【编者按】 Sonnet便宜但易错，Opus强大但昂贵——Advisor号称能一行代码解决这个两难。但它究竟是"智能调度"还是"玄学黑箱"？本文从官方用法到推测机制，再到生产决策树，帮你做出清醒的判断。

📖 阅读指南：本文采用分层披露方式编写。内容按可信度分为三类：

  • ✅ 官方确认：来自Anthropic官方文档

  • ⚠️ 合理推测：基于API行为和工程逻辑的推演

  • ❓ 未公开黑箱：目前无法验证的问题

建议配合以上标签阅读。

一、Advisor 策略是什么

1.1 一句话定义

Advisor 策略是 Anthropic 提供的一种模型级协作机制：让轻量级模型（Claude Sonnet）在面临复杂任务时，自动向更强的模型（Claude Opus）寻求帮助。

1.2 为什么需要这个策略

在 AI 应用开发中，开发者常面临一个权衡：

选择 优势 劣势
用轻量模型（Sonnet） 成本低、延迟低 复杂任务容易出错
用强模型（Opus） 能力强、准确率高 成本高、响应慢

传统解决方案：开发者自己写路由逻辑——先让 Sonnet 尝试，出错再调 Opus。这需要大量的工程工作和边界判断。

Advisor 策略的解决思路：把这个判断逻辑下沉到模型层，让模型自己决定"何时需要帮助"。

二、如何使用（官方确认）✅

2.1 基础调用方式

import anthropic
​
client = anthropic.Anthropic()
​
response = client.messages.create(
    model="claude-sonnet-4-6",  # 轻量执行者模型
    max_tokens=4096,
    tools=[{
        "type": "advisor_20260301"  # 启用 Advisor 功能
    }],
    messages=[{
        "role": "user",
        "content": "分析这份合同中的隐藏法律风险"
    }]
)
​
print(response.content)

2.2 关键参数说明

参数 必填 说明
tools 是 必须包含 type: "advisor_20260301" 才能启用
model 是 执行者模型，目前支持 Sonnet 4.x 系列
advisor_model 否 可选，指定咨询对象（默认 Opus）
max_advisor_calls 否 可选，限制单次任务的咨询次数

来源：Anthropic API Reference - Advisor Tool ✅

2.3 响应结构

启用 Advisor 后，响应中可能包含以下额外字段：

{
    "content": "...",
    "usage": {
        "input_tokens": 1250,
        "output_tokens": 890,
        "advisor_tokens": 2100  # 顾问模型消耗的 Token
    },
    "advisor_metadata": {
        "calls_made": 1,       # 本次任务咨询次数
        "consultation_reason": "legal_complexity_high"  # 触发原因
    }
}

注：advisor_metadata 字段在官方文档中标记为 "beta"，可能变动。⚠️

三、架构机制分析

💡 本章导读：官方文档能告诉我们的就这么多。现在我们来干点有意思的：像法医解剖一样，根据API的行为和公开的蛛丝马迹，一起"推测"一下Advisor这个"黑箱"里面到底在发生什么。

⚠️ 重要提示：以下内容为工程师的合理推演，请带着批判性思维阅读。可信度已在每小节标注。

3.1 工作流程（合理推测）⚠️

基于官方描述和工程逻辑，Advisor 策略的工作流程可能如下：

⚠️ 可信度：★★★☆☆（基于官方"模型自主判断何时咨询"的描述和通用工程逻辑推导）

3.2 置信度判断机制（推测）⚠️

⚠️ 核心推测：Advisor的核心很可能是一个内置于Sonnet模型的置信度评估模块。它通过分析生成文本的熵、不确定性词汇以及领域标签来决定是否求助。

以下是基于 LLM 不确定性的常见指标，推测的置信度评估逻辑：

class ConfidenceEstimator:
    """
    推测的置信度评估逻辑
    基于: Anthropic 博客对模型不确定性的讨论 + 通用 LLM 工程实践
    """
    
    def estimate(self, generation_output) -> float:
        signals = []
        
        # 信号 1: Token 熵值
        # 高熵 = 模型在多个选项间犹豫 = 低置信度
        if hasattr(generation_output, 'token_entropy'):
            entropy_score = 1.0 - min(generation_output.token_entropy / 2.0, 1.0)
            signals.append(entropy_score)
        
        # 信号 2: 拒绝模式检测
        # 出现 "我不确定"、"可能"、"大概" 等不确定表达
        uncertainty_markers = [
            "我不确定", "I'm not sure", "uncertain",
            "可能", "probably", "maybe",
            "需要更多信息", "need more information"
        ]
        has_uncertainty = any(marker in generation_output.text 
                             for marker in uncertainty_markers)
        signals.append(0.0 if has_uncertainty else 1.0)
        
        # 信号 3: 自我纠正请求
        # 模型主动提出需要验证或检查
        if "让我再检查一下" in generation_output.text or \
           "let me verify" in generation_output.text.lower():
            signals.append(0.3)  # 明显不自信
        
        # 信号 4: 领域复杂度标记
        # 某些领域（法律、医疗、数学证明）默认触发咨询
        if generation_output.domain in ['legal', 'medical', 'mathematical_proof']:
            signals.append(0.5)  # 降低阈值
            
        return sum(signals) / len(signals) if signals else 0.5
​
# 推测的咨询触发阈值
CONSULTATION_THRESHOLD = 0.6  # 置信度低于此值时触发咨询

可信度评估：★★☆☆☆（基于公开论文中 LLM 不确定性检测方法的合理推测，非 Anthropic 官方实现）

3.3 上下文合并机制（推测）⚠️

当触发咨询时，推测的上下文打包方式：

def package_consultation_context(
    original_task: str,
    executor_draft: str,
    executor_confidence: float
) -> dict:
    """
    推测的上下文打包逻辑
    """
    return {
        "consultation_request": {
            "original_query": original_task,
            "executor_attempt": executor_draft,
            "executor_confidence": executor_confidence,
            "uncertainty_regions": extract_uncertain_parts(executor_draft),
            "timestamp": datetime.now().isoformat()
        }
    }
​
# 顾问返回的建议格式（推测）
advisor_response_format = """
<advisor_analysis>
    <uncertainty_assessment>
        执行者的主要不确定点分析...
    </uncertainty_assessment>
    <suggested_improvements>
        <point priority="high">建议 1...</point>
        <point priority="medium">建议 2...</point>
    </suggested_improvements>
    <confidence_recommendation>
        建议的置信度阈值调整...
    </confidence_recommendation>
</advisor_analysis>

可信度评估：★★☆☆☆（基于 XML 是 Claude 偏好的结构化格式，以及系统提示词中常见的包装模式推测）

四、黑箱清单 ❓

🕵️ 本章导读：与其假装知道，不如坦诚列出我们目前确实不知道的东西。以下是公开渠道无法获得确切答案的问题。如果 Anthropic 某天公布技术白皮书，本文会第一时间更新。

以下问题目前无法从公开渠道获得确切答案：

问题 状态 说明
具体置信度阈值是多少？ ❓ 未公开 可能是动态调整，可能是固定值，官方未披露
是否包含"求助行为"的强化学习训练？ ❓ 未公开 模型训练细节属于商业机密
Token 如何计费？分别计费还是合并？ ❓ 未公开 定价页面未说明 Advisor 模式特殊计费规则
顾问模型的系统提示词是什么？ ❓ 未公开 闭源，无法获取
单次任务的最大咨询次数上限？ ❓ 未公开 API 文档未明确限制
是否存在咨询循环的风险控制？ ❓ 未公开 如 A→B→A 的循环调用是否有拦截机制

为什么这些重要：这些是判断"原理到实现"深度的核心问题。本文作为架构设计分析，坦诚标注未知比假装知道更负责任。

五、代码对比：一行配置 vs 自建路由

💡 本章导读：这是本文最实用的对比章节。我们会用完整的 40 行代码，展示"不用 Advisor 时需要自己实现什么"，然后对比"用 Advisor 时只需要写什么"。差距一目了然。

5.1 传统自建路由（~40 行代码）

这是不使用 Advisor 时，开发者需要自己实现的完整路由逻辑：

import anthropic
import re
​
class ManualRouter:
    """手动实现 Sonnet → Opus 的路由逻辑"""
    
    def __init__(self):
        self.client = anthropic.Anthropic()
        # 需要自己定义不确定性关键词
        self.UNCERTAINTY_PATTERNS = [
            r"不确定", r"可能", r"需要.*确认",
            r"not sure", r"uncertain", r"might"
        ]
    
    def detect_uncertainty(self, text: str) -> bool:
        """手动检测模型输出的不确定性"""
        return any(re.search(p, text, re.IGNORECASE) 
                   for p in self.UNCERTAINTY_PATTERNS)
    
    def call_sonnet(self, messages) -> dict:
        """调用 Sonnet"""
        return self.client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=4096,
            messages=messages
        )
    
    def call_opus(self, task, sonnet_output) -> dict:
        """调用 Opus，传入 Sonnet 的输出作为上下文"""
        return self.client.messages.create(
            model="claude-opus-4",
            max_tokens=4096,
            messages=[{
                "role": "user",
                "content": f"""任务: {task}
​
以下是较轻量模型的尝试结果，请指出问题并给出改进建议：
​
---
{sonnet_output}
---"""
            }]
        )
    
    def route(self, messages, max_opus_calls=2) -> str:
        """核心路由逻辑"""
        opus_calls = 0
        
        while opus_calls < max_opus_calls:
            # Step 1: Sonnet 尝试
            sonnet_resp = self.call_sonnet(messages)
            sonnet_text = sonnet_resp.content[0].text
            
            # Step 2: 检查是否需要升级
            if not self.detect_uncertainty(sonnet_text):
                return sonnet_text  # 置信度够，直接返回
            
            # Step 3: 调用 Opus
            opus_resp = self.call_opus(messages[-1]["content"], sonnet_text)
            opus_advice = opus_resp.content[0].text
            
            # Step 4: 合并上下文，让 Sonnet 重新生成
            messages.append({"role": "assistant", "content": sonnet_text})
            messages.append({"role": "user", "content": f"参考顾问建议：{opus_advice}\n请基于此改进你的回答。"})
            opus_calls += 1
        
        return sonnet_text  # 达到上限，返回最后一次结果
​
# 使用：需要实例化、配置、调参
router = ManualRouter()
result = router.route(messages=[{"role": "user", "content": "分析合同法律风险"}])

5.2 Advisor 模式

import anthropic
​
client = anthropic.Anthropic()
​
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    tools=[{"type": "advisor_20260301"}],  # 仅此一行
    messages=[{"role": "user", "content": "分析合同法律风险"}]
)

5.3 差异对比

维度 传统自建路由 Advisor 模式
代码量 ~40 行 1 行
不确定性检测 需自己写正则/分类器 模型内置（黑箱）
上下文传递 需手动拼接 自动处理
调用次数控制 需自己实现 max_advisor_calls 参数
可定制性 高（完全可控） 低（无法调判断逻辑）
可观测性 高（每个步骤你都知道） 低（黑箱运行）
维护成本 高（关键词需持续更新） 低（Anthropic 维护）

六、竞品对比

💡 本章导读：Claude Advisor 不是唯一的选择。OpenAI 和 Google 也提供了类似能力，但实现路径完全不同。这里我们基于各平台的公开 API 文档做功能对比，帮你快速了解行业现状。

维度 Claude Advisor OpenAI GPT Google Gemini
模型协作触发 模型自主判断（黑箱） 开发者显式控制 开发者显式控制
强弱模型路由 内置（Sonnet→Opus） 需自建路由层 需自建路由层
使用复杂度 低（一行配置） 中（需写判断逻辑） 中（需写判断逻辑）
可控性 低（无法干预判断逻辑） 高（完全可控） 高（完全可控）
透明度 低（不知道何时/为何咨询） 高（代码即逻辑） 高（代码即逻辑）
适用场景 快速原型、不想写路由逻辑 生产环境、需精细控制 生产环境、需精细控制

6.1 什么时候选 Advisor？

适合场景：

  • 快速验证 MVP，不想投入工程资源写路由逻辑

  • 任务边界模糊，难以用规则定义"何时需要强模型"

  • 对成本不敏感，优先考虑开发速度

不适合场景：

  • 需要精确控制成本的场景（无法预测何时触发咨询）

  • 需要审计追踪的场景（不知道模型为何咨询）

  • 延迟敏感的场景（咨询过程增加额外 RTT）

七、实际应用示例

💡 本章导读：代码时间到！我们准备了三个层次的示例：先来一个5分钟快速体验，再看完整的业务场景代码。

7.0 5 分钟快速体验

想最快感受 Advisor 的效果？试试这个经典的"伪证明"数学题——它恰恰是 Sonnet 容易"自我怀疑"的那类问题：

import anthropic
import os
​
client = anthropic.Anthropic(api_key=os.environ.get("ANTHROPIC_API_KEY"))
​
# 著名的"1=2"伪证明，Sonnet 可能需要求助
tricky_prompt = """
请判断以下证明过程是否正确：
证明 1 = 2：
1. 令 a = b
2. 两边同乘a: a² = ab
3. 两边同减b²: a² - b² = ab - b²
4. 因式分解: (a+b)(a-b) = b(a-b)
5. 两边同除(a-b): a+b = b
6. 因为 a=b, 代入: b+b = b -> 2b = b
7. 两边同除b: 2 = 1
请问这个证明的漏洞在哪里？
"""
​
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=1024,
    tools=[{"type": "advisor_20260301"}],
    messages=[{"role": "user", "content": tricky_prompt}]
)
​
print(response.content[0].text)
​
# 查看是否触发了 Advisor
if hasattr(response, 'advisor_metadata'):
    print(f"\n---\n✨ 本次回答触发了 Advisor 策略！")
    print(f"咨询原因: {response.advisor_metadata.consultation_reason}")
else:
    print("\n---\n👌 本次回答未触发 Advisor，Sonnet 独立完成。")

💡 预期结果：Sonnet 应该能发现第5步"两边同除(a-b)"时 a-b=0，不能做除法。但因为这是一个涉及数学严谨性的证明题，Advisor 很可能被触发作为"第二道防线"来验证推理。

7.1 法律合同审查

import anthropic
​
client = anthropic.Anthropic()
​
contract_text = """
本协议自签署之日起生效，有效期为三年。
任何一方可在提前30天书面通知对方后终止本协议。
...（合同内容）...
"""
​
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    tools=[{"type": "advisor_20260301"}],
    messages=[{
        "role": "user",
        "content": f"""
        请审查以下合同，识别其中的隐藏法律风险：
        
        {contract_text}
        
        需要特别关注：
        1. 对甲方不利的条款
        2. 表述模糊可能引发争议的条款
        3. 违约责任不对等的条款
        """
    }]
)
​
print(response.content[0].text)
​
# 检查是否触发了 Advisor
if hasattr(response, 'advisor_metadata'):
    print(f"咨询次数: {response.advisor_metadata.calls_made}")
    print(f"触发原因: {response.advisor_metadata.consultation_reason}")

7.2 数学证明验证

# 在数学证明这类需要高置信度的场景，Advisor 可能频繁触发
​
math_problem = """
证明：对于任意正整数 n，存在 n 个连续的合数。
"""
​
response = client.messages.create(
    model="claude-sonnet-4-6",
    max_tokens=4096,
    tools=[{"type": "advisor_20260301"}],
    messages=[{
        "role": "user",
        "content": f"请给出严谨的数学证明：\n\n{math_problem}"
    }]
)

八、生产环境：监控与成本控制

💡 本章导读：看完前面的内容，你可能会问："如果 Advisor 是黑箱，我在生产环境怎么用？" 本章提供两个实用方案：监控工具（让你知道它被触发了多少次）和成本估算（帮你判断预算是否扛得住）。

8.1 监控 Advisor 调用情况

在实际生产中，你需要追踪 Advisor 的触发频率和成本影响：

import anthropic
import time
​
class AdvisorMonitor:
    """监控 Advisor 调用情况的包装器"""
    
    def __init__(self):
        self.client = anthropic.Anthropic()
        self.stats = {
            "total_calls": 0,
            "advisor_triggered": 0,
            "total_advisor_tokens": 0,
            "latency_with_advisor": [],
            "latency_without_advisor": [],
        }
    
    def call_with_tracking(self, messages, enable_advisor=True):
        """带追踪的 API 调用"""
        tools = [{"type": "advisor_20260301"}] if enable_advisor else []
        
        start = time.perf_counter()
        response = self.client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=4096,
            tools=tools,
            messages=messages
        )
        elapsed = time.perf_counter() - start
        
        self.stats["total_calls"] += 1
        
        # 解析 Advisor 元数据
        if hasattr(response, 'advisor_metadata'):
            self.stats["advisor_triggered"] += 1
            self.stats["latency_with_advisor"].append(elapsed)
            
            if hasattr(response, 'usage') and \
               hasattr(response.usage, 'advisor_tokens'):
                self.stats["total_advisor_tokens"] += \
                    response.usage.advisor_tokens
            
            print(f"[Advisor] 触发咨询: "
                  f"{response.advisor_metadata.calls_made} 次, "
                  f"原因: {response.advisor_metadata.consultation_reason}, "
                  f"耗时: {elapsed:.2f}s")
        else:
            self.stats["latency_without_advisor"].append(elapsed)
        
        return response
    
    def print_stats(self):
        """输出统计摘要"""
        total = self.stats["total_calls"]
        triggered = self.stats["advisor_triggered"]
        rate = triggered / total * 100 if total > 0 else 0
        
        avg_with = (sum(self.stats["latency_with_advisor"]) / 
                   len(self.stats["latency_with_advisor"]) 
                   if self.stats["latency_with_advisor"] else 0)
        avg_without = (sum(self.stats["latency_without_advisor"]) / 
                      len(self.stats["latency_without_advisor"]) 
                      if self.stats["latency_without_advisor"] else 0)
        
        print(f"\n{'='*50}")
        print(f"Advisor 调用统计")
        print(f"{'='*50}")
        print(f"总调用次数:     {total}")
        print(f"触发咨询次数:   {triggered} ({rate:.1f}%)")
        print(f"顾问Token消耗:  {self.stats['total_advisor_tokens']:,}")
        print(f"平均延迟(有咨询): {avg_with:.2f}s")
        print(f"平均延迟(无咨询): {avg_without:.2f}s")
        print(f"{'='*50}")
​
# 使用示例
monitor = AdvisorMonitor()
result = monitor.call_with_tracking(
    messages=[{"role": "user", "content": "分析合同法律风险"}]
)
monitor.print_stats()

8.2 性能数据：待实测 ⏳

⚠️ 重要提示：以下数据为 理论估算，未经实测。基于 Sonnet 和 Opus 的公开性能指标推导，仅供参考。如有条件，建议自行对照实验验证。

指标 理论估算 说明
触发咨询的额外延迟 +1.5~3s Opus 推理速度比 Sonnet 慢 2-3 倍
法律/医疗类任务触发率 估计 30-60% 复杂度高，Sonnet 容易不确定
通用 QA 触发率 估计 5-15% 简单问题直接回答
顾问 Token 消耗 约为执行者的 1.5-2x 上下文打包 + Opus 输出较长

⚠️ 再次提醒：上述数值均为估算，实际表现可能因任务类型、上下文长度、温度参数等因素有显著差异。生产环境使用前务必实测。

如果你有条件实测，建议在以下三类任务上做对照实验：

  1. 简单问答（应该很少触发 Advisor）

  2. 多步推理（中等触发率）

  3. 专业领域（法律/数学，高触发率）

对照组：同任务不用 Advisor、纯 Sonnet 完成 vs 用 Advisor 完成，记录准确率、延迟、Token 消耗。

九、已知限制 ❓

💡 本章导读：除了第四章那些"不知道能否实现"的黑箱问题，还有一些已经确认做不到的限制。在做技术选型时，这些才是真正的"红线"。

除了第四章的黑箱问题，以下限制来自官方文档和实际使用的可确认信息：

限制 说明 影响
仅支持 Sonnet → Opus 方向 不能自定义执行者/顾问组合（如 Haiku → Sonnet） 灵活性不足
无法干预判断逻辑 黑箱运行，不能调整置信度阈值、关键词列表 无法针对业务优化
无法关闭特定领域触发 如果模型认为数学题需要咨询，无法阻止 可能产生不必要的成本
依赖 Anthropic API 无离线/私有化部署选项 数据合规场景受限
顾问模型不可更换 只能用 Opus 作为顾问 如果未来有更强模型需等待官方更新
无实时流式咨询反馈 咨询过程对用户不可见，只能看到最终结果 无法做渐进式 UI 展示
advisor_metadata 仍在 Beta 字段结构可能变动 生产代码需做好适配准备

这些限制意味着：Advisor 适合快速原型和内部工具，不适合对可解释性、成本控制有严格要求的生产环境。

十、诚实结论

10.1 Advisor 策略的本质

Claude Advisor 策略是一种"封装好的模型协作模式"——它把"轻模型不确定时咨询强模型"这个常见的工程需求，下沉到模型层面自动完成。

核心价值：降低开发者的心智负担，一行代码启用强弱模型协作。 核心代价：失去透明度和控制力，运行过程成为黑箱。

10.2 "原理到实现"的困境

本文标题未使用"原理到实现"，原因在于：

对于闭源系统，真正的"原理到实现"需要以下至少之一：

  1. 官方技术白皮书披露架构细节

  2. 大规模 API 行为逆向工程

  3. 开源实现代码

目前 Anthropic 未提供以上任何一项。因此，负责任的技术写作应该：

  • 明确标注哪些是官方确认的事实

  • 坦诚说明哪些是合理推测

  • 诚实列出哪些是未知的黑箱

10.3 决策树：我该用 Advisor 吗？

如果你还在纠结是否使用 Advisor，可以用以下决策树快速判断：

💡 解读：上面的决策树看起来 "几乎都不推荐 Advisor"？没错。因为 Advisor 的设计初衷就是"简化开发"而非"生产就绪"。如果你的场景足够简单到可以用 Advisor，通常也意味着你可以完全用 Sonnet 搞定，没必要引入 Opus 的成本。

快速对照表：

场景 推荐方案 理由
内部工具/MVP/原型 ✅ Advisor 省开发时间，成本可控
数据合规（数据不能出境） ❌ 自建路由 Advisor 依赖 Anthropic API
对外产品（成本敏感） ❌ 自建路由 Advisor 成本不可预测
金融/医疗/法律合规场景 ❌ 自建路由 需要完整审计日志
延迟敏感（实时交互） ❌ 自建路由 Advisor 可能增加 1-3s
任务类型明确且稳定 ❌ 自建路由 可以写规则优化，比黑箱高效
任务边界模糊多变 ✅ Advisor 黑箱自适应比规则更灵活

10.4 给你的建议

场景 建议
想快速验证想法 用 Advisor，省掉写路由的麻烦
数据合规要求 自建路由（本地模型），不能依赖海外 API
需要精确控制成本 自己写路由逻辑，不用 Advisor
需要审计和可解释性 自己写路由逻辑，不用 Advisor
想深入理解机制 等 Anthropic 发布技术白皮书，或关注开源复现项目

💬 讨论区：你怎么看？

读完本文，你打算在自己的项目中用 Advisor 吗？还是更倾向于自建路由？

欢迎在评论区分享：

  1. 你的应用场景是什么？

  2. 你会选择 Advisor 还是自建路由？理由是什么？

  3. 如果 Anthropic 开放阈值调整接口，你会使用吗？

期待你的观点！👇

参考资料

  1. Anthropic API Documentation - Tool Use ✅

  2. Anthropic Blog: "Building effective agents" ✅

  3. Simon Willison's analysis of Claude tool use patterns ⚠️

  4. OpenAI Function Calling Documentation（竞品对比参考）✅

  5. Google Gemini Function Calling Documentation（竞品对比参考）✅

声明：本文部分内容基于合理推测，已在文中明确标注可信度。如需100%准确的技术细节，建议直接联系 Anthropic 技术支持或等待官方技术白皮书。

📧 联系作者：如有实测数据愿意分享，或发现本文事实性错误，欢迎在评论区留言或私信指正。

# 决策树 # 前端 # javascript
Logo
DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

cover

DeepSeek-V4 结构化输出兜底策略：当 JSON 解析失败时的工程实践

avatar DeepSeek技术社区
cover

RAG 检索污染与事实性风险：何时该关闭 DeepSeek 的联网搜索

avatar DeepSeek技术社区
cover

评测集漂移告警：Golden set 通过率下降时如何定位根因

avatar DeepSeek技术社区