尧图网页设计 
1. 为什么 Spring 项目需要把 AI 代码审查塞进流水线先说一个我观察到的现象很多 Spring 团队并不缺代码审查制度缺的是“审查真的发生了”。PR 提交后挂在那里等一个有权限的人点开、看 diff、写两句“这里建议加个判空”然后 merge。中等规模团队里一个 PR 从提交到拿到第一条有效反馈等上几个小时是常态跨时区协作时甚至要等一个工作日。问题不在于人不负责而在于审查这件事被夹在“写代码”和“发版本”之间天然是瓶颈。机械性的问题——命名不规范、日志用System.out.println、SimpleDateFormat写成静态字段、Optional.get()没判空——这些占了审查意见的一大半却消耗了审查者最宝贵的注意力。等他们看完这些已经没精力去盯架构和业务逻辑了。AI 代码审查能做什么它适合做第一道自动化防线在人工介入之前把 diff 过一遍把机械性、模式化的问题标出来按严重级别分类直接以行级评论的形式贴到 PR 上。人工审查者打开 PR 时看到的是已经过滤过一轮的清单精力可以集中在“这个事务边界对不对”“这个接口设计合不合理”上。它不适合做什么业务逻辑正确性、第三方依赖选型的合规性、复杂权限绕过分析——这些 AI 判断不了也不该让它判断。把定位想清楚后面所有工程决策都会顺。那为什么标题里强调“TaoToken 统一 Key 接入”因为真正落地时团队往往不是卡在“AI 能不能审代码”而是卡在鉴权配置的碎片化Jenkins 里一套 Key、GitLab CI 变量里一套、本地开发又一套模型换了要改 N 个地方某个 Key 过期了流水线半夜红一片。统一 Key/API 通道解决的正是这个运维层面的痛点让审查逻辑本身可以专注在 diff 分片、规则分层和结果聚合上。这篇就按“能跟做”的标准来先讲清楚整体链路再给 TaoToken 的前置准备然后是可直接复制的配置片段和流水线 stage接着跑一次真实审查核对返回结果最后把几个高频报错逐个拆掉。2. TaoToken 前置准备统一 Key 与 API 通道怎么配在动手改流水线之前先把“模型侧”这件事收敛掉。核心思路是所有环境、所有工具共用同一个 Base URL 和同一把 Key模型 ID 通过环境变量注入。这样 Jenkins、GitLab CI、本地调试走的是同一条通道换模型只改一个变量。第一步去控制台创建一把 API Key。地址是https://taotoken.net/console登录后在 API Keys 页面新建复制出来先存到密码管理器里——它通常只完整显示一次。这把 Key 就是后面所有配置里TAOTOKEN_API_KEY的值。第二步确认你要用的模型 ID。在模型对话页面可以直接试跑确认这个模型对你的 Java 代码理解够用。地址是https://taotoken.net/chat。选模型时别只看“最强”代码审查这种任务对稳定性和成本更敏感实测下来中等规模的模型在规则化审查上已经够用温度设 0 保证结果可复现。第三步把 Base URL 记牢https://taotoken.net/api。注意这里不带任何查询参数就是干净的 API 根路径。OpenAI 兼容的客户端Spring AI、LangChain4j、原生 RestClient都认这个地址。现在把三件套固定下来后面所有配置都围绕它展开配置项值说明Base URLhttps://taotoken.net/api所有环境统一API Key控制台生成存 CI Secret不写进代码Model ID如deepseek-v3通过环境变量注入便于切换在 CI 里这三样分别对应三个 Secret/变量。Jenkins 用 Credentials 存 KeyGitLab CI 用 Settings → CI/CD → Variables 存标记为 Masked。永远不要把 Key 写进application.yml或流水线 YAML 明文里这是最常见的翻车点。如果你用的是 Claude Code 这类编码工具做本地预审它的配置也是同一套三件套Base URL 填https://taotoken.net/apiKey 填刚生成的Model ID 填你选的。本地和 CI 用同一把 Key 的好处是出问题时排查范围立刻缩小——不是“某个环境的 Key 有问题”而是“这条通道整体有问题”。前置准备做到这里就够了。接下来进入 Spring 项目本身的配置。3. 可复制配置Spring AI 接入与流水线 stage 示例这一节给的是能直接抄的片段。分两块Spring 应用侧的模型配置和 CI 侧的流水线定义。先看 Spring 侧的application.yml。假设你用 Spring AI 的 OpenAI starter配置长这样spring: ai: openai: base-url: ${TAOTOKEN_BASE_URL:https://taotoken.net/api} api-key: ${TAOTOKEN_API_KEY} chat: options: model: ${TAOTOKEN_MODEL:deepseek-v3} temperature: 0.0 max-tokens: 4000三个占位符全部走环境变量本地开发时在 IDE 的运行配置里填CI 里由流水线注入。temperature: 0.0是审查场景的关键——同样的 diff 每次应该得到同样的结论否则开发者会觉得“这 AI 一会儿说有问题一会儿说没问题”信任度直接崩。如果你更习惯用settings.json风格的集中配置比如配合某些 CLI 工具做本地预审可以这样写{ baseUrl: https://taotoken.net/api, apiKey: ${TAOTOKEN_API_KEY}, model: deepseek-v3, temperature: 0.0, maxTokens: 4000 }注意apiKey这里用的是变量引用不是明文。任何把 Key 硬编码进 JSON 提交到仓库的做法都应该在 code review 阶段被拦下来——有点讽刺但确实常见。再看 CI 侧。以 GitLab CI 为例.gitlab-ci.yml里加一个审查 stagestages: - build - ai-review - test ai-code-review: stage: ai-review image: maven:3.9-eclipse-temurin-17 variables: TAOTOKEN_BASE_URL: https://taotoken.net/api TAOTOKEN_MODEL: deepseek-v3 script: - mvn -q -DskipTests package - java -jar target/review-runner.jar --repo $CI_PROJECT_URL --pr $CI_MERGE_REQUEST_IID --token $GITLAB_TOKEN rules: - if: $CI_PIPELINE_SOURCE merge_request_event when: on_success allow_failure: trueTAOTOKEN_API_KEY不写在 variables 里而是在 GitLab 的 CI/CD Variables 中配置脚本里通过环境变量自动读取。allow_failure: true是刻意的——第一版接入时审查失败不应该阻断合并先跑一段时间看误报率稳定了再考虑让 CRITICAL 阻断。Jenkins 的Jenkinsfile对应写法pipeline { agent any environment { TAOTOKEN_BASE_URL https://taotoken.net/api TAOTOKEN_MODEL deepseek-v3 TAOTOKEN_API_KEY credentials(taotoken-api-key) } stages { stage(AI Code Review) { when { changeRequest() } steps { sh mvn -q -DskipTests package sh java -jar target/review-runner.jar --pr $CHANGE_ID } } } }credentials(taotoken-api-key)会自动把 Jenkins Credentials 里的值注入成环境变量日志里会打码。这是 Jenkins 里最稳妥的 Key 管理方式。配置到这里模型通道和流水线骨架都有了。下一节跑一次真实审查看返回结果长什么样。4. 验证请求触发一次审查并核对返回结果配置写完不验证等于没配。这一节给一个最小可跑的验证路径确认从流水线到模型再到 PR 评论整条链路是通的。最直接的验证方式是先在本地用一段有问题的 Java 代码打一次请求确认模型返回结构符合预期。用curl就能测curl -s https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: deepseek-v3, temperature: 0, messages: [ {role: user, content: 审查这段 Javaprivate static final SimpleDateFormat SDF new SimpleDateFormat(\yyyy-MM-dd\); 按 CRITICAL/WARNING/INFO 分级输出 JSON。} ] }预期返回里应该能看到模型指出SimpleDateFormat作为静态字段存在线程安全问题并给出CRITICAL或WARNING级别。如果返回 401说明 Key 没读到如果返回连接错误检查 Base URL 是不是写成了带路径的形式。这一步通了说明模型通道没问题。接着触发流水线。在 GitLab 里推一个 MR或者手动触发 pipeline。观察ai-code-review这个 job 的日志正常的话会看到类似这样的输出[INFO] 提取 diff 文件数: 3 [INFO] 分片完成: 4 个 chunk [INFO] 审查 chunk 1/4 ... 发现 2 条 [INFO] 审查 chunk 2/4 ... 发现 0 条 [INFO] 聚合去重后: 3 条 (CRITICAL: 1, WARNING: 2, INFO: 0) [INFO] 提交 PR 评论成功然后回到 MR 页面应该能看到一条审查摘要评论以及若干条行级评论。摘要里带严重级别统计表行级评论贴在具体代码行旁边。核对时重点看三件事行号对不对AI 返回的 line 是否落在 diff 的变更行上、级别合不合理把命名问题标成 CRITICAL 就是误报、建议是否可执行“建议加判空”比“这里可能有问题”有用得多。如果行级评论贴不上去通常是行号不在 diff 的变更范围内——GitHub/GitLab 只允许对变更行评论。解决办法是在提交评论前做一次行号校验落在变更范围外的降级为摘要里的普通条目。验证通过后把allow_failure保持一段时间收集误报数据再决定哪些规则可以升级为阻断。5. 常见报错排查401、local proxy failed 与解析失败接入过程中会撞到的报错其实就那么几个逐个拆。401 Unauthorized。最常见原因基本是 Key 没正确注入。排查顺序先在 CI 日志里确认环境变量名拼写一致TAOTOKEN_API_KEY别写成TAOTOKEN_KEY再确认 Secret 没有被引号包裹导致多出空格最后确认 Key 本身没过期。Jenkins 里如果用了credentials()注意它注入的是变量名对应的值脚本里直接引用变量名即可不要再套一层env.。local proxy failed / connection refused。这个报错通常出现在本地调试或某些 CI runner 上本质是客户端尝试走了一个不存在的本地代理。检查你的HTTP_PROXY/HTTPS_PROXY环境变量如果指向了一个没启动的本地端口就会这样。清掉这两个变量再跑。另外确认 Base URL 是https://taotoken.net/api不要多加/v1之类的后缀路径不对也会表现为连接异常。reading choices / 解析返回失败。模型返回了内容但代码按 OpenAI 格式去取choices[0].message.content时取不到。原因可能是返回体被包了一层或者模型返回的是流式格式而客户端按非流式解析。先打印原始响应体看结构再调整解析逻辑。审查场景建议关掉流式一次性拿完整结果更好处理。OAuth / 鉴权方式不匹配。如果你用的是 Claude Code 这类工具它默认可能走 OAuth 流程而 TaoToken 走的是 API Key。需要在配置里显式指定用 API Key 模式填 Base URL Key Model ID 三件套。三件套缺一不可只填 Key 不填 Base URL 会走到默认端点上去。返回空数组但代码明显有问题。不是报错但很让人困惑。通常是 Prompt 里没给足上下文或者 diff 分片把方法切断了。把分片策略从“按大小切”改成“按文件切、超限再按 hunk 切”保证每个分片里方法完整。另外确认temperature是 0非零温度下模型可能“偷懒”。把这几类报错对照日志过一遍基本能覆盖 90% 的接入问题。6. 把审查稳定跑起来从接入到长期使用链路通了之后真正决定这套东西能不能长期用的是误报率。我试过在几个项目里跑第一周误报偏多主要来自测试文件和配置文件被当成业务代码审。解决办法是在分片阶段就跳过.lock、.min.js、二进制文件以及测试目录下的文件——测试代码不需要检查线程安全和资源泄漏。规则分层也要落到实处。CRITICAL 只留真正会出事的SQL 拼接、未关闭的连接、硬编码密钥。命名规范、魔法数字这类放 WARNING 或 INFO别让它们阻断合并。一旦开发者发现“每次提交都被一堆无关紧要的红字拦住”他们会直接关掉这个功能再想推就难了。成本方面不用太焦虑。按每个 PR 平均几百行 diff 算单次审查的 token 消耗很小中等团队月度成本基本可以忽略。真正要控制的是无效审查——超大 diff、生成代码、依赖锁文件这些跳过就好。最后给一个实用建议把审查结果里的“误报”标记做成反馈入口。开发者点一下“误报”数据回流到你的规则集下个迭代把这条规则降级或删掉。这套闭环跑起来AI 审查才会越用越准而不是越用越吵。如果你还没开始就从本地curl那一步测起确认模型通道通了再往流水线里接。顺序别反否则报错了你分不清是模型的问题还是 CI 的问题。 将 AI 代码审查集成到 Spring 项目的 CI/CD 流水线：TaoToken 统一 Key 接入实践
1. 为什么 Spring 项目需要把 AI 代码审查塞进流水线先说一个我观察到的现象很多 Spring 团队并不缺代码审查制度缺的是“审查真的发生了”。PR 提交后挂在那里等一个有权限的人点开、看 diff、写两句“这里建议加个判空”然后 merge。中等规模团队里一个 PR 从提交到拿到第一条有效反馈等上几个小时是常态跨时区协作时甚至要等一个工作日。问题不在于人不负责而在于审查这件事被夹在“写代码”和“发版本”之间天然是瓶颈。机械性的问题——命名不规范、日志用System.out.println、SimpleDateFormat写成静态字段、Optional.get()没判空——这些占了审查意见的一大半却消耗了审查者最宝贵的注意力。等他们看完这些已经没精力去盯架构和业务逻辑了。AI 代码审查能做什么它适合做第一道自动化防线在人工介入之前把 diff 过一遍把机械性、模式化的问题标出来按严重级别分类直接以行级评论的形式贴到 PR 上。人工审查者打开 PR 时看到的是已经过滤过一轮的清单精力可以集中在“这个事务边界对不对”“这个接口设计合不合理”上。它不适合做什么业务逻辑正确性、第三方依赖选型的合规性、复杂权限绕过分析——这些 AI 判断不了也不该让它判断。把定位想清楚后面所有工程决策都会顺。那为什么标题里强调“TaoToken 统一 Key 接入”因为真正落地时团队往往不是卡在“AI 能不能审代码”而是卡在鉴权配置的碎片化Jenkins 里一套 Key、GitLab CI 变量里一套、本地开发又一套模型换了要改 N 个地方某个 Key 过期了流水线半夜红一片。统一 Key/API 通道解决的正是这个运维层面的痛点让审查逻辑本身可以专注在 diff 分片、规则分层和结果聚合上。这篇就按“能跟做”的标准来先讲清楚整体链路再给 TaoToken 的前置准备然后是可直接复制的配置片段和流水线 stage接着跑一次真实审查核对返回结果最后把几个高频报错逐个拆掉。2. TaoToken 前置准备统一 Key 与 API 通道怎么配在动手改流水线之前先把“模型侧”这件事收敛掉。核心思路是所有环境、所有工具共用同一个 Base URL 和同一把 Key模型 ID 通过环境变量注入。这样 Jenkins、GitLab CI、本地调试走的是同一条通道换模型只改一个变量。第一步去控制台创建一把 API Key。地址是https://taotoken.net/console登录后在 API Keys 页面新建复制出来先存到密码管理器里——它通常只完整显示一次。这把 Key 就是后面所有配置里TAOTOKEN_API_KEY的值。第二步确认你要用的模型 ID。在模型对话页面可以直接试跑确认这个模型对你的 Java 代码理解够用。地址是https://taotoken.net/chat。选模型时别只看“最强”代码审查这种任务对稳定性和成本更敏感实测下来中等规模的模型在规则化审查上已经够用温度设 0 保证结果可复现。第三步把 Base URL 记牢https://taotoken.net/api。注意这里不带任何查询参数就是干净的 API 根路径。OpenAI 兼容的客户端Spring AI、LangChain4j、原生 RestClient都认这个地址。现在把三件套固定下来后面所有配置都围绕它展开配置项值说明Base URLhttps://taotoken.net/api所有环境统一API Key控制台生成存 CI Secret不写进代码Model ID如deepseek-v3通过环境变量注入便于切换在 CI 里这三样分别对应三个 Secret/变量。Jenkins 用 Credentials 存 KeyGitLab CI 用 Settings → CI/CD → Variables 存标记为 Masked。永远不要把 Key 写进application.yml或流水线 YAML 明文里这是最常见的翻车点。如果你用的是 Claude Code 这类编码工具做本地预审它的配置也是同一套三件套Base URL 填https://taotoken.net/apiKey 填刚生成的Model ID 填你选的。本地和 CI 用同一把 Key 的好处是出问题时排查范围立刻缩小——不是“某个环境的 Key 有问题”而是“这条通道整体有问题”。前置准备做到这里就够了。接下来进入 Spring 项目本身的配置。3. 可复制配置Spring AI 接入与流水线 stage 示例这一节给的是能直接抄的片段。分两块Spring 应用侧的模型配置和 CI 侧的流水线定义。先看 Spring 侧的application.yml。假设你用 Spring AI 的 OpenAI starter配置长这样spring: ai: openai: base-url: ${TAOTOKEN_BASE_URL:https://taotoken.net/api} api-key: ${TAOTOKEN_API_KEY} chat: options: model: ${TAOTOKEN_MODEL:deepseek-v3} temperature: 0.0 max-tokens: 4000三个占位符全部走环境变量本地开发时在 IDE 的运行配置里填CI 里由流水线注入。temperature: 0.0是审查场景的关键——同样的 diff 每次应该得到同样的结论否则开发者会觉得“这 AI 一会儿说有问题一会儿说没问题”信任度直接崩。如果你更习惯用settings.json风格的集中配置比如配合某些 CLI 工具做本地预审可以这样写{ baseUrl: https://taotoken.net/api, apiKey: ${TAOTOKEN_API_KEY}, model: deepseek-v3, temperature: 0.0, maxTokens: 4000 }注意apiKey这里用的是变量引用不是明文。任何把 Key 硬编码进 JSON 提交到仓库的做法都应该在 code review 阶段被拦下来——有点讽刺但确实常见。再看 CI 侧。以 GitLab CI 为例.gitlab-ci.yml里加一个审查 stagestages: - build - ai-review - test ai-code-review: stage: ai-review image: maven:3.9-eclipse-temurin-17 variables: TAOTOKEN_BASE_URL: https://taotoken.net/api TAOTOKEN_MODEL: deepseek-v3 script: - mvn -q -DskipTests package - java -jar target/review-runner.jar --repo $CI_PROJECT_URL --pr $CI_MERGE_REQUEST_IID --token $GITLAB_TOKEN rules: - if: $CI_PIPELINE_SOURCE merge_request_event when: on_success allow_failure: trueTAOTOKEN_API_KEY不写在 variables 里而是在 GitLab 的 CI/CD Variables 中配置脚本里通过环境变量自动读取。allow_failure: true是刻意的——第一版接入时审查失败不应该阻断合并先跑一段时间看误报率稳定了再考虑让 CRITICAL 阻断。Jenkins 的Jenkinsfile对应写法pipeline { agent any environment { TAOTOKEN_BASE_URL https://taotoken.net/api TAOTOKEN_MODEL deepseek-v3 TAOTOKEN_API_KEY credentials(taotoken-api-key) } stages { stage(AI Code Review) { when { changeRequest() } steps { sh mvn -q -DskipTests package sh java -jar target/review-runner.jar --pr $CHANGE_ID } } } }credentials(taotoken-api-key)会自动把 Jenkins Credentials 里的值注入成环境变量日志里会打码。这是 Jenkins 里最稳妥的 Key 管理方式。配置到这里模型通道和流水线骨架都有了。下一节跑一次真实审查看返回结果长什么样。4. 验证请求触发一次审查并核对返回结果配置写完不验证等于没配。这一节给一个最小可跑的验证路径确认从流水线到模型再到 PR 评论整条链路是通的。最直接的验证方式是先在本地用一段有问题的 Java 代码打一次请求确认模型返回结构符合预期。用curl就能测curl -s https://taotoken.net/api/chat/completions \ -H Authorization: Bearer $TAOTOKEN_API_KEY \ -H Content-Type: application/json \ -d { model: deepseek-v3, temperature: 0, messages: [ {role: user, content: 审查这段 Javaprivate static final SimpleDateFormat SDF new SimpleDateFormat(\yyyy-MM-dd\); 按 CRITICAL/WARNING/INFO 分级输出 JSON。} ] }预期返回里应该能看到模型指出SimpleDateFormat作为静态字段存在线程安全问题并给出CRITICAL或WARNING级别。如果返回 401说明 Key 没读到如果返回连接错误检查 Base URL 是不是写成了带路径的形式。这一步通了说明模型通道没问题。接着触发流水线。在 GitLab 里推一个 MR或者手动触发 pipeline。观察ai-code-review这个 job 的日志正常的话会看到类似这样的输出[INFO] 提取 diff 文件数: 3 [INFO] 分片完成: 4 个 chunk [INFO] 审查 chunk 1/4 ... 发现 2 条 [INFO] 审查 chunk 2/4 ... 发现 0 条 [INFO] 聚合去重后: 3 条 (CRITICAL: 1, WARNING: 2, INFO: 0) [INFO] 提交 PR 评论成功然后回到 MR 页面应该能看到一条审查摘要评论以及若干条行级评论。摘要里带严重级别统计表行级评论贴在具体代码行旁边。核对时重点看三件事行号对不对AI 返回的 line 是否落在 diff 的变更行上、级别合不合理把命名问题标成 CRITICAL 就是误报、建议是否可执行“建议加判空”比“这里可能有问题”有用得多。如果行级评论贴不上去通常是行号不在 diff 的变更范围内——GitHub/GitLab 只允许对变更行评论。解决办法是在提交评论前做一次行号校验落在变更范围外的降级为摘要里的普通条目。验证通过后把allow_failure保持一段时间收集误报数据再决定哪些规则可以升级为阻断。5. 常见报错排查401、local proxy failed 与解析失败接入过程中会撞到的报错其实就那么几个逐个拆。401 Unauthorized。最常见原因基本是 Key 没正确注入。排查顺序先在 CI 日志里确认环境变量名拼写一致TAOTOKEN_API_KEY别写成TAOTOKEN_KEY再确认 Secret 没有被引号包裹导致多出空格最后确认 Key 本身没过期。Jenkins 里如果用了credentials()注意它注入的是变量名对应的值脚本里直接引用变量名即可不要再套一层env.。local proxy failed / connection refused。这个报错通常出现在本地调试或某些 CI runner 上本质是客户端尝试走了一个不存在的本地代理。检查你的HTTP_PROXY/HTTPS_PROXY环境变量如果指向了一个没启动的本地端口就会这样。清掉这两个变量再跑。另外确认 Base URL 是https://taotoken.net/api不要多加/v1之类的后缀路径不对也会表现为连接异常。reading choices / 解析返回失败。模型返回了内容但代码按 OpenAI 格式去取choices[0].message.content时取不到。原因可能是返回体被包了一层或者模型返回的是流式格式而客户端按非流式解析。先打印原始响应体看结构再调整解析逻辑。审查场景建议关掉流式一次性拿完整结果更好处理。OAuth / 鉴权方式不匹配。如果你用的是 Claude Code 这类工具它默认可能走 OAuth 流程而 TaoToken 走的是 API Key。需要在配置里显式指定用 API Key 模式填 Base URL Key Model ID 三件套。三件套缺一不可只填 Key 不填 Base URL 会走到默认端点上去。返回空数组但代码明显有问题。不是报错但很让人困惑。通常是 Prompt 里没给足上下文或者 diff 分片把方法切断了。把分片策略从“按大小切”改成“按文件切、超限再按 hunk 切”保证每个分片里方法完整。另外确认temperature是 0非零温度下模型可能“偷懒”。把这几类报错对照日志过一遍基本能覆盖 90% 的接入问题。6. 把审查稳定跑起来从接入到长期使用链路通了之后真正决定这套东西能不能长期用的是误报率。我试过在几个项目里跑第一周误报偏多主要来自测试文件和配置文件被当成业务代码审。解决办法是在分片阶段就跳过.lock、.min.js、二进制文件以及测试目录下的文件——测试代码不需要检查线程安全和资源泄漏。规则分层也要落到实处。CRITICAL 只留真正会出事的SQL 拼接、未关闭的连接、硬编码密钥。命名规范、魔法数字这类放 WARNING 或 INFO别让它们阻断合并。一旦开发者发现“每次提交都被一堆无关紧要的红字拦住”他们会直接关掉这个功能再想推就难了。成本方面不用太焦虑。按每个 PR 平均几百行 diff 算单次审查的 token 消耗很小中等团队月度成本基本可以忽略。真正要控制的是无效审查——超大 diff、生成代码、依赖锁文件这些跳过就好。最后给一个实用建议把审查结果里的“误报”标记做成反馈入口。开发者点一下“误报”数据回流到你的规则集下个迭代把这条规则降级或删掉。这套闭环跑起来AI 审查才会越用越准而不是越用越吵。如果你还没开始就从本地curl那一步测起确认模型通道通了再往流水线里接。顺序别反否则报错了你分不清是模型的问题还是 CI 的问题。