本文约8,613字，建议收藏阅读

作 者 | aFakeProgramer

出 品 | 汽车电子与软件

摘 要

汽车软件行业正经历一场比E/E架构集中化更深层次的变革——AI开始全链路介入车载研发流程。它不再只是代码补全工具，而是逐渐参与需求分析、架构设计、AUTOSAR配置、代码生成、测试验证、缺陷修复乃至合规审计，演化为“工程智能体”。

全球AI Coding呈现清晰分化：

• 海外以Claude Code、 GitHub Copilot、Cursor、Codex为代表，依托强模型能力与开源生态推动“Agent自主编程”；

• 国内以 DeepSeek、通义灵码、CodeBuddy、CodeArts 等为代表，强调私有化部署、中文语义理解与企业合规管控。

在软件定义汽车（SDV）背景下，软件复杂度指数级增长。AI正在快速接管规则化、模板化的开发工作，但功能安全、量产责任与极端工况约束，仍构成难以跨越的工程壁垒。

可以清楚看到一个趋势：嵌入式工程师不会被 AI 简单替代，但缺乏系统能力、缺乏车规认知、不会使用 AI 工具、只会执行机械编码任务的人，将加速被边缘化。未来汽车软件行业的竞争，不再是谁写代码更快，而是谁能更高效地借助 AI、同时更稳妥地管控复杂系统风险。

01

汽车软件研发已经

进入AI驱动的新阶段

1.1 软件体量暴涨，传统人力研发模式陷入瓶颈

很多汽车软件工程师都有直观感受：车载软件项目规模持续膨胀，但研发人员数量并未同步增加。放在十年前，一套ECU软件规模通常几十万行；今天一辆智能汽车软件规模已突破上亿行。系统架构同时包含：

• AUTOSAR / ADAS

• RTOS / Linux / QNX / Android / ROS2

• 中间件、诊断栈、OTA 升级、安全机制、云端数据闭环、功能增量发布与跨域联动

多语言、多工具链并存（C/C++、Python、Simulink、ARXML CAPL、ARXML、YAML等十余种语言与文件格式，工程资产离散、跨部门协同困难，传统依靠人力手写、人工排查的研发模式彻底触达能力天花板。

从行业成本结构来看，智能化转型推动汽车软件成本持续走高。麦肯锡公开数据显示，2025年汽车软件价值占整车价值链比重达到17%，预计2030年攀升至35%，软件+服务综合占比突破41%。智能新能源车电子电气成本中，软件相关成本占比高达43%，软件能力已经成为车企核心竞争力。

1.2 工程师的核心工作，正从“写代码”转向“管约束”

过去嵌入式工程师的工作核心，是解决“代码怎么写”的语法和逻辑问题，完成基础驱动开发、接口适配、功能编码即可满足岗位要求。而在SDV智能化背景下，行业高频工作问题全部偏向系统工程层面：为什么任务周期固定为10ms？CAN总线超时为何不能直接失效静默？NvM存储为何必须在断电前完成写入？为什么安全机制不能异步执行？

这些问题本质上是系统约束权衡问题，涉及：

• 实时性

• 功能安全

• 通信负载

• 硬件特性

考验的是工程师综合系统认知，而非单纯的编码能力。汽车软件工程师的工作本质，已经从“实现功能者”转变为在多重约束下（平衡功能、安全、时序、成本）的系统决策者。

1.3 AI重塑学习链路，打破行业知识壁垒

汽车行业有一个长期存在的隐性问题：知识极度分散，且高度依赖资深工程师个人经验。很多新人进入 AUTOSAR 或整车软件项目后，会经历漫长的适应期：看不懂历史代码、找不到有效文档、不了解模块设计原因、也不知道哪些“奇怪写法”其实是量产教训沉淀下来的结果。

AI 的真正冲击力，并不只在于它会写代码，而在于它开始让大量原本不易获取、不易理解、难以结构化的工程知识，变得可搜索、可解释、可复用。一个新人现在可以借助 AI 快速梳理模块职责、追踪调用链、理解参数含义、总结架构脉络、解析规范依据。这使得过去依赖师徒制和口口相传的经验体系，第一次具备了被规模化提取和传播的可能。

因此，AI 对汽车行业最深层的影响，实际上是改变知识流动方式。它让组织中原本隐形的工程认知开始沉淀为显性能力，也让新人上手和跨模块协作的门槛显著下降。

02

AI Coding 正从“辅助

工具”演化为“工程智能体”

1. 研发流程正在被重写

很多人对 AI 编程的理解，还停留在“帮我补全一段函数”或“自动写几行样板代码”的阶段。但 2025~2026 年的 AI Coding 工具已经发生质变。它们不再只是 IDE 边上的一个插件，而是在尝试接管从输入到输出之间的大量中间工作。

过去的开发流程大致是：需求分析、人工实现、联调、测试、修复缺陷。

现在越来越多团队开始采用新的工作闭环：工程师定义目标、边界、规范和验收标准，AI 负责生成初稿、补充测试、分析日志、尝试修复，最终由工程师审核、纠偏、修正并最终负责。

这意味着，AI 的角色已从“被调用的工具”，转向“参与流程的协作者”。在互联网场景中，这种变化已经非常明显；而在汽车行业，由于研发流程更长、文档更多、规范更复杂，这种变化的影响反而更大。

2.1 海外工具：AI正在成为“并肩工作的开发伙伴”

海外AI Coding工具的核心逻辑，是最大限度地提升一名工程师的生产力。

其前提环境通常是开源生态成熟、云协同完善、CI/CD 链路自动化程度高，因此工具能力会集中在以下几个方向：

超长上下文理解

• 跨多文件的联动修改

• Agent自主执行任务

• 自动生成测试并修复缺陷

• 自然语言驱动部分开发环节

简言之，它们在尝试把“一名普通工程师”升级为“一个由AI赋能的小型研发团队”。

• 超长上下文理解整个项目；

• 跨文件联动分析与修改；

• 自动生成测试和补丁；

• 自主执行多步骤任务；

• 用自然语言驱动部分开发过程。

Cursor 的优势在于 “理解整个工程”。对于汽车软件这样依赖历史资产、接口链路复杂、模块关系多层嵌套的项目来说，Cursor 这类工具最大的价值不是写新代码，而是帮助工程师快速理解旧代码、梳理依赖、重构局部模块。

GitHub Copilot 的特点则在于企业级集成。它不仅仅生成代码，还能和代码仓库、Review 流程、测试流水线、Issue 跟踪深度结合。对于大型研发组织而言，这种“嵌入流程”的能力，比单纯对话更有价值。

Claude Code 更擅长复杂推理与工程分析。面对多线程、竞态、调度异常、日志关联、偶发现象等难题时，它在问题拆解和长链路分析上更有优势。这类能力对于高阶嵌入式问题尤为重要。

2.2 国内工具：更像研发基础设施，而非单点助手

相比海外产品更强调“个人生产力”，国内 AI Coding 工具的重点更偏向“如何安全地进入企业内网研发体系”。这是由国内车企和 Tier1 的现实约束决定的：

• 核心代码不能外传；

• 企业研发环境强调内网隔离；

• 合规审计要求严格；

• 国产化替代持续推进；

• 私有知识资产比开源资产更重要。

因此，国内 AI Coding 的竞争核心并不是谁回答更像人，而是谁更适合私有化、安全可控、权限细粒度管理、知识库融合和流程嵌入。

例如，DeepSeek 的意义不仅仅在于其模型能力本身，更在于它推动了企业愿意尝试本地部署、知识库增强、定制化 Agent 等能力，成为国产 AI Coding 生态的重要底座。

而类似豆包、通义灵码、CodeBuddy、CodeArts Snap 等产品，则分别在知识问答、协同流转、编码辅助、企业集成等维度形成差异化价值。对于车企而言，未来真正重要的不是“是否用了 AI”，而是“谁能把AI安全、可控、可追溯地融入到量产级研发体系之中。”

03

行业本质：汽车软件

为何极易被AI 重构？

3.1 AUTOSAR 的结构化特征天然适合 AI

汽车软件之所以比很多行业更容易被 AI 改造，一个关键原因在于其大量工作具备高度结构化特征。AUTOSAR 就是最典型的例子。

ARXML 配置、RTE 映射、COM 通信配置、NvM 管理、诊断服务、任务周期定义、信号路由、基础软件参数校验……这些工作都带有明显的规则约束、模板复用和格式稳定特征。对人类工程师而言，这类任务繁琐、重复、易出错；而对大模型而言，它们恰恰属于高适配场景。

这也是为什么 AI 在 AUTOSAR 项目中的落地效果通常很直观： 它可以快速生成配置模板、发现映射遗漏、识别参数冲突、检查接口空挂、辅助解释报文逻辑。很多原本需要工程师花大量时间做机械核查的事情，AI 都能显著提速。

3.2 AI研发效率爆发：常规开发任务提速约40%

根据国内外车企、一级零部件供应商真实量产项目统计，引入AI编码工具后，嵌入式常规开发任务交付速度提升约40%，其中驱动封装、基础配置、测试脚本、文档编写、接口适配等低端重复性工作，人力占用时长下降62%。这项效率提升，正在从根本上改写汽车行业的研发逻辑、人员结构与成本体系。

3.2.1 对企业：降本增效，适配行业微利寒冬

当前汽车行业盈利环境恶劣，2026年一季度汽车行业利润率仅3.2%，远低于国内工业企业5.8%的平均利润率。整车行业利润率从2021年8%跌至2025年4.1%，2026年持续下行。AI提速直接降低人力工时、外包费用、测试成本，行业测算：AI辅助开发后，整车软件研发成本降低18%~25%。车企依靠AI压缩成本、储备现金流，应对惨烈价格战。

同时研发周期大幅压缩，原本3个月的基础开发周期可压缩至1.5至2个月，快速适配国产芯片替换、平台迭代、车型改款的行业节奏。

3.2.2 对岗位：低端岗位冗余，催生大规模优化

常规开发任务是初级嵌入式工程师、配置工程师、测试工程师的核心工作。效率提升后，企业无需维持庞大底层编码团队，过去10人完成的重复工作，现在4至6人搭配AI即可落地。这也是本次汽车行业大规模裁员的核心技术底层逻辑：技术提效→岗位冗余→人员结构性优化。

3.2.3 对流程：编码不再瓶颈，验证成为新卡点

AI快速产出代码、配置、脚本，让编码环节不再制约项目进度。但功能安全审核、时序分析、实车验证、HIL测试、故障排查、合规审计无法快速迭代，研发瓶颈从 “怎么写代码”转变为“怎么验证代码安全、怎么把控系统风险” 。

3.3 AI冲击边界清晰：低端工作替代，核心约束无解

当前AI对汽车行业的冲击并不均匀。被快速替代的均为低门槛、高重复工作：接口封装、配置修改、测试脚本、文档翻译、数据格式转换；而无法逾越的壁垒，全部集中在系统约束层面：10ms任务的算力分配、看门狗时间窗口设定、总线容错策略、多核调度优先级、高低温环境下时序优化。

这类工作需要结合MCU硬件、RTOS调度、电磁兼容、整车工况综合判断，依赖工程师长期工程经验，AI无法精准推演物理工况与整车耦合关系。

04

AI 在汽车软件中的

现实落地场景与边界 

1. 需求解析与知识沉淀

AI 在需求环节的价值非常直接。它可以快速阅读中文需求文档，抽取信号定义、梳理模块职责、识别表述冲突、整理接口变化，并结合企业知识库进行补全说明。这对于减少新人理解成本、缓解文档分散问题非常有效。

但必须强调的是，AI 输出的需求理解结果本质上只能作为辅助草稿。在 ISO 26262、ASPICE 等体系下，需求的完整性、可追溯性、审核责任都必须由工程人员承担，尤其是涉及安全目标和系统边界的内容，更不可能直接交给模型自动定稿。

2. AUTOSAR 配置与规则校验

这是当前最适合 AI 的场景之一。许多基础配置工作高度标准化，AI 可以用于生成初版配置、检查参数一致性、排查接口悬空、识别信号链路异常、比对矩阵变化。对于大型项目中数量庞杂的 XML、ARXML、配置表格和脚本文件，AI 的效率优势非常明显。

3. 嵌入式代码与测试用例生成

AI 在模板代码、状态机逻辑、错误码处理、诊断接口、单元测试样例方面已经相当实用。对于规范明确、模式稳定的代码段，模型通常能快速给出合格初稿，并帮助工程师补齐边界处理。

此外，AI 在 MISRA 规则解释、静态告警修复建议、测试覆盖点补全方面也能发挥明显作用。它不能代替人工签字，但可以显著减少工程师在低价值重复任务上的消耗。

4. 日志分析与问题定位

当项目进入联调和验证阶段，大量时间会消耗在日志阅读、报文分析、错误复盘和历史案例检索上。AI 在这一场景中的价值是，能够帮助工程师快速归纳异常模式、总结故障链、关联相似案例、初步提出可能原因，从而提高排障效率。

但要看到边界：汽车故障不仅与软件逻辑相关，还可能和硬件批次、温度、供电、线束状态、电磁干扰、机械振动等因素耦合。AI 可以帮助“看懂数据”，却无法直接代替工程师完成真实世界中的问题闭环。

4.2 行业最大隐患：不是不会写，而是“看起来写对了”

互联网产品出错，可以回滚、灰度、热修复；汽车软件出错，一旦进入量产，就可能演变为安全事故、品牌风险乃至大规模召回。正因为如此，汽车行业对 AI 的态度必须比其他行业更克制。

当前 AI 在工程场景中最危险的问题，不是明显的胡说八道，而是生成语法正确、结构完整、逻辑貌似合理，但系统行为存在缺陷的代码。这种“高可信表象下的隐藏错误”尤其危险。

在如下场景中，这种风险非常典型：

• 中断上下文处理不当；

• 多线程资源竞争；

• DMA 与 Cache 一致性遗漏；

• 定时任务边界抖动；

• 看门狗窗口设置不合理；

• 低温、高温、电压波动下的时序脆弱性；

• 复杂状态机中的罕见切换路径。

这些问题不会在第一时间报错，甚至可能在台架上长期隐藏，只有在某些极端整车工况下才暴露。一旦缺陷进入量产阶段，后果远比普通软件严重。

因此，汽车行业必须坚持一个底线：AI 可以参与生成，但不能代替责任。所有 AI 输出都必须经过人工评审、静态分析、仿真验证、台架测试和整车验证的多重校验，不能因为“模型看起来很聪明”就放松工程纪律。

05

行业裁员潮：盈利也裁员，

行业洗牌彻底加剧

5.1 盈利车企也在裁员

5月15日，上海一家知名车企突然传出大裁员消息，震动整个汽车圈。内部通知显示，此次裁员比例高达15%，首批人员5月22日离职，补偿标准为N+1，6月份还会继续按同样比例裁员。本次裁员覆盖研发、销售、供应链、行政等所有部门，不是局部优化，而是全公司无差别人员调整。最颠覆行业认知的是：这家企业2025年财报表现优异，裁员不再与亏损绑定。

这并非个例，而是一场席卷全球的汽车行业大洗牌。统计数据显示，目前全球车企及一级供应商累计裁员已超13.3万人，大众、奔驰、日产、博世、采埃孚等国际巨头纷纷瘦身优化。国内市场同样波动剧烈，通用高端平台道朗格中国区闭店裁员，特斯拉上海工厂阶段性裁撤组装岗位。从燃油车到新能源，从主机厂到零部件，从国际巨头到国内新势力，没有一家企业能在本轮行业调整中置身事外。

5.2 盈利依旧裁员的三大底层逻辑

5.2.1 市场红利见顶，行业进入存量博弈

油车销量持续下滑，电车高速增长周期结束，整车市场蛋糕不再扩大。车企无法依靠增量市场消化人力成本，只能通过精简人员、压缩开支维持利润空间，行业正式进入存量残酷竞争阶段。

5.2.2 智能化换人，人员结构全面换血

AI工厂、自动化机器人大规模上线，传统流水线工人、基础编码人员、配置测试人员冗余严重。车企人才需求发生偏移，软件算法、三电技术、功能安全、系统架构人才成为刚需，传统低端岗位持续缩减。行业招聘数据显示，2025年车企算法、三电、安全岗扩招27%，传统底层编码岗缩减41%。

5.2.3 提前储备现金流，备战2026惨烈竞争

行业普遍预测，2026年汽车行业价格战、技术战将进一步升级。车企提前降本瘦身、储备现金流，牺牲短期人员规模换取长期生存能力。现在主动优化，是为了避免后期行业淘汰赛被动出局。

5.3 行业底层变化：高薪稳岗时代彻底终结

三年价格战叠加原材料涨价，汽车行业利润率持续走低，行业整体进入“赚销量不赚利润”的阶段。超半数经销商陷入亏损，多数自主品牌与新势力盈利承压，仅有头部车企依靠出口、高端车型勉强维持利润。

存量竞争、降本增效、智能迭代成为行业新常态，汽车行业“高薪、稳定、低压力”的时代彻底结束。技术能力一般、不可替代性弱、不会使用AI工具的工程师，成为企业优先优化的对象。

06

人员分层：淘汰低上下文

工程师，系统人才持续升值

6.1 高风险人群：纯代码搬运工

长期从事接口搬运、参数修改、模板仿写、简单测试的工程师，替代风险最高。这类工作属于低上下文劳动，无复杂逻辑约束，AI一天即可产出人工一周的工作量。结合行业裁员数据，本次优化人群中，初级嵌入式编码、简单配置、基础测试人员占比超过60%。

6.2 保值人群：懂约束、懂系统的工程师

汽车软件真正的核心从来不是语法，而是各类硬性约束：实时性、功能安全、网络安全、电源管理、故障降级。能够理解整车架构、把控时序风险、拆解安全等级、处理量产问题的工程师，价值持续攀升。AUTOSAR官方明确，平台核心价值是标准化底层组件，行业竞争力已从手写代码，转向系统集成与风险管控。

6.3 未来能力金字塔会这样重构

未来汽车软件工程师大概率会形成更清晰的分层：

1) 高风险淘汰层：只会执行机械编码和重复劳动；

2) 工具增效层：能够熟练使用 AI，提高开发和排障效率；

3) 系统价值层：掌握架构、验证、安全与量产问题闭环；

4) 平台治理层：能设计 AI 工作流、建设知识库和研发规范；

5) 责任决策层：定义组织红线、评估风险、承担最终量产责任。

谁越往上走，越不容易被替代；谁长期停留在底层重复劳动，越容易在下一轮组织优化中失去位置。

07

企业如何正确使用AI,

而不是被AI反噬

1. 坚持分级落地，优先低风险场景

车企和 Tier1 在推动 AI 落地时，首先应该坚持风险分层原则。安全关键模块、Bootloader、动力控制、制动控制、ASIL-B/C/D 等高风险场景，不应让 AI 直接主导生成与修改；而文档整理、脚本编写、日志分析、普通模块重构、配置校验等低风险场景，则可以优先推广。

2. 建立明确的组织红线

1) 企业在使用 AI 时，至少应明确以下底线：

2) 不向外部 SaaS 上传未脱敏核心代码；

3) 不允许 AI 直接提交主干分支；

4) 不允许跳过人工评审；

5) 不将无溯源内容直接纳入量产资产；

6) 不将 AI 输出作为唯一合规依据；

7) 不在安全关键场景中盲目信任模型结论。

3. 自建知识库和评测体系

通用大模型并不天然理解某家车企的内部规范、命名规则、配置习惯和历史缺陷教训。真正要让 AI 发挥价值，企业必须构建受控知识库，把架构文档、编码规范、故障案例、诊断定义、验证标准沉淀进去。

同时，还要建立自己的评测机制，不能只听厂商宣传。要用真实车载场景去验证 AI 的编译通过率、缺陷率、规则遵守能力、权限隔离能力与国产化适配表现，形成客观判断。

08

行业变革：

AI重构汽车软件组织架构

8.1 AI成为研发基础设施，全面普及

Jellyfish 2025年工程研发统计数据显示，80%汽车软件团队已规模化使用AI编码工具；AI代码助手渗透率从2025年1月49.2%提升至10月69%；智能代码评审Agent使用率突破51.4%。未来AI将和编译器、Git、CI工具一样，成为工程师标配工具，无需讨论是否使用，只需规范如何使用。

8.2 人员模式迭代：管理AI替代管理新人

传统团队架构为“管理者带初级工程师”，未来将转变为“高级工程师管控AI智能体”。AI承接编码、测试、文档等重复工作，一名资深工程师可调度十余个人工智能体，完成全流程开发，初级编码岗位持续缩减。

8.3 供应链审核标准升级

未来主机厂将强制要求Tier1、Tier2供应商披露AI使用明细，包含生成模块、审核流程、知识产权溯源、合规验证报告，AI管控能力将纳入整车软件交付审核体系。行业IP合规、代码溯源、安全审计要求持续严苛。

09

能力升级：嵌入式

工程师未来三年进阶路线

1. 从代码执行者升级为系统工程师

未来最重要的转型，不是学会几个 AI 工具按钮，而是完成认知升级。工程师必须从“写功能的人”变成“理解系统的人”，学会站在整车层面思考实时性、架构边界、软硬件耦合、安全机制和生命周期管理。

2. 从手工调试者升级为验证设计者

AI 让“产出代码”越来越快，那么工程师更应该把精力投向验证：单元测试、SIL/HIL、故障注入、覆盖率分析、边界条件设计、自动化回归体系建设。未来质量控制能力会比纯编码能力更稀缺。

3. 从 AI 使用者升级为 AI 工作流设计者

真正拉开差距的人，不是偶尔拿 AI 写代码的人，而是能把提示词、规范模板、知识库规则、审查流程、自动化脚本、缺陷回路整合成一套稳定工作流的人。谁能设计好 AI 的使用方式，谁就能真正提升团队产出。

4. 从写代码的人升级为审代码的人

未来优秀工程师最核心的能力之一，是能看出AI的错，而且能排查出那些“不明显的错”。包括并发风险、时序脆弱点、内存问题、异常路径缺失、状态机漏洞、降级逻辑不闭环等。这种审查能力会越来越值钱。

10

结语：AI重新定义

优秀的汽车嵌入式工程师

AI 正在彻底改变汽车软件行业，但这场变革的本质并不是简单地“机器替代人”，而是重新划分行业真正需要什么样的人。

未来，重复性劳动会越来越少，组织对低上下文岗位的容忍度会越来越低；与此同时，那些能够理解系统、驾驭 AI、控制风险、守住量产底线的人，将成为行业真正稀缺的核心资产。

对于中国汽车嵌入式工程师来说，最没有意义的事情是陷入情绪化焦虑；最有意义的事情，是顺势升级自己的能力结构。既不要排斥 AI，也不要神化 AI。看清它擅长什么、不擅长什么，把它变成自己的增效工具，而不是自己的替代者，才是正确方向。

如果要给今天的车载工程师五条最务实的建议，大致可以概括为：

1) 尽快熟练掌握至少一款主流 AI Coding 工具；

2) 学会用高质量提示词和明确约束引导模型输出；

3) 把 AI 产出纳入严格的评审、测试与验证流程；

4) 持续深耕车规、安全、架构和底层系统逻辑；

5) 尽快完成从“编码者”到“管控者”的角色转变。

未来真正优秀的嵌入式工程师，不是拒绝 AI 的人，也不是盲信 AI 的人，而是能够驾驭 AI、约束 AI、审查 AI，并最终为量产质量负责的人。

在国产替代和 AI 变革同时推进的今天，行业洗牌一定会继续，但机会也同样巨大。谁能守住工程底线、强化系统认知、提升 AI 协同能力，谁就能在下一轮产业重构中站稳脚跟，甚至获得更高价值的位置。

参考资料：

[1] SAE Mobilus. Technical Papers: E/E Architecture & SDV Key Technology[EB/OL]. https://saemobilus.sae.org/technical-papers, 2026.

[2] McKinsey & Company. Global Automotive Software Value Chain Report 2025[R/OL]. https://www.mckinsey.com/industries/automotive-and-assembly/our-insights, 2025.

[3] Jellyfish. 2025 State of Engineering Productivity[R/OL]. https://www.jellyfish.co/reports, 2025.

[4] 中国汽车工业协会. 2026年一季度中国汽车行业经济效益简析[EB/OL]. http://www.caam.org.cn/, 2026-04-20.

[5] 汽车行业观察. 2025全球车企裁员统计汇总[EB/OL]. https://www.autoobserver.com.cn/, 2025-05-15.

[6] Amazon AWS. AI-powered AUTOSAR Development Whitepaper[R/OL]. https://aws.amazon.com/automotive/, 2025.

[7] 中国信息通信研究院. 2025人工智能代码大模型评测报告[R/OL]. https://www.caict.ac.cn/, 2025.

[8] PitchBook. AI Coding Tool Commercial Revenue Statistics 2025[EB/OL]. https://pitchbook.com/, 2025-10.

[9] 盖世汽车研究院. 2025车载AI嵌入式开发效率实测白皮书[R/OL].

[10] https://mp.weixin.qq.com/s/67KPx0B7ySpfEzKXtuPiig