我在制造业数字化这条路上走了快十年，被问得最多的一个问题不是“用哪个系统”，而是“一份数字化工厂规划，到底要画多细才算合格”。画粗了，老板听完觉得是纸上谈兵；画细了，业务部门觉得是IT部门关起门来搞发明。最近我复盘完一个车企的数字化工厂规划项目，定稿PPT一共179页，客户把这份方案直接作为后续三期建设的投资依据。抽空把它重新翻了一遍，我觉得可以拿它当例子，聊聊一份真正能落地的数字化工厂规划蓝图，在策划时到底要考虑哪些事。

这篇东西写出来，不是为了让你去照抄页数，而是希望你理解：179页不是目的，把“未来工厂长什么样、为什么长这样、怎么一步步走到那里”讲清楚，才是目的。适合正在做制造企业数字化转型规划、智能制造顶层设计的朋友参考，尤其是汽车及零部件行业。

1. 为什么车企数字化工厂规划必须先画“蓝图”，再谈系统

车企的生产复杂度在制造业里属于天花板级别：高度自动化、大批量与小批量混线、严格的安全与质量追溯、密集的供应商协同。一个总装车间，几十个工位，上千种零件，每台车从车身焊装到整车上线，每一个工位的拧紧力矩、加注量、检测结果都要实时绑定到车辆的唯一识别码上。在这样一种场景里，如果不在建设之前把未来的生产逻辑、数据逻辑、组织逻辑想清楚，直接上一个MES或者买一批工业软件，几乎一定会遇到同一类问题：MES上线三个月，车间主任不看了，因为现场数据与实际操作对不上；ERP里的排产计划与车间进度始终存在偏差；质量追溯要靠人工补录。这些问题表面上看是软件实施问题，根子上全是规划问题。

1.1 数字化工厂不是买系统，而是重建生产逻辑

我见过不少企业在数字化这件事上的第一反应是列系统清单：上MES、上APS、上WMS、上QMS、买BI工具。项目一个个开工，预算一笔笔批出去，结果两年后复盘，发现系统之间没有打通，数据口径各说各话。数字化工厂和信息化工厂的最大区别，就在“数据是否流动起来”。信息化是把线下单据变成电子单据，数字化是让业务流程中的数据自动产生、自动流转、被系统直接消费。要达成这个目标，就必须先回答：产品数据从哪里来，工艺数据在哪里定义，产线设备用什么方式反馈，质量异常怎么触发流程，管理人员依据什么做决策。这一整条链路，就是数字化工厂的蓝图。

为什么车企尤其需要“先画蓝图”？因为它的系统域太多。研发有PLM，计划有ERP和APS，执行有MES，仓储有WMS，质量有QMS，设备有EAM，供应链有SRM，再加上底层的PLC、SCADA，随便一数就是十几个系统域。每个域各自为战时，数据就是孤岛；蓝图的作用，就是把这些孤岛用统一的业务线串起来。我在方案里常打一个比方：系统是“器官”，蓝图是“神经系统”，没有神经系统，器官再多也只是一个标本。

1.2 战略、现状、目标：前三页定生死

很多人把179页的重心放在后面的技术架构图上，但我觉得真正体现规划功力的，是前三页的逻辑链：从企业战略到工厂目标，再到数字化支撑的逐层分解。战略说“要成为面向未来的柔性车企”，工厂就要回答“柔性体现在哪”，体现在多车型共线、快速换模、订单驱动的拉动式生产，而这些目标最终都需要数字化系统来承接。如果前几页的推导经不起追问，后面画得再漂亮也白搭。

我在项目启动会上做过一个测试：把战略目标那一页投出来，让各车间主任每人写三条“数字化能帮到你什么”。结果焊装写的是设备OEE，涂装写的是工艺参数追溯，总装写的是防错和作业指导，物流写的是拉动叫料。这些回答合在一起，其实就是一张完整的业务蓝图。反过来如果让每个部门提系统需求，提上来的大概率是又一个新软件。差异就在规划视角。

1.3 蓝图要过的“三关”：业务关、技术关、财务关

一份规划蓝图在车企内部要过三关。第一关是业务关，制造、物流、质量、设备这些部门要认可场景设计，觉得“确实解决我的问题”；第二关是技术关，IT部门要评估架构合理性，不能画一个根本实现不了的愿景；第三关是财务关，财务和公司高层要看到投资回报和节奏控制。179页方案最大的好处，就是能把这三种人关心的内容都装进去。业务看场景页，技术看架构页，管理层看路径和投资页。所以规划蓝图的本质，不是一张图，而是按决策者分类的一组视图。

这一章我想强调的就一句话：蓝图不是可选项，是必选项。尤其是车企这种高投入、长周期、多系统并存的环境，蓝图的价值不是增加流程，而是避免未来几年在错误的方向上反复返工。

2. 179页到底装了什么：一套完整规划蓝图的骨架拆解

我直接把这份方案的章节骨架列出来，你对照自己的项目也能用。它分十个模块，从头到尾是有严格逻辑顺序的，不是想到哪写到哪。

如果你把179页拆开看，其实每一页都在回答一个决策问题。现状诊断回答“我们现在在哪”，标杆分析回答“别人做到什么程度”，蓝图回答“我们要去哪”，场景设计回答“到了之后具体长什么样”，路径回答“怎么走过去”，投资回报回答“值不值得走”。

2.1 页数多不等于注水：内容的厚度来自现场

这份方案之所以能写到179页，不是因为模板细，而是因为前期花了六周做现状调研。我们当时的做法是：把总装、焊装、涂装、冲压四个车间各派了一个小组进去，每个组蹲一周，不只看流程图，而是跟着一件在制品从头走到尾。记录每一个等待点、每一个数据断点、每一处靠人去记才有的信息。这些现场痕迹最终都变成了诊断页里的具体描述。比如焊装车间的数据断点，不是PPT里一句抽象的话，而是一张真实的记录表照片，旁边标注这个表每天怎么流转、谁在填、数据落在哪。

我后来做别的项目也会坚持这个原则：现状诊断页数越多，未来蓝图就越实。因为类比需求分析里的一句话，你只有知道业务现在哪里疼，才知道未来架构该在哪发力。现在很多方案现状部分只有一句“存在信息孤岛”，这种方案怎么可能有179页？它连20页都凑不齐，因为作者心里空。

2.2 现状诊断：最容易被轻视、却最决定成败的环节

为什么我强调现状诊断决定成败？因为在车企里，每一个车间都是一套独特的“小社会”。焊装车间的产量数据在PLC里，质量数据在手持终端里，设备OEE统计在供应商的私有软件里，三个系统各记各的账，谁跟谁都不完全对上。涂装车间的工艺参数存在设备本地，车间主任要导出Excel自己算合格率。总装车间SPC数据用纸质的点图贴在工位旁边。这些情况如果不通过现状诊断摸清楚，未来架构画得再合理，一比对现状就会发现落地路径完全走不通。

现状诊断的输出，我建议至少包含四张图：现状流程图、现状系统地图、现状数据流图、痛点热力图。痛点热力图特别有用，把各车间各流程的问题按“影响程度”和“解决难度”两个维度打点，高影响低难度的就是未来一期项目的候选清单，这也是后续制定实施路径的重要依据。

2.3 从现状到未来的过渡路径：规划方案的“承重墙”

179页方案里最容易被人跳过、又最不能缺的，是过渡路径设计。一步到位的理想架构谁都会画，但任何一个大型车企都不可能推倒现有系统重来。所以制图人必须设计出一个“中间态”：比如先把分散在各车间的数据采集汇聚到一个统一数据平台，再在这个平台上逐步替代旧的质量追溯系统、报表系统；先跑通主数据管理，再上高级排产。这个过渡态看起来不如最终架构性感，却是整个方案的承重墙。

没有过渡路径的方案，本质只是愿望清单。有过渡路径的方案，才可以变成投资依据。我在这个项目里写路径时用了“三纵三横”的逻辑：三纵是数据平台、应用系统、基础设施三条技术线，三横是流程优化、组织能力、运营机制三条管理线。每条线各自演进，又相互咬合。

3. 蓝图的技术主线：从物理设备到决策分析的“四层模型”

车企数字化工厂的技术蓝图，业内习惯用四层模型来表述。这四层从下往上分别是物理层、信息层、应用层、决策层。我在这里详细说一下每一层的设计要点，因为179页方案里所有系统架构、网络拓扑、数据流向，都是围着这四层展开的。

3.1 物理层：设备联网与数字孪生基础

物理层指产线、设备、传感器、机器人、AGV这些物理实体。数字化规划在这一层要回答的问题很具体：哪些设备需要联网改造，哪些设备只需要知道开关机状态，哪些设备必须采集毫秒级的实时工艺数据。焊装机器人的焊点质量，需要采集每一焊的电流、电压、焊接时间，这些数据来自机器人的控制器，通过工业协议往外送。涂装车间的空调温湿度、喷房风速，直接影响漆面质量，需要装环境传感器。这些诉求不同，决定了IOT改造的深度完全不同。

车企产线上还有大量旧设备，可能根本没有数字接口。对这类设备，方案里要做的是分类：核心工艺设备必须改造，接口开放的加装边缘网关；非核心设备能采多少采多少，采不到就先人工扫码，纳入统一数据回溯体系。最忌讳的是追求“全量采集”，把老设备全部强制改造，预算翻几倍不说，实施周期也被无限拉长。

3.2 信息层：工业网络与实时数据通道

信息层负责把物理层的数据安全、稳定地送到应用层。这里最常被问的问题就是：用5G还是WiFi6？还是工业以太网？我的回答是：别先选技术，先看场景。固定工位设备，用有线局域网最稳定；AGV、移动终端、柔性产线这种需要移动/频繁重构的场景，才需要考虑5G或WiFi6。对大部分车企来说，比较稳妥的组合是“有线为主、无线为辅、5G补盲”。产线上真正产生数据的主体是PLC、机器人控制器、传感器，它们绝大多数都支持工业以太网，走有线是天经地义的。

这一层的设计重点是时序：数据采集的频率是多少，决定网络带宽怎么规划。焊装焊点数据如果每一焊都要存波形，一天的原始数据可能是几个GB的规模。如果规划时没算好这一笔，上线后网络拥堵和存储成本会同时爆发。我在方案里会用一个简单的估算公式：单点数据量×采集频率×点位数量×运行时长=日增数据量，再据此规划网络和存储，这样每一页的技术决策都有数字支撑。

3.3 应用层：MES、APS、QMS、WMS、Andon系统的职责边界

应用层是业务打交道最多的部分，179页方案里也最容易在这里“功能失控”。我的规划原则是：每个系统管一段，边界必须清楚。MES管生产执行，从工单下达到完工汇报，管派工、防错、追溯、报工；APS管排产优化，回答“在约束条件下先做什么、后做什么”；QMS管质量闭环，从检验计划到不良品处理；WMS管仓储的收、发、存，但它不决定要什么料，要什么料是MES和拉动逻辑决定的；Andon管异常管理，触发后要升级到对应角色。

车企里最容易出的混乱，是MES和ERP之间的边界。很多企业ERP已经做了车间工单和报工，再上MES时不知道谁听谁的。我的处理办法是在蓝图里画一条“计划分层线”：ERP定周/日层级的粗能力计划，MES做工位级细排程和调度，APS在中间做优化。三层各司其职，数据口径由数据架构统一，这样业务部门不会再因为“到底谁排产”打架。

3.4 决策层：数据中台与AI分析

决策层解决的是“数据怎么变成行动”。我到现场最常遇到的一个现象：同一个OEE，设备供应商算一个数，MES算一个数，生产部自己统计又是一个数，三个数永远对不上。原因就是指标口径不统一、计算数据源不一致。数据中台在工厂里最实在的价值不是“中台”这个概念，而是统一指标口径、统一主数据、统一计算逻辑，让所有人对同一个业务语言。

AI在车企工厂里能落地的场景，规划阶段就能列出几类：焊点质量预测、设备预测性维护、能耗优化、排产仿真。这些应用的前提是历史数据质量必须够好。所以我在179页方案里，专门用了几页写“数据治理”而非“数据分析”，因为很多企业的数据根本还没治理到能喂给AI的程度。先有干净的数据，才有可靠的模型，这个顺序不能反。

3.5 一条主线：从客户订单到车辆交付的数据流

四层模型如果只是四层，容易画成四张孤立的结构图。真正让它们串起来的是数据流主线：客户订单进入销售和ERP，ERP生成主生产计划，APS考虑物料、产能、班次约束后进行排产，MES把排产结果拆成工位作业指令，底层PLC和机器人执行，设备数据通过信息层实时采集回MES，质量数据绑定到车架号，整车下线后数据进入追溯库，一直到交付给用户后的服务记录也能回溯。这条主线是规划方案的“脊柱”，没有它，四层模型就是四张文件夹。

我在给客户讲解这一页时，常让他们试着从这条主线上找一个自己的痛点。每个车间主任都能找到：有人说是排产环节，有人说是质量追溯环节，有人说是设备反馈环节。这个反映其实证明主线串对了——它反映的不是IT关注点，而是业务真实关注点。

4. 分车间看业务场景：规划方案的“最后一公里”设计

总体的蓝图和架构页很重要，但如果一份方案停留在架构层面，业务部门是不会买账的。他们要看的是“我的车间到底变成什么样”。所以179页方案里占篇幅最大的，是分车间的业务场景设计。我挑几个有代表性的场景展开说。

4.1 冲压与焊装：设备联网与焊点质量追溯

焊装车间的核心痛点是质量和设备。一辆白车身几千个焊点，任何一个关键焊点失效都可能影响车身强度。传统做法靠抽检和破坏性试验，不可能全检。数字化方案的做法是实时采集机器人焊接过程的电流、电压、压力、时间曲线，用模型判断每一个焊点质量。这不是未来概念，主流的焊装线已经可以做到，但规划时要把数据采集频率、模型部署位置、异常触发后的处置流程定义清楚。

设备层的规划同样重要。冲压线的模具状态直接决定零件质量，通过给模具和压力机装传感器，采集冲次、吨位曲线、震动数据，可以做模具寿命预测和异常预警。我当时在蓝图中专门给这类场景留了一页：从传感器、边缘计算、预测模型、到维修工单自动生成的全链路。业务部门看完这一页，基本就对“设备数字化给自己带来什么”有了概念。

4.2 涂装：工艺参数闭环控制

涂装车间的特殊性在于环境敏感。喷房温湿度、风速、洁净度、油漆黏度、喷涂机器人轨迹参数，任何一个偏差都可能造成漆面缺陷。漆面问题又往往要到整车下线后做灯光检查才发现，那时返工成本已经很高。数字化规划在涂装里的重点是工艺参数闭环：实时采集环境参数和工艺参数，建立参数与漆膜质量的关系模型，当参数出现漂移趋势时提前预警，甚至在允许范围内自动调整。

这个场景我觉特别值得规划者重视，因为它的投资回报非常清晰。一辆整车涂装返工的成本，从材料、工时到重新烘干，上千元起步。一个年产几十万辆的基地，涂装一次合格率哪怕只提升一个百分点，节省的成本都是一个庞大数字。规划方案里只要把这一类场景的财务逻辑写清楚，投资审批的说服力会大大增强。

4.3 总装：柔性生产与无纸化作业

总装车间是车企里人机交互最密集的地方，也是数字化规划里场景最丰富的地方。多车型混线生产时，每个工位的作业内容随车型变化，传统纸质作业指导书很容易拿错版本。数字化方案的核心是无纸化作业：工位屏根据当前通过车辆的信息自动弹出对应车型的作业指导、关键参数、防错要求。螺栓拧紧工位的数据自动采集并绑定到车架号，关键力矩不达标时设备直接报警。这既是质量追溯手段，也是防错机制。

总装场景规划还有一个隐藏价值，就是为新人培训和技能管理提供数据基础。哪些工位的错误率高，哪类操作需要更多培训，都可以从采集数据中分析出来。这个我在规划时一开始没注意，是工厂培训主管提的需求，后来证明它比很多“高精尖”场景更受欢迎，因为它直接解决了班组长每天面对的问题。

4.4 物流与供应链：拉动式补货与AGV调度

物流规划和MES规划经常被分开做，但车企的实践告诉我们，这两个必须一起看。总装车间物料拉动的基本逻辑是：当车辆通过某工位时，触发对应物料的需求信号，系统向线边库发出补货指令，AGV再把物料从仓储区送到线边。这里面涉及WMS的库存数据、MES的工位进度数据、AGV调度系统的路径规划数据，三套数据必须实时联动，任何一个环节延迟都会导致停线。

我常说，物流是车企数字化规划里最“焦虑”的部分，因为停线代价太高，一条总装线停一个小时，损失就是百万级别。所以方案在物流部分一定要做冗余设计：关键线路AGV数量冗余、异常降级方案、人工补货兜底流程，都要写进规划。数字化不是把人工环节全部消灭，而是让系统在绝大多数情况下稳定运行，并且把少数异常情况兜住。

4.5 质量与能源：数字化转型的隐性价值

质量管理在车企里不是单个系统的问题，而是一种贯穿全流程的数据逻辑。冲压来料检验数据、焊装焊点数据、涂装膜厚数据、总装拧紧数据，这些数据分开看只是单点质量信息，连起来看才能形成质量追溯链。规划方案里要设计的是这条链。当需要追溯某一批零件装到哪些车上时，目标是通过系统在几分钟内查出结果，而不是靠人去翻纸质记录。

能源管理常常被规划团队放在很靠后的位置，但我建议把它提前。涂装烘干炉、焊装焊机、冲压压力机都是能耗大户，通过IoT电表和数据采集，把能耗数据关联到产量和工艺参数，可以快速找到异常能耗点。有一说一，能源数据的采集技术和数据分析都不复杂，它是整个数字化工厂规划里见效最快、ROI最容易算清的场景之一，很适合作为一期项目的切入点。

5. 从蓝图到落地：技术选型、实施路径与投资节奏

蓝图画完，必须落到“怎么干、花多少钱、按什么节奏干”上。这一部分是179页方案里最考验经验的地方，也是很多规划方案最薄弱的地方。我直接说我觉得最关键的四个决策。

5.1 技术选型的核心取舍：自研、采购还是定制

车企数字化项目建设时，几乎每一类系统都会遇到自研和采购的争论。我的经验是看三个维度：是否涉及核心工艺Know-how、市场上是否有成熟产品、未来是否需要大量定制。核心工艺相关的，比如焊点质量模型，建议自研或者与专业伙伴深度联合开发，因为这是差异化的护城河；通用功能，比如MES的排产、质量管理、仓储管理，优先选成熟产品做配置；连接采集这层，则高度依赖现场，通常走定制化实施。

老牌汽车厂的系统尤为复杂，很多系统用了十几年，新老系统共存是常态。技术选型在蓝图阶段就要给出“遗留系统去向”的判断：是保留、替换、还是通过集成层共存。我在很多项目里发现，方案能不能落地，往往不是看新系统选得有多好，而是看旧系统处理得有多稳。这一条，建议画架构图的人一定要提前想明白。

5.2 三阶段实施路线图：先见效、再集成、后智能

179页方案里的实施路径，我们最终给的是三个阶段。第一阶段是“数据基础+快速见效”，用6个月左右的时间，搭建统一数据平台，先上线能耗采集、OEE报表、设备状态监控这类边界清晰、见效快的场景。这样做的目的不只是获取收益，更是让管理层和车间人员相信数字化真的有用。第二阶段是“核心系统升级与集成”，用接下来的12-18个月，实施新的MES、APS、QMS、WMS核心模块，替换老旧系统，打通从订单到交付的数据流。第三阶段是“数据驱动优化与AI规模化”，在前两个阶段积累的干净数据基础上，上预测性维护、质量预测、智能排产优化等更高价值的应用。

这个路径的顺序不能乱换。我看到有些项目一上来就上AI质量预测，结果因为底层数据采集不全、历史数据质量差，模型根本训不出来，最后项目烂尾。数字化工厂的建设逻辑，永远是先有数据、再有分析、最后才是智能。这个顺序反了，后面每一步都会走得很难受。

5.3 投资估算与ROI测算：怎么把方案讲给财务听

规划方案要做到能过财务关，投资估算必须分细。我们通常把投资拆成五类：硬件设备与改造费用、软件许可与订阅费、系统集成实施费、数据治理与平台费、组织培训与变革费。很多方案只列了前两类，漏掉后两类，结果项目预算执行到一半才发现钱不够。组织培训和变革管理的费用，往往占总投资的10%到15%，但在规划阶段经常被压缩到极低，这是我反复提醒项目方的一点。

收益测算的维度，我建议从四个角度去算。直接降本：少人化、能耗节约、返工材料减少。效率提升：OEE提升、换模时间缩短、计划达成率提升。质量收益：缺陷率下降、售后索赔降低。风险价值：追溯时间缩短、决策响应加快。前三类都能用财务语言量化，第四类偏定性，但也要写进方案，因为对车企来说，响应速度和追溯能力本身就构成经营安全的重要部分。

5.4 组织与变革管理：规划中最容易被划掉的一章

在179页方案里，投资章节后面通常跟着组织保障。这一章在评审时是最容易被划掉的，因为高管觉得这是软性的，系统建完自然就好了。恰恰相反，数字化工厂的建设过程中，“人”的问题是最大的风险。车间习惯了手工作业的班组长，突然要在系统里做电子报工，抵触情绪几乎必然出现。规划阶段必须设计配套的组织方案：成立智能制造推进办公室，由业务部门负责人牵头、IT部门提供支撑，而不是把它设计成IT一个部门的事。

变革管理里还有一件基础工作：数字化岗位的技能定义。未来工厂需要什么岗位、现有人员怎么转岗、培训计划怎么排，这些在蓝图阶段就要有雏形。我见过一个基地，系统上线后因为没人会做数据分析和系统运维，又临时招了一批人，导致项目成本远超预期。组织层面的规划，真不是写在PPT里充页数的。

6. 做完这份179页方案后，我总结的4条避坑经验

方案交付只是项目的起点，真正见功力的是后续落地。这里我结合这次车企项目的复盘，把我认为最值得避开的几个坑列出来，每个都对应着真实的教训。

6.1 别把179页写成系统功能清单

规划方案最容易犯的错，是把每个系统的功能挨个列一遍：MES有排产功能、有调度功能、有质量追溯功能。这样的方案看起来厚，其实没有信息量，因为功能清单解决不了优先级问题。所以我写场景时，每个场景都是按照“业务痛点→场景设计→数据流→系统支撑→收益指标”的结构来写。功能是被场景带出来的，而不是堆在前面的。你先讲清楚业务要什么，再引出系统怎么支撑，方案才有说服力。

6.2 要有“决策者页面”，也要有“执行者页面”

179页的详细方案拿去给高管汇报，其实是灾难。高管没有时间看完整份，他只需要知道未来工厂变成什么样、要花多少钱、分几步走、有什么风险。所以在完整版之外，我额外做了一份十页以内的决策汇报版，只保留战略目标、总体蓝图、实施路径、投资回报、风险与建议这五部分。而179页的完整版是给执行层和技术团队用的，里面包含每一模块的细节论证。方案交付不只是交一份PPT，而是交付一套可以分层使用的决策体系。

6.3 一定要回答“先做什么、先不做什么”

规划方案的难点不在于列出一堆该做的事，而在于说清楚先做什么、同时明确先不做什么。很多时候，明确不做什么比做什么更重要。车企的需求太多，每个车间都能提出十几个想上的场景，如果规划阶段不设优先级，执行阶段就会资源分散。我当时用一个二维矩阵来做筛选：横轴是业务影响，纵轴是实施难度，落在“高影响、低难度”区间的场景优先进入一期，高难度的放到后期，低影响的直接砍掉。有了这套筛选逻辑，所有争论都可以收敛。

6.4 敢于把组织变革写进技术蓝图

很多规划方案从头到尾都是技术语言，没有一页提到组织架构调整、岗位职责变化。但工厂数字化的深度推进，必然改变很多岗位的工作方式。设备数据自动采集后，原来每天手动抄表的人要转岗；质量追溯线上化后，数据录入质检员的工作重心要转移到分析处理。如果不提前规划这些变化，实施阶段必然遭遇强烈阻力。我自己的习惯是，在蓝图里单列一章“组织与能力建设”，每讲到一套系统，都会对应注明它影响了哪些岗位、需要什么培训、组织架构上需要做什么调整。这一章不是锦上添花，它是技术方案的“安全带”。

做了这么多年的制造数字化规划，我个人最大的体会有两个。第一个是：一份规划方案，页数多少不重要，重要的是它能不能把“从哪来到哪去”讲得让所有人都信服。第二个是：图纸画得再漂亮，最终还得靠车间里每一个岗位的人愿意用、用得起来。179页不是我刻意的目标，只是把一个复杂工厂的数字化逻辑讲到没有疑问之后自然达到的厚度。如果你也在做类似的事，我的建议很简单，先别急着打开PPT画架构图，去车间多待几天，把真实的数据断点一条一条找出来，你会发现，方案的内容自然就有了。