AI编程工作流:通用执行与长流程安全方案对比
作者:渣渣辉2026.11.16 10:41浏览量:0简介:本文围绕 AI 编程从代码生成走向工作流的趋势,对比通用执行型与长流程安全型两类模型方案,并结合长期支持运行时基线的选择,分析其在任务闭环、上下文管理、权限隔离、安全合规、运维成本和适用场景上的差异,帮助技术团队做出更稳妥的选型判断。
一、对比背景:AI 编程为什么开始强调“工作流”
过去一段时间,AI 编程工具的核心价值主要体现在代码补全、片段生成、错误解释和单元测试生成等单点能力上。这类能力的典型特征是:输入相对明确,输出相对短,开发者可以人工判断并快速采纳。但随着模型推理能力、上下文理解能力以及外部工具调用能力的增强,AI 编程正在从“回答问题”“生成代码”逐步转向“执行任务”。
这一变化带来的影响并不只是模型回答得更长、更细,而是 AI 开始进入更完整的研发流程:它可能需要理解需求描述,阅读项目结构,定位相关文件,提出修改方案,调用测试命令,分析失败日志,并根据反馈继续调整。此时,AI 不再只是一个被动响应的辅助工具,而更像一个参与开发流程的执行者。
与此同时,另一个方向也在出现:部分 AI 模型方案开始更强调长流程任务能力、复杂工程任务的持续处理能力,以及安全相关能力。这类方案通常不会只关注“能否生成代码”,而是更关注“能否在受控条件下完成较长链路的任务”,例如安全审计、缺陷定位、补丁生成、风险验证、日志分析和合规检查等。由于这类任务往往涉及敏感代码、生产环境或权限边界,相关方案通常会采取更谨慎的开放策略。
因此,当前 AI 编程领域的比较,已经不再只是“哪个模型更会写代码”,而是需要回答一组更工程化的问题:
- AI 是只做代码补全,还是能够参与多步骤任务执行?
- AI 是否需要理解界面、文件、日志、测试结果等更复杂的上下文?
- AI 执行任务时,权限边界如何控制?
- 长流程任务如何保证上下文不丢失、状态可恢复、结果可验证?
- 运行时所依赖的基础环境是否稳定、可维护、可持续获得安全更新?
基于以上背景,本文选择两类具有代表性的 AI 编程工作流方案进行对比:一类是通用执行型 AI 编程工作流方案,另一类是长流程安全型 AI 编程工作流方案。同时,本文还会引入一个常被忽视但非常关键的对比对象:长期支持运行时基线,也就是通常所说的 LTS 版本运行时环境。
二、对比对象定义:本文比较的是什么
1. 方案 A:通用执行型 AI 编程工作流方案
方案 A 可以概括为“以通用执行能力为核心的 AI 编程助手”。它的典型特征包括:
- 能够理解自然语言需求,并将需求转化为开发任务;
- 能够阅读项目文件、代码片段、日志、错误信息等上下文;
- 能够进行多步骤推理,而不是只给出单条建议;
- 能够理解图形界面或文档材料,辅助完成界面理解、操作说明生成、脚本设计等任务;
- 能够调用外部执行环境,例如代码运行、测试执行、文件修改、命令执行等;
- 强调从“回答问题”走向“完成任务”,从“生成代码”走向“参与研发流程”。
这类方案的优势在于覆盖面较广,适合快速提升开发效率。它可以帮助开发者完成需求拆解、代码重构、测试补齐、文档生成、脚本编写、问题定位等任务。尤其是在前端页面理解、跨文件修改、接口适配、测试生成等场景中,通用执行型方案往往能够提供更自然的人机协作体验。
不过,通用执行型方案也更容易面临权限扩散、上下文膨胀、误操作风险和结果不可控等问题。因为一旦 AI 拥有较多的文件读写、命令执行或外部调用权限,就需要配套沙箱、权限控制、审计日志、人工确认和回滚机制。
2. 方案 B:长流程安全型 AI 编程工作流方案
方案 B 可以概括为“以长流程任务处理和安全治理为核心”。它并不只是关注代码生成本身,而是更强调以下几个能力:
- 在较长任务中保持上下文一致性和阶段目标清晰;
- 对复杂任务进行拆解、检查、验证和回溯;
- 在涉及安全分析、漏洞排查、敏感代码处理时提供更强的边界控制;
- 支持可信环境下的分阶段开放、权限隔离和审计追踪;
- 对执行结果进行更严格的验证,而不是直接采纳模型输出。
这类方案通常更适合高要求场景,例如安全防御、核心系统维护、敏感代码分析、生产环境变更辅助、合规审计等。它的优势不在于“什么都能做”,而在于在受控条件下完成较长链路任务,并尽量降低不可控风险。
与此同时,长流程安全型方案也可能存在开放范围有限、接入门槛较高、适用场景相对聚焦等问题。如果团队只是需要快速生成一段工具脚本、写一个测试函数或做代码解释,使用这类方案可能略显“重”。
3. 支撑对象:长期支持运行时基线
除了两类 AI 方案,本文还会讨论长期支持运行时基线。所谓长期支持运行时,通常指在一段较长周期内持续获得安全修复、缺陷修复和兼容性维护的运行时版本。它不一定包含最新特性,但通常更强调稳定性、可维护性和版本兼容。
在 AI 编程工作流中,运行时基线非常重要。因为 AI 不只是“写代码”,还可能执行命令、运行测试、加载依赖、生成构建产物。如果底层运行时版本不稳定,或者依赖库频繁变化,AI 生成的代码即使逻辑正确,也可能因为环境问题而无法运行。
因此,运行时基线可以看作 AI 编程工作流的“地基”。比较长期支持版本与短期新版本,本质上是在比较“稳定优先”与“特性优先”两种工程策略。
三、相同点:两类方案都在走向可执行、可验证、可治理
虽然方案 A 和方案 B 的侧重点不同,但它们并不是完全对立的技术路线。相反,二者共享一些底层趋势和基础能力。
1. 都依赖强大的上下文理解能力
无论是通用执行型方案,还是长流程安全型方案,都需要理解项目上下文。这个上下文可能包括:
- 当前需求或任务目标;
- 项目目录结构;
- 相关源码文件;
- 依赖配置文件;
- 测试脚本和运行结果;
- 日志和错误堆栈;
- 历史修改记录;
- 接口约定和数据格式。
如果模型无法理解这些上下文,就只能生成泛泛而谈的建议。只有在上下文足够充分且可验证时,AI 才有可能从“代码生成”走向“任务执行”。
2. 都强调工具调用与外部执行环境
AI 编程工作流不可能只靠模型自身完成。模型需要调用外部能力,例如:
- 读取文件;
- 搜索代码;
- 执行测试;
- 运行构建;
- 分析日志;
- 调用接口;
- 生成补丁;
- 验证输出。
因此,工具调用能力是两类方案共同关注的基础。不同之处在于,方案 A 更强调工具调用的广度和自然交互,方案 B 更强调工具调用的受控性、可审计性和阶段校验。
3. 都需要结果验证机制
AI 输出并不天然可靠。尤其在编程场景中,一个看似合理的修改可能破坏现有行为,一个测试通过也可能只是覆盖了部分路径。因此,两类方案都需要验证机制,例如:
- 单元测试;
- 集成测试;
- 静态检查;
- 构建验证;
- 人工复核;
- 差异审查;
- 回滚机制。
方案 A 通常更依赖开发者即时判断,方案 B 则更强调将验证嵌入长流程中,形成阶段性检查点。
4. 都受到运行时环境、依赖管理和安全策略影响
AI 编程工作流不是孤立存在的。它需要运行在某种开发环境、容器环境或执行沙箱中。如果运行时版本、依赖管理、网络访问、文件权限、日志采集没有设计好,那么 AI 的执行结果就会不稳定。
这也是本文将长期支持运行时纳入讨论的原因。无论选择哪类 AI 方案,都需要一个稳定、可控、可维护的运行底座。
四、核心差异分析:两类方案到底差在哪里
1. 技术架构差异:广度接入与受控执行
方案 A 的架构通常更偏“开放接入”。它可能通过接口、插件或开发工具集成进入现有研发流程,调用模型、编辑器、终端、测试环境等。它的优势是接入灵活,适合快速嵌入日常开发。
方案 B 的架构则更偏“受控执行”。它通常会在模型之外增加策略层、权限层、审计层和验证层。例如,哪些任务可以自动执行,哪些任务必须人工确认,哪些代码可以被读取,哪些环境禁止访问,哪些操作需要记录审计,这些都会成为架构设计的一部分。
可以用一个简化逻辑表示:
通用执行型方案:用户请求 -> 模型理解 -> 任务拆解 -> 工具调用 -> 结果返回 -> 人工确认长流程安全型方案:用户请求 -> 权限校验 -> 模型规划 -> 受控执行 -> 阶段验证 -> 审计记录 -> 结果交付
从架构上看,方案 A 更重视任务完成效率,方案 B 更重视任务执行过程中的边界和可追溯性。
2. 功能能力差异:覆盖广度与长链路可靠性
方案 A 的能力边界通常更宽。它可以处理很多日常开发任务,例如:
- 根据自然语言生成代码;
- 解释报错原因;
- 重构函数;
- 补充测试;
- 生成配置文件;
- 编写脚本;
- 分析接口字段;
- 根据界面描述生成页面结构;
- 根据日志定位异常。
这种广度使它非常适合提升日常开发效率。但问题也在于,任务越广,风险越分散。模型可能在某个局部任务中表现良好,但在跨模块修改、长链路测试、生产变更中暴露出上下文不足或验证不足的问题。
方案 B 则更强调长流程任务的可靠性。它可能不会追求覆盖所有开发场景,而是更关注:
- 任务能否被拆成多个可验证阶段;
- 每个阶段是否有明确输入输出;
- 中间状态能否保存和恢复;
- 失败时能否回溯;
- 安全敏感操作能否被拦截;
- 最终结果能否被审计。
因此,方案 B 的优势不在于“能做更多事”,而在于“在关键任务中更少出错”。
3. 上下文管理差异:短任务编排与长流程状态管理
对于普通代码补全,上下文管理相对简单:当前文件、当前函数、少量相关依赖即可。但对于 AI 编程工作流,上下文会迅速膨胀。例如,一个涉及多文件修改的任务可能同时需要:
- 需求说明;
- 架构约定;
- 多个源码文件;
- 测试文件;
- 依赖清单;
- 运行日志;
- 修改 diff;
- 验证结果;
- 回滚方案。
方案 A 通常依赖较大的上下文窗口和连续对话能力。它在短中期任务中体验较好,但如果任务链路过长,可能会遇到上下文噪声、重点丢失、重复修改等问题。
方案 B 更强调状态管理。它倾向于将长任务拆成阶段,并保存每个阶段的关键信息。例如:
阶段 1:读取任务目标,提取关键约束阶段 2:定位相关模块,生成影响范围阶段 3:提出修改方案,等待确认阶段 4:执行受控修改阶段 5:运行测试并收集结果阶段 6:失败时回溯并重新规划阶段 7:输出审计报告和最终差异
这种方式的优势是流程更清晰,缺点是流程更重,交互成本可能更高。
4. 安全与权限差异:最小权限与默认开放的不同取向
AI 编程工作流一旦获得文件读写、命令执行、网络访问等能力,就必须认真设计权限边界。
方案 A 通常需要额外补齐安全控制。常见做法包括:
- 限制 AI 可访问的目录范围;
- 对高风险命令要求人工确认;
- 禁止访问生产密钥和敏感配置;
- 对外部网络访问进行白名单控制;
- 在沙箱中运行代码;
- 保存操作日志;
- 对生成补丁进行差异审查。
方案 B 则通常从设计之初就更强调安全。它可能包含更严格的权限策略、审计机制、阶段授权和可信执行环境。对于安全分析、漏洞修复、敏感代码处理等任务,这种设计更有必要。
但需要注意,安全能力并不意味着可以完全取消人工判断。即使方案 B 更强调受控,开发者仍然需要理解其输出,尤其是涉及生产系统、核心链路、权限变更、数据迁移等高风险操作时。
5. 接入方式差异:快速嵌入与流程改造
方案 A 的接入成本通常较低。团队可以通过接口、开发工具集成或脚本调用快速试用。它适合从边缘任务开始,例如代码解释、测试生成、文档补齐、脚本辅助。
方案 B 的接入成本通常更高。因为它涉及权限、审计、安全策略、可信环境和流程适配。团队需要评估:
- 哪些数据可以进入模型上下文;
- 哪些环境允许 AI 执行;
- 哪些操作需要审批;
- 日志如何保存;
- 审计字段是否完整;
- 是否满足内部合规要求;
- 是否支持回滚和追责。
因此,方案 A 更适合快速验证 AI 编程价值,方案 B 更适合在明确安全边界后深度嵌入关键流程。
6. 性能表现差异:不是单纯比模型速度,而是比任务完成效率
在 AI 编程工作流中,性能不能简单理解为模型响应速度。真正影响体验的指标通常包括:
- 首轮响应延迟;
- 多轮推理总耗时;
- 上下文加载时间;
- 工具调用次数;
- 测试执行时间;
- 沙箱启动时间;
- 代码检索效率;
- 结果验证成本;
- 人工复核成本。
方案 A 在短任务上往往响应更快,因为交互路径较短。但在复杂任务中,如果上下文管理不足,可能需要更多轮次修正,整体效率反而下降。
方案 B 的单步操作可能更重,例如权限校验、阶段验证、审计记录都会增加时间成本。但在长流程任务中,它可能减少返工和误操作,从而提升整体完成质量。
因此,评估性能时应避免只看单次响应速度,而应看完整任务闭环效率。
7. 运维成本差异:可观测性和可控性要求不同
方案 A 的运维重点在于:
- 模型调用是否稳定;
- 接口失败如何重试;
- 上下文超限如何处理;
- 工具调用失败如何降级;
- 日志是否足够定位问题;
- 生成结果是否可回滚。
方案 B 的运维重点则更复杂,除了上述问题,还包括:
- 权限策略是否生效;
- 审计日志是否完整;
- 阶段状态是否可恢复;
- 安全事件是否能追踪;
- 可信环境是否隔离;
- 开放范围是否符合策略;
- 版本升级是否影响任务流程。
简单来说,方案 A 的运维更偏研发效率保障,方案 B 的运维更偏安全治理和风险控制。
8. 成本结构差异:显性调用成本与隐性治理成本
AI 编程工作流的成本不只是模型调用成本,还包括:
- 模型调用成本;
- 推理资源成本;
- 沙箱执行资源成本;
- 测试环境资源成本;
- 存储日志和上下文成本;
- 人工审核成本;
- 安全治理成本;
- 迁移和适配成本;
- 长期维护成本。
方案 A 的显性成本可能集中在模型调用和工具执行上,但如果缺乏权限控制,隐性成本可能来自误操作、返工和事故处理。
方案 B 的治理成本更高,但在高风险场景中,它可以降低潜在事故损失。因此,成本评估不能只看短期支出,还要看任务风险等级。
五、对比表格:两类方案与运行时基线怎么选
表 1:通用执行型方案与长流程安全型方案对比
| 对比维度 | 通用执行型方案 A | 长流程安全型方案 B |
|---|---|---|
| 核心定位 | 提升日常开发效率,覆盖多类编程辅助任务 | 面向长流程、高风险、安全敏感任务 |
| 主要能力 | 代码生成、解释、重构、测试辅助、界面理解、脚本执行 | 长流程任务拆解、阶段验证、安全分析、受控执行 |
| 上下文管理 | 依赖较大上下文和连续对话 | 强调阶段状态、检查点、回溯和审计 |
| 权限控制 | 通常需要额外设计权限、沙箱和确认机制 | 通常更强调权限隔离、策略控制和审计 |
| 接入难度 | 相对较低,适合快速试用 | 相对较高,需要流程和安全评估 |
| 适用任务 | 日常开发、测试生成、文档补齐、局部重构 | 安全审计、核心系统维护、敏感代码处理、合规辅助 |
| 主要风险 | 权限扩散、上下文膨胀、误操作、结果不稳定 | 流程较重、开放范围有限、使用门槛较高 |
| 成本重点 | 模型调用、执行资源、人工确认 | 安全治理、审计、权限、流程和运维 |
| 团队适配 | 适合希望快速提升研发效率的团队 | 适合对安全、合规、稳定性要求较高的团队 |
表 2:长期支持运行时与非长期支持运行时对比
| 对比维度 | 长期支持运行时 | 短期新版本运行时 |
|---|---|---|
| 核心目标 | 稳定、安全、可维护 | 新特性、新能力、新语法支持 |
| 更新频率 | 相对稳定,周期更长 | 更新较快,变化更多 |
| 安全修复 | 通常持续维护 | 取决于具体版本策略 |
| 兼容性 | 更适合生产环境 | 更适合预研和尝鲜 |
| 运维成本 | 更容易标准化和长期维护 | 可能需要更频繁适配 |
| 风险 | 特性可能滞后 | 兼容性和稳定性风险更高 |
| 适用场景 | 生产系统、基础服务、长期维护项目 | 技术创新、试验项目、短期验证 |
六、运行时 LTS 对 AI 编程工作流的影响
很多人会忽略运行时版本,但在 AI 编程工作流中,它可能是决定稳定性的关键因素。
1. AI 生成的代码需要稳定运行环境
AI 可以根据需求生成代码,但代码是否能运行,取决于运行环境是否匹配。如果项目使用的运行时版本与 AI 建议的语法、依赖或配置不一致,就会出现“代码看起来正确,但无法执行”的情况。
长期支持运行时能够降低这种不确定性。它通常意味着:
- 版本生命周期较长;
- 安全补丁持续提供;
- 社区和工具链兼容性较稳定;
- 更适合生产部署;
- 更容易做版本锁定和回归测试。
2. AI 工具链本身也需要稳定底座
AI 编程工作流不仅是模型调用,还涉及代码检索、文件读写、测试执行、容器启动、日志采集等环节。如果底层运行时经常变化,工具链适配成本会明显上升。
长期支持版本有助于形成统一基线,让开发、测试、预发布和生产环境保持一致。这对于 AI 工作流尤其重要,因为 AI 可能同时操作多个环境,如果环境不一致,结果验证就不可靠。
3. 长期支持版本不等于永远不升级
选择长期支持版本并不意味着完全排斥新特性。更合理的策略是分层处理:
- 生产核心链路使用长期支持版本;
- 非核心工具或预研项目可以使用较新版本;
- 新版本先在测试环境验证;
- 通过自动化测试确认兼容性后再进入生产;
- 对关键依赖进行锁定和审计。
这种策略既兼顾稳定性,也保留技术演进空间。
七、典型场景选择:什么情况下更适合哪类方案
场景 1:日常开发提效,优先选择方案 A
如果团队当前最迫切的问题是:
- 代码解释慢;
- 测试补齐成本高;
- 重构工作量大;
- 脚本编写耗时;
- 文档维护不足;
- 需要快速理解遗留系统;
那么通用执行型方案通常更容易落地。它可以先用于低风险任务,例如生成测试、解释报错、编写工具脚本、补齐注释文档等。
场景 2:安全审计、漏洞分析,优先选择方案 B
如果任务涉及:
- 安全漏洞扫描结果分析;
- 敏感代码审计;
- 权限模型检查;
- 密钥泄露排查;
- 依赖风险分析;
- 安全补丁生成;
- 生产变更辅助;
那么长流程安全型方案更合适。因为这类任务不仅要求模型理解代码,还要求执行过程可控、结果可审计、风险可追踪。
场景 3:核心生产系统,优先采用方案 B 与 LTS 基线组合
对于核心生产系统,建议不要只追求 AI 生成速度。更稳妥的方式是:
- 使用长期支持运行时作为基础环境;
- 采用长流程安全型方案进行受控执行;
- 对关键变更设置人工审批;
- 所有修改生成差异记录;
- 执行前自动备份或建立快照;
- 执行后运行完整回归测试;
- 失败时支持快速回滚。
这种组合不一定最快,但更强调可靠性。
场景 4:技术创新项目,可以适度使用新版本运行时
如果是内部创新项目、工具原型、实验性服务,可以尝试较新的运行时版本。这样可以更早获得新特性,减少适配旧版本的限制。但需要明确一点:新版本更适合探索,不适合直接承载关键生产职责。
八、选型建议:不要只看能力,要看任务风险
在 AI 编程工作流选型中,建议从以下几个问题开始评估。
1. 任务是否允许出错?
如果任务只是生成注释、解释报错、补充测试,出错成本较低,可以优先考虑通用执行型方案。
如果任务涉及生产配置、权限变更、数据迁移、安全补丁,出错成本较高,应优先考虑长流程安全型方案,并配套人工确认。
2. 是否需要访问敏感代码或数据?
如果 AI 需要访问核心业务代码、密钥配置、用户数据或内部日志,必须提前设计权限隔离和数据脱敏。不能因为模型能力增强,就默认扩大访问范围。
3. 是否需要长流程持续执行?
短任务更适合快速交互,长任务更适合阶段化管理。如果任务链路过长,应重点评估上下文管理、状态恢复、失败回溯和审计能力。
4. 团队是否具备治理能力?
如果没有日志、监控、权限控制和回滚机制,直接让 AI 执行复杂任务风险较高。此时可以先用通用执行型方案做低风险辅助,再逐步建立治理体系。
5. 运行环境是否统一?
如果开发、测试、生产环境差异较大,应先解决运行时基线和依赖管理问题。否则 AI 生成结果很难稳定复现。
九、迁移与使用注意事项
如果团队计划从传统开发辅助方式迁移到 AI 编程工作流,或者从方案 A 迁移到方案 B,需要重点关注以下问题。
1. 不要一次性开放过多权限
常见误区是让 AI 直接拥有项目根目录全部读写权限和命令执行权限。更稳妥的做法是分阶段开放:
- 第一阶段:只读权限,用于代码解释和风险分析;
- 第二阶段:限定目录写入权限,用于生成补丁;
- 第三阶段:限定测试执行权限,用于验证结果;
- 第四阶段:在沙箱中开放受控命令执行权限;
- 第五阶段:对低风险任务允许自动执行,高风险任务仍需人工确认。
2. 建立代码差异审查机制
AI 生成的修改必须经过差异审查。建议包括:
- 修改文件列表;
- 关键逻辑变化;
- 影响范围说明;
- 测试结果;
- 回滚方式;
- 人工确认记录。
3. 对测试进行分级
不同任务需要不同级别的验证:
- 文档修改:格式检查和人工阅读;
- 工具脚本:基础运行测试;
- 业务代码:单元测试和集成测试;
- 核心链路:完整回归测试;
- 安全相关:专项安全验证。
不能只用一次简单运行结果判断 AI 输出是否可靠。
4. 对上下文进行脱敏和裁剪
不是所有代码都适合送入模型上下文。应尽量减少敏感信息暴露,例如:
- 密钥;
- 令牌;
- 用户数据;
- 内部地址;
- 生产配置;
- 商业逻辑核心片段。
可以采用摘要、脱敏、局部片段、抽象描述等方式降低风险。
5. 保持运行时和依赖版本可追踪
AI 编程工作流需要可复现。建议固定运行时版本、依赖版本和构建配置。否则今天能通过 AI 生成的代码,明天可能因为环境变化而无法运行。
6. 记录完整审计日志
对于涉及修改文件、执行命令、访问接口的操作,应记录:
- 操作时间;
- 操作对象;
- 操作来源;
- 输入上下文摘要;
- 输出结果;
- 执行状态;
- 失败原因;
- 人工确认记录。
这不仅是运维需要,也是后续优化和追责的基础。
十、总结:AI 编程工作流的选择,本质是风险与效率的再平衡
AI 编程正在从代码补全走向工作流执行。这一趋势意味着开发工具不再只是辅助生成片段,而是开始参与需求分析、文件修改、测试验证和项目交付。与此同时,长流程任务、安全能力和受控执行的重要性也在上升。
从对比结果看,通用执行型方案的优势在于覆盖广、接入快、适合日常提效;长流程安全型方案的优势在于可控、可审计、适合高风险任务。二者并不是简单的替代关系,而更像是在不同任务风险等级下的不同选择。
同时,长期支持运行时基线是 AI 编程工作流稳定落地的重要基础。它不一定提供最新特性,但能提供更可控的稳定性、安全性和可维护性。对于生产系统和核心业务,长期支持版本通常更值得优先考虑;对于创新项目,可以适度尝试较新版本,但应做好隔离和验证。
因此,选型时不妨遵循一个基本原则:
- 低风险、快验证任务,可以优先考虑通用执行型方案;
- 高风险、长链路、安全敏感任务,可以优先考虑长流程安全型方案;
- 生产核心环境,优先采用长期支持运行时基线;
- 任何 AI 编程工作流,都必须配套权限控制、测试验证、审计日志和回滚机制。
最终,真正决定 AI 编程工作流价值的,不只是模型能力本身,而是团队能否把模型能力放进可治理、可验证、可持续维护的工程体系中。

登录后可评论,请前往 登录 或 注册