Amazon Ads 自动化很容易从“生成一条调价建议”开始，也很容易在这里停止。真正的投放任务横跨更长时间：申请报告、等待生成、校验数据、识别归因是否成熟、生成候选动作、经过审批、调用 API、回读配置、观察数日、处理退款与库存变化，最后决定保持、迭代或回滚。单次模型调用只覆盖其中很小一段。
Amazon 已提供 Ads Agent等生成式能力，生态中也出现将 AMC 数据连接到 AI Agent 的实践。但“会回答投放问题”和“能可靠完成跨日投放闭环”是两个不同目标。模型推理能力再强，也不会自动获得持久状态、幂等语义、权限隔离、归因等待和业务回滚。
这里所说的 Harness，是围绕 Agent 的确定性运行时：状态不靠对话记忆，建议、批准和应用彼此分权，等待、重试、恢复与审计都有明确语义。模型可以判断，系统必须对副作用负责。长时程能力不是让模型连续思考更久，而是让系统在模型退出、数据迟到、人工介入和外部失败之后仍能正确继续。
调价脚本为何跨不过七天实验
调价脚本通常遵循固定流程：读取昨天指标，计算阈值，修改 bid。它在输入稳定、动作简单和反馈快速时有效，但 Amazon Ads 的关键反馈并不同时到达。报告可能异步生成，归因销售持续回填，退款和贡献毛利更晚成熟，库存和 Featured Offer 又在观察期内变化。脚本如果每天独立运行，会把一个七天实验切成七次互不知情的局部决策。
调价脚本纸飞机把本节的判断压缩成可检查的关系：说明一次 API 调用无法承担长期经营。人物动作对应执行责任。
Agent 可以阅读更多上下文、解释例外并选择工具，却同样可能在下一次运行时失去前次状态。把完整历史塞回提示词不是可靠持久化：上下文有长度限制，摘要会遗漏约束，外部配置可能已经被人工修改，工具调用也可能成功但响应丢失。若 Agent 重试一次非幂等写操作，就可能重复提高预算。
Amazon Ads API 介绍确认程序化访问和管理广告活动的能力，但 API 只提供操作面，不负责业务事务。报告请求成功、campaign 更新成功或 HTTP 返回成功，都不等于一个投放实验完成。Harness 要把多个 API 调用组织成业务状态机，并定义哪些失败可重试、哪些必须人工确认。
社区的 Amazon Ads MCP 项目展示了把广告工具暴露给模型的一种开源方式。它可用于研究工具边界，却不是生产治理证明。MCP 或 function calling 解决“模型如何调用工具”，Harness 解决“一个跨日任务如何在工具、数据和人之间可靠推进”。
模型能力提升没有消除长时程失真
2026 年的 LongHorizon-Harness 研究直接把长时程 Agent 置于可持续运行、状态管理和环境交互中；AgentRewind关注从轨迹中回退和恢复。它们共同指出，长任务失败不只来自一步推理错误，还来自错误累积、环境变化和恢复策略缺失。
Plan-and-Act强调规划与执行的分离，METR 关于任务时程的研究则尝试测量模型在不同任务长度上的可靠完成能力。这些研究不是 Amazon Ads 产品文档，也不能直接证明某个模型可以托管预算；它们提供的是设计警告：单步成功率稍有不足，经过大量连续步骤后整体成功率会快速下降。
投放长任务还有领域特有失真。模型可能把未成熟 ACOS 当最终结果，把 NTB 当增量新客，把当前 campaign 配置当实验起点，把库存恢复事件当可售恢复。每一步语句都可能听起来合理，连在一起却改变了原始业务目的。Harness 因此要保存机器可校验的合同，而不是只保存自然语言计划。
合同包括：任务目标、对象范围、指标语义版本、数据截止时间、最大损失、允许动作、审批阈值、最晚完成时间、回滚条件和不可触碰资源。模型可以在合同内生成候选方案，不能自行扩大 campaign 范围、修改利润定义或跳过成熟等待。
Harness 应把状态放在上下文之外
状态机是长时程投放的主干。一个实验可以经过 DRAFT、EVIDENCE_READY、PROPOSED、APPROVED、APPLIED、OBSERVING、MATURE，最后进入 KEEP、ITERATE 或 ROLLBACK。每个状态有进入条件、允许动作、超时和补偿路径。模型输出只是状态转换候选，确定性校验器决定是否满足条件。
证据快照冷藏舱把本节的判断压缩成可检查的关系：冻结报告版本、零售状态与策略输入。人物动作对应执行责任。
持久状态至少分四层。任务状态记录当前阶段和责任人；业务状态记录 campaign、target、budget、bid、inventory 和语义版本；执行状态记录工具请求、幂等键、响应与回读；证据状态记录报告、水位线、质量检查和评估结果。四层不能只保存在对话消息中。
Temporal Agent Harness提供耐久工作流与 Agent 结合的开源参考，LangGraph 文档则展示图状态、持久化和人机协作的一种实现路线。二者都不是 Amazon Ads 官方方案，应按团队技术栈、运维能力与一致性需求选择。核心原则比框架更稳定：状态持久、转换幂等、失败可恢复、历史不可变。
任务恢复时，Harness 不应把旧提示词原样重放。它先读取当前外部状态，比较与上次检查点的差异，确认是否发生人工修改、预算规则触发或权限变化；再构造最小必要上下文给模型。这样模型基于事实继续，而不是基于过期叙述继续。
报告生成、归因成熟和审批都是等待
等待不是空闲，而是业务状态。Ads API 报告可能经历请求、处理中、完成或失败；Marketing Stream 提供更快事件，却仍需处理迟到、重复和缺口。官方 Marketing Stream 发布说明与示例仓库可核验数据接入边界。Harness 要把每种等待写成可恢复计时器，而不是让一个进程持续占用。
归因成熟等待必须绑定广告产品和指标。最近一天 spend 可用于风险判断，最近一天 sales 不一定能用于最终收益评审。系统为观察批次记录 as_of、事件时间、水位线和成熟规则；到期后重新拉取并比较回填。若成熟条件未达到，状态保持 OBSERVING，Agent 不得以“已经等了足够久”的自然语言跳过。
人工审批也是一类外部等待。提案产生后，任务可以暂停数小时或数日；期间 campaign 状态和库存可能变化。批准不能永久有效，应携带证据哈希、配置版本和有效期。执行前重新校验，若对象已变化则批准失效，回到 PROPOSED 或人工复核。
2026 年 Amazon 对 Brand+ 与 Performance+ 的AI 能力扩展说明展示平台自动化持续增强。无论平台内置 AI 还是自建 Agent，外层治理都要识别哪些决策由 Amazon 自动执行、哪些由广告主控制。Harness 不应与平台优化器高频互相覆盖。
把广告动作拆成建议、批准与应用
建议阶段只读数据并生成结构化提案：对象、当前值、建议值、依据、预计影响、不确定性、最大损失和回滚值。批准阶段由规则或人确认提案是否在权限与风险范围内。应用阶段使用短期授权执行，随后回读实际配置。三个阶段使用不同身份和权限，避免一个模型调用同时拥有解释和写入权。
OpenAI Agents SDK guardrails 文档提供输入、输出和工具调用防护的一般参考。对于 Amazon Ads，guardrail 不能只过滤文本，还要校验业务不变量：bid 不超过 ASIN 最大 CPC、budget 不越过 portfolio 上限、低库存商品不能放量、marketplace 与货币一致、实验单元不同时修改多个变量。
工具参数由类型化 schema 生成，禁止模型自由拼接 URL 或账户标识。对象范围来自任务合同，不能由自然语言重新解释。高风险写操作要求 compare-and-set：只有当前配置版本等于提案基线才执行。若不同，系统返回冲突，让 Agent重新评估，而不是覆盖人工或其他规则的修改。
Amazon 的生成式 AI for AMC 公告表明自然语言可以帮助构建查询与分析。它降低了表达门槛，却没有取消查询质量、隐私门槛和结果语义检查。由生成式能力创建的 AMC SQL 仍需静态检查、限定扫描范围、验证输出粒度，并由只读身份执行。
独立审计器只读取证据，不继承自我解释
让执行 Agent 自己总结“任务成功”会产生确认偏差。它知道自己的计划和解释，容易把工具返回成功当作业务成功。独立审计器应只读取任务合同、不可变证据、工具回读和成熟结果，不继承执行 Agent 的思维叙述；它逐项验证范围、数据质量、动作一致性和停止条件。
审计分三层。语法层检查 schema、URL、ID、时间和必填字段；语义层检查指标版本、粒度、归因成熟和单位；业务层检查利润、库存、预算、实验干扰与结果。任何一层失败都必须返回具体证据缺口，不能只给一个综合置信分。
METR 的 2025 研究论文与 OdysseyBench提供长任务评测视角，Robotouille展示组合任务和环境状态对 Agent 的挑战。它们不是投放 KPI 方案，但支持以完整任务与环境结果评测，而不是仅评模型最后一句话。
审计器也不能直接获得写权限。它可以阻断、要求补证或建议回滚，真正动作仍经过策略与审批。这样避免第二个模型以“监督”为名成为另一个未经治理的执行者。
回滚不是反向调用，而是恢复业务状态
把 bid 从 1.0 调到 1.2 后，回滚并不总是调回 1.0。观察期内可能发生预算规则、人工修改、campaign 重组或库存变化，旧值已经不再适用。回滚要恢复任务所承诺的业务状态，而不是盲目执行数值反向操作。
多周期任务编组站把本节的判断压缩成可检查的关系：把观察、实验、等待和复盘拆成耐久单元。人物动作对应执行责任。
每次应用前创建恢复点：对象版本、配置快照、依赖规则、账户范围和外部状态。回滚时先读取当前版本；若只有本任务修改，执行补偿；若存在并发变化，生成合并方案并要求审批。所有补偿也使用幂等键和回读。
回滚触发器应提前定义，例如成熟贡献跌破下界、CPC 超过硬上限、预算异常耗尽、库存进入红区、数据质量失效或实验干扰过大。触发后先停止进一步动作，再判断恢复、降级或人工接管。不能让 Agent 在风险出现后临时发明新的成功指标延长实验。
AgentRewind提供轨迹回退的研究背景。对广告系统更重要的工程翻译是：保留每个外部副作用、对应证据与补偿策略。没有副作用日志，再完整的对话记录也无法安全恢复 campaign。
评测一个 Ads Agent 应看完整轨迹
离线评测不能只问模型是否算对 ACOS 或是否选择正确工具。一个 Ads Agent 可能在单步测试中全对，却因为重复写入、跳过等待、使用旧配置或错误恢复而让长任务失败。评测样本应包含异步报告、迟到转化、人工修改、限流、权限过期、库存突变和部分成功。
策略状态机转辙器把本节的判断压缩成可检查的关系：控制候选、批准、执行、观察与回滚。人物动作对应执行责任。
评分至少覆盖五类：目标保持，是否始终遵守原业务目的；证据完整，是否使用正确水位线和语义版本；动作安全，是否在权限与损失上限内；恢复能力，是否从中断和冲突继续；最终状态，campaign 与业务结果是否达到可验证条件。轨迹中一次高风险越界不能被最终收益抵消。
LongHorizon-Harness强调持续任务环境，Plan-and-Act强调计划与动作评价。将其用于 Amazon Ads 时，可以构造回放环境：冻结历史配置和事件，按当时可见数据逐步释放，观察 Agent 是否等待成熟、是否触发正确审批、是否在异常后恢复。回放必须防止未来数据泄漏。
线上先以 shadow mode 运行：Agent 生成建议但不写入，与人工或现有规则比较。之后只开放低风险、可逆对象，并限制账户、campaign 和每日动作数。写权限扩大应由真实轨迹通过率、误动作率和恢复时间决定，而不是由演示效果决定。
从单 Agent 到多角色协作的边界
投放任务可以拆成研究、数据、策略、审计与执行角色，但角色多不等于治理强。若多个 Agent 共享同一写权限、同一上下文和同一成功指标，只是把单点错误复制成群体共识。职责分离必须落实为数据和权限边界。
研究角色读取官方文档与历史策略，不能写 campaign；数据角色生成已验证事实和质量报告，不能决定竞价；策略角色在合同内提出候选动作；审计角色检查证据；执行角色只接受已批准的类型化命令。角色之间传递结构化制品，而不是仅传递自然语言摘要。
Intentwise 关于将 AMC 数据接入 AI Agent 的文章可作为行业实践线索，但其产品能力与案例不代表 Amazon 官方通用能力。系统要明确数据从 AMC 到 Agent 的授权、脱敏、查询版本和审计路径。
社区关于耐久 Agent 编排的讨论可以帮助发现运行时问题，但不能替代安全评审。真正的交付标准是：任一角色停止后任务可恢复，任一工具失败后副作用可判断，任一结论都能追溯到当时证据。
任务合同：先定义完成，再允许 Agent 开始
长时程任务最常见的问题是完成条件在执行中不断变化。最初目标是降低某组非品牌 target 的浪费，看到销售增长后又改成扩大订单，库存下降后临时忽略供给，最终 Agent 总能选择一个指标宣称成功。任务合同必须在第一步固定业务目的、范围、时间和退出条件，任何重大变化都创建新任务或经过显式变更审批。
合同中的对象范围使用不可歧义标识：profile、marketplace、portfolio、campaign、ad group、target 和 advertised ASIN。不能只写“欧洲站品牌活动”或“表现差的关键词”。范围由只读解析器在开始时展开并保存快照；后续新增对象默认不自动纳入，防止 campaign 重组悄悄扩大权限。若对象被删除或转移，任务进入冲突状态。
指标合同引用语义版本。ACOS 指明分子、分母、归因窗口和聚合规则；贡献指明成本版本、退款成熟和货币；NTB 指明品牌和回溯范围；库存指明 SKU、库存池和预测版本。Agent 只能从登记指标中选择，不能在自然语言分析里临时改变口径。指标数据不足时，合法输出是等待或请求补证。
风险合同定义单次动作、滚动周期和任务累计三层额度。单次 bid 变化、campaign 预算变化和 placement adjustment 有各自上限；滚动周期限制动作频率和累计暴露；任务累计限制最大试验花费和库存消耗。上限来自广告主政策而非模型建议，Agent 无权以高置信度越过。
完成合同列出 KEEP、ITERATE 和 ROLLBACK 的条件，包含最低样本、成熟度、主要指标和护栏。若观察期结束仍证据不足，任务进入明确的 INCONCLUSIVE 或迭代分支，而不是无限延期。合同还设置最长等待与人工响应超时，超时后采用预定安全动作。
工具协议：一次 API 成功不等于业务动作成功
Harness 中的工具分为读取、计算、提案、执行和验证。读取工具获取广告配置、报告和零售状态；计算工具只能处理已登记数据；提案工具生成结构化候选；执行工具拥有短期写权限；验证工具从平台重新读取结果。模型不能跳过中间层直接构造任意 HTTP 请求。
权限租约保险栓把本节的判断压缩成可检查的关系：长期任务不继承永久写权限。人物动作对应执行责任。
每个写动作都有业务幂等键，由任务、对象、配置基线和期望变更生成。第一次调用超时后，Harness 先查询执行日志和平台当前状态；若目标状态已经存在，记录成功而不重复写；若明确未执行，才在退避后重试；无法判断则转人工。仅依赖 API request ID 不足以覆盖业务重复，因为任务可能在重启后生成新的请求。
批量动作需要逐对象结果。十个 target 中九个更新成功、一个失败，不是整体成功或整体失败。Harness 保存每个对象的前态、请求、响应、后态和补偿资格；根据任务合同决定保留部分成功、补齐失败还是回滚全部。Agent 只能在这些事实之上提出处理方案，不能用一句“批量更新成功”覆盖部分失败。
读取同样需要版本。报告参数、生成时间、文件哈希、行数和质量检查进入证据；配置读取包含 ETag 或等价版本信号、读取时间和来源。工具输出过大时可以生成摘要给模型，但原始证据不可被摘要替代，审计器始终能够回到源文件和结构化记录。
工具权限按任务阶段动态下发。DRAFT 与 EVIDENCE_READY 只有读权限，APPROVED 后执行器获得对明确对象和动作的短期授权，完成或过期立即撤销。一个通用 API token 即使技术上能管理整个 profile，也不能直接暴露给 Agent 运行环境。权限边界是 Harness 的确定性责任。
给模型最小充分事实，不给无限历史
长任务的对话历史会不断增长，全部回放既昂贵又危险。早期假设可能已经失效，工具错误和修正混在一起，模型容易把旧配置当当前事实。Harness 应根据当前状态构建最小充分上下文：任务合同、最新外部状态、未解决约束、最近决策和必要证据索引。
历史不被删除，而是分层保存。事件日志记录每次状态变化，制品仓保存报告、提案和审批，语义仓保存指标版本，摘要只作为导航。模型需要细节时通过只读工具按证据 ID 获取，不允许摘要中的数字直接驱动写操作。这样既控制上下文长度，也避免摘要错误成为新的事实源。
每次恢复都先执行事实刷新。Harness 比较上次检查点与当前 campaign、budget、bid、规则、库存和权限，生成差异集。已知外部变化标记来源，未知变化触发冲突。模型收到的是“哪些事实改变、哪些合同仍有效”，而不是被要求从几十轮对话中自行发现。
提示词也版本化，但不作为唯一治理。系统指令可以要求引用证据、声明不确定性和禁止越权，真正约束由 schema、权限、状态机和校验器执行。只在提示词里写“不要超预算”，无法阻止模型参数错误或工具缺陷；只有执行器再次计算额度并拒绝请求，边界才可信。
上下文中必须标记时间。每个指标带 as_of、成熟度和时区，每个配置带读取时间与版本，每个库存状态带有效期。模型若引用过期证据，输出校验器阻断提案。长时程任务的关键不是记住更多，而是知道哪些记忆已经不能使用。
观察与成熟：系统如何安全地“什么也不做”
投放 Agent 常被评价动作数量，导致它在证据不足时也倾向于调价。Harness 应把等待设为一等动作：满足观察计划、没有硬风险且归因未成熟时，正确结果就是保持配置并安排下一次检查。状态机记录等待理由、唤醒条件和期间允许的保护动作。
部分失败救援轨把本节的判断压缩成可检查的关系：隔离已成功与未确认动作后继续恢复。人物动作对应执行责任。
观察计划在应用前生成，列出快指标、慢指标和硬事件。快指标如 spend、CPC、预算耗尽和曝光中断，用于风险保护；慢指标如成熟 attributed orders、退款后贡献和库存影响，用于最终评价；硬事件如 Featured Offer 丢失、库存进入红区或人工接管，可中断等待。不同指标拥有不同水位线。
唤醒由耐久计时器或外部事件触发，不依赖一个常驻模型会话。系统重启后计时器仍存在；重复事件通过幂等键合并；迟到数据可以更新证据，但是否重开已完成决策由政策决定。若数据源持续不可用，等待达到超时后进入降级或人工，而不是永久挂起。
什么也不做同样要审计。Harness 保存当时风险未越界、数据未成熟和下一检查时间，避免事后误以为任务遗漏。若最终成熟结果显示早期风险估计错误，可以校准模型和规则，但不能用未来信息指责当时正确的等待。
等待阶段禁止配置漂移。人工或其他自动化修改目标对象时，任务暂停并重新基线；不能在新配置上继续观察旧实验。轻微无关变化可由规则判定不影响，涉及 bid、budget、placement、target、价格或库存的变化通常需要审查。实验完整性比“按时出结论”更重要。
安全、治理与可观测性：把外部文本当数据，不当指令
Ads Agent 会读取搜索词、campaign 名称、商品标题、运营备注和外部研究材料，其中都可能包含误导性或恶意文本。Harness 必须把这些内容标记为不可信数据，禁止其改变任务合同、工具权限或系统指令。模型可以分析搜索词含义，不能执行搜索词中出现的命令。
检索资料按来源分级。Amazon 官方文档用于核验能力和字段，论文用于方法背景，服务商和社区用于发现问题。外部文章中的“最佳阈值”“推荐倍率”和案例收益不进入执行参数，除非经账户数据验证并由政策批准。所有引用保存 URL、抓取时间和用途，网页更新后不静默改变既有任务依据。
敏感信息最小化进入模型。API 凭证只在执行器内，profile 与 campaign 标识可使用任务内别名，first-party audience 和用户级数据不进入通用日志。模型输出经过数据泄露检查，审计制品按角色授权。AMC 的隐私安全环境不能被 Agent 通过导出或逐步查询绕过。
权限治理还包括撤销。任务完成、取消或超时后，执行租约失效；员工角色变化或账户授权撤销时，正在等待的任务重新校验。审批人只能批准自身权限范围内的对象，不能通过 Agent 间接扩权。所有拒绝也记录理由，供产品改进而不暴露凭证。
安全事件有明确响应。发现越权提案、提示注入、异常批量动作或证据篡改时，立即冻结写入、保存现场、轮换相关授权、评估受影响对象并回读平台状态。恢复前通过回放验证修复。Agent 的语言解释不能作为解除冻结的唯一依据。
监控任务，而不只是监控模型调用
LLM latency、token 和错误率只能说明模型服务状态，不能说明投放任务健康。Harness 的核心看板按状态展示任务数量、等待时长、审批积压、配置冲突、部分失败、归因成熟和回滚。每个任务能下钻到合同、证据、动作与当前平台状态。
关键 SLI 包括状态转换成功率、写后回读一致率、幂等去重率、超时恢复率、审批过期率、证据完整率和人工接管时间。业务 SLI 包括最大损失违规、成熟贡献、预算耗尽、库存护栏和误暂停。两组指标必须并列，因为技术流程成功不等于经营结果正确，短期收益也不能抵消越权。
轨迹使用统一关联 ID 串联 Agent 推理请求、工具调用、工作流事件、API 响应和业务评估。自然语言思考无需也不应作为唯一审计资料；重要的是结构化输入、候选动作、校验结果和外部副作用。日志包含足够证据但不记录秘密和不必要的用户级数据。
告警依据业务状态而非单个异常。一次可重试限流不必叫醒人员，连续无法确认写入结果则必须升级；归因尚未成熟是正常等待，超过最大等待仍无数据才是异常；人工修改不是错误，但与自动任务冲突时需要接管。告警附带下一步操作和影响范围。
每次任务结束生成执行摘要：目标是否达成、哪些步骤由 Agent 判断、哪些由规则阻断、发生哪些外部变化、最终配置和业务结果、是否存在未解决不确定性。摘要面向人阅读，底层证据仍可机器重放。它是运营交接制品，不是营销式成功报告。
发布路径：从只读助理到受限执行者
发布从只读问答开始，要求每个结论引用登记指标和证据，不允许生成执行命令。测试重点是语义选择、时间边界和未知处理。确认这层可靠后再生成结构化提案，与资深操盘者独立判断比较，分析差异来自数据、策略还是偏好；此时仍无写权限。
业务后果回读仪把本节的判断压缩成可检查的关系：用成熟转化、利润和库存验证动作价值。人物动作对应执行责任。
随后开放模拟和历史回放。Harness 在冻结环境逐步释放报告、迟到转化、库存变化和人工冲突，评估 Agent 是否按状态机等待、审批和恢复。回放防止未来数据泄漏，并包含 API 部分失败与响应丢失。只有完整轨迹通过，才进入线上 shadow mode。
线上写入只从少量非关键 campaign、小步可逆动作、严格日额度和人工批准开始。系统对每次应用回读，任何不一致立即降级。运行证据足够后，可以按真实表现扩大对象和自动批准范围，但高风险动作、跨 portfolio 预算和大促策略继续保留人工门。
发布不能只看平均成功率。需要关注最坏失败、连续任务成功率、错误恢复和最大损失。一个在九十九次任务中正确、一次把错误倍率应用到整个 profile 的 Agent，不因平均分高而可接受。风险按影响半径加权，权限扩展与最坏路径验证绑定。
退回只读是正常运维能力。模型升级、工具 schema 变化、Amazon API 迁移、语义版本重大调整或异常率上升时，Harness 可以保留分析与建议，暂时撤销写权限。降级不需要关闭整个系统，也不丢失等待中的任务；状态和证据在修复后继续。
收束：让模型负责判断，让系统负责可靠
Amazon Ads Agent 的价值不在一次生成多少建议，而在数天或数周后能否交付一个可审计的业务状态。报告异步、归因延迟、人工审批、外部并发和库存变化，使投放天然成为长时程任务。把更多历史塞进提示词，无法替代持久状态、幂等执行和恢复机制。
投放 Harness 总装剖面把本节的判断压缩成可检查的关系：汇合语义、本体、策略、执行、评测与审计。人物动作对应执行责任。
Harness 将任务写成状态机，把等待变成显式阶段，把建议、批准与应用分权，用独立审计器检查证据，以恢复点和补偿动作处理回滚，再用完整轨迹评测 Agent。模型负责在约束内形成判断；系统负责记住、等待、验证、授权、执行和恢复。两者边界清楚，Agent 才能从调价助手演进为可信的投放执行者。