AI Agent Harness Engineering 在法律科技中的应用探索

副标题：从零散Prompt到可治理、可扩展的法律智能体集群实战指南

第一部分：引言与基础 (Introduction & Foundation)

1. 摘要/引言 (Abstract / Introduction)

1.1 问题陈述

想象一下，你是一家中型律所的高级合伙人：桌上堆着300份并购案的交易对手尽调报告、200封客户关于新《公司法》的咨询邮件、50份待审查的标准化采购合同，助理团队要2周才能梳理出初步结论，但客户下周就要召开并购前的董事会。
这时候你可能会想到用GPT-4o、Claude 3.5 Sonnet这类大语言模型（LLM）：找助理分别写Prompt？但每个人的Prompt风格千差万别，有的遗漏“穿透式核查实控人境外关联公司是否涉及制裁名单”的要求，有的没指定“尽调报告输出必须符合律所标准的Word格式模板并标注风险等级红/黄/绿”，甚至有的Prompt泄露了客户未公开的交易意向。
零散的“Prompt拼贴”模式，在法律科技的严肃场景下存在三大致命缺陷：

1. 不可控性：输出质量完全依赖Prompt工程师（或临时写Prompt的法律助理）的水平，难以保证一致性、合规性；
2. 不可扩展性：每解决一个新的法律问题（比如从尽调审查扩展到仲裁证据整理），就要从零设计一套Prompt和LLM调用逻辑，代码复用率不足10%；
3. 不可治理性：没有统一的Prompt版本管理、调用日志记录、成本监控机制，甚至无法追溯某份错误审查报告的Prompt版本和LLM模型参数——这在法律证据链要求下是不可接受的。

1.2 核心方案

AI Agent Harness Engineering（中文可译为“AI智能体控制工程”）正是为解决这些问题而生的技术体系：它不是单一的工具或框架，而是一套方法论+最佳实践+配套工具链，用于设计、开发、测试、部署、治理具备多工具调用、多智能体协作、记忆增强、反馈迭代能力的可复用法律AI智能体集群。
在本文中，我们将：

• 从理论角度拆解AI Agent Harness Engineering的核心概念与架构模型；
• 从实践角度，用LangChain 0.2、LangSmith（治理工具）、FastAPI（接口层）、Docker（容器化）构建一套可落地的中型律所法律尽调+标准化合同审查智能体集群；
• 深入探讨这套体系在法律科技场景下的性能优化、合规治理、常见问题与未来趋势。

1.3 主要成果/价值

读完本文后，你将能够：

• 法律从业者角度：理解如何利用可治理的AI Agent集群提升日常工作效率（预计尽调审查效率提升80%、标准化合同审查效率提升95%），同时避免法律风险；
• 法律科技工程师角度：掌握一套完整的AI Agent Harness Engineering开发流程，从需求分析到生产部署，再到长期治理；
• 共同收获：构建一套可复用的法律AI基础框架，后续可以扩展到仲裁证据整理、法律咨询回复、诉讼文书起草等更多场景。

1.4 文章导览

本文分为四个部分：

• 第一部分：引言与基础，介绍问题背景、目标读者、前置知识与文章目录；
• 第二部分：核心内容，拆解AI Agent Harness Engineering的核心概念，搭建开发环境，并分步实现法律尽调+标准化合同审查智能体集群；
• 第三部分：验证与扩展，展示系统运行结果，探讨性能优化、合规治理、常见问题与未来趋势；
• 第四部分：总结与附录，回顾核心要点，列出参考资料与完整源代码链接。

2. 目标读者与前置知识 (Target Audience & Prerequisites)

2.1 目标读者

本文的目标读者主要分为三类：

1. 初级/中级法律科技工程师：有一定的Python基础，了解大语言模型（LLM）的基本原理，但对AI Agent和可治理的生产级部署不熟；
2. 律所/公司法务部门的技术负责人：希望引入AI提升工作效率，但担心零散Prompt的不可控性、不可治理性；
3. 对法律科技感兴趣的资深技术博主/架构师：希望了解AI Agent在严肃、高风险场景下的最佳实践。

2.2 前置知识

阅读本文前，你需要具备以下基础知识或技能：

1. 编程基础：熟练掌握Python 3.10+（因为我们会用到LangChain 0.2的异步特性，以及FastAPI的现代Python语法）；
2. 大语言模型基础：了解LLM的基本原理（比如Transformer架构、上下文窗口、Token计数），知道如何调用OpenAI/Claude/国内大模型的API；
3. Web开发基础：了解RESTful API的基本概念，知道如何用FastAPI或Flask开发简单的接口；
4. 容器化基础：了解Docker的基本概念，知道如何编写Dockerfile和docker-compose.yml文件（可选，但生产级部署必备）；
5. 法律场景常识：了解基本的法律尽调（DD）流程、标准化合同审查要点（可选，但能更好地理解需求）。

3. 文章目录 (Table of Contents)

第一部分：引言与基础 (Introduction & Foundation)

1. 摘要/引言
2. 目标读者与前置知识
3. 文章目录

第二部分：核心内容 (Core Content)

4. AI Agent Harness Engineering 核心概念与理论基础
   4.1 核心概念拆解（Agent、Tool、Memory、Planning、Harness）
   4.2 核心概念之间的关系（对比表格、ER实体关系图、交互关系图）
   4.3 法律场景下的AI Agent特殊设计原则
   4.4 AI Agent Harness Engineering的整体架构模型（Mermaid架构图）
   4.5 法律场景下的Token消耗与成本控制数学模型
5. 问题背景与系统需求分析
   5.1 中型律所法律尽调+标准化合同审查的传统流程痛点
   5.2 系统功能需求（用例图）
   5.3 系统非功能需求（合规性、可扩展性、性能、成本）
6. 环境准备
   6.1 硬件与软件环境要求
   6.2 依赖库与工具链安装（requirements.txt + Docker配置）
   6.3 核心API密钥配置（OpenAI/Claude/国内模型、LangSmith、制裁名单API、企业工商信息API）
7. 法律尽调+标准化合同审查智能体集群分步实现
   7.1 需求拆解与子智能体划分
   7.2 核心基础组件开发（工具封装、记忆模块、治理钩子）
   7.3 标准化合同审查子智能体实现
   7.4 并购交易对手尽调子智能体实现（穿透式实控人核查、制裁名单筛查、财务数据风险分析）
   7.5 主调度智能体实现（任务分配、冲突解决、结果聚合）
   7.6 FastAPI接口层开发
   7.7 LangSmith治理配置（Prompt版本管理、调用日志记录、成本监控、质量评估）

第三部分：验证与扩展 (Verification & Extension)

8. 结果展示与验证
   8.1 标准化合同审查结果展示（Word模板输出+风险等级标注）
   8.2 并购交易对手尽调结果展示（PDF/Word报告输出+穿透式实控人图谱）
   8.3 系统验证方案（功能验证、性能验证、合规性验证）
9. 关键代码解析与深度剖析
   9.1 治理钩子（LangSmith Hooks）的实现原理与最佳实践
   9.2 穿透式实控人查询工具的异步并发优化
   9.3 记忆模块（Memory）的法律场景定制（如何只保留有用的法律信息，避免上下文窗口溢出）
   9.4 主调度智能体的冲突解决机制设计
10. 性能优化与最佳实践
    10.1 LLM模型选型与参数调优（法律场景下的平衡）
    10.2 Token消耗优化策略（Prompt压缩、信息分层、结果缓存）
    10.3 并发控制与资源隔离（避免API限流与单点故障）
    10.4 法律场景下的Prompt Engineering最佳实践（合规性要求、格式规范、指令明确性）
11. 常见问题与解决方案 (FAQ / Troubleshooting)
    11.1 技术类问题（API限流、上下文窗口溢出、LangSmith连接失败）
    11.2 法律类问题（输出错误的法律结论、泄露客户未公开信息、不符合律所格式要求）
    11.3 治理类问题（Prompt版本管理混乱、成本监控不准确、质量评估指标不合理）
12. 未来展望与扩展方向
    12.1 技术扩展方向（多模态AI Agent、强化学习优化、RAG增强的深度法律知识库）
    12.2 应用扩展方向（仲裁证据整理、法律咨询回复、诉讼文书起草、法律案例检索与分析）
    12.3 行业发展趋势（AI Agent标准化、法律科技监管政策完善、AI Agent与法律工作者的协作模式演变）

第四部分：总结与附录 (Conclusion & Appendix)

13. 总结
14. 参考资料
15. 附录
    15.1 完整源代码链接（GitHub）
    15.2 完整的requirements.txt文件
    15.3 完整的docker-compose.yml文件
    15.4 律所标准的Word格式尽调/合同审查模板（示例）

第二部分：核心内容 (Core Content)

4. AI Agent Harness Engineering 核心概念与理论基础

4.1 核心概念拆解（Agent、Tool、Memory、Planning、Harness）

在深入探讨法律科技中的应用之前，我们必须先对AI Agent Harness Engineering的五个核心概念有清晰、统一的认知——这是所有后续实践的基础。

4.1.1 AI Agent（人工智能智能体）

核心定义：AI Agent是一种具备感知（Perception）、推理（Reasoning）、行动（Action）、反馈迭代（Feedback Loop）能力的自主软件实体，它可以与环境（包括人类用户、外部工具、其他AI Agent）进行交互，完成特定的目标任务。
类比理解：如果把零散的Prompt拼贴比作“临时雇佣的兼职文案”——只能按照你写的简单要求做事，做不到灵活应对突发情况，也记不住之前的工作内容；那么AI Agent就像是“经过专业培训的全职法律助理”——有记忆、会思考、能主动调用工具（比如查工商信息、查制裁名单）、遇到问题会调整策略，还能根据你的反馈不断改进工作质量。
法律场景下的特殊属性：

• 合规性优先（Compliance-First）：法律场景下，输出的准确性和合规性远重要于速度和创新性——AI Agent必须严格遵循法律条文、律所规范、监管政策，不能编造法律结论或泄露客户隐私；
• 可追溯性（Traceability）：所有的推理过程、工具调用、输出结果都必须有完整的日志记录，以便在出现法律纠纷时追溯责任；
• 风险敏感性（Risk-Aware）：AI Agent必须能够识别法律风险，并标注风险等级（红/黄/绿），不能简单地给出“是/否”的结论；
• 专业性（Professionalism）：输出的内容必须符合法律专业术语规范，不能使用口语化或不严谨的语言。

4.1.2 Tool（工具）

核心定义：Tool是AI Agent可以主动调用的外部能力扩展模块，它可以帮助AI Agent获取实时信息、执行复杂计算、与其他系统交互——这些都是LLM本身不具备的能力（LLM的知识截止到训练时间，无法进行实时查询，也无法直接修改文件或调用API）。
法律场景下的常用工具：

• 信息查询类工具：企业工商信息查询API（比如天眼查、企查查API）、制裁名单查询API（比如OFAC SDN List、联合国制裁名单API）、法律条文检索API（比如北大法宝、威科先行API）、公司公告查询API（比如巨潮资讯网API）；
• 文档处理类工具：PDF/OCR工具（比如PyPDF2、Tesseract、Amazon Textract）、Word模板生成工具（比如python-docx、Jinja2 + docx）、Excel数据处理工具（比如pandas、openpyxl）；
• 数据分析类工具：财务数据风险分析工具（比如基于pandas的自定义分析函数）、合同条款比对工具（比如基于difflib或spaCy的自定义比对函数）；
• 协作类工具：邮件发送工具（比如smtplib）、Slack/钉钉消息发送工具（比如Slack SDK、钉钉SDK）、律所内部CRM/ERP系统API对接工具。

4.1.3 Memory（记忆模块）

核心定义：Memory是AI Agent的信息存储与检索模块，它可以帮助AI Agent记住之前的对话历史、工具调用结果、用户反馈——这些信息对于完成复杂的多步骤任务至关重要（比如并购尽调需要先查交易对手的工商信息，再查实控人的工商信息，再查实控人的境外关联公司，最后综合所有信息生成报告）。
法律场景下的记忆模块分类：

• 短期记忆（Short-Term Memory, STM）：存储当前对话或当前任务的所有信息，通常使用LLM的上下文窗口实现（比如GPT-4o的上下文窗口是128K Token，Claude 3.5 Sonnet的上下文窗口是200K Token）；
• 中期记忆（Medium-Term Memory, MTM）：存储最近一段时间（比如一周、一个月）内完成的任务信息，通常使用向量数据库（比如ChromaDB、Pinecone、Weaviate）实现——通过将任务信息转化为向量，AI Agent可以快速检索到与当前任务相关的历史信息；
• 长期记忆（Long-Term Memory, LTM）：存储通用的法律知识、律所规范、历史成功案例，通常使用结构化数据库（比如PostgreSQL、MySQL）或检索增强生成（RAG）系统实现——通过RAG系统，AI Agent可以在回答问题或生成报告时，先检索到相关的法律知识或历史案例，再结合当前任务信息生成更准确、更合规的内容。

4.1.4 Planning（规划模块）

核心定义：Planning是AI Agent的任务拆解与策略制定模块，它可以帮助AI Agent将复杂的目标任务拆解为多个简单的子任务，并根据当前环境和任务进度调整子任务的执行顺序或策略——这是AI Agent区别于零散Prompt拼贴的核心能力之一。
法律场景下的规划模块常用方法：

• 链式思考（Chain-of-Thought, CoT）：让AI Agent在执行任务前，先“思考”一下任务的拆解步骤和每一步的执行方法，再逐步执行——这可以显著提高AI Agent的推理准确性；
• 反思（Reflection）：让AI Agent在完成每一个子任务后，先“反思”一下子任务的执行结果是否符合要求，如果不符合要求，就调整策略重新执行——这可以显著提高AI Agent的输出质量；
• 多智能体协作规划（Multi-Agent Collaborative Planning）：将复杂的目标任务分配给多个专业的子智能体（比如合同审查智能体、实控人核查智能体、财务数据分析智能体），让它们先各自制定子任务的规划，再通过主调度智能体进行协调和整合——这可以显著提高AI Agent的任务执行效率和专业性。

4.1.5 Harness（控制层/ harness层）

核心定义：Harness是AI Agent Harness Engineering的核心控制与治理模块，它是连接AI Agent、外部工具、用户、治理系统的“桥梁”——它的主要作用是保证AI Agent的可控性、可扩展性、可治理性。
Harness层的核心功能：

• Prompt版本管理：统一管理所有AI Agent使用的Prompt，支持Prompt的版本控制、灰度发布、回滚；
• 调用日志记录：完整记录所有AI Agent的推理过程、工具调用、输入输出、执行时间、Token消耗、成本；
• 成本监控与控制：实时监控所有AI Agent的Token消耗和成本，支持成本预算设置、超预算预警、限流；
• 质量评估与反馈迭代：支持人工质量评估、自动质量评估（比如基于BLEU、ROUGE、F1值的评估，或者基于特定法律指标的评估），并将评估结果反馈给AI Agent，让它不断改进；
• 合规性检查：在AI Agent输出结果前，先进行合规性检查（比如是否泄露客户隐私、是否使用了不严谨的法律术语、是否编造了法律结论），如果不符合要求，就拒绝输出或要求AI Agent重新生成；
• 权限管理：对不同的用户、不同的AI Agent、不同的外部工具设置不同的权限（比如只有高级合伙人才能调用穿透式实控人境外关联公司查询工具）；
• 并发控制与资源隔离：避免AI Agent调用外部工具或LLM API时出现限流或单点故障；
• 接口统一：为所有AI Agent提供统一的RESTful API或GraphQL API，方便与其他系统（比如律所内部CRM/ERP系统）对接。

4.2 核心概念之间的关系（对比表格、ER实体关系图、交互关系图）

4.2.1 核心概念核心属性维度对比

为了更清晰地理解五个核心概念的区别和联系，我们从核心目标、核心输入、核心输出、法律场景下的优先级四个维度进行对比：

4.2.2 核心概念ER实体关系图（Mermaid ER图）

我们用Mermaid ER图来展示五个核心概念之间的实体关系：

从ER图中可以看出：

• USER与HARNESS的关系：一个用户可以使用或配置多个Harness（比如不同的Harness对应不同的业务场景），一个Harness也可以被多个用户使用（比如整个律所的律师助理都可以使用同一个合同审查Harness）；
• HARNESS与其他核心概念的关系：Harness是整个系统的核心控制层，它控制/治理所有的AI Agent，管理所有的Tool的权限和限流，存储所有的Memory的日志；
• AI_AGENT与其他核心概念的关系：AI Agent调用Planning进行任务拆解和策略制定，调用Memory存储和检索任务相关信息，调用Tool扩展外部能力；
• AI_AGENT_CLUSTER的作用：将多个专业的子AI Agent和一个主调度AI Agent组成一个集群，用于完成复杂的多步骤任务（比如并购尽调）。

4.2.3 核心概念交互关系图（Mermaid Sequence Diagram）

我们用Mermaid Sequence Diagram来展示在法律尽调场景下，五个核心概念之间的交互流程：

从交互关系图中可以看出：

• Harness层的核心作用：它在整个交互流程的开头和结尾都起着关键作用——开头检查用户权限和成本预算，结尾进行合规性检查，并将所有信息记录到LangSmith治理系统中；
• 多智能体协作的优势：将复杂的并购尽调任务拆解为三个专业的子任务，分别交给三个专业的子智能体完成，最后由主调度智能体聚合结果——这可以显著提高任务执行效率和专业性；
• 反思的重要性：子智能体在完成初步审查结果后，会先进行反思，调整结果后再输出——这可以显著提高输出质量；
• 记忆模块的作用：所有的子任务拆解清单、执行策略、工具调用结果、最终审查结果都会存储到记忆模块中，以便后续检索和使用。

4.3 法律场景下的AI Agent特殊设计原则

在第4.1.1节中，我们提到了法律场景下的AI Agent的四个特殊属性——为了满足这些特殊属性，我们在设计法律AI Agent时，必须遵循以下六个特殊设计原则：

4.3.1 合规性优先原则（Compliance-First Principle）

核心内容：在法律AI Agent的设计、开发、测试、部署、治理的整个生命周期中，合规性是最高优先级的考虑因素——任何可能违反法律条文、律所规范、监管政策的功能或参数设置都必须被禁止。
具体实践：

• LLM参数设置：将LLM的温度参数（Temperature）设为0-0.2（最低或接近最低），Top-P参数设为0.9或更低，以减少LLM的创新性，提高输出的准确性和一致性；
• Prompt约束：在所有Prompt的开头或结尾加入严格的合规性约束，比如：

  【合规性约束】
  1. 你是一家专业律所的AI法律助理，你的所有输出必须严格遵循《中华人民共和国民法典》《中华人民共和国公司法》等相关法律条文；
  2. 你不得编造任何法律结论、案例或法律条文；如果你不知道答案，请明确回答“我不知道，请咨询专业律师”；
  3. 你不得泄露任何客户未公开的信息；
  4. 你的所有输出必须符合法律专业术语规范，不得使用口语化或不严谨的语言；
  5. 你必须在所有存在法律风险的地方标注风险等级（红/黄/绿），并给出详细的风险原因和建议。
  

• 合规性检查前置/后置：在AI Agent输出结果前（Harness层）和输出结果后（可以再加入人工合规性检查），都进行严格的合规性检查——检查内容包括是否泄露客户隐私、是否使用了不严谨的法律术语、是否编造了法律结论、是否符合律所格式要求等；
• 监管政策合规：密切关注国内外法律科技领域的监管政策（比如欧盟的《人工智能法案》、中国的《生成式人工智能服务管理暂行办法》），及时调整AI Agent的设计和功能。

4.3.2 可追溯性原则（Traceability Principle）

核心内容：法律AI Agent的所有推理过程、工具调用、输入输出、执行时间、Token消耗、成本、质量评估结果都必须有完整的、不可篡改的日志记录——以便在出现法律纠纷时追溯责任。
具体实践：

• 使用专业的治理工具：比如LangSmith、Weights & Biases（W&B）、MLflow——这些工具可以自动记录所有的LLM调用、工具调用、输入输出、执行时间、Token消耗、成本等信息；
• 日志加密存储：所有的日志记录都必须加密存储，防止被篡改或泄露；
• 日志保留期限：根据相关法律规定和律所规范，设置合理的日志保留期限（比如至少保留5年）；
• 日志检索功能：提供强大的日志检索功能，支持按照用户ID、Agent ID、任务ID、时间范围、风险等级等维度检索日志。

4.3.3 风险敏感性原则（Risk-Aware Principle）

核心内容：法律AI Agent必须能够识别法律风险，并标注风险等级（红/黄/绿），不能简单地给出“是/否”的结论——同时，对于高风险（红色）的内容，必须给出详细的风险原因、相关法律条文、历史案例和建议。
具体实践：

• 风险等级定义明确：在Prompt和治理规则中明确定义红/黄/绿三个风险等级的标准，比如：

  风险等级	标准
  红色	存在严重的法律风险，可能导致合同无效、重大经济损失或法律诉讼
  黄色	存在一定的法律风险，需要进一步核实或修改
  绿色	不存在明显的法律风险，符合法律规定和律所规范

• 风险识别模型训练：如果条件允许，可以训练专门的法律风险识别模型（比如基于BERT、RoBERTa或GPT-4o微调的模型），提高风险识别的准确性；
• 高风险内容人工复核：对于高风险（红色）的内容，必须设置强制的人工复核机制——只有经过专业律师复核通过后，才能输出给用户。

4.3.4 专业性原则（Professionalism Principle）

核心内容：法律AI Agent的所有输出必须符合法律专业术语规范，不能使用口语化或不严谨的语言——同时，输出的内容必须结构清晰、逻辑严密、引用准确。
具体实践：

• 使用专业的法律Prompt模板：在Prompt中加入严格的格式规范和专业术语要求，比如要求输出的内容必须包含“合同主体审查”“合同条款审查”“风险点分析”“结论和建议”四个部分，每个部分必须使用法律专业术语；
• 引用法律条文和历史案例：在输出的内容中，必须准确引用相关的法律条文（比如《中华人民共和国民法典》第XXX条）和历史案例（比如最高人民法院发布的指导性案例）——如果使用RAG系统，可以将法律条文和历史案例存储到知识库中，让AI Agent自动检索和引用；
• 专业术语统一：在Prompt和治理规则中明确定义常用法律专业术语的统一表述，比如要求使用“法定代表人”而不是“法人”，使用“违约责任”而不是“罚款”。

4.3.5 人类-in-the-Loop原则（Human-in-the-Loop Principle）

核心内容：法律AI Agent只是辅助法律工作者的工具，不能完全替代人类律师——所有的高风险决策（比如是否签订合同、是否提起诉讼）都必须由人类律师做出。
具体实践：

• 强制人工复核机制：对于高风险（红色）的内容、重要的法律结论、复杂的法律问题，必须设置强制的人工复核机制；
• 反馈迭代机制：允许人类律师对AI Agent的输出结果进行修改和反馈，并将反馈结果存储到记忆模块或RAG系统中，让AI Agent不断改进；
• AI Agent定位明确：在AI Agent的界面上明确标注“本AI Agent仅供参考，不能替代专业律师的法律意见”。

4.3.6 可扩展性原则（Scalability Principle）

核心内容：法律AI Agent的设计必须具备良好的可扩展性——可以方便地添加新的子智能体、新的工具、新的法律场景，而不需要修改大量的现有代码。
具体实践：

• 模块化设计：将AI Agent的各个组件（Tool、Memory、Planning、Harness）设计为独立的模块，模块之间通过统一的接口进行交互；
• 多智能体集群架构：采用多智能体集群架构，将复杂的任务拆解为多个专业的子任务，分别交给多个专业的子智能体完成——添加新的法律场景时，只需要添加新的子智能体和调整主调度智能体的任务分配逻辑；
• 工具注册机制：采用工具注册机制，添加新的工具时，只需要在Harness层注册工具的名称、类型、API端点、API密钥、所需权限等级、限流次数等信息，而不需要修改AI Agent的代码；
• Prompt模板管理机制：采用Prompt模板管理机制，添加新的法律场景或修改现有Prompt时，只需要在Harness层修改或添加Prompt模板，而不需要修改AI Agent的代码。

4.4 AI Agent Harness Engineering的整体架构模型（Mermaid C4 Model）

为了更清晰地展示AI Agent Harness Engineering的整体架构，我们采用C4模型（Context → Container → Component → Code）进行分层描述——C4模型是一种用于软件架构可视化的分层模型，它可以帮助不同层次的读者（比如业务负责人、技术负责人、开发人员）理解软件架构。

4.4.1 C4 Level 1: Context Diagram（上下文图）

上下文图展示了整个系统与外部用户、外部系统之间的关系：

从上下文图中可以看出：

• 主要用户：高级合伙人、普通律师、律师助理、系统管理员；
• 核心系统：法律AI智能体集群系统；
• 外部依赖系统：大语言模型API、企业信息查询API、制裁名单查询API、法律知识库API、LangSmith治理系统、律所内部CRM/ERP系统（可选）。

4.4.2 C4 Level 2: Container Diagram（容器图）

容器图展示了核心系统内部的各个容器（可以理解为独立部署的软件单元）之间的关系：