尧图网页设计 
1. 初等建模练习里最容易被忽略的坑环境不统一数学建模第二讲通常会一口气抛出椅子问题、席位分配问题、行走步长问题、实物交换模型这几个经典初等模型。它们的共同点是问题描述很生活化但一旦落到代码上就要开始画连续函数、解方程、做数值迭代、跑灵敏度分析。很多同学在这一步卡住不是因为不会建模而是因为环境太乱。我见过太多这样的情况椅子问题用 Python 的 sympy 验证介值定理席位分配用 MATLAB 写 Q 值迭代行走步长又要用 numpy 做最优化实物交换模型还想让大模型帮忙解释一下交换比例。结果就是本地装了三四套工具链每套工具各自配一个 API Key散落在.env、settings.json、auth.json、系统环境变量里。过两周再回来跑自己都忘了哪个 Key 对应哪个工具报一个 401 就要排查半小时。这一讲的核心目标不是把四个模型讲一遍而是帮你搭一个可复用的建模实验环境把本地建模脚本的 endpoint 和 Key 统一改到 TaoTokenPython、MATLAB、命令行工具、编辑器插件全部走同一个入口。这样你换电脑、换项目、换模型只需要维护一份配置。适合谁看正在上数学建模课、需要反复跑初等模型代码的学员带课的助教以及想把建模脚本和 AI 辅助统一管理的同学。下面所有配置都可以直接复制改一个 Key 就能用。2. 用 TaoToken 统一建模脚本的 Key 与 endpoint先说清楚 TaoToken 在这个场景里扮演什么角色。它是一个统一的模型调用入口提供兼容 OpenAI 风格的 API。你原本在 Python 里写base_urlhttps://api.openai.com/v1在 MATLAB 里拼 HTTP 请求在命令行工具里配一堆环境变量现在全部换成同一个 Base URL 和同一个 Key。官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址后面不加任何 UTM 参数配置里写干净的这个就行。为什么建模场景特别需要统一因为初等建模的代码往往是一次性的今天写椅子问题的 θ 函数明天写席位分配的 Q 值循环后天写步长优化的目标函数。如果每个脚本都要单独配 Key你会不自觉地偷懒把 Key 硬编码进脚本然后不小心提交到 Git。统一到 TaoToken 之后所有脚本读同一个环境变量Key 只存在一个地方。具体做法分三层第一层是系统级环境变量。在 macOS/Linux 的~/.zshrc或~/.bashrc里加两行Windows 则在系统环境变量里新建。这样所有终端会话、所有 Python 脚本、所有命令行工具都能读到。第二层是项目级配置文件。每个建模项目根目录放一个.env里面写模型 ID 和超时参数Key 仍然从系统环境变量读。这样不同项目可以用不同模型但 Key 只有一份。第三层是工具级配置。像 Cline、Claude Code、Codex 这类工具各自有配置文件把 Base URL 指向 TaoTokenKey 引用环境变量。三层配合下来你换模型只改.env里的 Model ID换 Key 只改系统环境变量其他一律不动。这就是可复用建模实验环境的含义。需要提醒一点TaoToken 是模型调用入口不是编辑器替代品。你的建模代码还是在 VS Code、PyCharm、MATLAB 里写TaoToken 只负责把调用模型这件事统一掉。别指望它帮你写代码它是让你调模型这件事不再成为负担。3. 可复制的配置片段Python、MATLAB、编辑器三件套这一节给可直接复制的配置。路径和字段名都按真实工具的约定来你照着填就行。3.1 Python 建模脚本的配置在项目根目录建.env# .env —— 建模项目级配置Key 不写在这里 TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODELgpt-4o-mini TAOTOKEN_TIMEOUT60系统环境变量里设置 KeymacOS/Linuxexport TAOTOKEN_API_KEYsk-你的KeyWindows PowerShellsetx TAOTOKEN_API_KEY sk-你的KeyPython 脚本里这样读import os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], timeoutfloat(os.environ.get(TAOTOKEN_TIMEOUT, 60)), ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: 用一句话解释椅子问题的介值定理思路}], ) print(resp.choices[0].message.content)注意base_url结尾不要多加/v1TaoToken 的 API 地址就是https://taotoken.net/apiSDK 会自己拼路径。这是最常见的配置错误之一。3.2 MATLAB 建模脚本的配置MATLAB 里没有官方 OpenAI SDK用webwrite发 HTTP 请求即可。把下面这段存成call_taotoken.mfunction txt call_taotoken(prompt) baseUrl getenv(TAOTOKEN_BASE_URL); apiKey getenv(TAOTOKEN_API_KEY); model getenv(TAOTOKEN_MODEL); url [baseUrl /v1/chat/completions]; headers {Content-Type, application/json, ... Authorization, [Bearer apiKey]}; body struct(model, model, ... messages, {{struct(role, user, content, prompt)}}); opts weboptions(RequestMethod, post, ... HeaderFields, headers, ... MediaType, application/json, ... Timeout, 60); result webwrite(url, body, opts); txt result.choices(1).message.content; end调用disp(call_taotoken(解释席位分配中 Q 值方法的迭代终止条件))MATLAB 的webwrite对 JSON 结构比较敏感messages必须是元胞数组包 struct写成{{...}}才对。这一点和 Python 差别很大容易踩坑。3.3 编辑器与命令行工具三件套如果你用 Cline 或 Claude Code 这类工具辅助建模配置里必须同时出现 Base URL、Key、Model ID 三件套缺一个就连不上。Cline 的 MCP / 模型配置settings.json片段{ apiProvider: openai, openAiBaseUrl: https://taotoken.net/api, openAiApiKey: sk-你的Key, openAiModelId: gpt-4o-mini }Claude Code 的配置~/.claude/settings.json片段{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的Key, ANTHROPIC_MODEL: claude-3-5-sonnet-20241022 } }Codex 的auth.json路径通常是~/.codex/auth.json{ OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的Key, OPENAI_MODEL: gpt-4o-mini }三件套的对应关系是Base URL 决定请求发到哪Key 决定身份Model ID 决定用哪个模型。任何一处写错报错都不一样下一节会逐个对照。4. 验证请求一次调用确认建模环境通了配置写完不要急着跑建模脚本先用最小请求验证。这一步能帮你把 90% 的配置问题挡在建模之前。Python 验证脚本verify_taotoken.pyimport os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: 回复 OK 两个字母即可}], max_tokens10, ) print(status:, resp.model) print(content:, resp.choices[0].message.content)运行python verify_taotoken.py成功时你会看到类似输出status: gpt-4o-mini content: OKstatus字段回显的是实际使用的模型名content是模型回复。两个都正常说明 Base URL、Key、Model ID 三件套全部生效。MATLAB 验证txt call_taotoken(回复 OK 两个字母即可); disp(txt)命令行工具验证curlcurl -s https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d {model:gpt-4o-mini,messages:[{role:user,content:回复 OK}]}curl 能通说明网络和 Key 都没问题剩下就是各工具自己的配置格式问题。验证通过后把建模脚本里的模型调用都改成读环境变量。比如椅子问题的验证脚本原本可能硬编码了 Key现在改成import os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], ) def ask_model(prompt): resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: prompt}], ) return resp.choices[0].message.content # 让模型帮忙检查介值定理的表述 print(ask_model(椅子问题中为什么要求地面连续变化))这样你的建模脚本和 AI 辅助就共用一套配置了。换模型只改.env一行换 Key 只改系统环境变量一处。5. 常见报错排查401、local proxy failed、reading choices、OAuth配置阶段最容易遇到四类报错逐个对照。401 Unauthorized。最常见的原因是 Key 没读到。先确认环境变量真的生效echo $TAOTOKEN_API_KEY如果输出为空说明export没写进 shell 配置文件或者当前终端没重新加载。另一个原因是 Key 前后带了空格或引号复制时容易带上。还有一种情况是 Base URL 写成了https://taotoken.net/api/v1导致 SDK 拼成/v1/v1/chat/completions服务端认不出路径返回 401。记住 API 地址就是https://taotoken.net/api不要加/v1。local proxy failed。这个报错通常出现在编辑器插件或命令行工具里意思是工具尝试走本地代理但连不上。检查工具的代理设置把代理关掉让它直连 TaoToken。有些工具默认读系统代理而系统代理指向了一个没启动的本地端口。在 Cline 或 Claude Code 的设置里找proxy字段清空或设为null。reading choices 报错比如Cannot read properties of undefined (reading choices)。这说明请求发出去了但返回结构里没有choices字段。常见原因是 Model ID 写错服务端返回了错误对象而不是正常响应。先打印完整响应看看import json print(json.dumps(resp.model_dump(), ensure_asciiFalse, indent2))如果看到error字段里面会写清楚是模型不存在还是参数不合法。另一个原因是messages格式不对比如把content写成了数组但模型不支持。OAuth 相关报错。Claude Code 这类工具默认走 OAuth 登录流程如果你直接配 API Key它可能仍然尝试 OAuth 导致冲突。解决办法是在配置里显式声明使用 API Key 模式并确保ANTHROPIC_API_KEY和ANTHROPIC_BASE_URL同时存在。如果工具提示OAuth token expired说明它没读到你的 Key回退到了 OAuth 流程。检查settings.json的env字段是否被正确加载有些工具需要重启才生效。排查顺序建议先 curl 验证 Key 和网络再验证 Python SDK最后验证具体工具。这样能把问题范围一步步缩小。每解决一个报错就把正确配置记到项目 README 里下次换环境直接抄。6. 把建模环境固化下来下一讲直接开跑到这里你的建模实验环境应该已经通了Python、MATLAB、编辑器插件、命令行工具全部走同一个 Base URL 和同一个 Key模型 ID 集中在.env里管理。椅子问题、席位分配、行走步长、实物交换这几个初等模型的代码都可以在这个环境里反复跑、反复改。给你一个实用建议在项目根目录建一个setup.md把系统环境变量、.env、各工具配置片段全部记进去。下次换电脑照着setup.md十分钟就能重建环境。这比记住每个工具的配置路径靠谱得多。如果你还想验证不同模型在建模解释上的差异可以直接在模型对话里切换 Model ID 试如果打算长期用 AI 辅助写建模代码、跑 Agent 流程可以了解 Coding Plan需要新建或轮换 Key 时去 API Keys 页面操作接入细节和参数说明都在接入文档里。这几个入口按需取用即可模型对话https://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel-chatCoding Planhttps://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-planAPI Keyshttps://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc下一讲开始写具体模型代码时你只需要打开编辑器新建脚本import os读环境变量剩下的交给建模思路本身。环境这件事一次配好后面就不用再想了。 数学建模 第二讲 - 初等建模：用 TaoToken 统一 Key 跑通建模代码环境
1. 初等建模练习里最容易被忽略的坑环境不统一数学建模第二讲通常会一口气抛出椅子问题、席位分配问题、行走步长问题、实物交换模型这几个经典初等模型。它们的共同点是问题描述很生活化但一旦落到代码上就要开始画连续函数、解方程、做数值迭代、跑灵敏度分析。很多同学在这一步卡住不是因为不会建模而是因为环境太乱。我见过太多这样的情况椅子问题用 Python 的 sympy 验证介值定理席位分配用 MATLAB 写 Q 值迭代行走步长又要用 numpy 做最优化实物交换模型还想让大模型帮忙解释一下交换比例。结果就是本地装了三四套工具链每套工具各自配一个 API Key散落在.env、settings.json、auth.json、系统环境变量里。过两周再回来跑自己都忘了哪个 Key 对应哪个工具报一个 401 就要排查半小时。这一讲的核心目标不是把四个模型讲一遍而是帮你搭一个可复用的建模实验环境把本地建模脚本的 endpoint 和 Key 统一改到 TaoTokenPython、MATLAB、命令行工具、编辑器插件全部走同一个入口。这样你换电脑、换项目、换模型只需要维护一份配置。适合谁看正在上数学建模课、需要反复跑初等模型代码的学员带课的助教以及想把建模脚本和 AI 辅助统一管理的同学。下面所有配置都可以直接复制改一个 Key 就能用。2. 用 TaoToken 统一建模脚本的 Key 与 endpoint先说清楚 TaoToken 在这个场景里扮演什么角色。它是一个统一的模型调用入口提供兼容 OpenAI 风格的 API。你原本在 Python 里写base_urlhttps://api.openai.com/v1在 MATLAB 里拼 HTTP 请求在命令行工具里配一堆环境变量现在全部换成同一个 Base URL 和同一个 Key。官网入口在这里https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 地址是 https://taotoken.net/api 注意 API 地址后面不加任何 UTM 参数配置里写干净的这个就行。为什么建模场景特别需要统一因为初等建模的代码往往是一次性的今天写椅子问题的 θ 函数明天写席位分配的 Q 值循环后天写步长优化的目标函数。如果每个脚本都要单独配 Key你会不自觉地偷懒把 Key 硬编码进脚本然后不小心提交到 Git。统一到 TaoToken 之后所有脚本读同一个环境变量Key 只存在一个地方。具体做法分三层第一层是系统级环境变量。在 macOS/Linux 的~/.zshrc或~/.bashrc里加两行Windows 则在系统环境变量里新建。这样所有终端会话、所有 Python 脚本、所有命令行工具都能读到。第二层是项目级配置文件。每个建模项目根目录放一个.env里面写模型 ID 和超时参数Key 仍然从系统环境变量读。这样不同项目可以用不同模型但 Key 只有一份。第三层是工具级配置。像 Cline、Claude Code、Codex 这类工具各自有配置文件把 Base URL 指向 TaoTokenKey 引用环境变量。三层配合下来你换模型只改.env里的 Model ID换 Key 只改系统环境变量其他一律不动。这就是可复用建模实验环境的含义。需要提醒一点TaoToken 是模型调用入口不是编辑器替代品。你的建模代码还是在 VS Code、PyCharm、MATLAB 里写TaoToken 只负责把调用模型这件事统一掉。别指望它帮你写代码它是让你调模型这件事不再成为负担。3. 可复制的配置片段Python、MATLAB、编辑器三件套这一节给可直接复制的配置。路径和字段名都按真实工具的约定来你照着填就行。3.1 Python 建模脚本的配置在项目根目录建.env# .env —— 建模项目级配置Key 不写在这里 TAOTOKEN_BASE_URLhttps://taotoken.net/api TAOTOKEN_MODELgpt-4o-mini TAOTOKEN_TIMEOUT60系统环境变量里设置 KeymacOS/Linuxexport TAOTOKEN_API_KEYsk-你的KeyWindows PowerShellsetx TAOTOKEN_API_KEY sk-你的KeyPython 脚本里这样读import os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], timeoutfloat(os.environ.get(TAOTOKEN_TIMEOUT, 60)), ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: 用一句话解释椅子问题的介值定理思路}], ) print(resp.choices[0].message.content)注意base_url结尾不要多加/v1TaoToken 的 API 地址就是https://taotoken.net/apiSDK 会自己拼路径。这是最常见的配置错误之一。3.2 MATLAB 建模脚本的配置MATLAB 里没有官方 OpenAI SDK用webwrite发 HTTP 请求即可。把下面这段存成call_taotoken.mfunction txt call_taotoken(prompt) baseUrl getenv(TAOTOKEN_BASE_URL); apiKey getenv(TAOTOKEN_API_KEY); model getenv(TAOTOKEN_MODEL); url [baseUrl /v1/chat/completions]; headers {Content-Type, application/json, ... Authorization, [Bearer apiKey]}; body struct(model, model, ... messages, {{struct(role, user, content, prompt)}}); opts weboptions(RequestMethod, post, ... HeaderFields, headers, ... MediaType, application/json, ... Timeout, 60); result webwrite(url, body, opts); txt result.choices(1).message.content; end调用disp(call_taotoken(解释席位分配中 Q 值方法的迭代终止条件))MATLAB 的webwrite对 JSON 结构比较敏感messages必须是元胞数组包 struct写成{{...}}才对。这一点和 Python 差别很大容易踩坑。3.3 编辑器与命令行工具三件套如果你用 Cline 或 Claude Code 这类工具辅助建模配置里必须同时出现 Base URL、Key、Model ID 三件套缺一个就连不上。Cline 的 MCP / 模型配置settings.json片段{ apiProvider: openai, openAiBaseUrl: https://taotoken.net/api, openAiApiKey: sk-你的Key, openAiModelId: gpt-4o-mini }Claude Code 的配置~/.claude/settings.json片段{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的Key, ANTHROPIC_MODEL: claude-3-5-sonnet-20241022 } }Codex 的auth.json路径通常是~/.codex/auth.json{ OPENAI_BASE_URL: https://taotoken.net/api, OPENAI_API_KEY: sk-你的Key, OPENAI_MODEL: gpt-4o-mini }三件套的对应关系是Base URL 决定请求发到哪Key 决定身份Model ID 决定用哪个模型。任何一处写错报错都不一样下一节会逐个对照。4. 验证请求一次调用确认建模环境通了配置写完不要急着跑建模脚本先用最小请求验证。这一步能帮你把 90% 的配置问题挡在建模之前。Python 验证脚本verify_taotoken.pyimport os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], ) resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: 回复 OK 两个字母即可}], max_tokens10, ) print(status:, resp.model) print(content:, resp.choices[0].message.content)运行python verify_taotoken.py成功时你会看到类似输出status: gpt-4o-mini content: OKstatus字段回显的是实际使用的模型名content是模型回复。两个都正常说明 Base URL、Key、Model ID 三件套全部生效。MATLAB 验证txt call_taotoken(回复 OK 两个字母即可); disp(txt)命令行工具验证curlcurl -s https://taotoken.net/api/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -d {model:gpt-4o-mini,messages:[{role:user,content:回复 OK}]}curl 能通说明网络和 Key 都没问题剩下就是各工具自己的配置格式问题。验证通过后把建模脚本里的模型调用都改成读环境变量。比如椅子问题的验证脚本原本可能硬编码了 Key现在改成import os from openai import OpenAI client OpenAI( base_urlos.environ[TAOTOKEN_BASE_URL], api_keyos.environ[TAOTOKEN_API_KEY], ) def ask_model(prompt): resp client.chat.completions.create( modelos.environ[TAOTOKEN_MODEL], messages[{role: user, content: prompt}], ) return resp.choices[0].message.content # 让模型帮忙检查介值定理的表述 print(ask_model(椅子问题中为什么要求地面连续变化))这样你的建模脚本和 AI 辅助就共用一套配置了。换模型只改.env一行换 Key 只改系统环境变量一处。5. 常见报错排查401、local proxy failed、reading choices、OAuth配置阶段最容易遇到四类报错逐个对照。401 Unauthorized。最常见的原因是 Key 没读到。先确认环境变量真的生效echo $TAOTOKEN_API_KEY如果输出为空说明export没写进 shell 配置文件或者当前终端没重新加载。另一个原因是 Key 前后带了空格或引号复制时容易带上。还有一种情况是 Base URL 写成了https://taotoken.net/api/v1导致 SDK 拼成/v1/v1/chat/completions服务端认不出路径返回 401。记住 API 地址就是https://taotoken.net/api不要加/v1。local proxy failed。这个报错通常出现在编辑器插件或命令行工具里意思是工具尝试走本地代理但连不上。检查工具的代理设置把代理关掉让它直连 TaoToken。有些工具默认读系统代理而系统代理指向了一个没启动的本地端口。在 Cline 或 Claude Code 的设置里找proxy字段清空或设为null。reading choices 报错比如Cannot read properties of undefined (reading choices)。这说明请求发出去了但返回结构里没有choices字段。常见原因是 Model ID 写错服务端返回了错误对象而不是正常响应。先打印完整响应看看import json print(json.dumps(resp.model_dump(), ensure_asciiFalse, indent2))如果看到error字段里面会写清楚是模型不存在还是参数不合法。另一个原因是messages格式不对比如把content写成了数组但模型不支持。OAuth 相关报错。Claude Code 这类工具默认走 OAuth 登录流程如果你直接配 API Key它可能仍然尝试 OAuth 导致冲突。解决办法是在配置里显式声明使用 API Key 模式并确保ANTHROPIC_API_KEY和ANTHROPIC_BASE_URL同时存在。如果工具提示OAuth token expired说明它没读到你的 Key回退到了 OAuth 流程。检查settings.json的env字段是否被正确加载有些工具需要重启才生效。排查顺序建议先 curl 验证 Key 和网络再验证 Python SDK最后验证具体工具。这样能把问题范围一步步缩小。每解决一个报错就把正确配置记到项目 README 里下次换环境直接抄。6. 把建模环境固化下来下一讲直接开跑到这里你的建模实验环境应该已经通了Python、MATLAB、编辑器插件、命令行工具全部走同一个 Base URL 和同一个 Key模型 ID 集中在.env里管理。椅子问题、席位分配、行走步长、实物交换这几个初等模型的代码都可以在这个环境里反复跑、反复改。给你一个实用建议在项目根目录建一个setup.md把系统环境变量、.env、各工具配置片段全部记进去。下次换电脑照着setup.md十分钟就能重建环境。这比记住每个工具的配置路径靠谱得多。如果你还想验证不同模型在建模解释上的差异可以直接在模型对话里切换 Model ID 试如果打算长期用 AI 辅助写建模代码、跑 Agent 流程可以了解 Coding Plan需要新建或轮换 Key 时去 API Keys 页面操作接入细节和参数说明都在接入文档里。这几个入口按需取用即可模型对话https://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodel-chatCoding Planhttps://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-planAPI Keyshttps://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/api?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc下一讲开始写具体模型代码时你只需要打开编辑器新建脚本import os读环境变量剩下的交给建模思路本身。环境这件事一次配好后面就不用再想了。