对话Zilliz星爵：大模型会让向量数据库沦为“花架子”吗？

在 NVIDIA GTC 2023 大会上，黄仁勋官宣了和 Milvus 项目合作，Zilliz 被三次邀请上台演讲；大会三天之后，OpenAI 官宣和 Zilliz 合作，在发布的 chatgpt-retrieval-plugin 产品中接入 Milvus 和 Zilliz Cloud。

这是属于向量数据库公司 Zilliz 的高光时刻之一。

那一年，随着大模型爆火，层出不穷的幻觉以及专业领域知识的匮乏，成了影响大模型落地的重要桎梏。而向量数据库作为大模型的的“外部记忆外挂”，承担了起了通过对本地知识进行语义检索，补全大模型落地最后一块短板的角色。

也是在这一过程中，RAG（Retrieval-Augmented Generation,检索增强生成 ）作为大模型结合向量数据库的经典搭配范式，成为了继电商推荐、自动驾驶之后，向量数据库爆发的又一超级场景。

然而，到了 2025 年，在与雷峰网交流时，Zilliz 的 CEO 星爵却直言：传统 RAG 已死。

在他看来，随着推理模型的进步，人们对大模型的知识搜寻不再满足于“一次性”的检索，而希望能对问题进行拆解，然后多次根据反馈来做精细化地搜寻，形成完整解答。

基于这一判断，Zilliz 今年二月发布的基于 DeepResearch 理念的开源项目 DeepSearcher，一个月左右，就在 GitHub 上收到差不多 5000个 star，其火爆程度可见一斑。

在成立 Zilliz 前，星爵在 2009-2015 年间，曾任职于 Oracle，并成为了 Oracle 云数据库产品的前五个创始工程师之一。那段经历，让他亲自参与了当时全世界最先进的数据库系统的建设，更让他坚定了“云是未来”的信念。

而 Oracle 的经历，也在他心中播下了“创造奇迹”的种子：2009 年 6 月，在他前去 Oracle 报道的第一天，他在电梯里遇到一位推着单车，操着一口浓厚的法国口音的工程师。他俩攀谈了一阵，彼此留下了深刻的印象。接下来的两年多时间里，星爵一直与这位工程师同在 Oralce 美国总部 400 号大楼的 7 楼工作，直到其在 2012 年离职创业。这位工程师名叫 Thierry Cruanes，他的创业项目叫 Snowflake。

“见证奇迹是有感染力的。他会逼着你不安现状，然后去思考，去改变，去创造属于自己的传奇”，星爵感慨。

于是，怀抱着创造奇迹的梦想，星爵于 2017 年创立 Zilliz，在大模型风潮尚未席卷全世界时，便已坚定地走向量数据库这条路。“这个世界上存在着 80% 的非结构化数据，AI 理论上让大规模、高效处理非结构化数据成为可能。我很兴奋，希望把握这个机会”。从起初频频遭投资人礼貌拒绝，到后来在 Forrester Wave™ 向量数据库报告中获评领导者象限最高分，他把 Zilliz 的这场尝试称为“理想主义工程师的大冒险”。

但 Zilliz 的成长史，似乎也在不停面临关于“存在意义”的问题：开源比起闭源的意义，向量数据库在通用数据库面前的意义……而在大模型越来越万能的今天，也有人质疑，大模型的进化是否会让向量数据库的作用渐失？向雷峰网回顾商业化进程的同时，星爵也对此做出回应。以下是雷峰网在不改变对话原意基础上所做的整理。

大模型和向量数据库：仍会互相合作

雷峰网：有个说法，DeepSeek这样的推理大模型出来，让很多过去做的 RAG 瞬间变成“花架子”，向量数据库好像没那么有用了？

星爵：短期来看，确实一些基于公开数据构建的 RAG 应用可能会受到影响，但对于企业私有数据与大模型的结合场景，向量数据库仍然是不可或缺的基础设施。中期角度看，DeepSeek这类推理模型的出现反而会加速AI应用的普及与爆发，催生更多非结构化数据的产生、管理和应用需求，这实际上会进一步扩大向量数据库的市场空间。

长远来看，计算与存储的协同是计算机系统中永恒的基本范式。回顾历史，在计算机发展初期，当冯·诺依曼提出存储计算分离架构时，也曾有人质疑随着 CPU 性能的提升，存储设备会被边缘化。但事实证明，随着算力的增长，存储需求也在同步扩大。预计未来五年内，人类将产生的非结构化数据量可能会超过此前历史上的总和，这更加凸显了存算协同架构的重要性。

雷峰网：最近 Zilliz 在大模型应用上也有些进展，比如 DeepSearcher 开源项目，可以介绍下吗？

星爵：OpenAI 此前推出了 DeepResearch（深度研究）工具，它能够通过多步骤信息收集与推理来生成专业报告。但每月 200 美元的订阅费对许多用户来说过于昂贵，而且该工具在处理企业本地数据方面存在效率瓶颈。看到这一痛点，我们开发出了 DeepSearcher，通过本地部署方式实现了类似功能。DeepSearcher 将大模型、高级搜索和研究助理功能融为一体，特别优化了对本地数据的处理能力，使其更适合企业实际应用场景。这一项目一经推出就获得了广泛关注，在短短一个月内，GitHub 上的 Star 数量就接近 5000。

雷峰网：为什么会看好 DeepResearch 类产品？

星爵：从长远角度看，DeepResearch 这类 Agentic RAG 将会完全替代传统RAG模式。传统 RAG 仅进行单次（one-shot）信息检索，只适合解决相对简单的问题。而 Agentic RAG 充分发挥了大语言模型的深度推理能力，能够通过思维链将复杂问题分解为多个子任务逐步解决。在这一过程中，系统可以针对每个子任务通过向量数据库进行精准检索，实现多轮信息获取，大幅提升信息检索的广度和深度，从而显著降低大模型产生幻觉的可能性。

雷峰网：您之前说向量数据库下一个杀手级的应用可能是 AI Agent，目前我们距离 AI Agent 时代彻底到来还差什么？以及之后数据库在 AI Agent 里如何更好发挥作用？

星爵：AI Agent 的本质是帮助人类处理复杂任务，或者说复合任务。这类任务往往需要多步骤推理、多轮决策，因此 Agent 需要一个可靠的记忆体系来存储中间状态和历史信息，而向量数据库恰好可以很好地承担这个作用。向量数据库能够高效存储和检索非结构化数据，为 Agent 提供长期记忆和知识检索能力，使其能够在复杂任务执行过程中保持上下文连贯性。

目前 AI Agent 领域面临的主要挑战并不在数据存储这一侧。Agent 技术的发展仍处于早期阶段，整个行业还没有找到真正具有颠覆性的杀手级应用。我们尚未看到能够在实际生产环境中大规模部署、并为客户解决实际问题的应用场景。这些场景的发掘和打磨需要工业界和学术界的共同努力。

从技术角度看，Agent 还面临着规划能力不足、多步骤任务协调困难、以及与现实世界交互能力有限等问题。这些挑战需要在模型架构、推理机制和系统集成等多个层面进行突破。我相信随着大模型能力的不断提升和应用场景的逐步明晰，AI Agent 将逐渐成熟，而向量数据库作为其核心基础设施之一，也将在这一过程中发挥越来越重要的作用。

开源长期主义：先苦后甜

雷峰网：您是在什么契机下想成立 Zilliz 呢？

星爵：在创立Zilliz之前，我很幸运地成为Oracle云数据库的前五位创始工程师之一，从 2009 年就开始涉足云数据库领域。这段经历让我亲身体验了全球最尖端、最复杂的数据库系统是如何构建的，也让我深信"云就是未来"。

更关键的是，当我看到自己的产品被如此多的人使用，周围环绕着众多技术大牛时，自然而然也产生改变世界的雄心。在 Oracle 期间，我结识了许多技术领域的顶尖人才，其中包括 Thierry。我们共事两年多后，他在2012年离开创业，创办了 Snowflake——后来成为纳斯达克历史上规模最大的软件 IPO 项目。目睹这样的奇迹发生，我热血沸腾，也希望打造一番自己的事业。

到了 2017 年，AI 开始进入公众视野并得到广泛应用，Transformer 等大模型架构也呼之欲出。当时我就意识到，我们的世界中有 80% 是非结构化数据，而这些数据的高效利用一直是个棘手问题。但AI技术使得大规模、高效处理这些非结构化数据成为可能。那时，我感到一种强烈的使命感和冲动——是时候由我来推动这一领域的变革了。

雷峰网：公司成立后，融资容易吗？

星爵：Zilliz 的早期融资之路异常艰难。作为第一次创业，我切身感受到了这个过程的挑战——创业初期，我们长时间无法获得任何投资，拜访了几十位投资人后，收到的大多是礼貌性的"项目很有意思"、"我们保持联系"这类回应，之后就杳无音信。起步阶段，我只能靠自己的积蓄来支撑项目运转，这确实是一场理想主义工程师的冒险。所幸经过坚持不懈的努力，我们终于找到了真正能够理解我们愿景、与我们理念相契合的投资伙伴。

雷峰网：你是如何说服他们的？

星爵：投资人不会被说服，而是大家本就坚定地认可同一件事情。对我们来说，关键是找到那些已经认同非结构化数据巨大市场空间的投资人。真正的投资决策往往不是靠一次演讲或一份 PPT 说服出来的，当我们遇到那些已经通过自己的研究和洞察，对AI和非结构化数据处理领域充满信心的投资人时，合作就水到渠成了。

雷峰网：当时产品打磨了多久落地呢？

星爵：我们的产品研发历程可以追溯到 2017年。当时我们正在探索向量数据库技术的无人区，需要从零开始构建每一个组件。经过近两年的潜心研发，到 2019 年底我们终于有了一个相对成熟的产品。2019 年 11 月 15 日，我们正式将 Milvus 开源，市场反响出乎意料地好。进入 2020 年后，我们的开源用户社区呈现出爆发式增长，GitHub 上的 star 数量快速攀升，到年底已经积累了超过 5000 名开发者和 300 多家早期企业用户，这有力地证明了我们的产品价值。随着用户基础的扩大，我们也开始看到包括智能搜索、图片和视频检索、推荐系统、欺诈检测和生物医药研发等越来越多的实际落地应用场景，这给了我们很大信心继续前进。

雷峰网：但 Zilliz 是在 2023 年才开始打造商业化产品，为什么公司成立了五六年后才开始正式进入商业化？

星爵：作为一个基础设施产品，数据库系统的复杂性决定了它需要长期持续的技术投入和精细打磨。在 Zilliz 成立的最初几年，我们将主要精力放在了核心技术研发和产品完善上。同时，我们面临着一个更大的挑战——市场教育。作为全球首家专注于向量数据库的公司，我们需要从零开始向整个行业解释这一全新概念：什么是向量数据库？它为什么在 AI 时代至关重要？它能解决哪些传统数据库无法应对的挑战？这种市场启蒙工作虽然耗时费力，但对于开创一个新品类来说却是不可或缺的。这也是我们选择开源路线的核心原因之一——开源模式能够帮助我们更快地获得开发者社区的关注和反馈，加速产品迭代，同时建立起一个活跃且可持续发展的技术生态系统。

我们选择在2023年才推出商业化的 Zilliz Cloud，主要基于两个方面的考虑。一方面，经过多年的技术积累和产品打磨，我们的开源产品 Milvus 在社区已经取得了非常好的成绩，积累了大量的用户和应用案例，产品的稳定性和性能也得到了市场的充分验证。另一方面，我们也恰好赶上了生成式 AI 的爆发，ChatGPT 等大模型的出现让向量数据库一下子成为了AI基础设施中不可或缺的组件，市场需求呈现出爆发式增长。这两个因素叠加在一起，为我们的商业化提供了一个绝佳的时机和起点。

雷峰网：一般来说开源公司商业化的进程普遍都比较慢，您如何看待这种情况呢？

星爵：开源比起闭源有更强的社区能力和创新的生命力，这种差异在长期发展中尤为明显。

硅谷有一种标志性的树木叫红杉，当地有非常多的百年甚至数千年红杉树林，这些树木能够生长到百米高度，形成壮观的生态系统。做数据库，做开源，其实就像种一棵红杉树，你播下种子，它可以至少长到五六十米以上，甚至更高，但前提是你要有足够的耐心和长期主义精神。这个过程可能需要数年甚至十年以上的时间，但一旦成功，其影响力和价值将远超短期商业化带来的收益。

数据库产品做商业化时，开发者社区其实就是最好的客户来源和创新引擎。开源模式虽然前期变现较慢，但能够建立起强大的用户基础和品牌影响力。就像过去十年里 Databricks 和 Snowflake 之间的竞争。Snowflake 作为完全闭源的公司，虽然前期商业化比较容易，能够快速获取收入，但要面对的挑战是后期如何维持创新以及如何高效地商业化获客。随着时间推移，开源的优势逐渐显现——现在 Databricks 技术创新速度和市场增长都呈现加速态势，在最新的一轮融资后，它的估值几乎超过了Snowflake一倍。如果能成功上市，市场上期望它的估值会得到进一步提升。

在Zilliz的发展过程中，我们也坚持这种开源长期主义的理念。虽然短期内可能面临商业化进度较慢的挑战，但我们相信，通过持续投入和社区建设，我们正在培育一棵属于AI时代的"红杉树"，它的根系将深入全球开发者生态，最终成长为非结构化数据处理领域的基础设施。

雷峰网：发展到现在，你觉得 Zilliz 的商业化有达到你的预期吗？

星爵：从整体表现来看，我们的商业化进程达到了预期目标。在过去两年中，我们不仅见证了用户数量的强劲增长，还实现了连续两年营收三倍的增长率。截至目前，Zilliz 已经在全球市场积累了超过一万家企业级用户，产品的累计安装下载量已突破一亿次大关，而且这一数字仍在呈加速增长态势。从市场表现来看，我们的商业化进程正处于一个良性循环中——用户基础的扩大带动了收入的增长，而收入的增长又使我们能够投入更多资源到产品研发和市场拓展中，进一步吸引更多用户。

更重要的是，我们认识到，AI 这个行业的崛起才刚刚开始，我们现在看到的只是冰山一角。随着生成式 AI 和大模型技术的普及，企业和开发者对高效处理非结构化数据的需求将呈现爆发式增长。向量数据库作为连接 AI 模型与海量非结构化数据的关键基础设施，其战略价值和市场空间只会越来越大。我们相信，未来几年将是向量数据库市场真正的黄金发展期，而 Zilliz 凭借多年的技术积累和先发优势，已经做好了充分准备，迎接这一波更大规模的市场机遇。

向量数据库的不可替代：处理非结构化数据

雷峰网：Zilliz 是一开始就考虑海外海内两手抓吗？

星爵：海内海外对我们来说，不是两手。全球化就是一个在硅谷工作的工程师自然的思维方式。当你身处全球创新中心，你的思维方式、产品设计和市场定位自然而然地会超越地域限制。我们从创立之初就秉持全球化视野，将产品设计为面向全球市场的解决方案；团队也是全球化的，分布在全球多个国家和地区，这使我们能够更好地理解和服务不同市场的需求。

雷峰网：在海外的商业模式是什么样的？

星爵：我们的商业模式非常清晰直接。Zilliz 本质上是一家云数据库公司，我们的所有营收都来自于公有云服务。我们采用根据用量的计费模式，客户根据自己的数据规模和使用需求付费。目前，我们已经成功部署在全球五大主流云平台上，包括亚马逊的 AWS、谷歌的 GCP、微软的 Azure，以及中国市场的阿里云和腾讯云。这种多云战略让我们能够覆盖全球各个地区的客户，无论他们选择哪个云服务提供商，都能使用我们的向量数据库服务。随着 AI 应用的普及，我们看到云上的向量数据库需求呈现爆发式增长，这也验证了我们"云优先"战略的正确性。

雷峰网：云上的客户一般是中小客户，还是也有大客户？之前了解到可能一些比较大的客户，不太愿意把自己的资料放到公有云上。

星爵：我们的客户群体非常多元化，既包括初创企业和中小型公司，也有众多大型企业客户。关于数据安全这个问题，我们确实看到企业态度正在发生显著变化。过去，大型企业对将敏感数据迁移至公有云确实存在顾虑，主要担忧数据安全与合规问题。针对这些顾虑，Zilliz从早期就投入大量资源获取了多项国际权威认证，包括SoC 2、GDPR 和 HIPAA 等，这些认证能够满足全球各行业客户的严格合规要求。

此外，我们还专门开发了"自带云环境"(BYOC)解决方案，允许企业在自己选择的公有云专属区域部署我们的服务，同时保持对数据的完全控制权。随着这些解决方案的推出，我们看到越来越多的大型企业正在加速向云端迁移其AI和数据处理工作负载。

雷峰网：那 Zilliz 在 2025 年发展的重点会是什么？

星爵：2025 年，我们的发展重点将围绕两大核心机遇展开。首先，随着生成式AI的爆发式增长，向量数据库作为处理非结构化数据的关键基础设施，市场需求正呈现前所未有的增长态势。其次，全球云计算渗透率持续提高，企业对云原生数据解决方案的接受度显著提升。

基于这两大趋势，我们的战略布局主要分为两个方向：一方面，我们将继续深耕全球开源社区，进一步完善 Milvus 的功能和性能，帮助全球开发者在这波 AI 浪潮中高效处理非结构化数据。我们计划在 2025 年举办更多的开发者大会和技术研讨会，建立更加活跃的技术社区，并推出针对不同行业的解决方案和最佳实践。

另一方面，我们将全力推进 Zilliz Cloud 的商业化进程，这是我们面向企业级市场的全托管云服务。与开源产品相比，Zilliz Cloud 提供了开箱即用的体验、更高的性能保障、全面的安全合规认证以及专业的技术支持，能够满足企业在生产环境中的严苛需求。2025 年，我们将进一步扩大云服务的全球覆盖范围，优化多云部署能力，并推出更多针对特定行业的垂直解决方案，如金融、医疗、零售和制造业等。

雷峰网：那之后向量数据库的发展会要面对什么技术挑战吗？

星爵：未来五年，随着 AI 技术不断深入发展，AI Agent、自动驾驶、机器人和具身智能等前沿领域蓬勃兴起，这将彻底改变非结构化数据处理的方式和规模。向量数据库作为AI基础设施的核心组件，将面临前所未有的技术挑战。

这些挑战主要体现在三个关键维度：首先是成本效益问题。随着企业和组织积累的非结构化数据呈指数级增长，数据存储和处理成本正成为 AI 应用落地的主要瓶颈。以医疗影像为例，一家大型医院每年可能产生数十 PB 的医学影像数据，包括 X 光片、CT 扫描和 MRI 等，如何经济高效地存储和检索这些海量数据？我们正在探索更高效的索引结构和压缩算法，目标是在保持查询精度的同时，将成本显著降低。

其次是实时性能挑战。新兴的 AI 应用对响应速度提出了极高要求——自动驾驶系统需要在毫秒级别内完成环境感知和决策，以确保行车安全；工业机器人需要亚秒级的环境感知能力来实现精准操作。这些场景都要求向量数据库能够在极短时间内完成复杂的相似性搜索。为此，我们正在研发新一代的分布式查询引擎和 GPU 加速技术，以实现超大规模数据集的实时检索。

第三是处理复杂性挑战。未来的 AI Agent 将需要同时处理和关联多种数据类型，如文本、图像、音频、视频和各类传感器数据。这种多模态数据处理能力对向量数据库提出了全新要求。我们需要设计更灵活的数据模型和查询语言，支持跨模态的语义理解和关联分析。例如，一个智能客服 Agent 可能需要同时理解用户的文字描述、上传的图片和语音指令，并从历史交互记录中找到相关信息。这种复杂的多模态查询远超传统数据库的能力范围。

除了这三大挑战外，我们还看到数据隐私和安全合规方面的需求日益增长。随着全球数据保护法规的加强，如何在保障数据安全的前提下实现高效的向量检索，也是我们正在积极研究的方向。我们正在开发基于联邦学习和同态加密的安全向量检索技术，让企业能够在不暴露原始数据的情况下进行AI应用开发。

雷峰网：会担心向量数据库被通用数据库合并吗？

星爵：这个问题很有意思。虽然传统数据库厂商确实在尝试整合向量搜索功能，但向量数据库与传统数据库本质上是两个不同的技术赛道。它们解决的问题、面对的挑战和应用场景有着根本性差异。

从数据处理的本质来看，传统关系型数据库是为结构化数据设计的，处理的是表格化的信息；而向量数据库则专为非结构化数据打造，处理的是图像、视频、长文本等复杂内容，通过AI模型将这些数据转换为高维向量进行存储和检索。

在应用场景上，传统数据库擅长精确匹配查询，比如"找出所有 30 岁的客户"或"计算上个季度的总销售额"，这些都是确定性的问题。而向量数据库则专注于相似性搜索，解决的是"找到与这张图片相似的所有产品"或"检索与这个问题语义相关的文档"等模糊查询问题。

这种差异就像"油改电"与原生纯电平台的区别——虽然都能实现电动驱动，但架构基因、能效表现和扩展潜力存在代际差异。传统数据库通过插件添加向量功能，就像在燃油车架构上强行改装电动机，虽然能获得电动特性，却受限于原始设计框架，无法实现电池管理系统的深度优化、能量回收效率的最大化，更难以支撑智能驾驶等新一代功能的全量释放。

雷峰网：您之前也提过，未来五年向量数据库成本可能降低 1000 倍以上，给自己定的目标是降低 10-100 倍，现在进度如何？

星爵：在成本优化方面，我们已成功实现十倍的降本目标，预计到今年底将完成数十倍级的成本优化。这轮技术突破主要来自三个维度的创新：首先是处理器芯片的架构革新，其次是存储架构的重新设计，最后是核心算法的持续迭代。我们的核心使命是通过基础设施层的创新，将数据管理成本压缩到传统方案的零头水平——这在AI应用的总成本结构中，往往占据最关键的技术杠杆点。

雷峰网：那像 Zilliz 是在 2017 年成立的，目睹 2020 年前后国产数据库的创业大潮，您如何看待这市场环境的变化？

星爵：观察 2020 年前后的市场格局，我认为存在三个维度的结构性变化。首先是资本市场的认知升级，虽然出现阶段性投资过热，但客观上加速了数据库技术从学术研究到产业应用的转化周期；其次是差异化竞争格局的形成，当多数厂商聚焦传统 OLAP/OLTP 赛道时，我们已经完成 AI 原生架构的验证，实现从单机向量检索到云原生分布式系统的技术跨越；第三是产业生态的质变，当时新创的数据库企业虽未涉足向量计算领域，但共同构建起了数据库的人才矩阵——据工信部 2024 年白皮书显示，中国数据库专业人才规模较 2018 年实现 400% 增长，这为整个基础软件行业注入了持续创新动能。

需要特别指出的是，Zilliz在2018年就确立了"AI-First"的技术路线，我们的工程团队当时已攻克百万级高维向量数据实时检索的技术难关。这使得行业在 2022 年迎来生成式 AI 浪潮时，我们能够快速推出支持千亿级向量的云原生架构。

雷峰网：那回顾公司的发展过程，有比较大的困难需要克服吗？

星爵：企业发展就像升级打怪，每个阶段都有需要突破的关卡。如果要问 Zilliz 最需要持续投入的战略重点，我认为是全球化团队建设和组织文化融合。作为在亚欧美三大洲同步运营的科技公司，我们每天都要跨越数字时代的文化鸿沟——比如协作平台的适配难题：北京工程师习惯微信/飞书的即时通讯生态，硅谷团队习惯 Slack 异步沟通，而慕尼黑同事则严格遵循邮件工作流。这种数字习惯的差异看似是工具选择，实则是组织效率的隐形杀手。我们通过数据仪表盘发现，中国工程师日均查看邮件次数只有欧美同事的三分之一，这容易导致跨时区协作出现信息断层。

为解决这一问题，我们开发了自动化信息路由系统，确保不同平台上的重要信息能够互通互联。同时，我们制定了全球统一的沟通标准操作流程，培养团队成员的跨文化理解能力。我深信，最终决定一家企业发展高度的，不是代码行数，而是人才密度和团队协作的乘积效应。

雷峰网：那创业过程中有过后悔吗？如果可以再重新选择一次，您还会选择创业吗？

星爵：（笑）如果世界上有后悔药，我要买来每天当饭吃。创业路上有过无数次自我怀疑和反思的时刻，这些"后悔"也推动了我的自我成长，对昨天的自己的不满意会敦促今天的自己变得更优秀。不过，如果时光倒流，我依然会选择创业这条路。因为在我看来，创业不仅仅是一种职业选择，更是一种生活态度。每一位加入创业公司的同事，都是这场冒险的共同创造者；即便在大型企业内部孵化新业务的同事，本质上也是在创业。从更广阔的视角看，我们每个人都是自己人生、家庭和社区的"创业者"——不断探索、尝试、失败、总结、再出发，这就是创业的内核。

（作者长期关注云计算、数据库等上下游领域，欢迎添加Ericazhao23讨论交流。）