发实战

4.1 做一个“投放数据助手”Skill

广告营销最常用的Agent场景就是数据查询和诊断。我以“投放数据助手”为例，拆一下Skill开发标准流程。

第一步，确定输入输出。输入是账户ID和日期范围，输出是一个结构化JSON，里面包含消耗、展示、点击、转化成本、ROI等核心指标。第二步，在OpenClaw的Skill目录里注册一个描述文件，写明这个Skill的用途、参数、返回格式，还要写几个调用示例，帮助Agent理解什么时候该用它。第三步，用Python实现具体逻辑，去调用腾讯云数据库或者广告平台API，把结果整理成JSON返回。

大致逻辑像这样：

def get_delivery_metrics(account_id: str, start_date: str, end_date: str) -> dict: # 读取腾讯云数据库中的投放汇总表 rows = db.query( "SELECT date, cost, impressions, clicks, conversions FROM ad_stats WHERE account_id=%s AND date BETWEEN %s AND %s", (account_id, start_date, end_date) ) total_cost = sum(row["cost"] for row in rows) total_impressions = sum(row["impressions"] for row in rows) total_clicks = sum(row["clicks"] for row in rows) total_conversions = sum(row["conversions"] for row in rows) ctr = total_clicks / total_impressions if total_impressions else 0 cpa = total_cost / total_conversions if total_conversions else 0 roi = total_conversions / total_cost if total_cost else 0 return { "account_id": account_id, "start_date": start_date, "end_date": end_date, "total_cost": round(total_cost, 2), "total_impressions": total_impressions, "total_clicks": total_clicks, "total_conversions": total_conversions, "ctr": round(ctr, 4), "cpa": round(cpa, 2), "roi": round(roi, 2), }

第四步，写Agent提示词，告诉Agent“当用户询问账户消耗情况时，优先调用投放数据助手Skill，并把结果转成通俗结论”。这一步很关键，因为Agent不会自动知道什么场景该用这个Skill。你需要在系统提示词里给出清晰的规则和示例。

我在实际使用中，会再加一层判断：如果某个账户的CTR低于最近7天均值20%以上，Agent需要在返回数据的同时给出“点击率异常下滑”的诊断方向，比如建议检查素材疲劳或落地页加载速度。这种诊断逻辑一部分写在Skill里，一部分写在Agent提示词里，两配合效果最好。

4.2 素材创意工作流：从brief到多平台文案

广告营销第二高频的场景是内容生产。传统流程是策划写brief，文案写初稿，设计出图，审核查合规，一套全手动。用OpenClaw可以把它拆成三个Skill：创意Brief解析Skill、分平台文案生成Skill、广告法合规审查Skill。

Brief解析Skill把策划的原话转成结构化需求，比如“目标人群是25-35岁女性，卖点是控油，平台是小红书，语气要亲和平实”。然后交给文案生成Agent，让它针对不同平台产出不同版本的文案。信息流平台的文案要短平快、突出吸引力；小红书要更像用户分享；搜索平台则要带上明确的关键词。

合规审查Skill是广告营销的刚性需求。这个Skill不能只靠大模型，因为大模型不一定记得住广告法里所有禁用词。我的做法是把禁用词表放到本地规则库，Skill先跑规则匹配，再用模型做语义层面的二次判断。比如“最”“第一”“国家级”这类绝对化用语，规则库直接命中后就不许通过。这个流程能帮团队在素材发布前拦住80%的合规风险。

这个工作流跑起来后，创意团队就不再是“从零开始码字”，而是负责定策略、审方向、改细节。Agent出初稿，人做终审，效率能翻两三倍。

4.3 自动复盘会议Agent

我最推荐广告营销企业优先落地的场景，其实是自动复盘。因为日报、周报、月报这件事流程清晰、数据来源稳定、产出结果容易验证，非常适合Agent去跑。

用OpenClaw做自动复盘，需要三个组件：定时触发器、汇总Skill和消息推送Skill。我部署在腾讯云上的方案是：用一个定时任务每天早上7点触发复盘Agent，Agent调用投放数据助手Skill拉取所有账户昨天的数据，再调用分析Skill计算环比、识别异常计划，最后调用文案生成能力形成一份几百字的文字复盘，通过Webhook推到企业微信群。

这份复盘不只是一堆数字罗列，它应该包含结论和行动建议，比如“账户B的搜索计划成本上升了35%，原因是关键词‘护肤品’出价竞争加剧，建议将预算转移到ROI更高的信息流计划”。这种建议可以由Agent基于历史数据推理得出，也可以通过一个简单的规则模型生成。即便最初只能用规则，也比完全靠人肉盯盘强太多。

5. 成本优化：让Agent真正“花小钱办大事”

5.1 模型分级路由：70%的调用根本不需要大模型

很多团队用Agent成本失控，根本原因是把所有的推理请求都发给了最贵的模型。我在广告营销项目里做了一个简单的分级，效果非常明显。

L1级任务：信息抽取、字段标准化、格式转换、简单分类。这些用开源的中小模型就够，比如硅基流动上部署的7B/13B模型，单次推理成本几乎可以忽略。L2级任务：文案生成、数据解读、邮件草拟。这级需要一定的语言组织和理解能力，用主流的商业中档模型最划算。L3级任务：跨多平台的数据综合判断、复杂策略规划、多步Agent决策。这类才需要用最强的推理模型。

在OpenClaw的Gateway里，我按Skill维度做路由配置。比如“报表数据解析”Skill强制走L1模型，“投放建议生成”Skill走L2，“季度投放策略评审”Agent走L3。这样人工不干预，Agent也能自觉按成本路线执行。

5.2 上下文缓存和记忆瘦身：别把每次对话都当成新客人

有段时间我发现成本还是降不下来，查了日志才发现问题出在上下文重复。Agent在做数据复盘时，每次调用都要把同样的账户列表、历史指标、业务规则塞进上下文，这些内容加起来可能占了总token的40%以上，花钱又拖慢速度。

后来我在Gateway层开启了语义缓存，对于重复的查询直接从缓存取结果；同时把长期业务规则从提示词里挪出来，放到一个只读的Memory模块里，按需加载。OpenClaw也有Agent记忆能力，但记忆不是越多越好，我把记忆做了分层：短期会话记忆放Redis，过期自动清理；客户档案和投放历史归档到COS；真正需要Agent每次决策时参考的信息，才作为常驻上下文。

这样一顿操作下来，平均单次Agent任务的token消耗降了大概三成。具体数字因业务而异，但思路是通用的：能缓存的不重算，能读取的不预载，能精简的不啰嗦。

5.3 算力层优化：Serverless和弹性伸缩才是降本大杀器

广告营销有明显的波峰波谷：大促日、节假日流量是平时的几倍，凌晨的复盘任务几乎没有并发。如果常年固定开3台8C16G的节点，低峰期就是纯浪费。

用腾讯云的弹性伸缩能力，可以定义一个指标：当OpenClaw服务的CPU使用率超过60%且持续5分钟，扩容一个Pod；低于20%持续10分钟，缩容一个Pod。这样高峰扛得住，低谷不花钱。

有些任务并不需要常驻服务，比如每天凌晨的自动复盘，完全可以用Serverless函数拉起一个临时的OpenClaw执行环境，跑完自动释放。冷启动会多花几秒，但对非实时任务完全无所谓。我这个方案上线后，单月基础设施账单降了接近一半，而且业务高峰的能力反而比以前更稳了。

5.4 成本计量与归属：让每个业务线为Agent消耗买单

成本优化不止是省总账，还要让每一笔花出去的钱都说得清。我在OpenClaw的Gateway层给每个请求打了部门标签，比如department=tousu、department=chuangyi，然后把这些日志同步到腾讯云监控或CLS，再在报表里按标签聚合。这么一来，月底开内部成本复盘会时，每个业务线都能看到自己消耗了多少模型调用、哪些Skill最烧钱、是否值得继续投入。

有了成本归属，业务线的同事也会主动优化Prompt，让Agent少绕弯路。我见过最明显的例子是，创意部门在知道文案生成Skill单月烧了几千块之后，开始主动精简生成要求，一次性给足品牌调性、字数、关键词，避免Agent反复追问。

6. 踩坑实录：从上线到稳定的三个关键问题

6.1 微信插件的风控与会话残留处理

OpenClaw的一个卖点是可以接微信插件，让Agent直接在聊天窗口里响应。我在广告营销场景里试过用它来接收业务人员的查询，比如在微信里问一句“今天华东地区消耗怎么样”，Agent会去查数据然后回复。

但跑了两周就出了问题：插件突然收不到消息了，日志里报“触发了ilinkai服务端风控或会话残留”。这个报错的意思是IM服务端已经认为你的登录态异常，不再继续推送消息。罪魁祸首主要是发送频率过高和会话状态没正常释放。

我的处理方案是：先将微信插件停掉，清理对应的会话缓存文件，然后重新扫码登录，把Agent的主动发送频率降到每分钟不超过一条，需要批量发送的内容改用异步队列排队。更重要的是，我后来把IM插件单独放在一个Harness里，和核心业务Agent隔离。这样即使IM通道被风控，也不会影响其他Agent任务。如果企业有正经的企业微信服务，我建议走官方接口，会更稳定。

6.2 Agent执行中断：“execution terminated due to error”

这个报错是Agent在运行中因为某种原因提前终止。我遇到过三种典型原因：第一，上下文长度超过模型窗口上限，模型无法继续；第二，Skill内部抛了未捕获异常，Agent没有拿到预期结果，整个链路中断；第三，模型网关超时或限流，尤其是高峰期请求并发上去时。

排查链路不能只盯着Agent代码。我的习惯是先看OpenClaw的运行日志，找到中断前最后一条输出；再看模型网关的返回码，判断是不是模型侧的问题；最后再看具体Skill的执行日志。如果是上下文过长，就在Agent配置里降低max_tokens，或者采用分段处理；如果是Skill异常，就给Skill加try-except和错误返回，让Agent能感知到失败并换一条路径；如果是网关超时，则设置超时重试和熔断。

6.3 权限和审计：避免Agent拿到太多钥匙

广告营销系统涉及真金白银，Agent操作预算前必须做权限隔离。我第一次设计时图省事，把广告平台API的密钥直接放到环境变量里，所有Agent都能读到。后来想想挺后怕的，万一一个Agent在对话中收到恶意指令，理论上可以让它把全账户预算改掉。

正确做法是：每个Skill在调用外部API时，动态从密钥管理系统获取该任务需要的临时凭证；通过腾讯云CAM为每个Agent绑定最小权限策略，比如复盘Agent只有读权限，优化Agent只有调整指定账户预算的权限，且所有写操作都要二次确认。Agent的每一次操作日志也要完整记录，包括谁发起的会话、调用了哪个Skill、修改了什么参数，这样才能在出问题时快速追溯。

这些事看起来“不AI”，但恰恰是企业级Agent方案和玩具demo之间最大的分水岭。广告主敢不敢把账户交给Agent，看的就是这一层。

6.4 升级前必看：版本兼容和Skill失效

再补充一个升级相关的坑。OpenClaw本身迭代快，Skill社区也很活跃，但版本升级可能导致部分第三方Skill失效。我刚开始升级时不看release note，升完发现一个素材生成Skill返回格式变了，Agent开始乱解析，花了两个晚上才定位到是Skill接口升级了。

现在的做法是，所有升级先在测试环境完整跑一遍自动化测试用例，包括核心Agent对话、模型路由、关键Skill调用。测试脚本会在每个Skill返回后校验字段是否完整、类型是否正确。确认全部通过，才把生产环境的镜像标签指到新版本。这套流程看起来笨，但能救命。

7. 从单点demo到企业Agent平台的几点个人体会

最后说几句实在话。我见过太多团队把Agent项目做成“一次性Demo”：在本地跑个漂亮的对话，给老板演示完就没了下文。真正让它活下来，靠的是把它接进业务系统、接上数据、接上权限、算清楚账。OpenClaw本身提供的是一个不错的运行时和开发框架，但要让它在广告营销行业里创造价值，还需要你花精力去设计Skill边界、打磨模型路由、建设运维体系。

我个人在实际操作中的一个很深的体会是：不要等基础设施完美了才开始做场景。先用一个足够痛的高频场景，比如每日投放自动复盘，端到端跑通“数据接入—Agent分析—结果推送”这条链路。等你把这条链路的质量、成本和稳定性都验证到位了，再把其他场景一个个挂上来。这样的节奏，比一开始就要搭一个万能平台稳得多。

另外，OpenClaw的生态里已经有不少现成的Skill和部署经验，社区里关于安装、升级、微信插件配置的讨论值得多看。多看别人踩过的坑，比自己踩一遍要便宜很多。后面我打算把OpenClaw和腾讯云Wedata的ETL工作流再做深一层联动，让数据仓库自动建表后直接触发Agent做数据解读，进一步减少人工参与。这套玩法，值得继续投入。