麦肯锡2026技术趋势02_智能体AI_研究解读

当 AI 开始执行企业任务：麦肯锡 2026 年"智能体 AI"研究解读

麦肯锡《Technology Trends Outlook 2026》技术趋势解读系列 · 第 2 篇

摘要

麦肯锡将"智能体 AI"（Agentic AI）列为 2026 年第二项技术趋势，关注能够规划、执行并动态调整多步骤工作流的 AI 系统。相较于回答问题的聊天工具，智能体进一步进入企业的业务执行过程，连接数据、应用与人员。报告显示，资本和招聘活动快速增长，但规模化采纳、可靠性和经济收益仍受到约束。本文从概念边界、证据口径、任务可靠性、企业集成、授权治理、运行成本及应用形态展开解读。本文提出，智能体 AI 的核心价值在于扩大可委派工作的范围，其实现条件则是让任务目标、执行权限、业务规则、状态记录和结果验证相互匹配。未来的企业竞争，将越来越涉及组织能否持续、可靠且经济地管理这些委派关系。

关键词： 智能体 AI；企业工作流；多智能体编排；自主性；授权治理；智能体商务；本地执行

一、从软件开发扩展到企业业务：第二项趋势讨论什么

假设客户向一家企业提出退款申请。聊天式 AI 可以解释退款政策、整理客户诉求，或者起草回复。一个接入业务流程的智能体，则可能进一步查询订单与物流状态，检查是否满足退款条件，计算可退金额，把需要人工判断的情况交给相应人员，并在获得所需授权后更新业务记录。

这是用于说明机制的假设场景，并非报告中的实际案例。它展示了智能体 AI 的重要变化：AI 的活动范围延伸到会改变业务状态的操作。

麦肯锡将智能体 AI 定义为：能够在有限人工指导下规划并执行多步骤工作流的 AI 系统。它们可以与企业系统交互、协调其他智能体，并随上下文变化调整行动。1，正文第 19 页

本系列第一篇讨论"智能体式软件开发"，聚焦 AI 如何承担软件工程任务；第二篇覆盖更广泛的业务领域，包括客户运营、企业知识管理、供应链、商业交易和个人设备上的任务执行。1，第 19---26 页 两项趋势相互关联，但需要分别评估。

软件开发通常可以利用测试、代码审查和发布流程检验结果。企业业务则包含更多跨部门规则、身份权限和现实承诺。一次客户回复可能影响合同理解，一次库存修改可能影响履约，一次付款操作可能产生难以直接撤销的后果。

因此，智能体进入企业之后，管理者需要回答一个具体问题：哪些工作可以交由系统推进，哪些条件必须满足，发生偏差之后由谁判断并处理？

这个问题把技术应用与组织运行连接起来。企业需要管理的对象，逐渐从一个提供建议的工具，扩展为一套能够参与执行的工作系统。

二、概念边界：模型、工作流与智能体之间是什么关系

理解智能体 AI，需要区分模型能力和系统能力。

模型能够解释信息、提出计划或生成下一步操作；实际执行还依赖工具接口、任务状态、权限管理和运行环境。一个模型回答得很好，并不能单独证明与它连接的业务流程能够可靠完成。

同样，传统自动化与智能体系统也存在不同的适用条件。

系统形态	工作如何推进	适合观察的能力
聊天与知识问答	根据输入生成回答，主要由用户完成后续操作	信息准确性、相关性与依据是否充分
预设自动化工作流	按明确规则和路径调用系统，处理预先定义的分支	执行稳定性、规则覆盖与异常处理
智能体工作流	在约束内选择工具、安排步骤，依据反馈调整行动	任务完成情况、行动合规性、人工介入与运行成本

这是一种便于分析的划分。企业中的实际方案往往会组合这些能力。例如，智能体可以处理非结构化客户诉求，确定需要进入哪一类流程；金额计算与交易提交则可以由规则明确的业务程序执行。

这种组合有一个实际优点：把不确定的理解与规划活动，和需要严格约束的执行活动分别管理。模型不必独立承担每一个步骤，企业也能够为不同环节设定相应的验证标准。

多智能体协作是其中一种组织方式。不同智能体可以承担不同任务，但系统是否有效，取决于分工、依赖和交接是否清楚。一个单智能体与成熟工作流的组合，也可能比复杂的多智能体系统更适合某项业务。

所以，"是否用了多个智能体"不能直接作为先进程度或商业价值的判据。更有意义的问题是：目标工作是否被完整处理，执行过程是否受到控制，结果是否满足业务要求。

三、证据显示了什么：资源涌入，规模化收益仍需验证

麦肯锡在这一章中同时引用了技术趋势数据、整体 AI 调查和预算调查。它们具有不同的测量对象，需要保持区分。

指标	报告给出的结果	应当怎样理解
2025 年股权投资	99 亿美元	趋势统计范围内的资本交易活动，不能直接解释为市场收入
截至 2026 年年中的股权投资	67 亿美元	部分年度数据，与全年数据比较时需要保留时间范围
相关岗位公告变化	2024---2025 年增长 952%	在较小基数上快速增长，不代表全部 AI 岗位增长相同幅度
企业采纳评级	3：试点阶段	根据专家访谈形成的五级判断，较少企业已全面扩展智能体运行模式
经常使用 AI 的组织	89%	整体 AI 使用情况，不能换成"89% 的企业已部署智能体"
报告 AI 带来正向 EBIT 影响的组织	37%	衡量整体 AI 项目对息税前利润的影响，不是智能体项目的成功率
AI 预算超支	93% 的相关调查受访者报告超支	来自另一项企业 AI 预算调查，不能直接推广为所有企业的普遍比例
某些智能体工作流的 token 消耗	一次标准聊天查询的 5---30 倍	比较对象是不同工作形态，不能当作所有智能体或同一任务的固定成本倍数

资料来源：报告正文第 19、21、25 页及研究方法第 3 页；整体 AI 调查与预算调查分别见参考资料 2、3。

这些指标组合起来，描述的是一个资源快速投入、落地能力仍在建设的领域。关注度、融资和招聘可以反映发展动力，实际业务收益则需要另外测量。

尤其需要保留 89% 和 37% 的统计边界。前者说明 AI 已经广泛进入企业，后者说明可被受访者归因到企业整体利润的影响仍然有限。它们不能用来计算智能体的收益转化率，也不能推出其余组织的项目全部失败。

支撑这组数据的整体 AI 调查覆盖 1,719 名受访者，开展于 2026 年 5---6 月。2 调查反映了受访者对组织实践与影响的判断，不能替代对具体项目的成本、收入和任务结果进行测量。

93% 的预算超支也来自不同样本。其来源为 2026 年 5 月的企业 AI FinOps（成本与用量管理）调查，涉及 120 名企业参与者，其中有 75 名符合分析资格的受访者。3 这一结果能够提示预算管理问题，但不能据此计算一个任意企业的超支概率，更不能将全部超支归因于智能体。

报告给予智能体 AI 的采纳评级仍是"试点阶段"。1，第 25 页 这并不否认领先企业的部署进展，却提醒我们：一项功能在部分流程里得到应用，与企业整体形成稳定的人机协作运行模式，仍然是不同层级的变化。

四、长任务能力如何理解：基准进步与业务可靠性之间有距离

报告引用 METR 的任务时间跨度研究，描述智能体处理较复杂任务的能力。它给出的例子是：截至 2026 年 5 月，Claude Opus 4.6 在软件工程任务上的 50% 时间跨度约为 12 小时。1，第 20 页

这里需要使用 METR 对指标的严格定义：时间跨度按人类专家完成任务所需的时间标定；50% 时间跨度表示模型对相应难度任务的预测成功率约为一半。它衡量任务难度，不能理解为智能体实际连续运行 12 小时的可靠性。4

METR 的相关任务主要来自软件工程、机器学习和网络安全领域，通常具有明确的成功标准。4 因而，报告引用的进展有助于观察长任务能力，却不能直接推出智能体处理采购、客户投诉或跨部门业务的成功率。

企业关心的是一项任务能否在约束下完成。例如，退款申请是否被正确分类，金额是否准确，客户身份是否核实，业务记录是否一致，异常是否被及时升级。某一步做得很好，不能单独说明整项工作能够完成。

一个简化例子可以说明这种区别：假设工作包含 10 个串行步骤，每一步独立正确的概率都是 95%，并且没有纠错，那么全部步骤正确的概率约为 59.9%。这只是数学上的机制示例，不是对真实智能体可靠性的估计。实际步骤可能相关，系统也可能有重试、校验与人工处理。

这个例子揭示了一个设计方向：较长流程需要在适当节点检验中间结果，及时识别和处理偏差，避免错误一直传递到最终操作。

因此，企业评估应当覆盖至少三个问题：任务是否完成，约束是否被遵守，以及完成过程中付出了多少人工与运行成本。只记录最后一次模型回答的质量，难以回答这些问题。

还应当观察恢复能力。接口超时、工具不可用或信息缺失之后，系统能否保留工作状态、辨别哪些操作已经发生，并交给适当人员继续处理？在业务环境中，这些能力会影响可靠性与成本，即使它们未必体现在模型基准分数里。

五、企业集成：把语言理解转化为受控的业务执行

报告将跨企业资源计划（ERP）、客户关系管理（CRM）和供应链系统的流程编排列为重要发展，并把遗留系统接入列为主要瓶颈。1，第 21---22 页 其背后是一个容易被低估的问题：企业软件能够连接，并不意味着它们共享一致的业务含义。

以客户订单为例，销售系统里的"订单成立"、财务系统里的"收入确认"，以及物流系统里的"完成履约"，可能对应不同条件。智能体若只读取其中一个状态，就可能对后续行动作出不完整的判断。

所以，企业集成需要同时处理数据、语义和执行规则。

数据层面，需要知道信息来自哪里、是否及时、是否有访问权限。 同一个字段在多个系统中出现时，需要明确以哪一个来源为准。若上下文存在冲突，系统应保留不确定性，而不能自行假设信息已经一致。

业务层面，需要把规则转化为可检查的约束。 比如退款条件、库存占用、审批责任和财务核对，都需要有足够明确的依据。检索能够帮助系统找到资料，资料之间的冲突与适用范围仍然需要处理。

执行层面，需要明确每项操作的效果与恢复方式。 一次工具调用成功，不一定代表整个业务已经完成；一次网络超时，也不一定代表操作没有发生。如果系统简单重复下单或提交付款，就可能产生重复操作。工作流需要识别业务状态并管理这类异常。

报告提到模型上下文协议（MCP）等接入机制，可以帮助智能体与工具和平台交互。1，第 22 页 标准化接口能够减少部分接入工作，业务权限、审批规则与交易一致性仍需要由相应系统落实。MCP 的安全文档也专门讨论了授权、令牌验证及代理调用中的信任边界等问题。5

多智能体编排进一步增加了协调要求。一个智能体负责客户沟通，另一个核对库存，第三个安排履约，如果它们依据不同版本的数据行动，就可能分别给出合理、合在一起却互相冲突的结果。

本文据此认为，多智能体编排的关键能力包括：维护共享任务状态，管理执行依赖，明确交接产物，以及在信息冲突时停止或升级处理。这些能力使模型、工具与业务流程形成可运行的整体。

报告把编排框架视为新的企业中间层。1，第 21---22 页 从组织角度看，这一层也在承担跨系统协作的部分工作。它能减少重复的信息搬运，但若基础数据与规则长期混乱，也可能把已有问题带入更多流程。因此，智能体集成与基础系统整理应当相互配合。

六、自主性如何配置：把委派关系变成可执行的组织规则

智能体开始读取、写入和调用企业系统之后，授权成为业务设计的一部分。报告因此强调非人类身份、访问管理、治理与责任安排。1，第 22、26 页

一个员工拥有某些权限，并不意味着以其身份运行的智能体应该持续使用全部权限。任务委派需要同时说明目的、对象、范围和期限。查询某张订单、修改退款记录、向客户作出承诺，具有不同的影响，应采用相应的授权条件。

可以围绕行动影响构建以下分析框架。

行动类型	企业需要明确的执行条件	需要保留的结果证据
查询与分析	数据范围、用途和访问资格	信息来源、访问记录与结果依据
生成草稿或待办	输出用途、复核责任与发送条件	草稿内容、规则依据与复核状态
修改内部业务状态	变更边界、检查条件与恢复安排	修改前后状态、授权信息与执行记录
对外承诺或交易	对象、金额或承诺范围、有效期及必要审批	可核验的授权、操作结果与异常处理记录

上表是本文提出的治理分析框架，具体权限配置应当依据业务环境设计。

这一框架还有一个含义：人工参与可以集中于需要判断的节点。低风险、规则明确的工作，可以依据已有授权继续执行；超出范围、信息冲突或影响较大的情况，则进入预先定义的处理路径。

人工审查要发挥作用，也需要提供足够信息。如果审查者只能看到一句"请确认"，却看不到事实依据、规则和影响范围，确认动作很难承担有效控制。因此，智能体应当保留能支持判断的证据，而不只是生成一个看起来完整的结论。

外部信息还带来另一类问题。假设采购助理读取一封供应商邮件，其中夹带要求修改收款账户的指令。邮件能够为任务提供信息，却不能自行取得修改企业付款规则的授权。系统需要区分任务相关资料与有权决定执行方向的指令。

这是本文用于解释信任边界的假设示例。其管理含义是：授权必须通过受控机制落实，不能仅依靠自然语言中对智能体的要求。身份、工具权限、业务校验和记录机制，需要共同约束可能发生的操作。

最终，智能体的自主性应当随企业的验证、监测和异常处理能力扩展。模型能提出更多行动，并不自动意味着组织已经具备管理这些行动的条件。

七、经济收益：工作量、质量与成本需要一起衡量

智能体工作流往往包括多次推理、检索和工具调用。多智能体系统还会产生任务拆解、信息交接和协调开销。报告因此把计算与 token 经济性列为主要约束。1，第 19、22、26 页 Token 是模型处理和生成信息时的计量单位，也是模型调用费用的重要依据。

需要注意的是，一次复杂工作流与一次聊天查询提供的服务并不相同。报告引用的 5---30 倍 token 消耗，提示了工作形态的差异，不能单独证明智能体在经济上更差。评估需要比较同一业务目标下的完整投入和结果。

例如，一项工作可能原本需要员工登录多个系统、整理资料并核对规则。智能体增加了推理与运行成本，同时可能减少操作时间。只有把人工、集成、监督、返工和后续处置共同纳入，才能判断整体效果。

企业也需要区分"成本下降"和"业务量扩大"。即使单项任务的运行成本下降，更多部门开始使用、任务频率提高、流程更加复杂，总支出仍可能增长。预算超支因此既可能来自效率问题，也可能来自使用范围和工作量的变化，需要分别解释。

比较有效的评估方式，是建立从执行过程到业务结果的测量关系。

测量层级	可以观察的指标	能回答的问题
运行过程	调用次数、token、运行时间、工具失败与重试	资源消耗在哪里，执行是否稳定
任务结果	完成率、规则符合情况、人工介入与返工	工作是否在约束下完成
业务流程	处理周期、积压、异常和投诉再次出现的情况	局部任务改善是否传递到流程
经营结果	可归因的成本变化、收入贡献与客户体验	应用是否创造了组织层面的价值

上表属于本文的测量建议，不是报告中的实证指标体系。

以客服为例，系统结束一次对话，可以形成技术上的完成记录。业务上还需要判断客户问题是否解决、是否再次求助，以及人工是否在后台承担了大量修正工作。指标定义不同，得到的"自动完成率"也会不同。

因此，企业可以把经验证的业务结果作为成本核算单位，并按任务类型分别比较。稳定、重复的任务和复杂异常任务具有不同难度，将它们混在一起，可能掩盖实际收益。

模型成本优化也应当服务于这个目标。减少不必要的检索、重复规划和无效重试，有机会改善经济性；压缩必要的验证与监督，则可能增加后续损失。成本管理需要结合质量与风险，而非只追求更低的调用支出。

八、应用形态如何变化：企业界面、商业交易与本地设备

1. 企业应用：用户意图与系统操作之间出现新的执行层

报告认为智能体正在成为碎片化企业系统之间的连接层。1，第 19---22 页 这有可能改变用户与软件交互的方式。员工提出业务目标，系统在已有授权下安排多个应用中的操作，并把结果和异常返回给相应人员。

这种方式可以减少用户跨系统操作的负担。但原有系统所承担的数据管理、业务规则、交易记录和审计功能，仍然具有价值。智能体能够通过接口使用这些能力，也需要遵守它们的约束。

本文由此推断，企业软件的竞争可能更多涉及两方面：一是能否提供稳定、清晰且受到权限控制的业务接口；二是能否把复杂业务目标转化为可监督的执行流程。自然语言界面会扩大入口选择，后台业务能力与长期运行责任则继续影响采购和自建决策。

2. 智能体商务：购买意图需要转化为可核验的交易授权

报告讨论了智能体代表消费者比较和购买商品的机会，并引用到 2030 年全球零售中由智能体组织或促成的收入规模可能高达 5 万亿美元的预测。1，第 23 页

这里的 5 万亿美元是情景预测中的交易相关收入规模，不能理解为智能体服务商的收入，也不能全部计为新增消费。实际发展仍取决于消费者采纳、商家接入、交易信任和支付基础设施。

Google 的智能体支付协议（AP2）为交易授权提供了一个具体例子：通过带有密码学签名的授权记录，把用户意图、购物车内容与支付关联起来，帮助验证代理购买是否在授权范围内。6 这是协议提出的设计机制，不能单独证明所有商业纠纷或推荐偏差已经解决。

其商业意义在于，代理购物需要把"用户想要什么"进一步转化为价格、商品、时间和其他限制条件。商家也需要提供可靠的商品属性、库存、费用和售后信息，让代理系统能够判断交易是否合适。

因此，本文认为智能体商务的发展会同时依赖信息质量与授权机制。只有让购买决策和实际交易之间的关系可解释、可核验，消费者才更有条件扩大委派范围。

3. 本地设备：执行位置与模型推理位置需要分开判断

报告将开源智能体向个人设备扩展列为重要发展，讨论了设备端执行、持续性助手及隐私、延迟和离线能力的潜在改善。1，第 23 页

这里应当区分两个问题：智能体在哪里操作文件、浏览器和应用，以及模型在哪里进行推理。一个智能体可以在本地设备上执行，同时调用云端模型；也可以利用本地模型处理部分任务，再根据需要调用远程能力。

因此，运行框架在本机，不自动意味着全部输入都留在本机。数据流向需要根据模型调用、检索来源、外部工具和记录方式判断。离线完成任务也要求相应模型、资料和执行依赖在离线条件下可用。

本地执行提供了更直接地接触设备文件与应用的条件，也需要相应的操作隔离、权限和恢复安排。它改变了工作能够发生的位置，仍然需要处理执行可靠性。

本文的判断是，设备端、私有环境和公有云可能依据任务条件形成不同组合。敏感信息、持续运行、模型能力、硬件成本和运维要求，会共同影响部署选择。企业与产品开发者应当评估完整的数据和执行路径，而不只是模型所在的位置。

九、组织与人才：工作流责任会比工具使用更加重要

报告的人才数据显示，相关招聘活动在较小基数上快速增长，2025 年岗位公告中约 78% 属于研发职能。技能方面，22% 的相关岗位要求编排能力，其人才供给需求比约为 0.2；机器学习约为 4.3，Python 约为 1.8。1，第 24---25 页

这些指标来自特定关键词与人才识别口径，招聘数据主要覆盖英语国家。1，第 3 页 它们不能直接推出某个地区的缺口规模，但提示了一种能力需求：把模型、工具、业务流程和控制机制组织成可运行的系统。

这类工作需要工程能力，也需要理解业务规则和部门之间的责任关系。例如，一个订单处理智能体可能跨越销售、财务与物流系统。如果每个部门只检查自身环节，而没有人对完整任务结果负责，跨环节问题就可能难以发现和处理。

本文据此认为，企业需要明确工作流层面的责任主体。其职责包括确认任务目标、协调规则、管理权限、处理异常，并依据整体结果调整系统。这个责任可以由现有团队承担，未必需要设立一个新岗位名称。

员工角色也可能随任务重新分配。部分重复操作可以被委派，人与系统之间的工作重心则转向规则判断、客户沟通、异常处置和改进流程。具体变化取决于行业、任务与实施方式，不能从某项自动化能力直接推算整个岗位的替代程度。

对管理者而言，更有意义的设计单位是"由人和系统共同完成的工作"。在这个单位中，需要同时定义人的职责、智能体的任务、执行权限、交接条件和完成标准。

人才培养也应围绕实际工作展开。员工需要学会判断任务何时适合委派，理解结果依据，并能在系统出现偏差时接管。工具操作熟练度是其中一部分，业务判断与责任承担仍然需要持续积累。

十、如何评价这一趋势，并检验未来进展

麦肯锡这一章具有解释力的地方，在于把智能体的技术进步与企业集成、预算、治理和人员变化放在一起讨论。它指出了应用方向，也明确保留了可靠性、责任、成本、遗留系统和组织模式等不确定性。1，第 26---27 页

阅读时仍需注意证据层级。相对趋势分数用于描述研究范围内的活动；企业调查反映受访者判断；模型基准展示特定任务条件下的能力；市场预测则依赖未来情景。它们可以共同支持方向性分析，无法合并成所有企业都能获得的固定收益。

以下四个判断来自本文的综合分析，不属于麦肯锡已经证实的结论。检验范围主要是未来一至两年。

第一，自主执行更可能按任务逐步扩展。 目标明确、规则稳定、结果易于验证的工作，具备更好的委派条件。可以观察企业稳定交由智能体处理的任务种类是否扩大，以及人工介入是否更多集中于确实需要判断的情况。

第二，评估、权限与运行管理会成为规模化应用的重要投入。 当智能体数量与执行范围增加，组织需要同时掌握任务结果、身份、资源消耗和异常。可以观察应用扩展是否伴随更清晰的结果证据、更低的返工负担和更稳定的单位任务成本。

第三，不同部署位置之间的协作会更加细化。 本地设备、企业私有环境和云端各自承担适合的工作，具有现实的设计空间。可以观察敏感数据传输是否减少、任务连续性是否改善，以及完整运行成本是否得到控制。

第四，工作流层面的责任与知识积累会更直接地影响收益。 当执行活动可以被系统承担，企业需要持续维护规则、处理例外并改进跨部门协作。可以观察相同工具在不同组织中的差异，是否更多由任务定义、知识质量和责任安排解释。

这四个判断共同指向一个研究问题：随着模型能力提高，企业把新增能力转化为可靠工作的条件，是否也在同步改善？对这个问题的持续测量，比单次演示更能说明趋势的发展程度。

结语

智能体 AI 扩大了企业能够委派给系统的工作范围，也使组织必须更具体地管理执行过程。模型理解、工具接入、业务规则、身份权限和结果验证，共同决定一项工作能否可靠完成。

麦肯锡报告显示，这个领域已经形成强烈的投资与应用动力，同时仍处于规模化条件不断建设的阶段。整体 AI 的使用率、模型基准进步和市场预测，需要分别理解，才能客观判断智能体的实际成效。

本文的核心结论是：企业需要把自主性与自身的验证、监测、异常处理和经济承受能力相匹配。能够持续改进这种匹配关系的组织，更有机会把智能体能力转化为稳定的业务收益。

参考资料与口径说明

本文以用户提供的麦肯锡 2026 年 9 月版报告为主，解读范围为第 2 项技术趋势，正文第 19---27 页，并结合第 3 页研究方法。页码均指报告印刷页码，对应 PDF 文件页序第 21---29 页和第 5 页。补充资料用于核对关键调查口径、任务时间跨度与技术机制，核对日期为 2026 年 10 月 3 日。文中的业务场景、可靠性计算、治理与测量框架，以及未来判断属于作者分析。

1. McKinsey & Company. Technology Trends Outlook 2026. September 2026, sixth edition. "Agentic AI", pp. 19--27; research methodology, p. 3. 本文主要依据用户提供的 PDF。

2. McKinsey & Company. The state of AI in 2026: On the road to ROI. August 25, 2026. 用于核对整体 AI 使用、企业利润影响及调查范围。

3. McKinsey & Company. The cost of intelligence: How CIOs can manage AI demand at scale. July 20, 2026. 用于核对预算超支及其调查样本，理解智能体运行成本管理。

4. METR. Task-Completion Time Horizons of Frontier AI Models. 页面标注更新日期为 May 8, 2026. 用于核对任务时间跨度的定义、测试范围及外推边界；约 12 小时的数值按麦肯锡报告原文引用。

5. Model Context Protocol. Security Best Practices. 2025-11-25 版本路径，核对日期为 October 3, 2026. 用于理解授权、令牌验证和代理调用的安全边界。

6. Parikh, S., & Surapaneni, R. / Google Cloud. Powering AI commerce with the new Agent Payments Protocol (AP2). September 17, 2025. 用于理解智能体交易中用户意图、购物车与支付之间的授权证据机制。