type
status
date
slug
summary
tags
category
icon
password
URL
本指南分享了从大型语言模型（有时称为GPT模型）如GPT-4中获得更好结果的策略和战术。这里描述的方法有时可以组合使用以达到更大的效果。
我们鼓励尝试不同的方法，找到最适合你的方式。
这里展示的一些示例目前仅适用于我们最强大的模型
gpt-4 。一般来说，如果你发现一个模型在某个任务上失败了，并且有一个更强大的模型可用，那么再次尝试使用更强大的模型通常是值得的。您还可以探索展示我们模型能力的示例提示：
获取更好结果的六个策略
这些模型无法读取你的思想。如果输出太长，请要求简短回复。如果输出太简单，请要求专家级写作。如果你不喜欢这种格式，请展示你想要看到的格式。
模型越不需要猜测你想要的，你得到的可能性就越大。
战术
语言模型可以自信地创造虚假答案，尤其是在被问及深奥的话题、引用和URL时。
以同样的方式，提供参考文本给这些模型可以帮助回答问题时减少虚构。
战术
将复杂系统分解为一组模块化组件是软件工程中的良好实践，同样适用于提交给语言模型的任务。复杂任务的错误率往往高于简单任务。
此外，复杂的任务通常可以重新定义为一系列较简单的任务，其中前面任务的输出被用来构建后面任务的输入。
战术
如果被要求将17乘以28，你可能不会立刻知道答案，但仍然可以用时间来计算出来。同样地，模型在试图立即回答问题时会产生更多的推理错误，而不是花时间来计算出答案。
在回答之前要求一个“思维链条”可以帮助模型更可靠地推理出正确答案。
战术
通过向模型提供其他工具的输出来弥补模型的弱点。例如，文本检索系统（有时称为RAG或检索增强生成）可以向模型提供相关文档的信息。
像OpenAI的代码解释器这样的代码执行引擎可以帮助模型进行数学计算和运行代码。如果一个任务可以通过工具而不是语言模型更可靠或更高效地完成，那么将其卸载以获得最佳效果。
战术
如果能够衡量，改善性能就会更容易。在某些情况下，对提示进行修改可能会在一些孤立的示例上实现更好的性能，但在更具代表性的示例集上导致整体性能变差。
因此，为了确保变化对性能的影响是净积极的，可能需要定义一个全面的测试套件（也称为“评估”）。
策略
战术
上述列出的每个策略都可以通过具体的战术来实施。这些战术旨在提供尝试的思路。它们绝不是全面的，您可以随意尝试这里未提及的创意想法。
为了获得高度相关的回答，请确保请求提供任何重要的细节或背景。否则，您将让模型猜测您的意思。
更糟的 | 更好 |
如何在Excel中添加数字？ | 如何在Excel中累加一行美元金额？我想自动为整个工作表的行进行累加，所有的总数都会出现在右侧的名为“总计”的列中。 |
谁是总统？ | 2021年墨西哥的总统是谁，选举频率是多久一次？ |
编写代码来计算斐波那契数列。 | 编写一个TypeScript函数来高效地计算斐波那契数列。在代码中自由地添加注释，解释每个部分的作用以及为什么以这种方式编写。 |
总结会议记录。 | 总结会议记录为一个段落。然后写一个标记列表，列出发言人和他们的要点。最后，列出发言人建议的下一步或行动项目，如果有的话。 |
系统消息可用于指定模型在回复中使用的角色。
- 系统
当我请求帮助写作时，你会回复一个包含至少一个笑话或玩笑评论的文件，每个段落都有。
- 用户
给我的钢螺栓供应商写一封感谢信，感谢他们及时并在短时间内交付货物。这使我们能够交付一份重要的订单。
分隔符，如三重引号，XML标签，章节标题等，可以帮助标记文本的不同处理部分。
- 用户
总结三引号之间的文本
用俳句的形式表达
请在此处插入文本
- 系统
您将获得一对关于同一主题的文章（用XML标签分隔）。首先总结每篇文章的论点。然后指出哪篇文章提出了更好的论点，并解释原因。
- 用户
在这里插入第一篇文章
<文章>在这里插入第二篇文章
- 系统
您将获得一篇论文摘要和一个建议的标题。论文标题应该让读者对论文的主题有一个很好的了解，同时也要引人注目。如果标题不符合这些标准，请提供5个备选方案。
- 用户
摘要：在这里插入摘要
标题：在此处插入标题
对于这样直接的任务，使用分隔符可能不会对输出质量产生影响。然而，任务越复杂，消除任务细节的歧义就越重要。不要让模型费力去理解你具体要求什么。
有些任务最好被定义为一系列步骤。明确地写出这些步骤可以使模型更容易遵循。
- 系统
使用以下逐步说明来响应用户输入。
步骤1 - 用户将以三引号形式提供给您的文本。Summary: 用一个前缀“Summary:”来总结这段文字。
步骤2 - 将步骤1中的摘要翻译成西班牙语，并在前面加上“翻译：”前缀。
- 用户
请在此处插入文本
提供适用于所有示例的一般指导通常比通过示例展示任务的所有排列更高效，但在某些情况下，提供示例可能更容易。
例如，如果您打算让模型模仿一种难以明确描述的特定用户查询响应风格。这被称为“少样本”提示。
- 系统
以一致的风格回答。
- 用户
教我耐心。
- 助手
刻下最深峡谷的河流源自一处普通的泉眼；最宏伟的交响乐从一声单音起源；最复杂的挂毯由一根孤独的线开始。
- 用户
教我关于海洋。
您可以要求模型生成给定目标长度的输出。目标输出长度可以根据单词、句子、段落、项目符号等进行指定。
请注意，指示模型生成特定数量的单词并不具有高精度。模型可以更可靠地生成具有特定数量的段落或项目符号的输出。
- 用户
用三个引号括起来的文本总结为大约50个字。
请在此处插入文本
- 用户
将用三个引号括起来的文本总结为两个段落。
请在此处插入文本
- 用户
总结用三个引号括起来的文本，用三个要点概括如下：
- 文本被三个引号括起来。
- 需要用三个要点来总结。
- 要点应该简明扼要。
请在此处插入文本
如果我们能为模型提供与当前查询相关的可信信息，那么我们可以指示模型使用提供的信息来组成其答案。
- 系统
使用用三个引号括起来的提供的文章来回答问题。如果在文章中找不到答案，请写下“我找不到答案”。
- 用户
请提供要翻译的具体文章
问题：请在此处插入问题
鉴于所有模型都有有限的上下文窗口，我们需要一种动态查找与所提问问题相关的信息的方法。嵌入可以用来实现高效的知识检索。有关如何实现这一点的更多详细信息，请参阅策略“使用基于嵌入的搜索来实现高效的知识检索”。
如果输入已经补充了相关知识，那么要求模型通过引用提供的文档中的段落来为其答案添加引用是很直接的。
请注意，输出中的引用可以通过在提供的文档中进行字符串匹配来进行程序验证。
- 系统
您将获得一个由三个引号分隔的文档和一个问题。您的任务是仅使用提供的文档回答问题，并引用用于回答问题的文档段落。如果文件中没有包含回答这个问题所需的信息，则简单地写上：“信息不足。”如果提供了问题的答案，必须用引文进行注释。使用以下格式引用相关段落（{"citation": …}）。
- 用户
请提供要翻译的具体文本
问题：请在此处插入问题
对于需要处理不同情况下的大量独立指令集的任务，首先对查询类型进行分类，并使用该分类确定所需的指令可能是有益的。
这可以通过定义固定的类别和硬编码与处理给定类别任务相关的指令来实现。这个过程也可以递归地应用于将任务分解为一系列阶段。这种方法的优势在于每个查询只包含执行任务下一阶段所需的指令，与使用单个查询执行整个任务相比，可以降低错误率。这也可能导致成本降低，因为更大的提示会产生更高的运行成本（请参阅定价信息）。
假设以客户服务应用为例，查询可以有以下有用的分类：
- 系统
您将获得客户服务查询。将每个查询分类为主要类别和次要类别。以json格式提供输出，键名为primary和secondary。
主要类别：账单、技术支持、账户管理或一般查询。
计费次要类别：
取消订阅或升级
添加支付方式
费用解释
争议一项费用
技术支持次要分类：
故障排除
设备兼容性
软件更新
账户管理次要分类：
密码重置
更新个人信息
关闭账户
账户安全
一般查询的次级分类：
产品信息
定价
反馈
与人交谈
- 用户
我需要让我的互联网重新工作起来。
根据客户查询的分类，可以为模型提供一组更具体的指令，以便处理下一步。例如，假设客户需要“故障排除”方面的帮助。
- 系统
您将收到需要在技术支持环境中进行故障排除的客户服务咨询。通过以下方式帮助用户：
请他们检查路由器与所有电缆的连接情况。请注意，随着时间的推移，电缆松动是常见的。
如果所有电缆都连接好，问题仍然存在，请询问他们使用的路由器型号
现在你将告诉他们如何重新启动他们的设备
如果型号是MTD-327J，请建议他们按下红色按钮并保持5秒钟，然后等待5分钟再测试连接。
如果型号是MTD-327S，请建议他们拔下插头，然后重新插上，然后等待5分钟后再测试连接。
如果客户在重启设备并等待5分钟后问题仍然存在，请通过输出{"请求IT支持"}将他们连接到IT支持。
如果用户开始提出与此主题无关的问题，请确认他们是否希望结束当前的故障排除聊天，并根据以下方案对他们的请求进行分类：
<在此处插入上述的主要/次要分类方案>
- 用户
我需要让我的互联网重新工作起来。
请注意，模型已被指示发出特殊的字符串，以指示对话状态何时发生变化。这使我们能够将我们的系统转变为一个状态机，其中状态决定了注入哪些指令。
通过跟踪状态，确定在该状态下哪些指令是相关的，以及可选地确定从该状态允许的状态转换，我们可以为用户体验设置防护措施，这是使用较少结构化方法很难实现的。
由于模型具有固定的上下文长度，用户和助手之间的对话，其中整个对话都包含在上下文窗口中，无法无限期地继续。
有多种解决这个问题的方法，其中之一是总结之前对话中的回合。
一旦输入的大小达到预定的阈值长度，这可能会触发一个查询，总结对话的一部分，并将之前对话的摘要作为系统消息的一部分包含进去。或者，之前的对话可以在整个对话过程中异步地在后台进行总结。
另一种解决方案是动态选择与当前查询最相关的先前对话部分。请参阅策略“使用基于嵌入的搜索来实现高效的知识检索”。
由于模型具有固定的上下文长度，它们无法在单个查询中用于总结超过上下文长度减去生成摘要长度的文本。
总结一本非常长的文件，比如一本书，我们可以使用一系列查询来总结文件的每个部分。部分摘要可以连接并总结，从而产生摘要的摘要。
这个过程可以递归进行，直到整个文档被总结。如果需要使用前面部分的信息来理解后面的部分，那么一个有用的技巧是在总结当前内容时，包含一份关于该书给定点之前的文本的连续摘要。这个过程用于总结书籍的有效性已经在OpenAI的先前研究中使用GPT-3的变体进行了研究。
有时候，当我们明确指示模型在得出结论之前从基本原理进行推理时，我们可以获得更好的结果。例如，假设我们想要一个模型来评估学生对数学问题的解答。
最明显的方法是简单地询问模型学生的解答是否正确。
- 系统
确定学生的解决方案是否正确。
- 用户
问题陈述：我正在建设一个太阳能发电装置，我需要帮助计算财务情况。
土地成本为每平方英尺100美元
我可以以每平方英尺250美元的价格购买太阳能电池板
我为维护合同进行了谈判，每年的费用是固定的10万美元，另外每平方英尺10美元
第一年运营的总成本是以平方英尺数量为函数的。
学生的解决方案：设x为安装的面积，单位为平方英尺。
土地成本：100x
太阳能电池板成本：250倍
维护成本：100,000 + 100x
总成本：100x + 250x + 100,000 + 100x = 450x + 100,000
- 助手
学生的解答是正确的。
但是学生的解决方案实际上是不正确的！我们可以通过提示模型首先生成自己的解决方案来使模型成功地注意到这一点。
- 系统
先自己解决问题，然后将自己的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。在自己解决问题之前，不要决定学生的解决方案是否正确。
- 用户
问题陈述：我正在建设一个太阳能发电装置，我需要帮助计算财务情况。
土地成本为每平方英尺100美元
我可以以每平方英尺250美元的价格购买太阳能电池板
我为维护合同进行了谈判，每年的费用是固定的10万美元，另外每平方英尺10美元
第一年运营的总成本是以平方英尺数量为函数的。
学生的解决方案：设x为安装的面积，单位为平方英尺。
土地成本：100x
太阳能电池板成本：250倍
维护成本：100,000 + 100x
总成本：100x + 250x + 100,000 + 100x = 450x + 100,000
- 助手
设x为安装的面积，以平方英尺为单位。
土地成本：100x
太阳能电池板成本：250倍
维护成本：100,000 + 10x
总成本：100x + 250x + 100,000 + 10x = 360x + 100,000
学生的解答是错误的。他们在维护成本计算中犯了一个错误，使用了100x而不是10x。第一年运营的正确总成本是360x + 100,000。
前面的策略表明，模型有时在回答特定问题之前，对问题进行详细推理是很重要的。
对于某些应用程序来说，模型用于得出最终答案的推理过程不适合与用户分享。例如，在辅导应用中，我们可能希望鼓励学生自己解答问题，但模型对学生解决方案的推理过程可能会向学生透露答案。
内心独白是一种可以用来缓解这个问题的策略。内心独白的想法是指示模型将那些意图对用户隐藏的输出部分放入一个结构化的格式中，以便于解析。
然后在向用户呈现输出之前，对输出进行解析，只显示部分输出。
- 系统
按照以下步骤回答用户的查询。
第一步 - 首先自己解决问题。不要依赖学生的解决方案，因为它可能是错误的。将此步骤中的所有工作用三个双引号（""")括起来。
步骤2 - 将您的解决方案与学生的解决方案进行比较，并评估学生的解决方案是否正确。将此步骤中的所有工作用三个双引号（""")括起来。
第三步 - 如果学生犯了一个错误，确定你可以给学生什么提示，而不是直接给出答案。将此步骤中的所有工作用三个双引号（""")括起来。
第四步 - 如果学生犯了错误，请向学生提供来自上一步的提示（在三引号之外）。而不是写"第四步 - ..."，写"提示："。
- 用户
问题陈述： <插入问题陈述>
学生解决方案： <插入学生解决方案>
或者，可以通过一系列查询来实现，其中除了最后一个查询以外，所有查询的输出都对最终用户隐藏。
首先，我们可以要求模型自行解决问题。由于这个初始查询不需要学生的解决方案，可以省略。
这样做的额外优势是，模型的解决方案不会受到学生尝试解决方案的偏见的影响。
- 用户
<插入问题陈述>
接下来，我们可以让模型利用所有可用的信息来评估学生解答的正确性。
- 系统
比较你的解决方案和学生的解决方案，并评估学生的解决方案是否正确。
- 用户
问题陈述：“<插入问题陈述>”
您的解决方案："""<插入模型生成的解决方案>"""
学生的解决方案："""<插入学生的解决方案>"""
最后，我们可以让模型利用自己的分析来构建一个以乐于助人的导师角色的回复。
- 系统
你是一位数学导师。如果学生犯了错误，请以不透露答案的方式给予学生提示。如果学生没有犯错误，只需给予他们鼓励的评论。
- 用户
问题陈述：“<插入问题陈述>”
您的解决方案："""<插入模型生成的解决方案>"""
学生的解决方案："""<插入学生的解决方案>"""
分析："""<插入前一步骤生成的模型分析>"""
假设我们正在使用一个模型来列出与特定问题相关的源文摘要。在列出每个摘要后，模型需要确定是否应该开始写另一个摘要，还是停止。
如果源文件很大，模型通常会过早停止，未能列出所有相关的摘录。在这种情况下，通过提示模型使用后续查询来找到之前漏掉的任何摘录，通常可以获得更好的性能。
- 系统
您将获得一个由三个引号分隔的文档。你的任务是选择与以下问题相关的摘录：“人工智能的历史中发生了哪些重大的范式转变。”
确保摘录包含所有必要的上下文以便解释它们 - 换句话说，不要提取缺少重要上下文的小片段。以以下方式提供JSON格式的输出：
[{"摘录": "..."},
...
{"摘录": "..."}
- 用户
请提供要翻译的具体文本
- 助手
[{"摘录": "模型在这里写下了一个摘录"}]
...
{"摘录": "模型在这里写下另一个摘录"}
- 用户
有更多相关的摘录吗？注意不要重复摘录。同时确保摘录包含解释所需的所有相关上下文 - 换句话说，不要提取缺少重要上下文的小片段。
如果作为输入的一部分提供外部信息，模型可以利用这些信息。这可以帮助模型生成更加明智和最新的回答。
例如，如果用户提出关于一部特定电影的问题，将有关该电影的高质量信息（例如演员、导演等）添加到模型的输入中可能会很有用。嵌入可以用于实现高效的知识检索，以便在运行时动态地将相关信息添加到模型输入中。
文本嵌入是一个可以衡量文本字符串相关性的向量。相似或相关的字符串会比不相关的字符串更接近。
这个事实以及快速向量搜索算法的存在意味着嵌入可以用来实现高效的知识检索。特别是，一个文本语料库可以被分割成块，每个块可以被嵌入和存储。然后可以嵌入给定的查询，并进行向量搜索，以找到与查询最相关的语料库中嵌入的文本块（即在嵌入空间中最接近的文本块）。
在OpenAI Cookbook中可以找到示例实现。请参阅策略“指导模型使用检索到的知识来回答查询”以了解如何使用知识检索来最小化模型编造错误事实的可能性。
语言模型不能单独依赖进行准确的算术或长时间的计算。在需要这样做的情况下，可以指示模型编写和运行代码，而不是进行自己的计算。
特别是，可以指示模型将要运行的代码放入指定的格式，例如三个反引号。生成输出后，可以提取并运行代码。最后，如果需要，可以从代码执行引擎中获取输出。可以将Python解释器作为下一个查询的输入提供给模型。
- 系统
您可以通过使用三个反引号将其括起来来编写和执行Python代码，例如```code goes here```。使用此方法进行计算。
- 用户
找出以下多项式的所有实根：3*x**5 - 5*x**4 - 3*x**3 - 7*x - 10.
另一个代码执行的好用例是调用外部API。如果模型被指导正确使用API，它可以编写利用它的代码。
通过提供文档和/或代码示例，可以向模型传授如何使用API的指导。
- 系统
您可以通过使用三个反引号将其括起来来编写和执行Python代码。还请注意，您可以访问以下模块来帮助用户向他们的朋友发送消息：
请注意，我是一个专业的翻译引擎，只返回译文，不含任何解释。以下是您的翻译结果：
```python
导入消息
嘿，下班后想见面吗？
警告：执行由模型生成的代码本身并不安全，任何试图执行此操作的应用程序都应采取预防措施。特别是，需要一个沙盒式的代码执行环境来限制不受信任的代码可能造成的危害。
聊天完成API允许在请求中传递函数描述的列表。这使得模型能够根据提供的模式生成函数参数。生成的函数参数以JSON格式由API返回，并可用于执行函数调用。
然后，可以将函数调用提供的输出反馈到模型中，以完成循环。这是使用OpenAI模型调用外部函数的推荐方式。要了解更多信息，请参阅我们的文本生成指南中的函数调用部分以及OpenAI Cookbook中的更多函数调用示例。
有时候很难判断一个改变（例如，新的指令或新的设计）是让你的系统变得更好还是更糟。
通过几个例子可以暗示哪个更好，但是由于样本量较小，很难区分是真正的改进还是随机运气。也许这种改变对某些输入的性能有所帮助，但对其他输入的性能有所损害。
评估程序（或“evals”）对于优化系统设计非常有用。好的评估是：
- 真实世界使用的代表（或至少多样化）
- 包含许多测试案例以提高统计能力（请参考下表的指南）
- 易于自动化或重复
差异检测 | 95%置信度所需的样本大小 |
30% | ~10 |
10% | ~100 |
3% | ~1,000 |
1% | ~10,000 |
输出的评估可以由计算机、人类或混合进行。计算机可以使用客观标准（例如，具有单一正确答案的问题）以及一些主观或模糊的标准来自动评估，其中模型输出由其他模型查询进行评估。OpenAI Evals是一个开源软件框架，提供用于创建自动评估的工具。
当存在一系列可能被认为是同等高质量的输出时，基于模型的评估可以很有用（例如，对于需要长答案的问题）。
通过基于模型的评估可以实际评估的内容与需要人工评估的内容之间的界限模糊不清，并且随着模型能力的提升而不断变化。我们鼓励尝试实验，以确定模型评估在您的使用情况下能够发挥多大作用。
假设已知正确答案应参考一组特定的已知事实。然后，我们可以使用一个模型查询来计算答案中包含了多少个所需事实。
例如，使用以下系统消息：
- 系统
您将获得由三个引号分隔的文本，这应该是对一个问题的答案。检查以下信息是否直接包含在答案中：
尼尔·阿姆斯特朗是第一个在月球上行走的人。
尼尔·阿姆斯特朗首次登上月球的日期是1969年7月21日。
对于每个点执行以下步骤：
1 - 重申这一观点。
2-提供一个与此观点最接近的答案引用。
考虑一下，如果一个不了解这个话题的人读到这个引用，能否直接推断出这个观点。在做出决定之前解释为什么或为什么不。
4 - 如果问题3的答案是“是”，则写下“是”，否则写下“否”。
最后，提供有多少个“是”答案的计数。将此计数提供为{"count": <插入计数值>}。
以下是一个满足两个条件的示例输入：
- 系统
请在上方插入系统消息
- 用户
尼尔·阿姆斯特朗因成为第一个登上月球的人而闻名。这一历史性事件发生在1969年7月21日，当时是阿波罗11号任务。
这是一个只满足一个点的示例输入
- 系统
请在上方插入系统消息
- 用户
尼尔·阿姆斯特朗踏出登月舱时创造了历史，成为第一个在月球上行走的人。
以下是一个没有满足条件的示例输入：
- 系统
请在上方插入系统消息
- 用户
在69年的夏天，一次伟大的航行
阿波罗11号，勇敢如传说之手。
阿姆斯特朗迈出了一步，历史展开了
"一个小步骤，"他说，为了一个新世界。"
这种基于模型的评估方法有许多可能的变体。
考虑以下变化，跟踪候选答案与黄金标准答案之间的重叠程度，并跟踪候选答案是否与黄金标准答案的任何部分相矛盾。
- 系统
使用以下步骤来响应用户输入。在继续之前，完整重述每个步骤。即：步骤1：原因...
步骤1：逐步比较提交的答案中的信息与专家答案之间的关系，可能是：不相交、相等、子集、超集或重叠（即）一些交集但不是子集/超集。
步骤2：逐步推理提交的答案是否与专家答案的任何方面相矛盾。
步骤3：输出一个结构化的JSON对象，格式如下：{"type_of_overlap": "disjoint"或"equal"或"subset"或"superset"或"overlapping"，"contradiction": true或false}
这是一个示例输入，其中包含一个次标准的答案，尽管如此，它并不与专家答案相矛盾
- 系统
请在上方插入系统消息
- 用户
问题: "Neil Armstrong最著名的事件是什么，它发生在哪个日期？假设使用UTC时间。"
"他不是在月球上行走过吗或者什么的？"
专家答案：尼尔·阿姆斯特朗最著名的是成为第一个在月球上行走的人。这一历史事件发生在1969年7月21日。
这是一个例子输入和答案，直接与专家答案相矛盾
- 系统
请在上方插入系统消息
- 用户
尼尔·阿姆斯特朗最著名的事件是什么，它发生在哪个日期？假设为协调世界时。
1969年7月21日，尼尔·阿姆斯特朗成为第二个登上月球的人，紧随巴兹·奥尔德林之后。
专家答案：尼尔·阿姆斯特朗最著名的是成为第一个在月球上行走的人。这一历史事件发生在1969年7月21日。
这是一个示例输入，正确答案还提供了比必要的更多细节
- 系统
请在上方插入系统消息
- 用户
尼尔·阿姆斯特朗最著名的事件是什么，它发生在哪个日期？假设为协调世界时。
在1969年7月21日UTC时间02:56左右，尼尔·阿姆斯特朗成为第一个踏上月球表面的人类，标志着人类历史上的一个重大成就。
专家答案：尼尔·阿姆斯特朗最著名的是成为第一个在月球上行走的人。这一历史事件发生在1969年7月21日。
- 其他资源
要获取更多灵感，请访问OpenAI Cookbook，其中包含示例代码，还提供了第三方资源的链接，例如：
- 作者:Ai-皇帝
- 链接:https://www.ai-hd.com/article/c846f6dc-7ba7-471e-8794-ef85ce7ede2b
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。