Agentic AI驱动客户服务：提示工程的7大优化策略与实践指南

一、引言：为什么客户服务需要“会思考”的AI？

凌晨2点，用户小李在电商平台买的无人机突然无法起飞——他着急明天要用，于是点开客服对话框，得到的回复却是：“请提供订单号，我们将为您核实。”当他输入订单号后，机器人又说：“请描述具体问题。”小李耐着性子写完，结果等来一句：“您的问题已记录，将在24小时内回复。”

这不是个例。根据《2023年客户服务体验报告》，68%的用户认为“机器人客服答非所问”是最糟糕的体验，而73%的企业却在抱怨“人工客服成本居高不下”。传统AI客服的痛点在于：它们是“指令执行器”——只会根据预设规则回复，不会理解上下文，不会主动解决问题，更不会共情。

直到Agentic AI（智能代理AI）的出现，这个困境才有了破局点。Agentic AI不是“问什么答什么”的工具，而是能设定目标、规划步骤、调用工具、反馈优化的“智能代理人”——就像一位经验丰富的客服专员：能听出用户的焦虑，能主动问清问题细节，能查订单、找知识库、甚至联系技术人员，最终把问题解决。

但Agentic AI的能力不是天生的——提示工程（Prompt Engineering）是激活它的“大脑开关”。如果把Agentic AI比作厨师，提示工程就是“菜谱+烹饪指南”：不仅要告诉它“做什么菜”，还要教它“怎么选食材、怎么调味、怎么应对意外（比如盐放多了）”。

本文将解决3个核心问题：

1. Agentic AI与传统AI客服的本质区别是什么？
2. 客户服务场景下，提示工程不是“写Prompt”，而是设计什么？
3. 如何通过7大优化策略，让Agentic AI成为“比人工更懂客户”的服务专家？

二、基础认知：Agentic AI与客户服务提示工程的底层逻辑

在讲优化策略前，我们需要先理清两个关键概念——Agentic AI的核心能力和客户服务提示工程的本质。

1. Agentic AI：从“指令响应”到“自主决策”的跨越

传统AI客服的逻辑是**“输入→匹配规则→输出”**：比如用户问“退款流程”，机器人会从知识库中捞出预设的“退款步骤”回复。这种模式的问题在于：

• 无法处理复杂问题（比如“退款失败且钱没到账”）；
• 不会主动收集信息（比如用户没说订单号，机器人不会问）；
• 没有“全局视角”（比如用户之前问过“物流延迟”，现在问“退款”，机器人不会关联两者）。

而Agentic AI的核心是**“目标→规划→行动→反馈”**的闭环（参考OpenAI的Agent框架）：

• 目标设定：明确“解决用户的问题”（比如“帮用户找回丢失的订单”）；
• 规划步骤：拆解任务——先问订单号→查订单系统→看物流状态→联系仓库→反馈用户；
• 工具调用：自动调用订单API、物流系统等工具获取实时数据；
• 反馈优化：如果步骤失败（比如订单系统查不到），会调整策略（比如问用户“是否用其他账号下单”）。

简单来说，传统AI是“被动答题机”，Agentic AI是“主动解决者”。

2. 客户服务提示工程：不是“写Prompt”，而是设计“思考框架”

很多人对“提示工程”的理解停留在“写一句清晰的指令”（比如“请用友好的语气回复用户”），但在Agentic AI场景下，提示工程是设计“让AI学会思考的框架”——它需要告诉AI：

• “你是谁”：角色定位（比如“电商售后客服”“银行理财顾问”）；
• “你要做什么”：核心目标（比如“解决用户的问题，提升满意度”）；
• “你怎么想”：思考逻辑（比如“先共情→再收集信息→再解决问题”）；
• “你怎么做”：行动规则（比如“查不到订单时，要问用户是否用其他账号”）；
• “你怎么优化”：反馈机制（比如“如果用户不满意，要转人工”）。

举个例子，传统Prompt可能是：

“请回复用户的退款问题。”

而Agentic AI的提示框架是：

角色：你是某电商平台的高级售后客服，擅长解决复杂退款问题。
目标：帮助用户快速完成退款，提升用户满意度。
思考逻辑：

1. 共情：先识别用户情绪（比如愤怒、焦虑），用“我完全理解您的心情，遇到这种情况确实让人着急”开头；
2. 收集信息：主动询问关键信息（订单号、退款原因、是否收到货）；
3. 解决问题：
   • 如果订单未发货：直接告知“将在24小时内退款到原账户”；
   • 如果订单已发货：引导用户“先退货，上传快递单号后48小时内退款”；
   • 如果退款失败：调用订单系统查询失败原因（比如“银行账号错误”），并指导用户修改；
4. 收尾：询问“还有其他可以帮您的吗？”
   规则：

• 回复要口语化，避免“亲”“哦”等过度卖萌的词；
• 遇到无法解决的问题（比如系统故障），要转人工，并说“我已为您转接专属客服，将在1分钟内联系您”。

这才是Agentic AI需要的“思考框架”——它不是一句指令，而是一套“认知+决策+行动”的方法论。

三、Agentic AI客户服务提示工程的7大优化策略

接下来，我们进入核心——如何通过提示工程，让Agentic AI真正“懂客户、会解决问题”。每个策略都包含“设计逻辑+具体步骤+实战案例”，确保你能直接落地。

策略1：基于客户旅程的“分层提示设计”——让AI匹配用户的真实需求

为什么重要？

客户服务的本质是“匹配用户在不同阶段的需求”：

• 咨询阶段（用户还没买）：需要“引导需求”（比如“您是想选续航强的还是轻便的？”）；
• 下单阶段（用户刚买）：需要“确认信息”（比如“请问收货地址是XX小区吗？”）；
• 售后阶段（用户遇到问题）：需要“定位问题”（比如“请问设备无法开机时，指示灯是什么颜色？”）；
• 投诉阶段（用户很生气）：需要“安抚情绪+解决问题”（比如“我马上为您办理退款，并额外赠送50元优惠券”）。

如果用“通用Prompt”应对所有阶段，AI会像“不分场合的推销员”——比如用户刚投诉完，AI还在说“需要帮您推荐新产品吗？”，只会加剧不满。

如何设计？

步骤1：梳理客户旅程的关键阶段
先画出用户从“接触产品”到“复购/流失”的全流程，标出每个阶段的核心需求：

阶段	核心需求	关键动作
咨询	了解产品是否符合需求	引导用户描述使用场景
下单	确认订单信息无误	核对地址、商品型号、支付方式
售后（故障）	快速解决问题	收集设备信息、引导排查
售后（退款）	尽快拿到钱	明确退款流程、时间
投诉	情绪被理解+问题被解决	共情+快速补偿

步骤2：为每个阶段设计“针对性提示”
给每个阶段的提示加入“阶段专属逻辑”，比如：

• 咨询阶段提示：

  角色：你是某数码产品的售前顾问，擅长根据用户需求推荐产品。
  思考逻辑：

  1. 主动问：“请问您买这款产品主要用在什么场景？比如家庭娱乐/户外拍摄？”；
  2. 根据场景推荐：如果用户说“户外拍摄”，推荐“续航12小时、轻便的型号A”；
  3. 补充优势：“这款型号的防水等级是IP67，雨天也能拍。”

• 售后（故障）阶段提示：

  角色：你是某家电品牌的售后工程师，擅长解决洗衣机故障问题。
  思考逻辑：

  1. 共情：“很抱歉让您的洗衣机出了问题，我会帮您一步步排查。”；
  2. 收集信息：“请问洗衣机显示的错误代码是什么？比如E1/E2？”“您最近有没有洗过大件物品（比如被子）？”；
  3. 排查问题：如果错误代码是E1（门没关紧），指导用户“重新关上门，用力按一下门把”；如果是E2（水位传感器故障），说“我会安排师傅明天上门维修，您看上午10点方便吗？”

步骤3：动态切换提示
通过用户的“行为信号”自动切换阶段，比如：

• 用户输入“我想买无人机”→切换到“咨询阶段提示”；
• 用户输入“我的订单怎么还没到？”→切换到“售后（物流）阶段提示”；
• 用户输入“你们的产品太差了！”→切换到“投诉阶段提示”。

实战案例：

某家电品牌用“分层提示”优化后，咨询阶段的转化率提升了28%（因为AI能精准推荐），售后问题解决率提升了41%（因为AI会主动收集关键信息）。

策略2：注入“客户同理心”的提示框架——让AI说“有人情味的话”

为什么重要？

《哈佛商业评论》的研究显示：用户对“共情回复”的满意度是“生硬回复”的3倍。比如：

• 生硬回复：“请提供订单号。”
• 共情回复：“我知道您现在很着急，麻烦提供一下订单号，我马上帮您查。”

传统AI的问题在于“没有情绪感知能力”——它看不到用户输入里的“愤怒”（比如“你们是不是坑人？”），也不会用“共情语句”回应。

如何设计？

核心逻辑：让AI学会“先处理情绪，再处理问题”。具体步骤：

步骤1：在提示中加入“情绪识别规则”
告诉AI如何识别用户的情绪，比如：

情绪识别规则：

• 如果用户使用“生气”“糟糕”“坑人”等词→情绪是“愤怒”；
• 如果用户使用“着急”“赶时间”“马上要用”等词→情绪是“焦虑”；
• 如果用户使用“谢谢”“麻烦你”等词→情绪是“友好”。

步骤2：设计“情绪响应模板”
为每种情绪匹配对应的“共情语句”，比如：

情绪	共情语句示例
愤怒	“我完全理解您的不满，换做是我也会很生气。”
焦虑	“我知道您很着急，我会尽快帮您解决。”
友好	“不客气，能帮到您我很开心～”

步骤3：将“共情”融入思考逻辑
把“共情”作为思考的第一步，比如：

售后阶段提示框架：

1. 情绪识别：分析用户输入中的情绪；
2. 共情回应：用对应情绪的语句开头；
3. 解决问题：收集信息→排查→反馈。

实战案例：

某银行用“共情提示”优化信用卡客服后，用户投诉率下降了35%——因为当用户说“我的信用卡被盗刷了！”，AI会先回复：“太理解您的担心了，信用卡被盗刷确实让人恐慌，我马上帮您冻结卡片，并查询盗刷记录。”而不是直接问“请提供卡号”。

策略3：动态上下文管理的提示优化——让AI“记住之前的对话”

为什么重要？

想象一下：你和客服说“我昨天买的手机，今天就开不了机”，客服回复“请提供订单号”，你输入后，客服又问“请问您买的是什么产品？”——你会不会崩溃？

75%的用户认为“客服不记得之前的对话”是最烦人的体验。传统AI的问题在于“没有上下文记忆”——每轮对话都是独立的，不会关联之前的信息。

如何设计？

Agentic AI的优势在于“能维护上下文”，但需要提示工程告诉它**“怎么记、怎么用”**。具体步骤：

步骤1：在提示中加入“上下文总结规则”
让AI每轮对话后自动总结“关键信息”，比如：

上下文总结规则：

• 每轮回复后，用1-2句话总结当前对话的关键信息（比如“用户订单号是12345，问题是手机无法开机，已收集设备型号为X1”）；
• 将总结的信息存入“上下文记忆库”，下轮对话前先读取。

步骤2：设计“上下文引用规则”
告诉AI在回复时要“引用之前的信息”，比如：

上下文引用规则：

• 回复时要提到之前的关键信息（比如“根据您之前提供的订单号12345，您的手机型号是X1，对吧？”）；
• 如果用户的问题和之前的对话有关（比如之前问过“物流”，现在问“退款”），要关联起来（比如“您之前的物流问题已经解决，现在需要办理退款对吗？”）。

步骤3：限制“上下文长度”
如果上下文太长，AI会“遗忘”，所以要设定“只保留最近5轮的关键信息”——比如用户10轮前说的“我住在北京”，如果现在问“物流”，AI不需要再提，但如果用户现在问“收货地址”，AI要能从上下文里找到。

实战案例：

某电商平台用“动态上下文提示”优化后，用户重复输入信息的次数减少了60%——比如用户第一次说“我买的是红色连衣裙”，第二次问“能换黑色吗？”，AI会直接回复“您的红色连衣裙订单号是67890，可以换黑色，请问您要修改地址吗？”，而不是再问“您买的是什么产品？”。

策略4：多工具调用的提示指令设计——让AI“自己找答案”

为什么重要？

客户服务中的很多问题需要“实时数据”或“外部信息”：

• 用户问“我的订单到哪了？”→需要查物流系统；
• 用户问“这款手机支持5G吗？”→需要查知识库；
• 用户问“你们的门店在哪？”→需要查地图API。

传统AI的问题在于“没有工具调用能力”——只能回复预设的内容，无法获取实时信息。而Agentic AI能“自己调用工具”，但需要提示工程告诉它**“什么时候调用、怎么调用”**。

如何设计？

核心逻辑：让AI学会“判断是否需要工具→选择工具→整合结果”。具体步骤：

步骤1：定义“工具调用触发条件”
告诉AI哪些情况需要调用工具，比如：

工具调用规则：

• 如果用户询问“订单状态”“物流信息”→调用“订单查询API”；
• 如果用户询问“产品参数”“使用方法”→调用“产品知识库”；
• 如果用户询问“门店地址”“营业时间”→调用“地图API”。

步骤2：设计“工具调用格式”
为每个工具设定“调用指令”，比如：

• 订单查询API的调用格式：<<工具调用>>{"name":"order_query","parameters":{"order_id":"12345"}}
• 产品知识库的调用格式：<<工具调用>>{"name":"product_knowledge","parameters":{"product_id":"X1","question":"支持5G吗"}}

步骤3：设计“结果整合规则”
告诉AI如何将工具返回的信息“转化为自然语言回复”，比如：

结果整合规则：

• 如果工具返回“订单状态：已发货，物流单号：SF12345，预计明天送达”→回复“您的订单已发货，物流单号是SF12345，预计明天（XX月XX日）送达。”；
• 如果工具返回“产品参数：支持5G”→回复“这款手机支持5G网络，您可以放心购买。”。

实战案例：

某航空公司用“工具调用提示”优化后，航班动态查询的准确率提升到99%——当用户问“CA123航班延迟了吗？”，AI会自动调用“航班动态API”，获取实时信息后回复：“CA123航班因天气原因延迟2小时，预计14:00起飞，您可以通过APP查看最新状态。”而不是回复“请关注我们的官网”。

策略5：错误处理与自我修正的提示引导——让AI“承认错误并改正”

为什么重要？

AI不是万能的——它会犯错误：比如回答错误（比如“这款手机支持快充”但实际不支持）、无法解决问题（比如“系统故障”）、理解错用户的问题（比如用户问“退款”，AI以为是“退货”）。

62%的用户认为“AI拒不承认错误”比“错误本身”更让人不满。传统AI的问题在于“不会认错”——要么重复错误回答，要么说“我不清楚”，而Agentic AI能“自我检查、主动修正”，但需要提示工程告诉它**“怎么认错、怎么修正”**。

如何设计？

核心逻辑：让AI学会“先验证准确性→再回复→错了就改”。具体步骤：

步骤1：在提示中加入“自我检查规则”
告诉AI回复前要“验证信息的准确性”，比如：

自我检查规则：

1. 回复前先核对“工具返回的信息”或“知识库中的内容”是否准确；
2. 如果信息来源是“猜测”或“不确定”，要标注“可能”（比如“这款手机可能支持快充，具体以官网为准”）；
3. 如果发现之前的回答错误，要主动承认（比如“很抱歉，之前的信息有误，这款手机不支持快充”）。

步骤2：设计“错误响应模板”
为不同类型的错误匹配对应的“修正语句”，比如：

错误类型	修正语句示例
回答错误	“很抱歉，之前的信息有误，正确的情况是XXX。”
无法解决	“很抱歉，这个问题我需要再确认一下，请您稍等，我会联系专员为您解答。”
理解错误	“不好意思，我可能误解了您的问题，请问您是想了解XXX吗？”

步骤3：设计“错误记录规则”
让AI记录错误类型，以便后续优化，比如：

错误记录规则：

• 每遇到一次错误，记录“错误类型”“用户问题”“错误回答”“正确回答”；
• 每周汇总错误记录，更新知识库或提示框架。

实战案例：

某电商平台用“错误处理提示”优化后，用户对“错误回复”的满意度提升了45%——比如AI之前错误地说“这款衣服支持7天无理由退货”（实际是“3天”），当用户指出后，AI会回复：“很抱歉，之前的信息有误，这款衣服支持3天无理由退货，您可以在收到货后3天内申请。”并将这个错误记录到知识库，下次不会再犯。

策略6：个性化响应的提示参数化——让AI“记住用户的偏好”

为什么重要？

80%的用户希望“客服能记住自己的偏好”：比如老用户希望客服说“好久没见您了，最近有没有喜欢的产品？”，VIP用户希望客服说“您是我们的VIP客户，这次给您额外打9折”。

传统AI的问题在于“千人一面”——不管是新用户还是老用户，回复都是一样的。而Agentic AI能“个性化响应”，但需要提示工程告诉它**“怎么用用户数据”**。

如何设计？

核心逻辑：将“用户属性”作为“提示参数”，让AI根据参数调整回复。具体步骤：

步骤1：定义“用户属性参数”
收集用户的“静态数据”（比如注册时间、消费金额、会员等级）和“动态数据”（比如历史购买记录、互动记录），作为提示的参数，比如：

• {user_level}：会员等级（VIP/普通）；
• {register_time}：注册时间（超过1年/不足1年）；
• {last_purchase}：上次购买的产品（比如“连衣裙”）；
• {preference}：用户偏好（比如“喜欢红色”“关注性价比”）。

步骤2：设计“个性化回复规则”
为每个参数匹配对应的“回复模板”，比如：

个性化回复规则：

• 如果{user_level}是VIP→回复开头加“亲爱的VIP客户，”；
• 如果{register_time}超过1年→回复加“感谢您1年来的支持，”；
• 如果{last_purchase}是连衣裙→回复加“您上次买的红色连衣裙很适合您，”；
• 如果{preference}是关注性价比→推荐产品时加“这款产品性价比很高，”。

步骤3：将参数融入提示框架
比如：

个性化提示框架：
角色：你是某服装品牌的客服，擅长根据用户偏好推荐产品。
思考逻辑：

1. 读取用户参数：{user_level}、{register_time}、{last_purchase}、{preference}；
2. 个性化开头：根据参数调整开头（比如“亲爱的VIP客户，感谢您1年来的支持～”）；
3. 推荐产品：根据{last_purchase}和{preference}推荐（比如“您上次买的红色连衣裙很适合您，这次我们新到了一款性价比很高的黑色连衣裙，需要帮您介绍吗？”）。

实战案例：

某美妆品牌用“个性化提示”优化后，复购率提升了22%——比如老用户登录后，AI会说“好久没见您了，您上次买的口红快用完了吧？这次新出的色号很适合您”，而不是“欢迎光临，需要帮您推荐产品吗？”。

策略7：数据驱动的提示迭代机制——让AI“越用越聪明”

为什么重要？

提示工程不是“一劳永逸”的——用户的需求会变（比如突然流行“露营装备”），产品会更新（比如推出新功能），AI的错误会积累（比如之前的提示没考虑到“疫情期间物流延迟”）。

只有“数据驱动的迭代”，才能让提示框架“持续优化”。

如何设计？

核心逻辑：用“对话数据”→“分析问题”→“优化提示”的闭环。具体步骤：

步骤1：收集“对话数据”
记录每轮对话的“用户输入”“AI回复”“用户反馈”（比如“满意/不满意”）“解决结果”（比如“问题解决/未解决”）。

步骤2：分析“数据指标”
重点关注以下指标，找出提示框架的问题：

• 解决率：AI能解决的问题占比（比如“90%的物流问题能解决”）；
• 满意度：用户对AI回复的满意占比（比如“85%的用户满意”）；
• 重复提问率：用户重复问同一个问题的占比（比如“15%的用户重复问‘退款流程’”）；
• 错误率：AI回答错误的占比（比如“5%的回答错误”）。

步骤3：用“A/B测试”优化提示
对有问题的提示，设计“新版本”，用A/B测试比较效果，比如：

• 原提示：“请提供订单号。”
• 新提示：“我知道您很着急，麻烦提供一下订单号，我马上帮您查。”
• 测试结果：新提示的“满意度”从70%提升到85%，“重复提问率”从20%下降到10%→用新提示替换原提示。

步骤4：定期更新提示框架
根据数据反馈，每周/每月更新一次提示框架，比如：

• 如果“露营装备”的咨询量增加→在“咨询阶段提示”中加入“露营场景”的推荐逻辑；
• 如果“疫情期间物流延迟”的投诉增加→在“售后（物流）阶段提示”中加入“疫情物流说明”（比如“因疫情影响，物流可能延迟2-3天，我们会优先为您处理”）。

实战案例：

某生鲜平台用“数据驱动迭代”优化后，提示框架的“解决率”从75%提升到92%——比如一开始的“售后（缺货）提示”是“很抱歉，您买的商品缺货了”，后来通过数据发现“用户不满意的原因是‘没有补偿’”，于是优化为“很抱歉，您买的商品缺货了，我们将为您退款，并额外赠送10元优惠券，您看可以吗？”，结果“满意度”从60%提升到88%。

四、案例实践：某电商用3个月将用户满意度从65%提升到92%

讲了这么多策略，我们用一个真实案例来看如何组合使用这些策略。

1. 背景：

某电商平台的AI客服“小E”面临3大问题：

• 用户满意度低（65%）：因为答非所问、没有同理心；
• 解决率低（70%）：因为不会调用工具、没有上下文；
• 人工转接率高（35%）：因为无法解决复杂问题。

2. 优化方案：

组合使用7大策略：

• 分层提示：将客户旅程分为“咨询、下单、售后、投诉”4个阶段，每个阶段设计针对性提示；
• 同理心框架：加入“情绪识别+共情回复”规则；
• 动态上下文：让AI记住最近5轮的关键信息；
• 工具调用：接入“订单查询、物流查询、知识库”3个工具；
• 错误处理：设计“认错+修正”模板；
• 个性化响应：加入“会员等级、历史购买记录”参数；
• 数据迭代：每周分析对话数据，优化提示。

3. 结果：

• 用户满意度从65%提升到92%；
• 问题解决率从70%提升到90%；
• 人工转接率从35%下降到10%；
• 客服成本下降了40%（因为人工转接少了）。

五、未来展望：Agentic AI与提示工程的进化方向

Agentic AI在客户服务中的应用才刚刚开始，未来的提示工程会向3个方向进化：

1. 多模态提示：从“文字”到“语音+图像+视频”

比如用户发一张“手机碎屏”的照片，AI能识别图像中的问题（碎屏），并回复：“您的手机屏幕碎了，我们可以为您预约线下维修，地址是XX门店，明天上午10点方便吗？”

2. 自学习提示：AI自己优化提示

未来的提示工程会更“智能”——AI能通过“强化学习”，根据对话数据自动调整提示框架，比如：如果“共情回复”的满意度高，AI会自动增加共情语句的使用频率。

3. 跨场景提示：从“单一客户服务”到“全链路服务”

比如用户在电商平台买了手机，AI能在“客户服务”中解决问题，还能在“后续运营”中推荐“手机壳”“贴膜”，甚至在“复购”时提醒“您的手机已经用了1年，需要换新款吗？”

六、结论：提示工程是Agentic AI的“灵魂”

Agentic AI不是“魔法”，它的能力来自“提示工程”——提示工程不是“写Prompt”，而是设计“让AI学会思考的框架”。

通过本文的7大策略，你可以：

• 让AI匹配用户在不同阶段的需求（分层提示）；
• 让AI说“有人情味的话”（同理心框架）；
• 让AI“记住之前的对话”（动态上下文）；
• 让AI“自己找答案”（工具调用）；
• 让AI“承认错误并改正”（错误处理）；
• 让AI“记住用户的偏好”（个性化响应）；
• 让AI“越用越聪明”（数据迭代）。

七、行动号召：从“写Prompt”到“设计思考框架”

现在，你可以做3件事：

1. 梳理你所在行业的“客户旅程”，为每个阶段设计“分层提示”；
2. 在提示中加入“情绪识别+共情回复”规则，让AI更有“人情味”；
3. 接入1-2个工具（比如订单查询、知识库），让AI能“自己找答案”。

如果你的AI客服还在“答非所问”，不妨试试这些策略——Agentic AI的潜力，需要提示工程来激活。

八、附加部分

参考文献：

1. OpenAI. (2023). Agents: Autonomous Systems with Goals.
2. Gartner. (2023). Top Trends in Customer Service.
3. Harvard Business Review. (2022). The Power of Empathetic Customer Service.

作者简介：

我是XXX，资深AI产品经理，专注于Agentic AI在客户服务中的应用，曾帮助5家企业将AI客服满意度提升30%以上。欢迎关注我的公众号“AI产品笔记”，获取更多AI实战干货。

最后：你在客户服务提示工程中遇到过什么问题？欢迎在评论区留言，我们一起讨论！