企业官网建设流程全解析

1. 项目概述：这不是一个“技能列表”，而是一套可执行、可验证、可演进的智能体能力系统

你搜“skills”时看到的满屏热词——Google Cloud、GKE、Gemini、Agent Platform、superpower skills、gemini code assist、claude agent skills、codex写论文、自动挖洞skills……这些不是零散关键词，而是同一类技术范式在不同场景下的具象化表达：skills（能力模块）正在从抽象概念，快速落地为可部署、可编排、可计量的工程化单元。我在2023年中期开始系统性构建基于skills的自动化工作流，当时主流还在谈“AI Agent架构图”，而今天，我每天用的CI/CD流水线里，有7个skills在持续运行：一个负责自动解析GitHub PR描述并生成测试用例；一个监听Slack频道关键词，触发Jira工单创建+Confluence文档初稿生成；还有一个嵌在内部Wiki里，实时把Markdown技术文档转成带交互式代码块的Web组件。它们不叫“插件”，不叫“函数”，就叫skills——每个都带明确输入契约、输出契约、失败回滚策略和资源配额声明。这背后不是玄学，是Google Cloud上GKE集群里跑着的轻量级gRPC服务，由Gemini Pro API驱动决策逻辑，通过Agent Platform统一注册、发现与调度。所谓“your account is not eligible for gemini code assist”这类报错，本质是Google对skills调用链中某个环节的配额或权限校验失败，而不是功能本身不可用。如果你正被“skills下载平台有哪些”“skills安装包下载”这类搜索词困扰，说明你还没跳出传统软件分发思维——skills不是装在本地的.exe，它是注册在云平台上的能力端点，调用它就像调用一个HTTP接口，只是这个接口背后，是LLM+工具调用+状态管理的完整闭环。适合谁？前端开发者可以用它把重复的组件文档生成自动化；运维工程师能把它变成自动巡检+根因分析的值守机器人；甚至产品经理也能用它把PRD草稿一键转成Figma设计提示词+Jira子任务拆解。关键不在“会用”，而在“会定义”——定义清楚你的业务问题，哪个环节需要什么能力，输入输出边界在哪，失败时怎么兜底。这才是skills时代真正的门槛。

2. 核心设计逻辑：为什么skills必须是独立部署的服务单元，而非代码库里的函数

2.1 技术选型背后的硬约束：隔离性、可观测性与生命周期管理

很多人第一反应是：“skills不就是写个Python函数，再封装成API？”我试过。2023年初，我们团队把所有AI辅助功能塞进一个Flask应用，结果上线两周就崩溃三次：Gemini API限流导致整个服务超时；一个PDF解析skills内存泄漏拖垮了所有其他功能；更糟的是，当需要给销售部门单独开通“合同条款提取skills”权限时，发现根本没法做细粒度鉴权——因为所有逻辑都在同一个进程里。这才逼我们重新设计。核心结论是：skills必须是独立的、有明确定义边界的部署单元。这不是为了炫技，而是解决三个刚性问题：

• 故障隔离：一个skills出问题（比如调用外部API超时），不能影响其他skills。GKE的Pod机制天然支持这点——每个skills跑在一个独立Pod里，资源限制（CPU/Memory Request/Limit）可以精确到毫核级别。我们给“日志摘要skills”设了500m CPU / 1Gi Memory，而“代码审查skills”则设为2000m / 4Gi，因为后者要加载大模型上下文。

• 可观测性落地：当“自动挖洞skills”在凌晨三点触发告警，运维需要知道是模型推理慢（P99延迟>5s）、还是工具调用失败（nmap返回非零码）、或是网络策略阻断（出站流量被GCP Firewall拦截）。如果所有skills混在一起，Prometheus指标全是flask_request_latency_seconds，根本分不清是谁的问题。而独立Pod后，每个skills自带专属指标前缀：skills_code_review_latency_seconds、skills_vuln_scan_nmap_exit_code，配合GKE的Stackdriver日志，问题定位时间从小时级降到分钟级。

• 生命周期自主管理：skills更新不能停服。我们有个“分镜skills”，用于把视频脚本转成分镜表，客户要求每周迭代提示词模板。如果它和“合同审核skills”共用一个Deployment，每次更新都要滚动重启，影响所有业务。现在，我们为它单独建一个Deployment，用Helm Chart管理，更新时只滚动该Pod，其他skills完全无感。更重要的是，它的Service Account权限也严格限定——只能读取Cloud Storage里的脚本文件桶，不能碰数据库，这直接满足了金融客户的合规审计要求。

提示：别用Docker Compose本地模拟skills架构。它无法复现GKE的NetworkPolicy、ResourceQuota、PodDisruptionBudget等关键能力。我踩过的坑是：本地测试一切正常，一上GKE就因默认Service Account权限过大被安全团队驳回。正确做法是：用kubectl create serviceaccount skills-vuln-scan --namespace=prod创建专用SA，再用kubectl create rolebinding绑定最小权限Role。

2.2 为什么必须绑定GKE与Agent Platform：不是厂商绑定，而是能力编排的必然选择

看到“Google Cloud,GKE,Gemini,Agent Platform”这些词堆在一起，容易误解为Google强行捆绑。实测下来，这是目前唯一能闭环解决skills规模化问题的组合。拆开看：

• GKE是skills的“操作系统”：它提供标准化的运行时环境（Kubernetes Pod）、网络（ClusterIP/NodePort/Ingress）、存储（PersistentVolumeClaim挂载ConfigMap）、安全（Workload Identity）。我们所有skills的Dockerfile都基于gcr.io/distroless/python3精简镜像，大小控制在80MB以内，启动时间<3秒。没有GKE，你得自己维护一套容器编排、证书轮换、节点扩缩容——这已经超出skills开发者的职责范围。

• Agent Platform是skills的“应用商店+调度中心”：它解决两个致命问题。第一，“find skills”需求——当新同事加入，他不需要翻Git仓库找skills-contract-parser.py，而是在Agent Platform控制台搜索“contract”，立刻看到已注册的skills列表、版本、调用示例、SLA承诺（如P95延迟<2s）。第二，“agent tool agent skills”这种嵌套调用——比如“自动挖洞skills”发现高危漏洞后，自动触发“应急响应skills”，后者再调用“通知skills”发Slack消息。Agent Platform的Tool Calling机制让这种链式调用变成声明式配置，而非硬编码的HTTP调用。我们曾用纯K8s Service实现类似逻辑，结果配置YAML文件超过200行，一次变更要测半天；现在，在Agent Platform UI里勾选几个复选框，5分钟搞定。

• Gemini是skills的“决策引擎”：注意，不是所有skills都用Gemini。我们的“PDF解析skills”用的是Apache PDFBox Java库，纯本地处理；“代码格式化skills”调用的是prettier CLI。但涉及“理解意图”“生成内容”“多步推理”的skills，必须用Gemini。比如“superpower skills”——它能把用户一句“把上周销售数据按区域画成柱状图，标出Top3”转化为：1) 查询BigQuery获取数据；2) 用Matplotlib生成图表；3) 用Gemini分析图表趋势，生成3句洞察文案。这里Gemini不是简单回答问题，而是作为Orchestrator，动态决定调用哪些工具、按什么顺序、传什么参数。Agent Platform的tools字段正是为此设计：你声明{"name": "query_bigquery", "description": "查询销售数据"}，Gemini就能在推理时自动选择并填充参数。

注意：Gemini API调用不是免费午餐。“your account is not eligible for gemini code assist”这类错误，90%源于配额耗尽。我们监控googleapis.com/generativeai.googleapis.com/requests指标，当剩余配额<10%，自动触发告警并切换到备用模型（如Claude Sonnet）。别信“skills大全”网站打包的所谓“免密key”，GCP强制要求Workload Identity，私钥泄露等于整个项目裸奔。

3. 实操细节：从零构建一个可上线的skills——以“前端开发skills”为例

3.1 定义清晰的能力契约：输入、输出、失败边界

“前端开发skills”不是泛泛而谈“帮写React代码”，而是解决一个具体场景：当设计师上传Figma设计稿链接到Confluence页面，自动为该页面生成对应的React组件代码、Storybook演示及基础测试用例。这个定义决定了它的契约：

• 输入（Input Schema）：必须是JSON对象，包含figma_url（字符串，需匹配https://www.figma.com/file/.*正则）、component_name（字符串，符合React组件命名规范）、target_framework（枚举：react/vue3）。我们用JSON Schema校验，拒绝任何缺失字段或格式错误的请求，避免Gemini浪费token去解析无效输入。

• 输出（Output Schema）：固定结构：{"code": "string", "storybook": "string", "test": "string", "metadata": {"generated_at": "ISO8601", "model_version": "gemini-1.5-pro-001"}}。特别强调metadata字段——它让下游系统（如CI流水线）能追踪代码来源，满足审计要求。我们曾因缺少此字段，被客户质疑“AI生成代码是否可追溯”。

• 失败边界（Failure Modes）：明确列出所有可能失败点及应对策略：

  • Figma API调用失败（HTTP 429）→ 返回{"error": "figma_rate_limited", "retry_after": 60}，调用方按retry_after秒后重试；
  • Gemini生成代码含语法错误 → 启动本地ESLint校验，若失败则用gemini-1.5-flash重试（更快但精度略低），3次仍失败则返回{"error": "code_generation_failed", "fallback": "manual_review_required"}；
  • 资源超限（Pod内存OOM）→ GKE自动重启Pod，但需在代码里捕获MemoryError并记录metrics_skills_frontend_memory_exhausted_total指标，触发扩容告警。

实操心得：契约定义阶段花1天，比后期调试3天还值。我们曾跳过Schema校验，结果前端传了个component_name: "Button!"（含感叹号），导致生成的JSX文件名非法，CI构建失败。现在，所有skills入口函数第一行就是jsonschema.validate(instance=input_data, schema=INPUT_SCHEMA)。

3.2 工程化实现：GKE Pod内的三层架构

一个skills的代码结构不是扁平的main.py，而是清晰分层：

skills-frontend/ ├── Dockerfile ├── requirements.txt ├── app/ │ ├── __init__.py │ ├── core/ # 核心业务逻辑（与模型无关） │ │ ├── figma_parser.py # 解析Figma URL，调用Figma REST API获取设计数据 │ │ └── code_generator.py # 基于设计数据生成代码骨架（不用LLM） │ ├── llm/ # LLM交互层（与模型强耦合） │ │ └── gemini_orchestrator.py # 构造Prompt，调用Gemini API，解析响应 │ └── api/ # HTTP接口层（FastAPI） │ └── main.py # 定义POST /generate endpoint，调用core+llm └── tests/ └── test_end_to_end.py # 真实Figma URL + mock Gemini响应的集成测试

关键细节：

• Dockerfile极致精简：基础镜像用gcr.io/distroless/python3:3.11，只COPYapp/和requirements.txt，pip install --no-cache-dir -r requirements.txt后删除/tmp/*。最终镜像大小78MB，Pull速度<5秒。对比早期用python:3.11-slim，镜像280MB，节点拉取常超时。

• LLM层与核心层解耦：core/figma_parser.py只负责获取原始设计数据（颜色、尺寸、文本），不碰Prompt；llm/gemini_orchestrator.py接收结构化数据，构造system_instruction="你是一个资深前端工程师..."，并设置temperature=0.2保证代码稳定性。这样，未来想换Claude，只需重写llm/claude_orchestrator.py，核心逻辑完全不动。

• API层强制熔断：FastAPI的/generateendpoint用tenacity库实现重试：

  @app.post("/generate") @retry( stop=stop_after_attempt(3), wait=wait_exponential(multiplier=1, min=4, max=10), retry=retry_if_exception_type(GeminiAPIError) ) async def generate_component(input: FrontendRequest): # ... 业务逻辑

  配合GKE的readinessProbe（HTTP GET/healthz检查Pod是否就绪），确保流量只打到健康实例。

3.3 在GKE上部署与Agent Platform注册全流程

步骤1：构建并推送镜像

# 使用GCP Artifact Registry，比Docker Hub更安全可控 gcloud artifacts repositories create skills-repo \ --repository-format=docker \ --location=us-central1 \ --description="Skills container registry" # 构建镜像（注意--platform linux/amd64，避免Apple Silicon本地构建问题） docker build --platform linux/amd64 -t us-central1-docker.pkg.dev/my-project/skills-repo/skills-frontend:1.2.0 . # 推送 docker push us-central1-docker.pkg.dev/my-project/skills-repo/skills-frontend:1.2.0

步骤2：GKE Deployment YAML（关键字段解读）

apiVersion: apps/v1 kind: Deployment metadata: name: skills-frontend namespace: skills-prod spec: replicas: 3 # 保证高可用，避免单点故障 selector: matchLabels: app: skills-frontend template: metadata: labels: app: skills-frontend spec: serviceAccountName: skills-frontend-sa # 专用Service Account containers: - name: frontend-skill image: us-central1-docker.pkg.dev/my-project/skills-repo/skills-frontend:1.2.0 ports: - containerPort: 8000 resources: requests: cpu: "500m" memory: "1Gi" limits: cpu: "1000m" memory: "2Gi" env: - name: GEMINI_API_KEY valueFrom: secretKeyRef: name: gemini-api-key-secret key: api_key # 关键！健康检查确保流量只到就绪Pod livenessProbe: httpGet: path: /healthz port: 8000 initialDelaySeconds: 30 periodSeconds: 10 readinessProbe: httpGet: path: /readyz port: 8000 initialDelaySeconds: 5 periodSeconds: 5 --- # Service暴露给Agent Platform apiVersion: v1 kind: Service metadata: name: skills-frontend-service namespace: skills-prod spec: selector: app: skills-frontend ports: - port: 80 targetPort: 8000 type: ClusterIP # Agent Platform通过内部DNS访问，无需LoadBalancer

步骤3：Agent Platform注册（核心配置）

在Google Cloud Console > Agent Platform > Skills > Create Skill：

• Skill Name:frontend-component-generator
• Description:Generates React/Vue components from Figma design links
• Endpoint URL:http://skills-frontend-service.skills-prod.svc.cluster.local:80/generate（GKE内部DNS）
• Authentication:Use Workload Identity（自动关联前面创建的skills-frontend-sa）
• Tools Configuration（关键！定义Gemini能调用的工具）：

  [ { "name": "parse_figma", "description": "Parse Figma design file to extract component structure", "parameters": { "type": "object", "properties": { "figma_url": {"type": "string"} }, "required": ["figma_url"] } }, { "name": "generate_code", "description": "Generate React/Vue component code from parsed structure", "parameters": { "type": "object", "properties": { "structure": {"type": "object"}, "framework": {"type": "string", "enum": ["react", "vue3"]} }, "required": ["structure", "framework"] } } ]

• Test Configuration: 输入测试Payload{"figma_url": "https://www.figma.com/file/abc123", "component_name": "Header", "target_framework": "react"}，点击Run Test，看到成功响应即注册完成。

实操心得：Endpoint URL必须用GKE内部DNS（*.svc.cluster.local），不能用External IP。我们第一次填了LoadBalancer IP，结果Agent Platform调用超时——因为GCP防火墙默认阻止外部IP访问集群内服务。另外，“Tools Configuration”的JSON必须严格符合OpenAPI 3.0规范，少一个逗号就注册失败，建议用VS Code的JSON Schema验证插件。

4. 生产环境避坑指南：那些官方文档不会告诉你的实战陷阱

4.1 权限地狱：Workload Identity的10个致命配置点

Workload Identity是GKE与GCP服务（如Gemini API）安全通信的基石，但配置极其脆弱。我们花了3天排查一个403 PERMISSION_DENIED错误，根源是以下任一配置失误：

提示：用kubectl run debug-pod --image=busybox --rm -it --restart=Never --overrides='{"spec":{"serviceAccountName":"skills-frontend-sa"}}' -- sh -c "curl -H 'Authorization: Bearer $(curl -H 'Metadata-Flavor: Google' http://metadata.google.internal/computeMetadata/v1/instance/service-accounts/default/token | jq -r .access_token)' https://generativelanguage.googleapis.com/v1beta/models/gemini-1.5-pro:generateContent?key=YOUR_API_KEY"手动验证Workload Identity是否生效。这是最直接的诊断法。

4.2 Gemini调用成本失控：如何把每千token费用压到$0.0035

Gemini Pro的input_token价格是$0.0000005/token，看似便宜，但skills高频调用下极易失控。我们一个“自动挖洞skills”月账单曾达$2300，根源是未优化Prompt和响应处理：

• Prompt压缩术：Gemini对长Prompt敏感。我们原Prompt含300行系统指令（包括所有HTML/CSS规范），实际只需保留核心约束：

  You are a senior security researcher. Generate ONLY valid nmap command syntax. Output format: {"command": "nmap -sV -p 22,80,443 example.com", "reason": "Standard ports for SSH/HTTP/HTTPS"} No explanations, no markdown, no extra text.

  压缩后Prompt从1200 tokens降至280 tokens，成本降76%。

• 响应流式解析：Gemini API支持stream=True，但skills需完整JSON响应。我们改用response = model.generate_content(prompt, stream=False)，并设置response.candidates[0].content.parts[0].text直接提取，避免response.text触发额外token计费（它会包含隐藏的元数据）。

• 缓存命中率提升：对相同Figma URL的请求，90%结果一致。我们在GKE上部署Redis，用sha256(figma_url + framework)作key缓存结果，TTL设为7天。缓存命中时，直接返回，Gemini调用次数降42%。

• 模型降级策略：非关键skills（如“分镜skills”）默认用gemini-1.5-flash（$0.00000015/token），精度够用且快3倍。只有“代码审查skills”才用gemini-1.5-pro。成本对比：同任务Pro花费$0.021，Flash仅$0.006。

实操心得：在GCP Billing Dashboard里，创建自定义报告，维度设为Service: Generative AI+Method: generateContent，按日查看token消耗TOP 3 skills。我们发现“nature skills”（自然语言转SQL）因用户输入随意，平均Prompt长度达1800 tokens，立即加了max_tokens=512参数限制，并在前端加输入字数提醒。

4.3 Agent Platform的隐性限制：那些让你半夜救火的“小问题”

Agent Platform虽好，但有若干未公开的限制，踩坑后才懂：

• Tool Calling深度限制：Gemini最多嵌套调用3层tools。即skills-A调用tool-B，tool-B内部又调用tool-C，tool-C再调用tool-D——第4层会静默失败。我们“自动挖洞skills”的流程是：扫描→分析→生成报告→发送邮件，第四步必须拆成独立skills，由上游skills的on_success钩子触发。

• Payload大小硬上限：单次请求Body最大10MB。我们曾传高清设计图Base64，超限报错413 Payload Too Large。解决方案：Figma URL本身很小，所有图片资源由skills内部用Figma API按需下载，不走HTTP Body。

• Timeout不可配置：Agent Platform对skills的默认超时是30秒，且无法修改。当“codex写论文的skills”处理长文档时，常超时。对策：将长任务拆解为“提交任务→轮询状态→获取结果”三步，skills内部用Cloud Tasks队列异步执行，API只返回{"task_id": "abc123", "status": "queued"}。

• 错误码语义模糊：500 Internal Error可能是skills Pod Crash，也可能是Gemini API返回503 Service Unavailable。我们在skills里统一捕获异常，返回结构化错误：

  { "error": { "code": "GEMINI_RATE_LIMIT_EXCEEDED", "message": "Gemini API quota exceeded. Retry after 60s.", "details": {"retry_after": 60} } }

  Agent Platform会透传此结构，前端可精准处理。

• 版本灰度发布缺失：Agent Platform不支持skills的A/B测试。我们用GKE的Istio Service Mesh实现：同一Service后挂两个Deployment（skills-frontend-v1/v2），用Headerx-version: v2路由。这样新Prompt上线前，先让10%流量走v2，监控成功率和延迟。

注意：Agent Platform的“Test”功能只模拟单次调用，无法测并发。我们用k6脚本压测：

import http from 'k6/http'; import { check, sleep } from 'k6'; export default function () { const payload = JSON.stringify({"figma_url": "https://...", "component_name": "Test"}); const res = http.post('http://skills-frontend-service.skills-prod.svc.cluster.local:80/generate', payload, { headers: {'Content-Type': 'application/json'} }); check(res, {'status was 200': (r) => r.status == 200}); sleep(1); }

发现QPS>50时，readinessProbe失败率上升——根源是/readyz检查里包含了DB连接池状态，移除后问题解决。

5. 扩展性实践：从单skills到skills生态系统的演进路径

5.1 技能编排：用Agent Platform构建skills工作流

单个skills解决原子问题，但真实业务需要串联。Agent Platform的“Agent”功能就是为此设计。以“前任skills官方下载”这个需求为例（实际是离职员工知识资产迁移）：

• Step 1：定义原子skills

  • skills-confluence-export: 导出指定Space所有页面为Markdown
  • skills-jira-export: 导出该员工创建的所有Jira Issue
  • skills-github-export: 获取其贡献的PR和Issue评论
  • skills-summary-gen: 用Gemini整合三源数据，生成《XX员工知识地图》PDF

• Step 2：创建Agent工作流在Agent Platform > Agents > Create Agent：

  • Trigger: HTTP POST webhook，Payload含{"employee_id": "emp-123", "target_email": "new-owner@company.com"}
  • Steps:
    1. Runskills-confluence-exportwithspace_keyfrom employee profile
    2. Runskills-jira-exportwithassignee=emp-123
    3. Runskills-github-exportwithauthor=emp-123
    4. Aggregate outputs → Runskills-summary-gen
    5. Email PDF totarget_emailviaskills-email-send

• Step 3：权限与审计

  • 每个skills用独立GSA，skills-confluence-export只读Confluence，skills-email-send只读Gmail API
  • Agent执行日志自动写入Cloud Logging，字段含agent_id,step_name,duration_ms,status
  • 审计时，查agent_id即可还原完整操作链，满足SOX合规要求

实操心得：Agent工作流不是万能的。当某step失败（如Jira API临时不可用），Agent Platform默认重试3次后终止。我们要求所有skills在失败时返回{"error": {"retryable": true, "delay_seconds": 300}}，Agent Platform会按delay_seconds延后重试，避免雪崩。

5.2 技能市场：内部skills的发现、复用与治理

“skills大全”“skills下载平台有哪些”反映的是组织级需求——如何让分散开发的skills被发现和复用。我们搭建了轻量级内部市场：

• 注册中心：所有skills在GKE部署后，自动向Consul注册（通过Init Container），包含name,version,endpoint,input_schema,output_schema,owner_team。前端用Vue.js写了个搜索页，支持按frontend/security/hr标签筛选。

• 质量门禁：新skills上线前，必须通过：

  • Schema校验：input_schema和output_schema符合JSON Schema Draft 2020-12
  • 性能基线：k6压测QPS≥10，P95延迟≤3s
  • 安全扫描：Trivy扫描镜像无CRITICAL漏洞
  • 文档完备：README.md含调用示例、错误码说明、SLA承诺

• 使用计量：在skills API层埋点，统计skills_frontend_generate_total{status="success",framework="react"}等指标。每月生成报表，Top 3高使用skills团队获得云资源配额奖励。

• 版本演进：skills遵循语义化版本（SemVer）。Agent Platform支持按skills-frontend:v1.2.0精确调用，也支持skills-frontend:latest（指向最新稳定版）。重大变更（如input_schema不兼容）必须升主版本号，避免破坏调用方。

提示：别用GitHub Wiki做skills文档。我们试过，结果文档和代码不同步。正确做法：在skills代码库根目录放openapi.yaml（定义REST API），用swagger-codegen自动生成客户端SDK和文档。每次Git Push，CI自动部署文档到内部Nginx服务器。

5.3 技能演进：从规则驱动到LLM自主学习的过渡

当前skills依赖人工编写Prompt和工具定义，但终极形态是skills能自我优化。我们已在试点：

• 反馈闭环：在skills响应末尾加{"feedback_url": "https://internal-feedback/skills-frontend?task_id=abc123"}。用户点击后，弹出3选项：“结果完美”“部分正确”“完全错误”。数据存入BigQuery，训练微调模型。

• Prompt A/B测试：对同一skills，部署两个Variant（v1/v2），用Istio按流量比例分发。指标看success_rate和avg_tokens_per_request，胜出者自动成为latest。

• 工具自动发现：让Gemini分析skills日志，发现高频失败模式。例如，日志显示"nmap returned exit code 2"出现100次，系统自动建议新增tool{"name": "validate_nmap_target", "description": "Check if target host is reachable before scanning"}，并生成测试用例。

最后分享一个小技巧：skills的/healthz端点，除了返回{"status": "ok"}，我们还注入实时指标：

{ "status": "ok", "metrics": { "uptime_seconds": 12345, "pending_requests": 2, "gemini_quota_remaining": 8765, "last_update": "2024-06-15T10:23:45Z" } }

运维用curl http://skills-frontend-service/healthz | jq '.metrics.gemini_quota_remaining'就能监控配额，比登录GCP Console快10倍。这就是skills思维——把一切可量化的东西，都变成API的一部分。