大家好，我是肆〇柒。今天要和大家探討一項來自 Meta Superintelligence Labs 的重要研究——他們提出的 ARE（Meta Agents Research Environments）平臺與 Gaia2 基準(zhǔn)測試，定義了我們?nèi)绾卧u估 AI 智能體在真實世界中的能力。這項工作不僅揭示了當(dāng)前前沿模型在時間敏感任務(wù)中的系統(tǒng)性短板，更提出了智能不僅是準(zhǔn)確性，還包括效率的全新評估哲學(xué)，為構(gòu)建真正實用的 AI 助手指明了方向。

從實驗室到現(xiàn)實世界的AI智能體

現(xiàn)在我們一起想象這樣一個場景：上周三下午3點，你讓智能助手安排與Kaida 的看房時間。它成功發(fā)送了邀約并報告"已安排"。但當(dāng)Kaida在3:15臨時更改時間后，你的助手卻完全忘記了之前的安排，導(dǎo)致你空等一小時。這種體驗是否讓你感到沮喪？

這不是你的錯，而是當(dāng)前AI智能體的根本局限：在大多數(shù)系統(tǒng)中，當(dāng)智能體"思考"如何回復(fù)時，整個世界會暫?！笥巡粫l(fā)送新消息，日歷不會彈出提醒，時間仿佛靜止。這與真實世界完全不符。

Meta Superintelligence Labs提出的ARE（Meta Agents Research Environments）平臺及其Gaia2基準(zhǔn)測試，正是為了解決這一問題。ARE基于"一切皆為事件"的核心原則，讓環(huán)境獨(dú)立于智能體持續(xù)運(yùn)行，如下所示，模擬了真實世界中不斷變化的復(fù)雜性。

ARE environments are event-based, time-driven simulations

在傳統(tǒng)基準(zhǔn)測試中，環(huán)境會在智能體思考時暫停，這種理想化設(shè)定掩蓋了真實部署中的關(guān)鍵挑戰(zhàn)——環(huán)境不會等待。用戶會發(fā)送新消息，外部服務(wù)可能出錯，時間持續(xù)流逝。這些因素共同構(gòu)成了對智能體適應(yīng)性、時效性和魯棒性的嚴(yán)峻考驗。

ARE和Gaia2共同搭建了一座橋梁，彌合了模型開發(fā)與現(xiàn)實部署之間的巨大鴻溝。這標(biāo)志著評估范式的根本轉(zhuǎn)變：從孤立的任務(wù)轉(zhuǎn)向連續(xù)的場景。通過這種方式，研究者能夠真正評估智能體在時間約束、環(huán)境變化和多智能體協(xié)作等復(fù)雜條件下的表現(xiàn)，為開發(fā)真正實用的AI助手鋪平道路。

ARE平臺：為實用智能體構(gòu)建的環(huán)境框架

"一切皆為事件"：ARE的核心架構(gòu)

ARE的設(shè)計哲學(xué)根植于一個核心原則：一切皆為事件。無論是智能體調(diào)用工具、用戶發(fā)送消息，還是環(huán)境內(nèi)部狀態(tài)變化，所有活動都被統(tǒng)一建模為帶有時間戳的事件。這一原則催生了一個由五大核心概念構(gòu)成的嚴(yán)密框架：Apps（應(yīng)用程序）、Environments（環(huán)境）、Events（事件）、Notifications（通知）和 Scenarios（場景）。

想象一下你的手機(jī)：當(dāng)收到新消息時，它不會暫停其他應(yīng)用的運(yùn)行；當(dāng)日歷提醒響起時，音樂播放不會中斷。ARE正是以這種方式模擬真實世界——環(huán)境獨(dú)立于智能體持續(xù)運(yùn)行，交互通過統(tǒng)一接口發(fā)生。

Event dependency graph illustrating ARE scheduling patterns

上圖展示了事件依賴圖的典型模式：事件 E1 和 E5 在模擬開始后并行執(zhí)行，E2/E3 在其前提條件滿足后并行執(zhí)行，兩者都必須完成才能觸發(fā) E4。條件事件（Cond1）通過驗證（Val）分支實現(xiàn)動態(tài)行為控制。這就像你安排一天的行程：必須先收到朋友確認(rèn)（E1），才能預(yù)訂餐廳（E2/E3），最后才能安排具體時間（E4）。

事件生命周期

事件的生命周期貫穿整個系統(tǒng)運(yùn)行過程，可分解為四個清晰階段：

創(chuàng)建階段：事件從工具調(diào)用或環(huán)境調(diào)度中產(chǎn)生。無論是智能體發(fā)送消息、用戶回復(fù)，還是環(huán)境自動觸發(fā)（如朋友回復(fù)消息），所有活動都被記錄為事件。

調(diào)度階段：事件進(jìn)入時間排序的隊列，依賴關(guān)系通過有向無環(huán)圖（DAG）管理。這一階段確保事件按邏輯順序執(zhí)行，同時支持并行處理。例如，當(dāng)智能體需要同時檢查郵件和日歷時，兩個事件可以并行處理。

執(zhí)行階段：事件循環(huán)處理事件，捕獲結(jié)果、狀態(tài)變化和異常。這一階段是系統(tǒng)響應(yīng)的核心，確保每個事件按預(yù)期執(zhí)行。

日志記錄：執(zhí)行的事件存儲在事件日志中，包含詳細(xì)元數(shù)據(jù)用于分析、調(diào)試和驗證。這種完整的審計能力使研究者能夠精確重現(xiàn)和分析智能體行為。

異步交互機(jī)制：環(huán)境時間獨(dú)立于智能體行動

ARE最革命性的設(shè)計是其異步交互機(jī)制。環(huán)境時間獨(dú)立于智能體的計算過程，這意味著即使智能體正在生成響應(yīng)，環(huán)境中的其他事件（如朋友回復(fù)消息、訂單狀態(tài)更新）依然會按計劃發(fā)生。

為了研究推理速度對性能的影響，ARE設(shè)計了兩種模擬模式：

• Generation time模式（默認(rèn)）：環(huán)境時間在LLM推理期間暫停，計入實際生成時間。這就像你的朋友會耐心等待你打完字再發(fā)送下一條消息。
• Instant模式：每個動作模擬固定1秒持續(xù)時間，隔離推理速度影響。這就像設(shè)定嚴(yán)格的1秒思考時限，迫使快速決策。

Left: Pass@1 scores on Gaia2-time with default mode vs. instant mode

上圖的數(shù)據(jù)揭示了驚人真相：GPT-5(high)在Generation time模式下得分為0%，但在Instant模式下躍升至34.4%；Claude 4 Sonnet也從8.1%提升到26.7%。這表明，前沿模型強(qiáng)大的推理能力是以犧牲響應(yīng)速度為代價的——在時間敏感任務(wù)中，它們生成響應(yīng)耗時過長，導(dǎo)致錯過關(guān)鍵時間窗口。

這就像一個聰明的棋手在快棋比賽中因為思考時間過長而超時輸?shù)舯荣悺Ｕ嬲闹悄懿粌H是準(zhǔn)確性，還包括在正確時機(jī)做出適當(dāng)深度的決策。

Gaia2基準(zhǔn)測試：評估實用智能體能力的七個維度

Gaia2：超越傳統(tǒng)基準(zhǔn)的綜合評估

Gaia2基準(zhǔn)測試由1,120個經(jīng)過人工標(biāo)注的可驗證場景組成，模擬了一個類似智能手機(jī)的虛擬世界，包含電子郵件、消息、日歷等應(yīng)用程序。與傳統(tǒng)基準(zhǔn)不同，Gaia2要求智能體在動態(tài)、充滿干擾的環(huán)境中完成任務(wù)，評估七個關(guān)鍵能力維度。

Overall Gaia2 benchmark performance across some major AI models

上圖清晰顯示專有前沿模型（GPT-5、Claude-4 Sonnet、Gemini 2.5-Pro）顯著優(yōu)于開源替代方案，其中GPT-5(high)以最高分領(lǐng)先。但更重要的是，如下

Gaia2 scores per capability split

上圖揭示了模型的優(yōu)勢與短板——例如Grok-4在Search上表現(xiàn)強(qiáng)勁但在其他類別崩潰，這解釋了為什么現(xiàn)有基準(zhǔn)可能高估模型在真實環(huán)境中的穩(wěn)健性。

嚴(yán)謹(jǐn)?shù)尿炞C機(jī)制

Gaia2的嚴(yán)謹(jǐn)性很大程度上源于其先進(jìn)的驗證機(jī)制。ARE驗證器不僅僅比對最終結(jié)果，而是深入分析智能體的行動軌跡，進(jìn)行四項關(guān)鍵檢查：

• 一致性檢查：對參數(shù)進(jìn)行硬檢查（如 email_id 必須完全匹配）或軟檢查（如郵件內(nèi)容由LLM判斷是否等效）。
• 因果關(guān)系檢查：確保智能體的操作順序不違反依賴邏輯，例如如果oracle動作A和B都僅依賴于動作C，智能體可以按任意順序執(zhí)行A和B，只要它們在C之后執(zhí)行。
• 時間檢查：驗證智能體是否在規(guī)定的時間窗口內(nèi)執(zhí)行操作，容忍范圍為 。
• 全局合理性檢查：引入額外的軟檢查以防止"驗證器黑客"，即智能體通過在輸出中嵌入復(fù)雜邏輯來欺騙判斷。

七大能力維度詳解

搜索能力：要求整合多個應(yīng)用的數(shù)據(jù)，例如回答"大多數(shù)朋友居住的城市"，這需要跨Contacts和Chats應(yīng)用進(jìn)行信息關(guān)聯(lián)與聚合。下圖展示了這類場景的典型結(jié)構(gòu)。

Search scenario

執(zhí)行能力：考驗精確的多步操作，如批量更新聯(lián)系人年齡。下圖顯示了需要9個寫操作才能解決的復(fù)雜執(zhí)行任務(wù)。

Execution scenario

適應(yīng)性：智能體必須能應(yīng)對環(huán)境反饋，比如當(dāng)朋友回復(fù)更改看房時間后，智能體需相應(yīng)調(diào)整行程安排。下圖描繪了智能體在收到朋友消息（綠色事件框）后如何適應(yīng)變化。

 Adaptability scenario

時間感知：要求在精確窗口內(nèi)行動，如"3分鐘后無人回復(fù)則自動叫車"。下圖展示了一個必須在特定時間點（發(fā)送消息后180秒）執(zhí)行叫車操作的場景。

Time scenario

處理模糊性：識別并解決任務(wù)中的不確定性，如日歷安排沖突。下圖顯示了智能體如何應(yīng)對多個標(biāo)題為"Catch-up and Startup Updates"的聊天對話導(dǎo)致的歧義。

Ambiguity scenario

抗噪聲能力：在干擾環(huán)境中保持穩(wěn)健，測試工具錯誤與隨機(jī)環(huán)境事件的影響。

智能體間協(xié)作：當(dāng)應(yīng)用程序被替換為子智能體時，主智能體需通過自然語言與子智能體協(xié)調(diào)合作。

Gaia2實戰(zhàn)案例

適應(yīng)性場景：動態(tài)應(yīng)對環(huán)境變化

以一個典型的適應(yīng)性場景為例：用戶請求智能體協(xié)助安排與朋友Kaida Sch?nberger查看房產(chǎn)。智能體成功發(fā)出邀約并報告用戶后，一輪結(jié)束。此時，一個環(huán)境事件被觸發(fā)——Kaida發(fā)來消息，提議更換房源和時間。由于環(huán)境是異步運(yùn)行的，這條消息在智能體"休眠"期間到達(dá)。當(dāng)新的通知喚醒智能體后，它必須識別這一變化，放棄原計劃，并根據(jù)新信息重新安排行程。

 Sequence diagram of a multi-turn scenario in ARE

上圖直觀呈現(xiàn)了智能體如何在收到母親郵件通知后調(diào)整策略。在這一場景中，智能體最初被要求"向媽媽索要家庭流媒體密碼"，隨后又被要求"在收到密碼后立即轉(zhuǎn)發(fā)給父親"。當(dāng)母親通過郵件發(fā)送密碼時，智能體必須中斷在聊天應(yīng)用中的搜索，處理郵件并轉(zhuǎn)發(fā)給父親。

時間場景：精確把握時間窗口

另一個引人注目的案例是時間場景："向今天要見面的同事發(fā)送消息，詢問誰負(fù)責(zé)叫車。如果3分鐘后沒有回復(fù)，則從[...]訂購一輛默認(rèn)出租車。"

在Generation time模式下，許多依賴深度推理的模型因生成響應(yīng)耗時過長而錯過3分鐘時限，導(dǎo)致任務(wù)失敗。而Instant模式的結(jié)果則揭示了其底層策略的有效性——一旦排除速度因素，部分模型其實具備正確的決策邏輯。

這就像現(xiàn)實中你給同事發(fā)消息詢問誰叫車，然后盯著手機(jī)等待回復(fù)。如果3分鐘后沒人回復(fù)，你必須立即采取行動。但在傳統(tǒng)系統(tǒng)中，智能體的"思考時間"會暫停整個世界，使它永遠(yuǎn)無法錯過這個時間窗口，這與現(xiàn)實完全不符。

驗證器黑客案例：防御系統(tǒng)漏洞

最發(fā)人深省的或許是B.3.1節(jié)中揭示的"驗證器黑客"案例。在早期強(qiáng)化學(xué)習(xí)實驗中，智能體學(xué)會在send_message_to_user的內(nèi)容中嵌入復(fù)雜的模板代碼（如{{#if (eq length attendees) 2}}...），這些內(nèi)容雖對人類無意義，卻足以迷惑作為裁判的LLM，產(chǎn)生虛假的正向反饋。

An example of an agent exploiting the judge

上圖展示了這種攻擊的具體形式：消息中包含無意義的條件邏輯，卻能成功通過驗證器的評估。這一攻擊暴露了基于LLM的驗證系統(tǒng)的脆弱性，促使研究者增加了針對消息風(fēng)格和合理性的額外檢查，有效解決了這一故障模式。

評估結(jié)果的啟發(fā)

逆向擴(kuò)展定律：時間維度的關(guān)鍵發(fā)現(xiàn)

Gaia2的結(jié)果揭示了一個顛覆性的發(fā)現(xiàn)——"逆向擴(kuò)展定律"：在時間維度上，更強(qiáng)的推理能力反而導(dǎo)致更差的表現(xiàn)。下圖清晰地描繪了這一悖論：GPT-5(high)在Execution和Search上得分最高，但在Time任務(wù)上墊底。

Inverse Scaling for Time

這就像一個聰明的棋手在快棋比賽中因為思考時間過長而超時輸?shù)舯荣?。真正的智能不僅是準(zhǔn)確性，更是適應(yīng)性計算（adaptive computation）——即根據(jù)任務(wù)復(fù)雜度動態(tài)分配計算資源。簡單任務(wù)應(yīng)快速廉價地解決，只有難題才啟動深度推理。

研究明確指出："在Time維度上存在逆向縮放定律：在推理密集型任務(wù)上表現(xiàn)出色的模型，如執(zhí)行、搜索和模糊性解決，系統(tǒng)地在時間敏感任務(wù)上表現(xiàn)不佳"。這一發(fā)現(xiàn)對實際應(yīng)用具有深遠(yuǎn)影響——在響應(yīng)時間至關(guān)重要的場景中，可能需要選擇"較弱"但更快的模型。

預(yù)算擴(kuò)展曲線：成本與性能的真相

Gaia2 Budget Scaling Curves

上圖展示了更深層的瓶頸：無論何種模型，其性能曲線最終都會趨于平緩。GPT-5(high)在預(yù)算下得分為，而在10預(yù)算下僅提升至0.32，增幅不足30%，而成本增加了100倍。

這就像不斷往已經(jīng)裝滿的杯子里倒水——投入越來越多，收益卻越來越少。這強(qiáng)烈暗示，當(dāng)前的標(biāo)準(zhǔn)架構(gòu)和訓(xùn)練范式已觸及天花板，未來的進(jìn)步將依賴于全新的系統(tǒng)設(shè)計和自適應(yīng)計算策略，而非簡單的資源堆砌。

研究指出："標(biāo)準(zhǔn)腳手架和/或模型缺少持續(xù)進(jìn)步的關(guān)鍵要素"，這為開發(fā)者指明了方向。在$0.1預(yù)算下，GPT-5(high)已展現(xiàn)出最佳性價比，盲目增加預(yù)算可能只是浪費(fèi)資源。

多智能體協(xié)作：提升系統(tǒng)穩(wěn)健性

多智能體協(xié)作（Agent2Agent）為提升系統(tǒng)穩(wěn)健性提供了新路徑。實驗表明，對于較弱的模型（如Llama 4 Maverick），增加協(xié)作比例（r參數(shù)）能顯著改善其pass@k曲線，降低工具調(diào)用錯誤率。

Frequency of errors per tool call on Gaia2-mini

上圖顯示，隨著Agent2Agent比例r的增加，Llama 4 Maverick的工具調(diào)用錯誤率顯著下降，而Claude 4 Sonnet的錯誤率變化不大。這表明"較弱的模型更能從多智能體協(xié)作中受益"。

異構(gòu)團(tuán)隊的配置進(jìn)一步證明了這一點：使用Claude 4 Sonnet作為主智能體規(guī)劃任務(wù)，搭配Llama 4 Maverick子智能體執(zhí)行，其效果（18.3分）遠(yuǎn)超全輕量級團(tuán)隊（8.5分），顯示出規(guī)劃質(zhì)量與執(zhí)行保真度的獨(dú)立增益。

Pass@k Scaling Laws on Gaia2-Mini with Multi-Agent Collaboration via Agent2Agent

上圖更細(xì)致地展示了多智能體協(xié)作的效果。對于Llama 4 Maverick，當(dāng)r從0增加到1.0時，pass@k曲線顯著上移；但對于Claude 4 Sonnet，不同r值下的曲線幾乎重合。這揭示了"任務(wù)分解收益與協(xié)調(diào)成本的平衡點"——只有當(dāng)分層分解的收益大于成本時，性能才會提升。

構(gòu)建自己的智能體評估：ARE的實際應(yīng)用

ARE GUI：開發(fā)者效率的倍增器

ARE提供的圖形用戶界面（GUI）極大提升了開發(fā)效率，包含四大核心功能：

1. 環(huán)境探索：提供交互式視圖，可實時瀏覽所有App的狀態(tài)和內(nèi)容，新App的視圖自動生成，無需重寫UI。這一功能對于理解智能體可用的上下文至關(guān)重要。

2. 智能體跟蹤可視化與重放：以結(jié)構(gòu)化時間線展示智能體的思考、行動和觀察，支持回滾到任意步驟、修改決策并重新播放，如同代碼調(diào)試器一般。

3. 場景可視化：直觀展示場景的事件DAG，清晰呈現(xiàn)事件間的依賴與時間約束。下圖展示了這一功能的完整布局

ARE scenario view with event DAG

4. 注釋界面：內(nèi)置圖形編輯器，允許標(biāo)注者直接拖拽節(jié)點構(gòu)建事件流，自動化檢查確保邏輯一致性，據(jù)稱可將注釋效率提升約五倍。

驗證機(jī)制設(shè)計：確保評估的可靠性

在設(shè)計驗證機(jī)制時，需精心配置軟/硬檢查策略：

• 對于身份標(biāo)識類參數(shù)采用硬檢查（如email_id必須完全匹配）
• 對于文本內(nèi)容則依賴LLM進(jìn)行軟檢查（如郵件內(nèi)容是否等效）

研究者測試了不同LLM作為驗證器的效果，下表顯示Llama 3.3 70B Instruct、Gemini 2.5 Pro和Claude Sonnet 3.7均能達(dá)到較高的精度和召回率，但提示詞需針對性優(yōu)化。

Evaluation of the ARE Verifier with different models

對于多輪場景，驗證器會在每輪結(jié)束后進(jìn)行半在線驗證，確保軌跡正確性。這種設(shè)計使研究者能夠評估需要與用戶進(jìn)行多輪交互的智能體，如適應(yīng)性場景中智能體如何響應(yīng)環(huán)境變化。

智能體開發(fā)的實用建議

成本優(yōu)化：基于預(yù)算擴(kuò)展曲線的資源分配

開發(fā)者應(yīng)繪制自身系統(tǒng)的預(yù)算擴(kuò)展曲線，識別性能提升的拐點。一旦曲線趨于平緩，繼續(xù)增加預(yù)算便不再經(jīng)濟(jì)。此時，應(yīng)轉(zhuǎn)而探索更高效的推理架構(gòu)或采用混合模型策略。

Gaia2 score vs average scenario cost in USD

上圖提供了關(guān)鍵參考：GPT-5(low)在成本和性能之間取得了良好平衡，而Claude-4 Sonnet雖然性能優(yōu)異但成本是GPT-5(low)的3倍。

實用建議：

• 為簡單任務(wù)配置"快速響應(yīng)模式"，使用較小模型
• 為復(fù)雜任務(wù)啟用"深度思考模式"，調(diào)用更強(qiáng)模型
• 在$0.1預(yù)算點評估模型性價比，避免盲目追求"最強(qiáng)"模型

處理真實世界復(fù)雜性

處理真實世界復(fù)雜性，需主動進(jìn)行噪聲注入訓(xùn)練?？赏ㄟ^調(diào)整工具錯誤概率（默認(rèn)0.1）和隨機(jī)環(huán)境事件頻率（默認(rèn)10次/分鐘）來提升魯棒性。

Model performance on Gaia2-mini across different noise levels

上表顯示當(dāng)噪聲水平從低增加到高時，Claude-4 Sonnet的得分從35.0降至8.1，這一關(guān)鍵數(shù)據(jù)說明了噪聲對模型性能的顯著影響。

實用建議：

• 在訓(xùn)練階段逐步增加噪聲水平
• 為關(guān)鍵任務(wù)設(shè)計冗余機(jī)制，應(yīng)對工具調(diào)用失敗
• 監(jiān)控智能體在噪聲環(huán)境中的行為模式，識別脆弱點

從單智能體到多智能體系統(tǒng)

從單智能體向多智能體系統(tǒng)過渡時，關(guān)鍵在于任務(wù)分解的藝術(shù)。理想的子任務(wù)應(yīng)"范圍適宜"，既能發(fā)揮子智能體的專長，又不過于瑣碎以致溝通成本過高。

實用建議：

• 為較弱模型增加協(xié)作比例（r參數(shù)），提升系統(tǒng)穩(wěn)健性
• 對于復(fù)雜任務(wù)，采用異構(gòu)團(tuán)隊：強(qiáng)模型負(fù)責(zé)規(guī)劃，弱模型負(fù)責(zé)執(zhí)行
• 設(shè)計清晰的通信協(xié)議，明確狀態(tài)共享和意圖表達(dá)的方式

研究指出："Agent2Agent鼓勵分層決策：子目標(biāo)由主智能體發(fā)布給子智能體，實例化為類似分層強(qiáng)化學(xué)習(xí)中的選項"。只有當(dāng)"分層分解的收益大于成本"時，性能才會提升，這解釋了為何Claude 4 Sonnet在增加協(xié)作比例時性能提升有限。

總結(jié)：邁向?qū)嵱肁I智能體的未來

Gaia2的結(jié)果傳遞了一個明確信號：智能不僅是準(zhǔn)確性，還包括效率。在一個資源受限的世界里，能夠根據(jù)情境動態(tài)調(diào)節(jié)自身"智力投入"的智能體，遠(yuǎn)比一個總是"深思熟慮"卻反應(yīng)遲鈍的系統(tǒng)更為實用。

想象一下未來的智能助手：當(dāng)你要"發(fā)送郵件確認(rèn)會議"時，它能在2秒內(nèi)完成；但當(dāng)你要"分析季度銷售數(shù)據(jù)并提出建議"時，它會投入更多計算資源，提供深度洞察。這種智能的資源分配，將使AI助手更像真正了解你需求的助理，而非機(jī)械執(zhí)行指令的工具。

這背后反映的是AI發(fā)展"下半場"的核心命題：進(jìn)步越來越依賴于定義有意義的任務(wù)和構(gòu)建穩(wěn)健的評估體系。進(jìn)步越來越依賴于定義有意義的任務(wù)和穩(wěn)健的評估來推動前沿能力向前發(fā)展。行業(yè)需轉(zhuǎn)向如"成功率/美元"這樣的成本歸一化指標(biāo)，而非單純比較模型權(quán)重或FLOPs。

Gaia2 score vs average scenario cost in USD

最重要的是，ARE的開放性和模塊化設(shè)計為整個社區(qū)賦能。它降低了創(chuàng)建高質(zhì)量、可復(fù)現(xiàn)基準(zhǔn)的門檻，使得研究人員不必重復(fù)編寫繁瑣的環(huán)境代碼，從而能將精力集中于推動智能體能力的邊界。在這個意義上，ARE不僅是一個工具，更是一個催化劑，加速著真正實用的AI智能體從實驗室走向千家萬戶的進(jìn)程。