夜雨聆风
都在养虾养马,可 AI、OpenClaw、爱马仕到底是啥关系?
一篇给所有「跟着养、但没搞清楚养的是个啥」的人看的大白话指南。
━━━━━━━━━━━━━━━━━━━━
最近不管打开哪个技术群，话题基本就两个：
「你养虾了没？」
「我马刚跑通，准备喂点新技能。」
外行听了一头雾水——养虾不是去夜市的事吗？怎么变成程序员茶余饭后的主业了？
「养虾」指的是 OpenClaw，那个 Logo 是只红色小龙虾、2026 年初炸穿 GitHub 的开源 AI Agent；「养马」指的是 Hermes Agent，Nous Research 出品、因为发音被中国开发者戏称为「爱马仕」的另一款明星 Agent。
这俩东西火到什么程度？OpenClaw 已经 34 万+ Star、阿里云腾讯云都上架了一键部署；Hermes 11 万+ Star、背后公司估值 10 个亿。中国云厂商和地方政府都在出补贴鼓励大家「养」。
但是——
我观察了一圈，发现一个挺普遍的现象：很多人嘴上天天养虾养马，其实根本没搞清楚一件事——
OpenClaw 不是 AI，Hermes 也不是 AI。它们是 AI 之上的”壳子”。
你以为你在养一只 AI，其实你养的是一个能让 AI 真正干活的「身体」。这个差别看上去咬文嚼字，理解之后却能让你少踩八成坑。
这篇文章我打算把这件事一次讲清楚。顺手把大模型、提示词、Agent、MCP、Skills 这些常被混着说的词，按从底到上的顺序梳理一遍。
不堆术语，不抄维基百科。能用一句话讲完的，绝不写两句。
━━━━━━━━━━━━━━━━━━━━
❶ 大模型 / LLM
━━━━━━━━━━━━━━━━━━━━
LLM 全称是 Large Language Model，中文叫「大语言模型」，简称「大模型」。
最简单的理解方式：它是一个「超级文字接龙机器」。
你给它一句开头，它会根据自己读过的几乎全互联网的文字，去猜「下一个字最可能是什么」，然后一个字一个字接下去。
听起来很弱对吧？但当这个「猜字」的能力强到一定程度，它就开始表现得像在「思考」、在「理解」、在「对话」。
「大」体现在两件事上：
▸ 读过的资料大（动辄几万亿字）▸ 自己的「脑容量」大（也就是后面要讲的「参数」）
ChatGPT、Claude、Gemini、DeepSeek、Qwen、Kimi——这些你听过的名字，本质上都是大模型，区别只在于谁家训练得更聪明、更听话、更便宜。
━━━━━━━━━━━━━━━━━━━━
❷ 参数 / 7B、70B、671B
━━━━━━━━━━━━━━━━━━━━
经常看到「DeepSeek-V3 671B」「Qwen3-32B」「Llama-70B」这种写法。
后面那个 B 是 billion，十亿。所以 7B 就是 70 亿参数，70B 就是 700 亿参数。
参数你可以粗暴地理解成「模型大脑里的神经元连接数」。数量越多，大脑越大，理论上越聪明，但同时——
▸ 越费显卡（跑起来要更贵的硬件）
▸ 越费电（推理一次成本更高）
▸ 越慢（吐字速度可能更慢）
所以业界一直在玩一个游戏：怎么用更小的模型，做到更大模型的效果。这就是为什么你会看到「7B 打平 70B」「我们小模型在某些任务上反超 GPT-4」这种新闻。
参数不是越多越好，匹配场景才是王道。
━━━━━━━━━━━━━━━━━━━━
❸ Token
━━━━━━━━━━━━━━━━━━━━
这是个会让你充值时心痛的概念。
Token 是大模型处理文字的「最小计费单位」。它不是「字」，也不是「词」，而是介于两者之间的东西。
举几个例子你就懂了：
▸ 「你好」大概是 2 个 token
▸ 「ChatGPT」大概是 2-3 个 token
▸ 「人工智能」大概是 2 个 token
▸ 一段 1000 字的中文，大概是 1500-2000 个 token
为什么要发明这个东西？因为模型不认识「字」，它只认识被切碎重新编码后的数字片段。
为什么要关心它？因为：
▸ 你调用 API，是按 token 收费
▸ 模型的「上下文窗口」，是按 token 算
▸ 你写 prompt 写得啰嗦，token 飙升，钱包飙降
记住这个换算就够了：「中文 1.5 个字 ≈ 1 个 token，英文 1 个单词 ≈ 1.3 个 token」。
━━━━━━━━━━━━━━━━━━━━
❹ 上下文窗口 / Context Window
━━━━━━━━━━━━━━━━━━━━
你和模型聊天时，它能「记住」多少内容，就叫上下文窗口。
单位是 token。你会看到「128K 上下文」「200K 上下文」「1M 上下文」这种宣传语。
128K token 大概等于 一本中等厚度的小说。1M token 大概是 七八本《三体》。
这个数字越大，意味着：
▸ 你能一次喂给它一整本书让它总结
▸ 你能让它读完几百页 PDF 后再回答
▸ 长对话不容易「失忆」
但有个坑要提醒你：「能放进去」不等于「能用好」。
很多模型号称 1M 上下文，但实测放到 30 万 token 之后，它对中间那段内容的记忆就开始稀里糊涂——这种现象有个名字，叫「Lost in the Middle」（中间内容丢失）。
所以看广告别看上限，要看「实际可用区间」。
━━━━━━━━━━━━━━━━━━━━
❺ 提示词 / Prompt
━━━━━━━━━━━━━━━━━━━━
就是你打给模型的那段话。仅此而已。
但它被神化了一阵子，曾经还出现过「提示词工程师年薪百万」的招聘。现在这个泡沫已经破了一半，但「会写 prompt」依然是普通人和专业玩家之间最大的差距。
差距在哪？
普通人写：「帮我写一篇文章」。
会写的人写：「你是一个写了五年公众号的老编辑，请用平实但有钩子的语气，针对 28-35 岁的职场女性，写一篇关于 XX 主题的文章，控制在 1500 字以内，开头不要用「在这个 XX 的时代」这种烂梗，结尾要有一句金句」。
模型还是那个模型，结果天差地别。
━━━━━━━━━━━━━━━━━━━━
❻ 幻觉 / Hallucination
━━━━━━━━━━━━━━━━━━━━
大模型最让人头疼的毛病：一本正经地胡说八道。
它会给你编一个不存在的论文、虚构一个根本没说过这话的名人、引用一段 GitHub 上从未存在过的代码。
而且语气特别自信。
为什么会这样？回到第一节——它本质是「猜下一个字」。它不知道自己「不知道」，它只是在按概率生成最像答案的东西。
幻觉永远不会被 100% 消除，但可以降低。降低的办法主要是：
▸ 让它去查资料再回答（也就是后面要讲的 RAG）
▸ 让它先「思考」再回答（也就是推理模型）
▸ 你自己学会交叉验证，别全信
最朴素的一条建议：凡是涉及具体数字、人名、引用、链接的，一定要自己再搜一下。
━━━━━━━━━━━━━━━━━━━━
❼ 推理模型 / 思维链 / CoT
━━━━━━━━━━━━━━━━━━━━
去年开始出现的新物种。
代表选手有 OpenAI 的 o1 / o3，DeepSeek 的 R1，Claude 的 Thinking 模式，Gemini 的 Thinking。
普通模型是「问完就答」，推理模型是「问完先在心里盘算一通，再答」。
它会在脑内（其实是写在你看不到的地方，或者折叠起来给你看）展开一长串「让我想想……如果是这样……不对，应该……」的推理过程。这个过程被称为「思维链」（Chain of Thought，CoT）。
效果是什么？数学、逻辑、代码这种需要「步骤推演」的任务，准确率大幅提升。
代价是什么？慢，贵。一个推理模型的响应可能需要几十秒甚至几分钟，token 消耗也是普通模型的好几倍。
所以现在的用法是：日常聊天用普通模型，遇到复杂问题切换到推理模型。
━━━━━━━━━━━━━━━━━━━━
❽ RAG / 检索增强生成
━━━━━━━━━━━━━━━━━━━━
全称 Retrieval-Augmented Generation。听起来很学术，做的事其实非常直白。
就是「让模型在回答你之前，先去某个资料库里翻翻」。
举个例子：你做了一个企业内部知识问答机器人。你不可能把所有公司文档都塞进 prompt（太长了，也太贵了）。
那怎么办？
▸ 提前把公司所有文档切成小块，转成向量存起来
▸ 用户提问时，先用问题去「最相关的几小块」里搜
▸ 把搜到的内容塞给模型，让它基于这些内容回答
这就是 RAG。它解决了三个问题：
▸ 模型本身不知道你公司的私有数据 → 现在它知道了
▸ 模型容易瞎编 → 现在它有依据了
▸ 长文档塞不下 → 现在按需取用了
今天市面上 80% 的「企业 AI 应用」「智能客服」「文档问答」，底层都是 RAG。
━━━━━━━━━━━━━━━━━━━━
❾ 微调 / Fine-tuning
━━━━━━━━━━━━━━━━━━━━
如果说大模型是一个读完了全互联网的「通才大学生」，那微调就是「让他再去某个行业实习几个月，变成专才」。
举几个真实场景：
▸ 一家律所拿自己积累的几万份合同，微调一个专门审合同的模型
▸ 一家医院拿病历数据，微调一个能写诊断初稿的模型
▸ 一个个人 IP 拿自己几年的写作风格，微调一个能模仿自己语气的模型
微调和 RAG 的区别经常被搞混。粗暴对比：
▸ RAG：让模型「现场翻书」，资料是外部的
▸ 微调：让模型「把书读进脑子」，知识是内化的
▸ RAG：擅长处理频繁变化的事实性内容
▸ 微调：擅长固化某种风格、格式、决策习惯
实际项目里，往往两个一起用。
━━━━━━━━━━━━━━━━━━━━
❿ 多模态 / Multimodal
━━━━━━━━━━━━━━━━━━━━
「模态」就是信息的类型：文字是一种模态，图片是一种，音频是一种，视频是一种。
「多模态」意思是模型同时能处理好几种。
具体表现就是：
▸ 你扔给它一张照片，它能看懂里面是什么
▸ 你给它一段音频，它能转写成文字、还能听出情绪
▸ 你描述一个画面，它能直接画出来 / 拍出来一段视频
GPT-4o、Claude、Gemini、Qwen-VL，这些主流模型现在基本都是多模态的。
为什么这事重要？因为人类本来就是多模态生物——我们读字、看图、听话、看脸色，是同时进行的。模型只有也能这样，才能真正进入更多场景，比如：
▸ 拍一张冰箱照片，问它今晚能做什么菜
▸ 上传一段会议录音，让它生成纪要
▸ 截一张报错图，让它告诉你怎么修
━━━━━━━━━━━━━━━━━━━━
⓫ Agent / 智能体
━━━━━━━━━━━━━━━━━━━━
今年最热的词，没有之一。
普通模型只会「对话」——你说一句，它答一句，结束。
Agent 不一样。它能：
▸ 自己规划「为了完成这个目标，我需要分几步」
▸ 自己调用工具（搜索引擎、计算器、代码解释器、外部 API）
▸ 看到结果不对会自我纠正、再来一次
▸ 多轮循环，直到任务真的完成
举个具体场景：
你说「帮我订一张下周三去上海的高铁，下午三点之后的，二等座，靠窗」。
普通模型：「好的，请问您要哪个车次？」——废话文学。
Agent：自己打开 12306、查时刻表、筛选符合条件的车次、提示你确认、调用支付接口、返回订单号。整件事一气呵成，你只看结果。
Agent 是「让 AI 真正干活」的关键一跃。从「能回答」到「能完成」。
但目前的 Agent 还远远不完美——容易在长任务里走偏、容易卡在某一步、容易调用工具失败。它处于「demo 很惊艳，生产环境一塌糊涂」的尴尬阶段。
但这一定是未来一两年最重要的方向。
━━━━━━━━━━━━━━━━━━━━
⓬ MCP / 模型上下文协议
━━━━━━━━━━━━━━━━━━━━
MCP 全称 Model Context Protocol，由 Anthropic（Claude 背后的公司）在 2024 年底提出。
要理解 MCP，得先理解一个痛点：
Agent 需要调用各种工具——查日历、读邮件、操作 GitHub、查询数据库……每个工具的接口都不一样。每对接一个，开发者就要写一套适配代码。
工具有一万个，就要写一万套。这就像电脑刚发明那会儿，每个外设都自带一根独家接口的线，鼠标插不上键盘的口。
MCP 干的事，就是「USB-C 接口」之于硬件——它定义了一套统一的协议，让任何工具只要按照这个协议「自我介绍」一次，任何模型都可以即插即用。
具体来说：
▸ 一边是「MCP Server」：把某个工具或数据源（比如你的 Notion、Figma、GitHub）封装成符合 MCP 标准的接口
▸ 一边是「MCP Client」：模型这边的接入端，能识别并调用任何符合 MCP 的服务
只要你装一个 Notion 的 MCP Server，Claude、Cursor、各种 AI 客户端就都能直接读写你的 Notion，不用每家分别开发。
它现在的火热程度可以参考：2025 年上半年，MCP Server 已经从几十个长到了几千个。OpenAI、Google 也都已经宣布支持。
可以理解为，AI 世界的「应用商店」雏形，正在通过 MCP 长出来。
━━━━━━━━━━━━━━━━━━━━
⓭ Skills
━━━━━━━━━━━━━━━━━━━━
这个词最近因为 Anthropic 推出「Agent Skills」机制，又被拎出来重新定义了一次。
Skills 是什么？最朴素的解释：「教模型一项专门技能的小教程包」。
每个 Skill 是一个文件夹，里面通常包含：
▸ 一段说明（这个技能是干嘛的、什么时候该用）
▸ 一些配套的脚本或工具
▸ 必要的参考资料
模型在遇到任务时，会自动判断「我现在该不该掏出某个 Skill 来用」。
比如：
▸ 一个「写公众号」的 Skill，里面有排版规范、字号建议、Unicode 符号速查
▸ 一个「做 PPT」的 Skill，里面有模板、配色、字体规则
▸ 一个「读 PDF」的 Skill，里面是专门解析 PDF 的脚本
Skills 和 MCP 的区别？
▸ MCP 解决的是「模型怎么连到外部系统」
▸ Skills 解决的是「模型怎么具备专业领域的工作方法」
一个偏「连接」，一个偏「能力沉淀」。两者经常配合使用。
━━━━━━━━━━━━━━━━━━━━
⓮ 等一下——AI、OpenClaw、爱马仕，到底是啥关系？
━━━━━━━━━━━━━━━━━━━━
讲到这里，必须先把开头那个最容易被混淆的问题讲清楚。
很多人以为「养虾」「养马」就等于「自己装了一个 AI」。这话听上去没错，仔细想其实差着一层。
我用一个不太严谨但很直观的类比：
如果把 AI 想象成一个人——
▸ 「大模型」（GPT、Claude、DeepSeek 这些）= 这个人的「大脑」
▸ 「Agent 框架」（OpenClaw、Hermes Agent）= 给这个大脑配的「身体 + 工作台 + 记事本」
▸ 「MCP」 = 身体上的标准接口，能随时插上各种外设
▸ 「Skills」 = 工作台上一本本积累下来的工作手册
你「养虾」「养马」——养的不是大脑本身，而是这套「身体 + 工作台 + 记事本」的成长。
具体一点：
▸ 你给 OpenClaw 接哪个大模型，是你自己选的——可以是 Claude、可以是 DeepSeek、也可以是本地跑的 Ollama
▸ 你给 Hermes 用什么模型，明天换一个也无所谓，它会自动适配
▸ 真正在「成长」的，是它们的记忆库、技能库、调用工具的熟练度
所以一个常见的认知错误是：
「我装了 OpenClaw，等于我有了一个免费 AI！」
不是的。OpenClaw 本身不会思考，它只是一个能让 AI 干活的「执行框架」。它背后还是要接一个大模型——可能是免费的（本地模型），可能是付费的（Claude / GPT 的 API）。
这就是为什么有些人养着养着发现 API 账单飞涨——因为「身体」在不停地让「大脑」工作，每一次思考都在烧钱。
反过来另一个误区是：
「我有 ChatGPT 就够了，要 OpenClaw 干嘛？」
也不是。ChatGPT 是「能聊天的应用」，OpenClaw 是「能干活的框架」。一个偏「问答」，一个偏「执行 + 记忆 + 自动化」。各有各的场景。
把这个分层关系搞清楚之后，你再看市面上各种 AI 产品，就会一眼分辨出：
▸ 谁是模型层（GPT / Claude / DeepSeek / Qwen）
▸ 谁是框架层（OpenClaw / Hermes / LangChain / Dify）
▸ 谁是应用层（ChatGPT / Cursor / 各种 GPTs）
「养」这件事，养的永远是中间那层——框架和它积累的记忆/技能。
底层的大脑，按需替换；上层的应用，按场景挑选。
━━━━━━━━━━━━━━━━━━━━
⓯ OpenClaw / 小龙虾
━━━━━━━━━━━━━━━━━━━━
来说说开篇被我差点错过的第一个名字。
OpenClaw 是 2026 年初炸穿 GitHub 热榜的一个开源 AI Agent 框架。Logo 是一只红色小龙虾，所以中文圈直接喊它「小龙虾」或「龙虾 AI」，安装部署的过程被网友戏称为「养龙虾」。
它的官方 slogan 只有一句：「The AI that actually does things」——真正会动手的 AI。
这句话是有所指的。市面上大多数 AI 应用还停留在「跟你聊天，告诉你该怎么做」的阶段，OpenClaw 直接跳到了「我自己来」：
▸ 自己读你的文件、操作你的浏览器、运行你的脚本
▸ 接收来自飞书、Telegram、WhatsApp、Discord 的指令
▸ 每隔 30 分钟主动检查待办任务（自带「心跳」）
▸ 全程本地运行，数据不出你的机器
它的来历也挺有故事。开发者是奥地利程序员 Peter Steinberger，最早在 2025 年 11 月以 Clawdbot 之名发布，因为名字像 Claude 被 Anthropic 发律师函，改名 Moltbot（龙虾蜕壳的意思），又因为「不顺口」最终改成了 OpenClaw。
然后就一发不可收拾——2026 年 1 月底 GitHub Star 破 10 万，2 月份创始人本人加入 OpenAI，项目交给独立开源基金会管理。3 月起阿里云、腾讯云、火山引擎纷纷推出一键部署服务，国内多个城市出台扶持政策。
到 4 月，GitHub Star 已经 34 万+，是 GitHub 历史上增长最快的开源 AI 项目之一。
为什么火？一句话：它把「Agent 真的能干活」这件事，第一次做到了普通人也能在自己电脑上装起来跑通。本地优先、免费开源、对接你天天在用的聊天工具——门槛低到了「会复制一行命令」就能上手的程度。
━━━━━━━━━━━━━━━━━━━━
⓰ Hermes Agent / 爱马仕
━━━━━━━━━━━━━━━━━━━━
另一个被错过的名字，更冤——它确实和奢侈品牌 Hermès 同名同音，所以中国开发者直接戏称它「爱马仕」。
Hermes Agent 出自 Nous Research，2026 年 2 月发布，几个月时间 GitHub 攒了 11 万+ Star。这家公司刚拿了 Paradigm 领投的 5000 万美元 A 轮，估值 10 亿美元，背景非常硬。
它的 slogan 是：「The agent that grows with you」——会跟你一起成长的智能体。
如果说 OpenClaw 解决的是「能干活」，那 Hermes 解决的是另一个更深的痛点：「干完活之后能不能把经验留下来」。
你有没有这种感觉——每次开新对话，都要把背景重新讲一遍？昨天告诉它你的项目用 tab 缩进，今天它又给你 spaces 了？
Hermes 的核心架构就是冲这个去的，三件套：
▸ 持久记忆：维护 MEMORY.md（项目环境、踩坑记录）和 USER.md（用户偏好），跨会话不丢
▸ 自动技能沉淀：完成一项复杂任务后，自动生成一个 SKILL.md，下次同类任务直接复用
▸ GEPA 自我进化：UC Berkeley、Stanford、MIT 的研究者联合开发的优化系统，让 Agent 用得越久越聪明
底层支持 200+ 个模型（Claude、GPT、DeepSeek、Ollama 本地模型都行），上层接 15+ 个聊天平台（Telegram、Slack、飞书、钉钉、企业微信都覆盖）。MIT 协议，自托管，永久免费。
OpenClaw 和 Hermes 现在常被放在一起比较——一个偏「开箱即动手」，一个偏「越用越懂你」。它们俩的火，其实标志着一件事：
Agent 终于从「demo」走到了「人民群众装机必备」的阶段。
━━━━━━━━━━━━━━━━━━━━
⓱ 蒸馏 / Distillation
━━━━━━━━━━━━━━━━━━━━
师徒制。
把一个大模型当老师，让它去教一个小模型——大模型回答问题，小模型在旁边学，慢慢学出八九分像。
为什么要这么做？
▸ 大模型太贵、太慢，不适合大规模部署
▸ 但大模型确实更聪明
▸ 那就用它来「带出」一个又便宜又快、还不太笨的小模型
DeepSeek-R1 蒸馏出的几个小模型，就是非常典型的例子。一个 7B 的小模型，因为是从 671B 的「师父」那里学出来的，效果远超同尺寸的其他模型。
蒸馏让 AI 变得更平民化。
━━━━━━━━━━━━━━━━━━━━
⓲ 开源 vs 闭源
━━━━━━━━━━━━━━━━━━━━
这是一个隐藏的「站队」话题。
闭源代表：GPT、Claude、Gemini。模型权重不公开，你只能通过 API 用。
开源代表：DeepSeek、Qwen、Llama、Mistral。模型权重直接放出来，你可以下载、本地跑、二次微调、商用。
各有各的好：
▸ 闭源：通常效果更顶、更新更快、不用自己部署。但有数据安全顾虑、依赖供应商
▸ 开源：可控、可定制、可私有部署。但要自备硬件、要懂运维、效果通常比顶级闭源稍弱半步
2025 年最有意思的现象，是开源模型已经追到了闭源模型的腰部以上。差距还在缩小。
━━━━━━━━━━━━━━━━━━━━
⓳ 几个常被混着用、其实不太一样的小词
━━━━━━━━━━━━━━━━━━━━
最后一节，扫一遍几个容易混的：
▸ AI vs 大模型：AI 是大伞，包括所有「让机器具备智能」的技术；大模型只是当下最成功的一种 AI
▸ AGI vs 大模型：AGI 是「通用人工智能」的简称，指能在所有任务上都达到甚至超过人类水平的 AI——目前没有任何模型达到 AGI
▸ 训练 vs 推理：训练是「教模型学」，烧的是钱和算力；推理是「让模型答」，烧的是 token
▸ 模型 vs 应用：ChatGPT 是「应用」，GPT-4 是「模型」。一个是产品，一个是引擎
▸ Embedding：把一段文字变成一串数字（向量），是 RAG 的底层基础。它不直接产生答案，只负责让「相关的内容」在数学上「靠得近」
━━━━━━━━━━━━━━━━━━━━
写在最后
━━━━━━━━━━━━━━━━━━━━
写到这里，回头看一下「养虾养马」这件事，其实没那么玄。
它就是 AI 这两年发展到一个新阶段的自然产物——
模型越来越聪明了（大脑准备好了），但单纯的聊天框已经盛不下它的能力（大脑没地儿放）。于是有人开始造身体、造工作台、造记事本，让大脑能动起来、记住事、自己干活。
OpenClaw 和 Hermes 就是目前最火的两个「身体方案」。一只虾，一匹马，长相不同，但本质都在做同一件事——把 AI 从聊天工具，变成能落地干活的同事。
所以你看，整个图谱其实很清晰：
▸ 大模型是大脑
▸ 提示词是给大脑下指令的方式
▸ 幻觉是大脑容易犯的毛病
▸ RAG 和微调是给大脑补课
▸ Agent 是大脑配上身体之后的新形态
▸ MCP 和 Skills 是身体的接口和工作手册
▸ OpenClaw、Hermes 是目前最火的两套「身体 + 工作台」整体方案
▸ 「养虾养马」就是把这套整体方案在自己机器上跑起来、慢慢调教成熟
把这张图存在脑子里，再看市面上各种新名词，基本都能对号入座。
不需要焦虑，也不需要把每个词都背得滚瓜烂熟。
只要分得清——
▸ 哪些是「大脑」（模型）
▸ 哪些是「身体」（框架）
▸ 哪些是「装备」（工具 / Skills / MCP）
▸ 哪些是「应用」（最终给用户的产品）
下次再有人在群里甩出一个「我用 OpenClaw 接 DeepSeek 的 R1，配了几个 MCP，养了一周已经能自动跑财报了」——你能微微一笑，知道他每一句在说什么。
这篇文章的目的就达到了。
「养什么不重要，搞清楚自己在养什么，才重要。」
━━━━━━━━━━━━━━━━━━━━
如果这篇文章帮你把哪个一直没搞懂的词理顺了，欢迎点个「在看」，转给那个总在群里发奇怪缩写的朋友。
我们下一篇见。