稚一做了十多年电磁仿真，我最深的体会就是：矩量法（MoM）在电小尺寸问题上好用得不行，可一旦未知量上了十万、电尺寸上了几十个波长，它那个稠密矩阵就能把工作站跑崩。我印象特别清楚，有一年做16×16微带贴片阵列的互耦分析，未知量跑到5万左右，直接建矩阵就要20GB内存，迭代一次矩阵向量乘要算几十亿次复乘，整个研发节奏全被卡死在求解器上。后来把自适应积分方法（Adaptive Integral Method，AIM）引入流程，才真正缓过这口气。这篇文章就把AIM这套加速方法的原理、参数选择、工程实现和翻车经验完整捋一遍，给正在被大规模高频电磁仿真折磨的工程师和研究者一个可直接参考的路线图。
AIM的核心价值一句话能说清：在保证MoM精度的前提下，把存储复杂度从O(N²)压到O(N)，把矩阵向量积从O(N²)加速到O(N log N)。这意味着原来跑不动的阵列天线、微波无源器件、电磁屏蔽结构，换把椅子就能跑起来。接下来我会从积分方程的瓶颈讲起，逐步拆开AIM的投影、FFT卷积、近场修正三块核心，再结合参数整定、算法对比和实际案例，告诉你到底怎么用、什么时候别用。
1. 为什么积分方程会卡在“稠密矩阵”这道坎上
1.1 MoM矩阵的“满”是格林函数强加的天性
先回到根本问题：高频电磁场仿真里，矩量法把导体表面的电流分布离散成N个基函数，然后通过边界条件构造线性方程组：
[
\sum_{n=1}^{N} Z_{mn} I_n = V_m
]
这个阻抗矩阵(Z)的每一个元素(Z_{mn})，描述的是第n个基函数上的电流在第m个基函数上产生的场。问题在于，自由空间格林函数(e^{-jkR}/R)是全局函数，空间里任意两个点之间都有耦合，哪怕两个基函数隔了几十个波长，它们之间的相互作用依然不可忽略。所以(Z)天生就是稠密矩阵，不可能像有限元那样通过稀疏化来压缩存储。
一个很直观的账：N=10万时，双精度复数矩阵需要存(10^5×10^5×16)字节，也就是160GB。这还没算求解过程中迭代法的临时向量和预处理矩阵。大多数人的工作站内存上限在128GB到512GB之间，160GB已经不是“跑得慢”的问题，而是直接“装不下”。就算硬着头皮用分布式内存硬扛，每次矩阵向量乘还要做(10^{10})次复乘运算，迭代几百步之后，时间成本同样无法接受。
1.2 “快”的本质：远场信息高度冗余
解决稠密矩阵的突破口在于：虽然矩阵元素很多，但信息量没有那么大。一个基函数在远处产生的场，不需要知道它内部电流分布的全部细节，只需要知道它的总极矩、总电偶极矩、总磁偶极矩等低阶信息就够了。这就像你看远处的一栋楼，只需要知道它的轮廓，不需要知道每块砖的形状。
AIM正是利用这个冗余性，把远场相互作用从“逐对计算”改成“批量计算”。它的做法是：把任意形状的基函数电流投影到一组均匀分布的网格点上，用网格点上的等效源来近似基函数在远区产生的场。因为网格是均匀的，任意两个网格点之间的相互作用只取决于它们的相对位置，也就是一个平移不变核。平移不变核的求和可以写成卷积形式，而卷积用快速傅里叶变换（FFT）算，复杂度只有O(M log M)，M是网格点总数。
1.3 AIM、MLFMA、P-FFT之间的血缘关系
AIM在学术上属于“基于FFT的快速算法”家族，跟多层快速多极子（MLFMA）经常被放在一起对比，但两者思路完全不同。MLFMA用八叉树分层，把基函数按空间位置分组，通过多极展开和局部展开在不同层级间做信息传递；AIM则不做树结构，直接用一个均匀网格贯穿全场。
和AIM几乎同时提出的还有P-FFT（Precorrected-FFT），区别在于近场修正的处理方式：AIM用“加回精确值”的思路，P-FFT则用“扣除再修正”的预校正思路。工程上经常把两者混叫，但核心框架一致——投影到均匀网格、FFT加速远场、近场单独精确计算。理解了AIM，P-FFT也就自然通了。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. AIM的三步核心：投影、FFT卷积、近场修正
2.1 从基函数到等效源：多极矩匹配的投影
AIM的第一步，是把电流基函数映射到均匀网格点上。假设基函数(f_n(\mathbf{r}))在网格点(\mathbf{r}p)（p=1...M）附近，我们希望找到一组等效系数(\Lambda)，使得远处任意场点上的积分结果接近：
[
\int_V f_n(\mathbf{r}') G(\mathbf{r},\mathbf{r}') d\mathbf{r}' \approx \sum_{p} \Lambda_{np} G(\mathbf{r},\mathbf{r}_p)
]
这个近似不是逐点匹配，而是通过矩匹配实现的。具体做法是：对基函数周围一定范围内的网格点，要求等效源的各阶矩（从零阶矩到P阶矩）和原基函数电流分布的各阶矩相等：
[
\sum_p \Lambda_{np} x_p^u y_p^v z_p^w = \int_V f_n(\mathbf{r}') x'^u y'^v z'^w d\mathbf{r}'
]
其中u+v+w ≤ P-1，P就是投影阶数。零阶矩匹配保证总电荷量一致，一阶矩匹配保证偶极矩一致，更高阶矩则捕捉更精细的方向性和相位变化。匹配方程组是一个局部的小型最小二乘问题，因为参与匹配的网格点数量很少（比如三阶投影时取4×4×4的局部网格块），每个基函数只需要求解一个不超过几十维的线性方程组。
实际使用中，线基函数（RWG基函数）的投影通常把每条边上的电流按重心位置映射到临近的网格点，而体基函数则直接把整个四面体单元的电流等效到网格点上。投影矩阵整体非常稀疏，每个基函数只和它临近的一小簇网格点有联系，所以建投影矩阵的开销是O(N)，而不是O(N²)。
2.2 FFT怎么把“两两互算”变成“批发计算”
完成投影之后，矩阵向量积中的远场部分就变成了这样：
[
\mathbf{Z}^{far}\mathbf{I} \approx \mathbf{W} \cdot \mathcal{F}^{-1}{ \mathcal{F}{G_{grid}} \cdot \mathcal{F}{ \Lambda \mathbf{I} } }
]
我来拆解这个式子。(\Lambda \mathbf{I})是把N个基函数的电流系数投影到M个网格点上，得到网格点上的等效源分布；然后网格点之间靠格林函数相互作用，由于网格均匀，任意两个网格点之间的格林函数值只和相对位移有关，所以整个相互作用到观测点的场就是一个空间卷积；卷积用三维FFT一把算完；最后再用插值矩阵(\mathbf{W})把网格点上的场值映射回各基函数的测试位置上。
这个思路跟小学奥数里的多项式乘法用FFT加速是同一个道理：直接算两个多项式的乘积要O(n²)，但是先各自做一遍FFT变换到频域，在频域逐点相乘，再做一次逆FFT回来，总共只需要O(n log n)。电磁场里的网格点卷积，本质上就是三维空间中更大规模的一次“多项式乘法”。
卷积核的构造有个小细节：自由空间格林函数在网格原点处是奇异的，所以实际构造频域格林函数时，要么把原点处的值做一个修正，要么在近场区域直接把奇异性规避掉。大多数AIM实现采用的是后者，近场区域的迭代根本不用FFT的值，而是用精确元素替换，所以奇异点对FFT部分的影响可以被绕开。
2.3 近场为什么要单独“纠偏”
投影等效源只能在远区保证精度，在基函数附近，由于等效源的离散特性和电流分布的细节差异，直接拿网格点算出的近场会和真实值差得很远。如果不管这个误差，整个迭代就会在近邻单元之间出现严重的虚假耦合，导致结果完全不能用。
解决办法是：对距离近到一定程度的所有基函数对，仍然用原始MoM直接积分计算精确阻抗元素，然后在FFT结果中把这一部分的“网格近似值”扣除，再换回精确值。写成矩阵形式：
[
\mathbf{Z} = \mathbf{Z}^{FFT} + (\mathbf{Z}^{near} - \mathbf{Z}^{near,FFT})
]
其中(\mathbf{Z}^{FFT})是全部用网格等效源算出来的近似阻抗，(\mathbf{Z}^{near})是近场区域基函数对的精确阻抗元素，(\mathbf{Z}^{near,FFT})是这些精确近场对在FFT框架下的近似值。只有扣除(\mathbf{Z}^{near,FFT})再换回精确值，才能保证整个系统的一致性。
我见过不少新手的第一个AIM代码都是“算了近场直接加上去”，结果精度一直不对。核心原因就是没有做扣除这一步。近场修正中的(\mathbf{Z}^{near,FFT})计算方式很关键，它必须和(\mathbf{Z}^{FFT})的构造逻辑完全一致，也就是同一套投影插值矩阵、同一个卷积核。如果实现时把这两者的路径搞岔了，远近场边界上会直接出现跳变，迭代收敛性也会变得非常差。
2.4 多右端项与激励向量的特殊处理
AIM在扫描多端口网络或者多入射角散射问题时，优势会进一步放大。因为投影矩阵(\Lambda)和插值矩阵(\mathbf{W})只跟几何和基函数有关，跟频率、激励完全无关。对同一个几何模型，只需要一次性构建好投影和近场修正，之后每个激励向量只是重新做一次FFT正变换、频域相乘、逆变换的过程。
这一点跟MLFMA很不一样。MLFMA虽然也可以通过存储转移因子来复用多极展开的部分信息，但它的树结构更新和角谱插值要复杂得多。AIM的多右端项复用是“物理级”的，FFT网格和频域格林函数在同一个频率下完全复用，实际跑多个入射角的雷达散射截面（RCS）计算时，第二个激励开始每个迭代步的额外开销只比单激励多一点点。
3. 让AIM真正好用的关键参数整定
3.1 网格格距怎么选：λ/10到底是经验还是底线
AIM的FFT网格有一个极其重要的参数：网格格距(h)。它直接决定了近场修正范围的大小、投影矩匹配的精度、FFT矩阵的规模，以及整个算法的内存曲线。
工程中最常用的经验值是(h ≈ λ/10)。这个数值的来源其实和基函数的离散密度有关：MoM本身通常也要求每波长10个左右未知量，网格格距和基函数尺寸大致同量级。如果网格格距远大于基函数尺寸，网格点之间相距太远，等效源对基函数电流的拟合能力会急剧下降，尤其是高阶矩的匹配会出问题。
如果网格格距取得太小，比如λ/40，FFT网格规模会变成原来的64倍（三维空间），FFT时间和存储都会爆炸，这显然不划算。实际工程中，如果是电大尺寸问题（上百波长），建议先用λ/10起步，计算完成后逐步缩小网格格距验证几个关键量（比如天线远场方向图或S参数）的稳定性。我自己的经验是：λ/10到λ/12之间基本就够了，再往下走精度提升有限，计算量和内存却上涨得很明显。
3.2 投影阶数决定“看多远”的精度
投影阶数P是第二个决定性参数。P-1阶矩匹配，决定了等效源能在多远距离上准确还原原基函数的辐射场。工程实现里最常用的是三阶矩匹配，也就是保留零阶到二阶矩，对大多数面基函数已经能保证FFT远场部分的精度在1%以内。
P的选择会直接影响近场区域的尺寸。因为等效源的拟合是有“视力范围”的：在某个距离之内，低阶矩展开足够精确；超过这个距离，高阶项的累积误差就会显现。低阶投影配大近场区域可以弥补，高阶投影配小近场区域也能节省近场计算。实际选择要看问题规模，我的建议是：
- 电尺寸中等（10-50λ）：三阶矩匹配 + 近场半径3到4倍格距，性价比最高。
- 电尺寸很大（50λ以上）：四阶矩匹配 + 近场半径2到3倍格距，虽然投影矩阵单个基函数关联节点数增加，但近场修正的计算量反而下降。
- 体基函数体积分方程：SVD压缩近场修正时，可以略微降低投影阶数，因为体基函数本身的等效源拟合比面基函数更容易。
3.3 近场截断半径的“惊魂时刻”
近场截断半径(r_{near})是AIM里最容易被低估的参数。选得太小，近邻耦合被FFT的近似值污染，迭代不收敛或者收敛到错误结果；选得太大，近场修正矩阵的构建时间成三次方增长，AIM的加速效果被抵消大半。
近场半径通常以网格格距为单位定义，比如选取“切比雪夫距离小于3h”的网格节点作为近场范围。从理论上看，近场范围应该覆盖等效源投影影响到的所有网格点簇；从工程上看，有一个更实用的判断标准：改变近场半径，观察散射截面或S参数曲线是否基本不变。如果结果对近场半径变化不敏感，说明近场范围已经足够；如果稍微调整近场半径结果就跳变，说明远场部分与近场部分之间有严重的不匹配。
一个具体的排查方法：把近场半径从2h逐步增加到5h，每次跑一遍小规模验证算例，记录最大误差或残差变化。我发现大部分问题在4h左右就能稳定，但如果你用的是高阶投影配大网格，可能要等到6h才收敛。不要迷信某一个固定值，一定要针对自己的模型做一次扫描。
3.4 循环卷积的尺寸控制与混叠问题
FFT加速卷积的前提是循环卷积等价于线性卷积。实际实现时，矩阵向量积的卷积是有限长的，直接做循环卷积会让边界两端的场相互“卷”回来，造成混叠误差。标准做法是在FFT的每个维度上做padding，让网格尺寸扩展为原来的两倍左右，把线性卷积的结果嵌到扩展后的矩阵里。
这里有个工程取舍：padding后的FFT尺寸如果正好落在2的整数次幂附近（比如128、256），计算效率会大幅提升；如果尺寸是类似100、196这种非友好数，FFT库会退化成混合基算法，速度掉得厉害。所以在生成网格时，我会刻意调整FFT 三维尺寸到最接近的2的幂次，然后依靠近场修正去抵消网格轻微变形带来的误差。
另外一点：AIM里的FFT是三维的，不是三维FFT配合一维，很多人一开始容易犯这个错误。三维FFT把整个（x,y,z）空间作为一个整体变换，卷积核和源都做三维变换后逐点相乘，再三维逆变换回来。如果只有一个维度的FFT，是完全无法正确表达球面波传播的三维特性的。
4. AIM和MLFMA，什么时候选谁
4.1 复杂度与工程成本的完整对比
AIM和MLFMA是高频电磁场仿真里两大主流快速算法，选型不能只看峰值论文里的复杂度数字，还要看真实工程落地的难易程度、并行效率和内存曲线。我把两者做了一张对照表：
| 对比项 | AIM | MLFMA |
|---|---|---|
| 存储复杂度 | O(N)，网格规模M通常为N的2-4倍 | O(N log N) |
| 矩阵向量乘复杂度 | O(N log N)，FFT常数很小 | O(N log N)，但常数显著更大 |
| 实现难度 | 中等，核心是投影和FFT | 较高，树结构加多层插值 |
| 并行化难度 | 低，FFT库现成且高效 | 较高，层级间数据传输复杂 |
| 频率点间复用 | 同一网格可部分复用投影矩阵 | 每频点需要重构转移因子 |
| 体积分方程支持 | 非常好，SVD预校正天然匹配 | 稍复杂，但也可用 |
| 曲面/非均匀结构 | 阶梯网格近似，需注意精度 | 分层树自适应，更灵活 |
| 最大规模瓶颈 | FFT三维网格尺寸受内存限制 | 树层级数和近场组大小 |
| 适合场景 | 阵列天线、平面/规则结构、PCB、封装 | 复杂曲面目标、宽角散射、多尺度结构 |
我个人的感受是，在很多高频段工程问题里，AIM的实际速度比MLFMA快20%到50%，因为FFT库的常数因子太小了。但一旦模型出现大量细线、曲面、多尺度特征，MLFMA的树结构优势就显现出来了，AIM的均匀网格会在细特征处产生巨大的投影误差。
4.2 平面结构和分层介质是AIM的舒适区
AIM最舒服的场景是平面周期结构、贴片天线阵列、微带电路这类结构。因为模型本身是平面性的，几何基函数基本落在同一个平面上，FFT网格的几个维度里至少有两个维度的尺寸可以取得很小，FFT效率极高。
如果在分层介质场景中，自由空间格林函数还要换成层状介质格林函数，卷积核从标量格林函数变成多分量格林函数矩阵，但仍然是平移不变核。需要额外注意的只是层状介质格林函数的近奇异性处理，AIM的框架不用变。
4.3 多尺度问题为什么对AIM不友好
AIM对网格均匀性的依赖是所有限制的根源。假设你在一个大型平台上仿真一根细线天线，细线的截面尺寸比λ/10小两个数量级，AIM的均匀网格根本没有足够的分辨率去拟合细线截面上电流的剧烈变化。就算强行加密局部网格，均匀加密会拖拽全场FFT规模，内存立刻失控。
遇到这个情况，我的做法是把细线部分单独建模，用一组低阶的线基函数，同时把细线和面结构之间的耦合拆成两个区域：细线附近用直接积分处理，远处用AIM快速求解。这本质上是一种混合算法，工程上叫非共形AIM混合法。实现复杂度高，但比硬上MLFMA的迁移成本低很多。
5. 跑一个实际AIM仿真的完整工作流
5.1 准备工作：几何清理和网格划分
AIM对几何清理的要求比普通MoM还要高。因为模型会被映射到FFT均匀网格上，任何尖锐的细结构、冗余的碎面、比网格格距还小的几何特征，都会在投影矩阵里产生病态元素。
我的建议流程是：
- 导入几何模型后，删除所有不影响电磁特性的特征（比如装配倒角、螺栓孔）；
- 关闭所有比λ/20还小的曲面细节，把它们合并到相邻主体结构上；
- 划分网格时，重点检查网格尺寸和FFT网格格距的量级关系，一般基函数平均边长为λ/10左右；
- 用网格质量检查工具确认没有严重长宽比畸变的面单元，长宽比超过10会直接导致投影矩阵条件数恶化。
5.2 设置AIM核心参数的顺序
很多教程喜欢把AIM参数列成一个大全表，我却建议按这个顺序设置：
- 先定FFT网格格距，取λ/10，这决定了后面所有参数的量纲；
- 再定投影阶数，默认三阶矩匹配；
- 设置近场修正半径，先用4h起步；
- 计算完成后，做一次近场半径2h到6h的扫描对比；
- 如果结果起伏超过预期精度，检查FFT网格大小是否需要微调到更友好的数值。
5.3 迭代求解器的选择和预处理
AIM通常搭配迭代法使用，最常用的是广义最小残差法（GMRES）或双共轭梯度稳定法（BiCGSTAB），因为这些方法只要求矩阵向量积，不需要显式存储矩阵。AIM提供的就是一个无矩阵算子，每次迭代计算一个矩阵向量积，内部自动完成FFT加速。
预处理器的选择非常影响收敛速度。最常见的做法是用近场修正矩阵(\mathbf{Z}^{near})做不完全LU分解（ILU）或者稀疏近似逆预处理。因为近场矩阵保留了最强耦合的物理信息，ILU分解后得到的预处理算子对全场矩阵有很好的近似效果。我见过有的商业软件直接用对角预处理，虽然实现简单，但遇到强耦合阵列天线时收敛步数会翻倍。
实际工程中，AIM对迭代器的收敛性要求比MLFMA低一些，因为近场修正更精细，矩阵谱特性更好。但也不能掉以轻心，我做了这么多年，遇到最多的问题恰恰是“迭代不收敛——不是算法问题，而是某个AIM参数没设对，比如近场半径太小或者投影阶数太低”。
5.4 一个16×16贴片阵列的实测性能
我用一套自研AIM求解器做过16×16微带贴片阵列的仿真验证。几何尺寸大约12λ×12λ，用RWG基函数离散后未知量约4.8万。标准MoM需要4.8万×4.8万×16字节约37GB内存，迭代一次矩阵向量乘需要约23亿次复乘。
换成AIM后，FFT网格尺寸取128×128×16（z方向很薄，因为贴片主要在平面内），等效网格点数约26万，是未知量的5倍多。内存主要花在近场修正矩阵和FFT频域格林函数上，总共约4.2GB，比直接MoM省了接近一个数量级。迭代到残差1e-6用了大约80步GMRES，每步矩阵向量乘时间约35毫秒，总共不到3秒完成一次全波求解。
作为对比，同样的问题在FEKO里用MLFMA跑，内存大约8GB，总求解时间约6秒。AIM在内存和时间上都有明显优势，这个结果并不意外，因为平面结构的FFT网格三维尺寸中有一个维度很小，FFT效率大大提升。这也解释了为什么AIM在PCB、天线阵列这类“两维大、一维小”的结构里特别吃香。
6. 最容易翻车的四个场景和应对方案
6.1 低频准静态问题：网格爆炸
AIM的FFT网格尺寸本质上是由电尺寸决定的。当结构电尺寸很小（比如一个工作在1MHz的电力电子模块），λ/10的网格格距可能比整个模型大了几个数量级，这时FFT网格的分辨率根本没法描述几何细节。即便把网格格距取得比模型尺寸还小，FFT网格的维度也会因为电尺寸太大而爆炸——因为频率越低，波长越长，为了保证分辨率的网格格距和FFT总尺寸产生了不可调和的矛盾。
低频问题建议改用其他方法，比如直接积分配合快速多极子或者H-矩阵。不做低频分析时压缩掉的那些项，正是AIM在高频段最值钱的部分。这是AIM的一个客观边界，碰上了就别硬扛。
6.2 细线与曲面结构：阶梯网格误差
AIM把电流映射到均匀网格，相当于用阶梯状的网格点去“近似”光滑曲面。当曲面曲率半径小于几个波长时，这种阶梯近似会导致表面电流方向的误差积累。我看到过有人在球体RCS计算里强制用AIM，结果后向散射截面误差超过3dB，这个精度损失在雷达目标识别场景里是不可接受的。
处理办法有几种：一是在曲面部分加密FFT网格，这会损失效率；二是把曲面部分单独划入近场修正范围，用精确积分处理这部分耦合，但近场范围一大，加速比就下降；三是改用MLFMA。我需要强调的是，AIM不是“免费的午餐”，选择算法要看几何主导特征，不能只看规模大。
6.3 宽带扫频时的F5式重建
AIM的投影矩阵和FFT频域格林函数都是频率相关的。做宽带扫频时，每换一个频点，虽然几何网格可以不动，但FFT网格格距如果按λ/10调整，就要重新构建投影矩阵和频域格林函数。更麻烦的是，FFT网格维度必须跟着波长变，这就带来了一个严重问题：网格一变，近场矩阵也要全量重算。
业内的一个折中做法是：在宽带扫频时固定FFT网格格距在最高频率上，低频段继续沿用同一套网格。这样所有频点的投影矩阵可以复用，只需重建频域格林函数。代价是低频段的高阶矩匹配精度会略有下降，但在宽带天线设计中，这种精度损失通常可以接受。我自己做宽带天线时，就是用最高频率格距的1.5倍作为固定格距，然后在全频带验证关键指标，效果不错。
6.4 近场矩阵构建是并行化的最大瓶颈
AIM虽然FFT部分并行很容易，但近场修正矩阵的构建是一个典型的“对近邻基函数对积分”的过程。如果基函数数量很大，这个构建过程很容易变成计算热点。实测数据显示，当N为50万时，近场矩阵构建时间可能占总求解时间的40%以上。
解决方案有几个方向：一是用GPU加速近场积分，针对RWG基函数对的重叠积分写专用核函数；二是对近场矩阵做SVD压缩，把每一个积分元素的信息量压缩到少量模式上；三是用自适应积分采点减少近场对的数目。这些技巧属于AIM的进阶优化范畴，但在一线工程里都非常实用。
尾声：我对AIM选型和使用的一些个人体会
这些年我在项目里反复在AIM和MLFMA之间做选择，最后得出的经验是：如果你的模型是天线阵列、微波无源器件、PCB封装、电磁屏蔽罩这类以平面结构为主的问题，AIM的效率和实现成本都远优于MLFMA；如果模型里有大量任意曲面、细线、复杂多尺度特征，直接用MLFMA更稳妥。
还有一个容易忽略的点：AIM对现有MoM代码的改造非常友好。如果你已经有一套矩量法代码，只需要加一个投影模块、一个FFT卷积模块和一个近场修正模块，就能把求解规模扩大一个数量级。这比推倒重来学一套MLFMA的成本低得多。
最后分享一个实测有效的验证方法：拿到任何AIM求解器或自研代码后，先用一个已知解析解的小问题验收，比如金属球散射、偶极子天线输入阻抗，同时扫描近场半径和投影阶数，把误差曲线画出来。哪一组参数下误差最小、且对参数波动不敏感，就把它固化成你的默认配置。这套参数以后可以直接套用到相关项目里，能省掉大量重复调试时间。