企业官网建设流程全解析

简介：这是一份聚焦宇树科技人形机器人的分析型PDF文档，面向机器人技术爱好者、科技趋势观察者、投资者及相关行业从业者，围绕技术实力、市场炒作与应用前景展开梳理。文档从春晚亮相与社交热议切入，系统介绍运动控制算法、多模态传感器、动力系统及仿生结构材料，并剖析高价租赁、二手加价和虚假宣传等市场现象，继而讨论工业、服务与家庭场景的落地空间及技术升级、成本、安全与监管挑战。资源包共1个PDF文件，大小约352KB，便于快速阅读与资料留存；已有200人学习。读者可借此建立对人形机器人产业热度与真实进展的对照认知，理解企业技术亮点、商业化难点与潜在风险，适合作为科技投资观察和行业入门的参考材料。

1. 从春晚扭秧歌到二手加价四成：人形机器人的价格是怎么被讲歪的

人形机器人在 2025 年春节被一台会扭秧歌的机器彻底点燃。宇树科技从四足机器人起家，靠运动控制算法把后空翻、侧空翻做成公开演示，H1 在春晚舞台完成秧歌表演后迅速出圈，社交平台上的讨论量几天内冲到顶点。真正值得从业者留意的不是表演本身，而是随后的价格走势：一台进阶版机型官方售价三十多万，二手平台挂到四十五万，日租报价从五千到一万五，回本周期被算成四十天。市场炒作、技术底子、应用前景这三件事被搅成一团，外界很难分清哪部分是能力，哪部分是叙事。把这三层拆开对照，才能看清哪些信号可以信，哪些只是溢价。

2. 拆开 H1 与 G1：控制、感知、执行三层各自解决什么问题

评价一台人形机器人，最容易犯的错是看它做了什么动作，而不是看它在什么条件下、能重复多少次、失败之后怎么办。宇树在人形之前做了多年四足，四足的步态控制、电机、关节模组是一条被市场验证过的技术栈，人形是这个栈往上延伸的结果。把 H1 和 G1 放在一起看，能拆出三层：控制算法决定动作上限，传感器决定它知不知道自己处在什么状态，动力与结构决定它能不能反复做同一件事。三层里任何一层塌掉，演示就只能做一次，第二次就翻车。

这三层也对应三种完全不同的成本结构。算法是人和时间，传感器是物料清单里最容易被砍的部分，动力与结构则直接决定关节模组的单价和良率。市场上讨论价格时往往只看整机报价，忽略了这三层的配置差异能把成本拉开一大截。同一家公司的不同型号，价差背后通常不是品牌溢价，而是关节数量、传感器配置和控制能力的组合不同。

2.1 运动控制算法：后空翻不是杂技，是动态平衡的公开测试

后空翻这个动作之所以被行业当成硬指标，是因为它把控制系统逼到了边界。腾空阶段机器人没有任何外部接触，系统完全欠驱动，唯一的输入是起跳瞬间的角动量和速度，姿态只能靠惯性测量单元和关节角度反推。落地瞬间的冲击力可以达到体重的数倍，髋、膝、踝三个关节要在几十毫秒内吸收掉这部分能量，力矩控制带宽不够就会直接跪下去。所以这个动作同时检验三件事：状态估计准不准、力矩响应快不快、结构扛不扛得住。

控制栈通常是分层的。规划层跑得慢，负责步态调度和落脚点选择；全身控制层把任务空间的目标转成关节力矩；关节伺服层跑得最快，负责把力矩指令执行到位。层与层之间的频率差是设计核心，规划层太慢会跟不上扰动，伺服层太慢会让力矩指令失真。下面这段是单次控制周期的骨架，参数全部省略，只用来说明各层的职责边界。

# 单次控制周期骨架，仅示意分层结构，不含厂商实际参数 def control_tick(imu, joint_state, vision, cmd_velocity, dt): # 1. 状态估计：融合 IMU 角速度、关节编码器、足端接触力 # 输出质心位姿与速度，是整个控制栈的地基 base_pose, base_vel = state_estimator.update(imu, joint_state, dt) # 2. 参考轨迹：步态调度器根据当前速度指令决定支撑相与摆动相 # 落脚点选择决定了机器人会不会自己把自己绊倒 ref = gait_scheduler.plan(base_pose, base_vel, cmd_velocity) # 3. 全身控制：把任务空间目标转成关节力矩 # contact_schedule 告诉求解器哪只脚此刻可以发力 tau = wbc.solve(ref, base_pose, joint_state, contact_schedule) # 4. 关节伺服下发，频率远高于规划层 joint_driver.send(tau)

这段骨架里，state_estimator的输出质量决定了后面所有环节的上限，估计出来的质心速度偏了 5%，落脚点就会偏出十几厘米。gait_scheduler的关键参数是步频和支撑相占比，步频高则抗扰好但能耗大，支撑相占比高则稳但走不快。wbc.solve是计算量最大的一环，实际部署时往往要在实时性和最优性之间做取舍，把二次规划问题简化成解析解是常见做法。joint_driver.send的频率通常是规划层的十倍以上，这个比例关系比绝对数值更重要。

四足的经验能不能直接搬到双足，答案是不能直接搬，但可以复用。四足是静稳定或准动态稳定，四条腿里总有一条在支撑，容错空间大。双足重心高、支撑面小、单脚支撑时间长，失稳模式从“打滑”变成“侧向倾倒”，恢复动作完全不同。宇树在四足上积累的电机控制和关节模组经验可以平移，步态层面的东西基本要重做。看到演示视频里动作流畅，只能说明这一套在他们的标定环境里跑通了，换个地面材质、换个光照条件、加一点侧向推力，表现会掉多少，才是工程能力的真实刻度。

2.2 多模态传感器融合：IMU、力矩、视觉三路数据怎么拼出姿态

人形机器人身上最不缺的就是传感器，缺的是把它们对齐的能力。惯性测量单元频率高、不依赖外部环境，但积分误差会随时间累积，跑十分钟漂出几十厘米是常态。关节编码器给的是硬约束，关节角是机械结构决定的，不会骗人，但它只能告诉你关节在哪，不能告诉你身体在哪。力矩传感器给的是接触信息，脚有没有踩实、踩在什么坡度的地面上，这一路信号最直接。视觉给的是全局位姿和障碍物位置，信息量最大，延迟也最大。

融合的难点不在算法，在时间对齐。视觉一帧三十毫秒，伺服周期一毫秒，中间差着三十个控制周期。如果直接把视觉结果塞进当前时刻的估计里，等于用三十毫秒前的信息指挥现在的动作，机器人以每秒一米移动时，这个延迟对应三厘米的位置误差，落地判定就会踩空。工程上的做法是把视觉观测按里程计回推到现在时刻，再和惯性测量单元的数据做加权。权重的取值直接决定了系统是偏信视觉还是偏信惯性，地面平整时偏视觉更准，地面松软时偏惯性更稳。

这里有个容易被忽略的坑：出问题之后没法复现。机器人摔了，现场只看得到结果，看不到原因。如果三路原始数据没有同步录下来，事后基本查不出是估计漂了、力矩饱和了还是视觉认错了地面。行业里把这套同步录制叫黑匣子，做演示的团队往往不做，做产品的团队必须做。录制的难点是时间戳统一，不同接口的传感器时钟不同源，差几毫秒就足以让回溯结论完全反过来。

2.3 动力系统与仿生结构：轻量化关节决定动作上限

人形机器人的动作能力，一半写在电机参数里，一半写在结构设计里。电机看两个数：峰值扭矩和连续扭矩。峰值决定它能不能跳起来，连续决定它能跳几次。人形机器人的动作是脉冲式的，起跳瞬间扭矩拉满，落地之后迅速回落，标称峰值看起来很美，但连续跑十分钟电机就开始热降额，实际输出掉一截。选型时只看峰值不看热约束，做出来的机器人在实验室猛如虎，连续工作半小时就变成慢动作。

结构的核心矛盾是远端质量。小腿和脚踝离髋关节最远，这两个部位的每一公斤重量，在摆动时产生的惯量远大于机身中段的同等重量。远端减重一公斤，髋关节的负担下降幅度可能相当于近端减掉好几公斤，控制带宽的要求也跟着下降。这就是为什么仿生结构设计里，髋、膝、踝这三个关节的材料选择格外讲究，轻量化高强度复合材料在这里的价值不在“轻”，而在“把惯量压下来之后，控制算法有余量去处理别的问题”。

代价是疲劳寿命和成本。复合材料的抗冲击性能好，但反复高载荷下的疲劳特性需要长期验证，关节模组的维修成本也不低。官方给出的整机硬件寿命约两年，这个数字在正常使用强度下成立，高频连续运转的场景下会明显缩短，一年左右就需要大修。额定寿命和实际寿命之间的差距，是所有租赁和运营方都必须自己算清楚的一笔账，厂家参数只能当上限看。

仿生结构还有一层隐性影响：它决定了机器人能不能“看起来像人”。行业里对人形的定义一直有分歧，是外形像人，还是运动方式像人，还是能进人类环境的工位。宇树的选择偏向后者，关节布局照着人体力学来，目的是让机器人能直接站进为人设计的空间里，不需要为它改造环境。这个选择在工业场景里是优势，在家庭场景里还不够，因为家庭环境的杂乱程度远超产线。

3. 日租八千、回本四十天：这门生意的账本要重算

市场上流传最广的一组数字是这样的：某位早期买家花三十一万九千元购入 G1 进阶版，日租八千元，订单排到四月，按这个节奏四十天就能回本。这组数字本身没有造假，问题在于它把三个隐含假设当成了既定事实：每天都能租出去、日租价格不下跌、机器不出故障。三个假设里任何一个不成立，回本周期就会成倍拉长。把账本摊开重算一遍，能看清这门生意的真实结构。

3.1 日租五千到一万五的价格带是怎么形成的

先看需求侧。愿意按天付费租一台人形机器人的客户，大致分几类：商场开业和品牌活动要一个能站台、能互动、能拍照的活体话题；展会和发布会要一个引流装置；影视和广告拍摄要一个不需要协调演员档期的道具；学校和企业科普活动要一个能讲清楚原理的教具。这几类客户的共同点是，他们买的不是生产力，是注意力。付费逻辑决定了价格锚点：价格对标的是请一个网红、搭一个展台、做一场灯光秀的成本，而不是对标一个工人的日薪。

再看供给侧。早期能拿到货的渠道非常有限，交付周期长，同一座城市里可能只有一两台在对外出租。供给稀缺直接给了定价权，五千到一万五这个区间里，差价往往不由硬件决定，而由服务包决定。带不带操作员、带不带编舞和互动脚本、包不包运输和现场保障，这几项加上去，报价能翻一倍。同一台机器在不同卖家手里报出三倍差价，说的其实是同一件事的不同版本。

这个价格带的脆弱性在于，它建立在稀缺上而不是建立在产出上。一旦同城出现第三台、第四台，客户的选择变多，价格会迅速往下走。租赁生意的规律一向如此：先入场的人赚的是信息差和时间差，后入场的人赚的是辛苦钱。把首月的高价当成长期价格来做投资测算，是这类生意最常见的踩坑方式。

3.2 隐形成本清单：运输、保险、维修与两年寿命

租赁的毛利看起来高，净利要扣掉的东西不少。下面这张表列的是实际运营中绕不开的成本项，具体金额因城市和场次差异很大，这里只给计价口径，方便按自己的报价填入。

把这些项填进去之后，回本周期的计算就变成一个简单的现金流问题。下面这段脚本把日租、出勤率、可变成本和年折旧放在一起，输出回本所需月数。关键不是公式本身，而是把“出勤率”这个变量显式暴露出来，让它从隐含假设变成可以调参的输入。

# 回本周期估算：把日租翻译成月现金流，核心变量是月出勤天数 def payback_months(price, daily_rate, days_per_month, variable_cost_per_day, annual_depreciation): # 折旧按月摊销，年折旧除以十二 monthly_dep = annual_depreciation / 12 # 月毛收入 = 日租 × 月出勤天数 monthly_revenue = daily_rate * days_per_month # 月可变成本 = 单场可变成本 × 月出勤天数 monthly_variable = variable_cost_per_day * days_per_month # 月净现金流，扣除折旧后的口径 monthly_net = monthly_revenue - monthly_variable - monthly_dep if monthly_net <= 0: return None # 现金流为负，永远回不了本 return price / monthly_net # 示例：同一台设备，出勤率不同，结论完全不同 # 满租（30 天）、半租（15 天）、低租（8 天）三种情形对比 for days in (30, 15, 8): m = payback_months(price=319000, daily_rate=8000, days_per_month=days, variable_cost_per_day=0, annual_depreciation=159500) print(days, m)

这段代码里，annual_depreciation取的是采购价除以两年，对应官方给出的硬件寿命。如果把高频使用导致的寿命缩短考虑进去，这个值要改成采购价本身，回本周期立刻翻倍。variable_cost_per_day在这里先取零，是为了看清“只算折旧”的基准线，实际填入运输、保险、人工之后，月净现金流会明显下降。运行结果会呈现一个反直觉的现象：出勤天数从三十天降到十五天，回本周期不是延长一倍，而是延长得更多，因为折旧是按月摊的固定成本，分母缩小的速度快于分子。

四十天回本这个说法，成立的前提是满租加零可变成本加两年寿命三者同时为真。三个条件里只要有一个松动，结论就站不住。租赁方真正该盯的不是单日租金有多高，而是月出勤天数能不能稳定住，以及设备在两次故障之间能撑多少场。

3.3 二手挂价四十五万的定价逻辑与风险

二手市场上出现加价四成的挂价，这个现象本身不复杂，复杂的是它传递的信号。挂价四十五万相对三十一万九的采购价，溢价十三万，逻辑上有三个支撑：交付周期长导致现货有溢价、新品热度带来的套利预期、以及卖方认为买方不具备比价能力。三个支撑里只有第一个是硬的，后两个都建立在情绪上。

挂价不等于成交价，这一点在二手设备市场里是常识。判断真实价格要看成交周期和成交流水，一台挂了三个月没有成交的设备，说明的是流动性差，不是价值高。二手买家在询价时通常会问几个具体问题：保修能不能转移、关节有没有异响、外壳有没有磕碰、电池循环次数多少。这几个问题里任何一个答不上来，价格就得往下走。高价挂售的设备往往伴随保修缺失，实际成交价反而被压低。

风险在于资产贬值曲线不是线性的。一旦官方产能释放、交付周期缩短，或者新一代产品发布，二手价的支撑会同时消失。设备本身的折旧是连续的，市场预期的转向是断续的，两者叠加时价格会出现断崖。想靠二手转手赚差价的人，通常赌的是自己能在断崖之前跑掉，这类博弈里没有后悔药可吃。

4. 四个容易被误读的信号

围绕人形机器人的讨论里，有一批说法反复出现，听起来都有依据，但推导过程都跳过了一步。把这些误读单独拎出来拆解，比泛泛讨论“行业是否有泡沫”更有用，因为误读是可修正的，而情绪不是。

4.1 误读一：舞台动作等于通用能力

误判点在于把演示视频里的完成度直接等同于产品在真实环境里的能力。舞台和展台是经过标定的环境：地面平整、光照稳定、动作预编排、旁边站着保护人员随时准备扶。这套条件下跑通的动作，换到地面有坡度、有杂物、有人群穿插的场景，成功率会明显下降。

为什么容易误读：视频是经过剪辑的，观众看不到失败次数。行业里做一次成功演示，背后往往是几十次失败，而且失败的那几十次不会被拍下来。加上动作本身的视觉冲击力强，很容易让人跳过“这是在什么条件下完成的”这个前置问题。

怎么看：问三个具体问题。换个地面材质还能不能走？动作失败之后能不能自己站起来，还是必须人工复位？连续运行两小时之后，动作精度衰减多少？这三个问题的答案，比任何演示视频都更能反映工程成熟度。能自己从摔倒状态恢复，是一个被严重低估的能力指标，因为它要求状态估计、力矩控制和结构强度同时在线。

4.2 误读二：回本周期等于投资回报

误判点在于把现金流回正的时间当成投资回报率。回本周期只回答“多久能把本金收回来”，不回答“收回来的钱是不是越来越难赚”。设备在回本期间本身在贬值，市场需求在同期可能因为供给增加而降温，两件事同时发生，回本周期越往后拖，实际收益越薄。

为什么容易误读：四十天这个数字太有冲击力，一旦接受这个锚点，后面的判断都会被带偏。加上早期确实有人靠高价租赁赚到了钱，个案被当成规律传播。行业里有个普遍规律，任何靠稀缺撑起来的价格，都会在供给增加后的六到十二个月内回归。

怎么看：把三件事放进同一个模型——月出勤天数的下滑曲线、日租价格的下探曲线、设备的残值曲线。第一台设备和第三台设备面对的是完全不同的市场，用第一台的账去推第三台，是最典型的翻车路径。真正稳健的测算应该假设日租在半年内下探三成，出勤率在一年内减半，还能回本的项目才值得做。

4.3 误读三：二手挂价等于市场价

误判点在于把卖方报价当成资产的公允价值。二手平台上挂四十五万，不代表这台设备值四十五万，只代表有人希望它值四十五万。报价和成交之间隔着流动性，流动性差的资产，报价的参考价值很低。

为什么容易误读：价格是最容易获取的信息，成交量、成交周期、保修状态这些信息要么看不到，要么需要额外核实。人在信息不对称时倾向于抓住最容易拿到的那个数字，然后把它当成事实。

怎么看：看三个替代指标。同期新品的官方报价和交付周期、二手平台上同类设备的挂售时长、以及成交后保修是否可转移。挂售时长超过两个月且价格没有下调，通常说明卖家不急于出手或者市场无人接盘，两种情况都不是好信号。真正有参考价值的是成交记录，没有成交记录时，宁可按新品价格打折估算，也不要按挂价估算。

4.4 误读四：路演受限等于需求消失

误判点在于把针对特定场景的管理措施理解成对整个品类的限制。多地叫停的是非商用性质的路演活动，指向的是公共场所人流聚集带来的安全风险，落点在活动组织方式，不在机器人这个产品本身。商用场景里的展会、门店、工厂交付，遵循的是另一套流程。

为什么容易误读：政策类信息通常表述简短，传播过程中容易被压缩成一句结论。加上人形机器人本身带着话题属性，任何相关消息都会被放大解读，情绪传导速度快于事实澄清速度。

怎么看：把非商用路演和商用交付分开看。前者是租赁生意的一部分，短期订单会受影响；后者是产品生意的主体，取决于工业客户和服务客户的采购决策。两类需求的驱动因素完全不同，一类靠好奇心和流量，一类靠成本和效率。租赁订单下滑不代表工业采购停滞，反过来也一样。判断趋势时要看商用合同的签约数量，而不是看路演场次。

5. 工业、服务、家庭：三条落地路径的真实时间差

人形机器人的应用前景经常被笼统地描述成“工业、服务、家庭三线并进”，这个描述掩盖了一个关键事实：三条路径的落地时间差可能在五年以上。它们的门槛不是同一类门槛，工业卡在可靠性和节拍，服务卡在价值证明，家庭卡在安全和责任。把三条路径分开评估，比合并成一句“前景广阔”有用得多。

5.1 工业场景：为什么中小企业可能是第一个买单方

工业场景对人形机器人的吸引力，核心不在于它比专用机械臂更强，而在于它不需要改造产线。传统工业机械臂是为固定工位设计的，工件要送到它面前，工位要按它的工作空间重新布局，编程和调试的成本对小批量生产来说摊不平。人形机器人是照着人的尺寸和关节布局做的，理论上可以直接站进现有工位，接手那些原本由人完成的动作。

这个逻辑在小批量、多品种的产线里最成立。大厂用专用自动化设备，单件成本能压到很低，人形机器人在节拍上比不过。中小企业的订单批量小、换型频繁，专用设备的投资回收期算不过来，一台三十万级、能搬能上下料、能适应工位变化的设备，反而有机会。这也是为什么低成本路线在人形机器人领域有独特价值，它打开的是原本被自动化排除在外的市场。

但工业场景的门槛也是最硬的。节拍要稳定，不能今天快明天慢；可靠性要够，不能三天两头停机；维护要简单，产线工人得能自己处理常见故障。这三条里任何一条不达标，客户就会退回人工。工业客户不像展会客户那样为新鲜感付费，他们算的是单件成本和停机损失，容忍度低得多。所以人形机器人在工业里的第一波落地，大概率集中在搬运、上下料、巡检这类对精度要求不高但对柔性要求高的工位，而不是精密装配。

5.2 服务场景：向导与巡逻的价值边界

服务场景里，商场和酒店的迎宾向导是最早跑通的一类。这类场景的付费逻辑很直接：机器人站在那里本身就是话题，能引来拍照和停留，停留时间转化成客流。付钱的人买的不是服务效率，而是注意力和差异化体验。这个逻辑在短期内成立，但它有一个天花板——新鲜感会衰减，第一家用是新闻，第十家用就是常态，价格会随之下探。

巡逻场景的门槛更高。夜间低光照、地面情况复杂、需要长时间连续运行，对感知和续航的要求都比迎宾高一个量级。更关键的是责任划分，机器人在巡逻过程中如果发生碰撞或者漏检，责任归属需要有明确约定。这类场景的客户通常是园区、厂区、物业，采购流程长，验收标准细，不是靠演示能打动的。

服务场景的共同特点是，它对人形的要求其实不如工业严格。迎宾不需要后空翻，巡逻不需要跑跳，很多任务用轮式底盘加机械臂就能完成，成本还低得多。人形在这个领域的竞争力来自“像人”带来的亲和力和话题性，而不是运动能力。看清这一点，就不会把服务场景的订单量当成运动控制技术的验证。

5.3 家庭场景：安全与隐私的两道硬门槛

家庭是所有玩家都想进但最难进的市场，因为它的失败成本最高。工业场景里机器人出错，损失是停线和物料；家庭场景里机器人出错，可能是撞倒孩子或者碰翻热水。这个差别决定了家用产品对安全的要求不是一个量级。

安全门槛具体体现在两件事上：识别和兜底。识别是指机器人能不能在杂乱环境里分清什么是障碍物、什么是人、什么是宠物，家庭环境的长尾情况极多，地上散落的玩具、突然跑过的猫、半开的柜门，训练数据很难覆盖全。兜底是指识别失败之后有没有物理层面的保护，力矩限制、柔性外壳、紧急停止，这些是最后一道防线，不能指望算法百分之百不出错。

隐私门槛同样硬。家庭场景要求摄像头长时间在线，采集到的画面存在哪里、谁能访问、保留多久，这些问题的答案直接影响用户是否愿意让设备进门。责任划分也需要制度层面的安排，机器人在家中造成损失，责任在厂商、在使用者、还是在运营方，目前没有成熟范式。这两道门槛不解决，家庭场景的规模化就无从谈起，尽管它是天花板最高的市场。

6. 未来 12 个月：三个可观测的先行指标

判断这条赛道接下来怎么走，与其听发布会上的愿景，不如盯几个不容易被包装的指标。发布会可以挑最好的时机、最好的场地、最好的剪辑，指标不会配合演出。下面三个指标在接下来一年里会持续给出信号，它们之间还能互相校验。

6.1 指标一：二手溢价率与租赁日价的背离

二手挂价相对官方售价的溢价率，和租赁市场日租报价的中位数，这两个数字放在一起看，能判断热度是在扩散还是在退潮。健康的状态是溢价率收窄但日租稳定，说明供给在增加而需求没垮；危险的状态是溢价率还高但日租开始下探，说明炒作还在继续而实际使用需求已经松动。后一种状态下，二手价的下调往往来得突然。

6.2 指标二：官方产能与交付周期

交付周期是最诚实的产能指标。周期缩短通常意味着产能爬坡顺利，稀缺性溢价会随之消退；周期拉长则可能意味着需求超出预期，也可能意味着供应链卡在某个环节。区分这两种情况要看同期是否有新品发布，有新品还拉长周期，大概率是需求端的问题，没有新品却拉长周期，要警惕供应端。

6.3 指标三：开源合规与专利争议的动向

人形机器人行业大量复用已有的开源成果和公开技术路线，合规问题在早期不是优先级，规模上来之后会变成硬约束。海外厂商的开源许可条款、关节结构的专利布局、控制算法的知识产权归属，这些争议一旦进入实质程序，会直接影响产品的出海和客户的采购决策。这类信号出现频率低，但一旦出现就是结构性的。

这三个指标的价值在于它们互相牵制。单看溢价率容易被个案误导，单看交付周期容易被营销节奏干扰，三个一起看，能过滤掉大部分噪声。任何一项指标的短期波动都不足以支撑结论，连续两个季度的同向变化才值得调整判断。

从那以后我每次看到“四十天回本”这类测算，都会先把折旧年限和月出勤天数两栏调出来重算一遍，再看二手挂价和成交周期差多少。这个习惯救过我几次，也让我在别人追高的时候能坐得住。完整的技术层级拆解、成本测算口径和市场信号对照都整理在这份材料里，需要的话自取。希望帮到你。

本文还有配套的精品资源，点击获取