我与 ChatGPT 的长期对话：从一个个问题，到一本书和一系列作品

关于工作、学习、投资、写作、AI 协作，以及那些试图被留下来的时间

一、我和你一起做了什么？

2026 年 11 月 8 日，我向 ChatGPT 提出了一个问题：“我和你一块做了什么？帮我复盘一下。”这是一个很简单的问题，但我发现自己并不容易回答。

如果只看结果，我们确实做过不少事情。我们一起研究过金融投资，讨论过个人成长，构建过 Human Capital ETF（人力资本 ETF）框架，推进过《The Worker Investor / 工资之外》的研究与写作，并公开了中文阅读版，探索过 Siemens NX 自动化，建立过 Equation to Code 的技术研究方向，也为 Before the Genius、Build Your Vocabulary in a Meaningful Way 等项目制定过长期计划。

有些成果已经成为公开的文章、书籍、视频和代码；有些仍然停留在研究、实验或者构想阶段。

但这些事情为什么会发生？我并不是一开始就计划写一本书，也没有在第一次使用 ChatGPT 时，就明确自己要建立什么思想体系、打造什么产品，或者从事什么样的创作事业。

相反，最初的大部分交流都是零散的。遇到一个不理解的概念，我会问它；看到一种值得研究的投资策略，我会和它讨论；工作中碰到技术问题，我会尝试让它解释；阅读英文时，我会追问一句话为什么这样表达。

后来，这些问题逐渐发生了联系。金融投资引出了人力资本投资；人力资本投资引出了劳动、工资与所有权；对所有权的思考又进一步引出了写作、知识外化、工程自动化与商业模式。

直到最近，我才开始意识到：

过去这些看似独立的对话，实际上正在围绕同一个问题不断展开：一个普通人，如何让自己的劳动、知识、经验与时间，不只是被消耗，而是能够被积累、保存、转化，并在未来继续产生价值？

这篇文章不是一份逐条记录的聊天日志，而是我试图从这些长期对话中，重新找出它们的起点、转折与联系。

二、最初，我只是一个不断寻找答案的人

2025 年 1 月，我开始了自己的全职工程师工作。¹从学生到工程师，意味着生活方式发生了非常实际的变化。过去，我的主要任务是完成课程、考试和研究项目；进入公司后，我需要完成工程设计、理解工程规范、适应组织流程，并对自己的工作结果承担责任。

与此同时，我终于开始拥有相对稳定的工资收入。这带来了新的问题。收入应该如何分配？一个年轻人应该储蓄多少？投资股票还是 ETF？什么时候能够实现财务自由？如果每天都需要工作，那么所谓的个人成长，究竟能够带来什么？

那时候，我也在尝试用 AI 学习很多与工作没有直接关系的知识。英语、数学、物理、编程、金融、历史、写作。有时候，我们会用很长的时间讨论一个数学概念，比如在可微点、给定欧氏距离度量时，为什么非零梯度指向函数的最大方向导数方向；有时候，只是研究一个英文单词的词源，或者一句英语反问句的准确含义。

还有时候，我会把生活中的困惑、读书后的想法，或者工作中的观察直接告诉它。这些讨论在当时未必有什么清晰的目的。它们更像是不断发生的小型探索。

我提出问题，ChatGPT 给出解释；我发现解释中有不充分的地方，再继续追问。有时它帮助我迅速理解一个过去需要查阅很多资料的问题；有时它给出的答案并不准确，我必须纠正它，要求重新推导、核实依据。

我逐渐体会到，AI 最直接的作用，并不一定是替我完成任务，而是降低我从产生问题，到获得第一次可供检验的解释之间的成本。

但这个阶段也存在一个问题：我获得了很多答案，却不一定保留了这些答案。今天理解一个概念，明天研究另一个方向。聊天记录不断增加，但其中多少知识真正转化为自己的能力？这成为后来许多讨论的起点。

三、一次投资上的挫折，把问题引向了我自己

开始工作后，我也进入了金融市场。我研究过个股、行业趋势、公司的商业模式和长期增长前景，也曾因为投资判断失误而遭受明显亏损。

这些经历让我重新思考投资本身。我逐渐从试图判断个别公司的未来，转向理解分散投资、长期持有、资产配置与风险管理。不同指数 ETF 的覆盖范围、配置思路与风险差异，开始成为我反复研究的问题。

但是，另一个问题也随之出现。如果一个人能够把有限的金融资本分配到不同资产中，以追求长期回报，那么他是否也应该认真思考，如何配置自己的时间、精力、知识和能力？

我记得，我们曾经讨论过一个非常具体的设想：如果每个月拿出 100 美元，不是购买金融资产，而是用于学习、工具、能力建设或者其他非金融性投入，会发生什么？这类讨论逐渐发展成 Human Capital ETF。

当然，人力资本并不是一只真正可以交易的 ETF。人的知识、技能和能力，也不能简单套用股票的估值、收益率或复利公式。

但 ETF 所强调的配置、分散、风险管理和长期持有，为我提供了一种理解个人发展的新视角。

后来，我们逐步把 Human Capital ETF 整理为四个仓位：²

• Core： 健康、精力与职业主线等基础，保护持续生活和工作的能力。
• Growth： 通过学习、训练和实践，拓展未来可能具备的能力。
• Distribution： 将知识、能力和劳动成果外化为作品，并通过适当渠道让其他人能够接触、理解和使用。
• Meta： 对自己的目标、判断、投入方式与行动结果进行反思和调整。

这个框架不是一次聊天就形成的。我们曾经反复调整概念之间的关系，区分金融投资与人力资本投资，也讨论过什么才是真正的 Growth，以及 Distribution 为什么不能仅仅等同于流量传播。

我尤其开始重视一个词：Externalization（外化）。一个人理解了某件事，并不意味着其他人可以使用他的理解。只有当某种知识经过表达、整理、验证与交付，成为文章、教程、方法、代码或工具时，它才有可能被别人独立使用。

这使得个人成长不再只是一个人的内部过程。它开始与作品、他人和现实世界发生关系。

但是，我又遇到了一个更深的问题。

我们为什么要投资自己？为了获得更高的工资吗？如果最终仍然只能不断出售自己的时间，那么个人成长是否还有其他意义？

这个问题，后来成为《The Worker Investor》的思想起点。

四、我们开始写一本书

2026 年，我逐渐决定，要把这些关于劳动、工资、投资与个人发展的思考，整理成一部完整的作品。这就是《The Worker Investor》，中文名《工资之外》。

它的出发点并不是教人如何迅速致富。我更想研究的是：一个普通劳动者，在依靠工资维持生活的同时，能否通过金融投资、能力建设、知识积累和作品创作，逐步扩大自己的未来选择权？

在这个过程中，我开始真正把 ChatGPT 当作长期研究与写作协作者。

我们先讨论整本书要回答什么问题。最初的大纲并不稳定。章节之间有重复，有些主题的逻辑关系不够清晰，还有些概念只是抽象的口号，缺少现实依据。我们反复调整。哪一章应该先介绍工资？什么时候讨论资本？为什么要先解释风险，再谈投资？Human Capital ETF 应该放在哪里？个人案例应该如何连接经济机制？

我使用 ChatGPT 的 Deep Research 功能，对不同章节进行专题研究。在明确研究任务和章节结构之后，我会得到包含文献、案例、理论和论证线索的长篇材料。有些章节的研究初稿达到上万字。

但研究材料不等于书稿。生成一万字，与写好一万字，是完全不同的事情。

我需要检查其中的事实依据，判断哪些观点真正与主题有关，删去重复表达，重建段落关系，并确保各章能够共同回答整本书的问题。

后来，我开始使用 Codex 在本地处理书稿。一部分工作从聊天窗口转移到了实际文件中：根据要求修订章节、调整内容结构、处理跨章节的一致性，并不断改进整本书的组织方式。

这使我第一次比较系统地经历了一条 AI 辅助写作流程：

问题提出 → 大纲设计 → 深度研究 → 正文初稿 → 人工判断 → 本地修订 → 全书整合 → 公开发布。

其中，最难的部分并没有因为 AI 出现而消失。为什么要写这本书？哪些观点值得保留？什么经验是真实的？我愿意为哪些判断承担责任？这些问题仍然必须由我自己回答。

截至这次回顾，《The Worker Investor / 工资之外》已经公开了 421 页的中文 Early Access 阅读版，版本日期为 2026 年 10 月 14 日，包含前言、四部分、18 章和结语。它可以在公开仓库中阅读或下载。³

这并不意味着作品已经最终定稿。后续仍然需要修订、校对、补充证据与回应读者反馈。

但对于我而言，这是一个重要的节点。过去，我会把一个想法告诉 AI，然后得到一段回答。

这一次，我和 AI 协作研究、修改、整合了大量材料，最终形成了一部可以离开聊天窗口、被其他人阅读的书。

一个长期存在于对话中的问题，第一次以如此完整的形式成为了公开作品。

五、我逐渐意识到：保存时间，比节省时间更重要

在写书的过程中，我反复思考过一个问题：为什么人要写作？

当然，写作能够传播观点、形成影响力，也可能在未来带来经济回报。

在持续的讨论中，我开始用另一个角度理解它：

创作的一个重要价值，是把会随着时间流逝而消失的经验与认识，转化为未来仍然可以被调用的东西。

一次没有记录的思考，可能很快就会被遗忘。一次没有整理的工作经验，可能只在当次任务中发挥作用。但是，一篇文章、一份工程文档、一段程序、一本书，可以让曾经发生过的劳动在未来再次被使用。

我开始把作品理解为一种“时间的容器”。

这个比喻也改变了我对个人网站的认识。69mike.com 不应该只是一个展示自我介绍、学历和项目经历的地方。

我希望它逐渐成为一份公开、持续修订的知识档案。个人日记和原始记录保留经历，文章负责提炼观点，长期项目则把分散的认识组织成更完整的知识体系。

在这个过程中，我们逐渐形成了一条路线：

Experience → Capture → Think → Build → Publish → Feedback。

先从现实中获得经验，及时记录，然后通过思考和研究将其结构化，再形成作品，公开发布，并根据实际反馈继续改进。

这套流程也让我重新理解 ChatGPT 聊天记录的意义。我曾经形容，过去和 AI 一起学习、讨论，就像“零存整取”。每天可能只积累一点东西。今天讨论一个观点，明天修改一段表达，后天研究一个案例。短时间看，这些内容微不足道，但经过整理和重新组合，它们可能成为一篇长文、一套课程或者一个研究方向。

不过，这里必须区分两种不同的积累。

聊天记录的增加，并不自动意味着知识或资产的增加。

只有经过筛选、纠错、组织和实践，一部分信息才有可能真正转化为可以长期利用的成果。积累不是目的，转化才是关键。

六、另一条路线：从工程问题到可以重复执行的代码

除了写作，我们也在持续推进工程实践。我在商用车热管理领域工作，日常接触 CAD 设计、零部件、管路与工程规范。

在实际工作中，我发现很多任务存在重复执行的部分。例如，批量标注、管路长度统计、模型截图、干涉检查，以及不同设计任务中反复出现的数据处理。

这些工作让我想到：如果某件事情需要重复完成，能否把其中相对稳定的规则整理出来，让程序来执行？

于是，我开始尝试利用 AI 学习 Siemens NX 二次开发。最初，我对 NX Open 并不熟悉，也无法轻松独立编写完整脚本。我们需要不断查阅接口、理解对象关系、生成代码、尝试运行，然后根据报错和实际结果继续修改。

AI 提出的代码并不总是正确。有些 API 调用与实际版本不匹配，有些逻辑在理论上看似合理，却无法在具体工程环境中正常工作。

我必须在 NX 环境里验证，并把具体错误反馈给 AI。后来，一部分工作逐渐形成了可以实际运行的自动化工具，包括 PMI 标注、自动出图、管路统计和干涉检查相关功能。

这些成果的成熟度并不相同，其中不少仍需要继续测试，也不能直接视为可以出售的商业软件。

但它们提供了非常具体的证据：

过去只能依靠个人重复操作的一些工作，经过抽象、编码和验证，确实可以部分转化为由工具重复执行的能力。

这也让我开始研究“经验资产化”。完成一次工作，与把这次工作的方法保存下来，是两件不同的事。

第一次完成任务，可能只是交付了结果。如果在此基础上进一步记录输入、步骤、判断依据、异常情况与适用条件，就有可能形成一个可复用的流程。

当这个流程被写成程序、规范、模板或者工具，其他人甚至其他系统也有机会使用它。

这让我在自己的工程工作中，看到了与《The Worker Investor》相似的问题。一个是如何保存思想劳动的成果。另一个是如何保存工程劳动中的方法。

它们的表现形式不同，却都涉及同一个过程：

从个人经验，到外化的知识，再到可重复使用的能力。

七、我开始把学习也变成研究项目

在工程自动化之外，我逐渐发展出 Equation to Code。我一直对数学、物理、传热学、流体力学和数值计算有兴趣。

但我不希望只是不断阅读教材、理解公式，然后停留在“我学过这个知识点”的阶段。

我更希望形成一种完整的学习方法：从一个真实的物理问题出发，建立控制方程，明确初始条件和边界条件，选择数值方法，编写代码，分析结果，并进行验证。

例如，我们曾经讨论过梯度与方向导数的关系，也讨论过球在曲面上运动时，为什么局部梯度不能独自决定球的实际运动。

后来，这些问题被扩展到数值稳定性、动力学系统、传热过程和工程计算。

Equation to Code 逐渐形成了一条我希望持续实践的研究路线：

Physical Problem → Governing Equations → Mathematical Model → Numerical Method → Code → Verification & Validation。

目前，Equation to Code 已经有公开的技术 Notebook。第一项可运行的研究从“一个热球需要多久冷却”出发，连接传热模型、欧拉近似与验证；更多实验和交互式工具仍在设计中。⁴

但这个项目距离完整的技术知识库仍有很长的路要走。

另一个独立项目是 Before the Genius。

它想回答的问题是：历史上那些后来被称为天才的人，在获得巨大成就之前，经历了什么？

他们接受过怎样的教育，如何训练能力，受到哪些环境影响，又是通过什么过程逐渐形成自己的判断与创造力？

我希望把它作为一项长期历史研究，而不是把名人故事当作普通人的成功公式。

我们讨论过从欧拉等人物开始，研究那些在成就显现之前不容易被看见的训练过程。这仍是研究计划。

这与我自己的长期学习形成了有趣的联系。

如果个人发展真的能够产生长期效果，我们就需要研究其条件和机制，而不能简单假设只要努力、学习或坚持，结果就会自动出现。

这也正是我们最近讨论“人生复利”时重新意识到的问题。

金融复利有明确的数学定义和适用条件。人的能力、经验、职业发展和社会机会，却受到环境、反馈、约束、遗忘、技能折旧与偶然事件等因素的影响。

不能因为两个过程都可能出现增长，就认为它们遵循同一个数学机制。

真正值得研究的，不是如何把一切称为复利，而是具体的积累在什么条件下能够保存、被再次利用，并产生后续收益。

八、从解决自己的问题，到考虑其他人能否使用

随着这些项目逐渐发展，我开始发现一个新的限制。

我可以写很多文章，也可以构思很多课程和工具。但这些东西究竟对谁有用？

一篇文章是否解决了某个读者的问题？一段代码能否被其他工程师可靠地运行？一套学习框架是否真的改善了某个人的行动？

如果没有真实使用者和外部反馈，我很容易把自己认为有价值的事情，误认为已经创造了现实价值。

因此，2026 年下半年，我们开始越来越频繁地讨论 Distribution、Product、Business 与 Ownership。

我逐渐意识到，价值创造、价值交付与价值捕获是不同的过程。

一个人可能创造了很好的内容，却没有有效的传播渠道。也可能吸引了很多人的注意，却没有提供可靠的交付物。还可能交付了真正有用的成果，却没有形成可持续的收入机制。

这些问题不只是商业问题，也关系到劳动成果最终由谁保存和使用。

我开始研究普通创作者如何销售课程、书籍、工具和服务，也开始构思《The Worker Investor》的读者实践计划，以及如何验证第一个愿意付费的客户需求。

对于工程方向，我们讨论过 AI × NX 课程、技术工具与培训服务。对于《The Worker Investor》和 Human Capital ETF，我们讨论过书籍、工作坊、数字产品和长期内容分发。

但截至写下这篇文章时，这些仍然主要是探索和验证计划。我还不能把课程构想写成已经获得市场认可的产品，更不能把尚未确认的收入当作商业成功。

不过，问题的方向已经改变了。

早期，我关心的是：“AI 能帮我解决什么问题？”

后来，我关心：“我能不能把解决问题的过程保存下来？”

现在，我开始进一步追问：

“这些被保存下来的成果，能否持续帮助其他人？我是否拥有它们，并能否由此建立不完全依赖工资的价值创造方式？”

这也是我想在《The Worker Investor》的后续修订中进一步讨论 Business 的原因。

从 Worker 到 Investor，再进一步讨论 Owner，不能仅仅停留在身份标签上。它需要具体的机制。例如，知识如何外化，流程如何制度化，产品如何交付，成果的所有权如何确定，以及收入为什么能够在直接劳动结束后继续发生。这些都需要逐一论证。工程工具是否能成为个人可公开、可经营的资产，也取决于具体的权利归属，不能仅凭参与开发就下结论。

九、与 AI 长期协作，也让我看到它的边界

如果只写成果，这篇回顾就不完整。

因为我们也有大量讨论没有形成公开作品。有些研究做得很深入，却没有继续写成文章。有些项目拥有完整的大纲，却还没有完成第一份可验证的交付。还有一些想法，在不同对话中被反复提出、重新定义，实际上没有获得多少实质进展。

我逐渐认识到，AI 可能让一个人更容易产生新的想法，也更容易获得一种虚假的完成感。

完成了一份详细计划，不等于完成项目。生成了一个软件界面，不等于解决了用户问题。得到一篇结构完整的研究初稿，不等于其中的事实都已得到核验。写出一个数学公式，也不意味着它可以被应用于所有现实情境。

对我而言，AI 降低了初稿和初步方案的生产成本，但它不能自动承担真实世界中的验证责任。

尤其当我们共同讨论经济学、金融投资、历史研究和技术开发时，我必须不断要求它区分事实、假设、类比和未经验证的推论。

有时候，真正有价值的协作，不是 AI 给我一个令人满意的答案，而是我意识到它的回答有什么问题。我提出反对意见，让它解释假设，重新审视证据，然后共同修改原有判断。

因此，我越来越不希望 AI 只是一个不断赞同我的工具。

我需要它帮助我把问题想得更清楚，而不是让尚未成熟的想法听起来更加正确。

另一方面，AI 也不能替代我的现实经历。它没有替我对公司里的工程交付负责，没有承担我投资失误的后果，也没有亲身经历我在学习、工作和写作中的困难。

这些经历属于我。AI 能够参与的是对经验的解释、研究、组织、检验与表达。

我也不认为每一项学习都应该被转化成商业产品。有些阅读只是为了理解世界，有些写作只是为了保存个人记忆，有些历史研究可能很多年都不会创造直接收入。

它们依然有存在的价值。

把劳动成果转化为资产，不应该反过来成为一种要求自己时刻创造、时刻变现的新压力。

十、回头看，我们实际上建立了什么？

2026 年 11 月 8 日，当我重新问 ChatGPT“我们一起做了什么”时，我终于能够把这些项目放在同一幅图景里理解。

我的全职工作提供现实问题、工程训练和经济基础。金融投资帮助我学习资产配置、风险承担和长期资本积累。

Human Capital ETF 帮助我思考如何配置自己的能力、精力与发展资源。《The Worker Investor》则试图建立一种更完整的解释：普通劳动者怎样利用工资作为起点，积累金融与非金融资产，逐渐扩大自己的选择权。

Equation to Code 将专业知识转化为可以重复实验、运行和验证的技术作品。AI × NX 自动化将部分实际工作经验转化为可以复用的流程与工具。

Before the Genius 让我有机会从更长的历史尺度，研究人的能力与创造力如何形成。69mike.com 及其他公开平台，则负责保存、组织和传播这些成果。

这些项目并不是同一个项目的不同名称。它们各有自己的研究对象、方法、边界和成熟阶段。

但它们之间确实存在联系：

工作提供问题，学习提高能力，研究形成理解，创作保存成果，公开发布带来反馈，金融与非金融资产共同影响未来的选择权。

在这个意义上，我与 AI 的长期合作逐渐形成了一套方法，而不再只是一次次孤立的问答。

我也开始尝试建立更加持续的工作机制。例如，定期回顾工程自动化工作，追踪新的学术研究，推进 Human Capital ETF 视频，收集《The Worker Investor》的读者反馈，为长期写作寻找选题。

这些任务无法保证我一定获得某种结果，但至少可以让部分工作不再完全依赖偶然产生的灵感。

不过，我并不想把这套系统描述成已经成熟的个人生产机器。目前，许多工作仍然需要我亲自判断、推进和维护。真正独立运行的资产、稳定的用户群体和可持续的商业收入，仍然有待建设和验证。

我已经拥有一些作品。但距离拥有一个可以长期运行的事业，还有很长的距离。

十一、我不再只想知道答案

回顾这段历程，我发现自己的问题意识也在变化。

最初，我想知道某件事情应该如何理解。后来，我想知道如何把理解运用到工作和生活中。再后来，我希望能够把理解整理成一种别人也可以利用的方法。现在，我开始思考如何让这些方法形成可靠的作品、系统和产品，并在现实世界中接受检验。

这几种问题并没有相互取代。我仍然需要学习数学、物理和工程知识，也仍然喜欢研究英文表达、阅读书籍和讨论历史。

只是我开始更加注意，一次学习结束之后，究竟留下了什么。

有些知识可以留在自己的判断中，不必形成公开作品。有些经验可以写成笔记，供以后查阅。有些问题值得发展为一篇文章，有些可以形成工具，而极少数问题可能值得投入数月甚至数年，写成一本书或建立一项长期事业。

并不是所有想法都值得外化，也不是所有作品都一定能成为资产。它们需要经历选择、整理、验证、使用和不断修订的过程。

而我与 ChatGPT 的长期对话，至少让我开始有意识地进行这种转化。

过去，许多问题在得到答案后就结束了。

现在，我更愿意继续问：“这个答案有什么前提？”“我应该如何验证它？”“它能够应用到什么真实问题？”“如果值得保留，应该以什么形式保存？”“其他人能否不依赖我的解释而使用它？”“它能否成为下一次探索的起点？”

这些问题对我而言，比简单增加聊天次数更重要。

十二、下一次对话之前

写到这里，我想到一个有意思的假设。

如果从明天开始，我不再使用 ChatGPT，我们过去的合作还剩下什么？

已经公开的《The Worker Investor》仍然可以被阅读。Human Capital ETF 仍然可以作为一套有待持续检验和完善的个人发展框架。69mike.com 上已经发布的文章仍然存在。

部分 NX 自动化代码仍然能够在适用环境中运行。Equation to Code 的 Notebook 和研究材料仍然可以继续被学习、修改和使用。

那些尚未完成的计划，也可以作为未来工作的起点。

当然，它们并不会因此自动增长，更不会自动产生收入。一本书需要继续修订，一个程序需要维护，一套思想需要接受批评，一个产品需要真实用户。

但是，与那些只存在于即时对话中的回答相比，它们已经获得了某种更持久的形式。

我想，这就是过去这段合作最值得记录的结果。它不是 AI 替代了我的思考，也不是我通过 AI 突然获得了某种超出自身能力的成功。

而是我逐渐找到一种方式，尝试将自己的现实经历、专业知识、问题意识和长期兴趣，与 AI 提供的研究、表达和编程能力结合起来，形成一些可以被保留下来的成果。

曾经，我只是不断向 AI 提问。后来，我们开始围绕某些问题持续讨论。再后来，一部分讨论成为了文章、书籍、视频和代码。

而现在，我希望这些作品能够进一步接受真实世界的使用与检验。

从获得答案，到形成理解；从形成理解，到创造作品；从创造作品，到尝试建立长期价值。

这不是一条已经走完的道路。甚至可以说，我们只是走过了它的最初一段。

但我越来越清楚自己为什么要走下去。

因为对于我而言，工作不应该只是等待下一次发薪，学习不应该只是完成下一项课程，写作也不应该只是发布下一篇文章。

我希望它们在满足当下需要的同时，能够为未来保留更多可以使用的能力、作品、关系和机会。

正如我在《The Worker Investor》中反复探讨的那样：

工资是起点，而不一定是终点。

如果说过去一年多的 AI 协作带来了什么真正的变化，那不是我拥有了多少聊天记录，而是我开始更加认真地思考：

今天我投入的时间，除了完成今天的事情，还能留下些什么？

这篇文章本身，也是一次回答。

本文根据个人经历、与 ChatGPT 的阶段性回顾及公开作品整理，由 AI 协助编辑。这不是完整聊天档案；项目进展截至 2026 年 11 月 8 日，已公开、正在验证和仍属构想的工作，在文中分别说明。

参考资料