【AIGC】ChatGPT是如何思考的：探索CoT思维链技术的奥秘

在这里插入图片描述

博客主页： [小ᶻZ࿆]
本文专栏: AIGC | ChatGPT

文章目录

  • 💯前言
  • 💯什么是CoT思维链
    • CoT思维链的背景与技术发展需求
  • 💯CoT思维链的工作原理
  • 💯CoT思维链的应用领域
  • 💯CoT思维链的优势
  • 💯CoT思维链的挑战
  • 💯CoT思维链在撰写Prompt时的应用
  • 💯小结

在这里插入图片描述

💯前言

  • 本文将探讨思维链提示在ChatGPT中的应用与实践，这是人工智能推理能力提升的一个重要方向。随着大型语言模型在自然语言处理领域的快速发展，ChatGPT展现了强大的语言生成能力，但在处理复杂任务时，如何提高其推理的精确度和效率仍是一个关键问题。思维链提示作为一种新的策略，能够有效帮助ChatGPT在应对复杂推理任务时提供更准确的答案。接下来，我们将深入分析这一技术的概念、工作原理、应用场景，以及它的优势和面临的挑战。
    OpenAI开发者论坛关于CoT的讨论
    在这里插入图片描述

💯什么是CoT思维链

  • 定义与起源：

    • 思维链（CoT，Chain-of-Thought）是一种模拟人类思维过程的策略。这种方法首次由谷歌团队在其论文《思维链提示在大型语言模型中激发推理能力》中提出。思维链的核心思想是将复杂问题分解为一系列更小、更易处理的步骤，从而帮助模型逐步推理出解决方案。
      Chain of Thought Prompting Elicits Reasoning in Large Language Models​(OODA Loop)
      在这里插入图片描述

  • 模拟人类思维：

    • 思维链策略的灵感来源于人类面对问题时的思维方式。人类在处理复杂问题时，通常会通过一步步的推理逐步接近问题的核心，最终找到答案。CoT正是尝试在人工智能领域中复制这一过程，从而提高模型的推理能力。
      在这里插入图片描述

  • 自然语言示例学习：

    • 传统的大型语言模型往往依赖于大量数据进行模式识别。而CoT则通过引入少量高质量的自然语言示例进行学习，使模型能够更好地理解和处理复杂的语言结构及逻辑关系。这种方法增强了模型的推理能力，使其能够在面对复杂问题时进行更深入的分析。
      在这里插入图片描述

CoT思维链的背景与技术发展需求

  • 随着人工智能技术的快速发展，尤其在自然语言处理领域，对模型的推理能力和逻辑处理能力提出了更高的要求。CoT的提出是为了应对这些挑战，通过遵循符合人类思维习惯的方式提升模型的处理能力。这一策略为模型在复杂任务中的表现提供了新的解决途径，并进一步推动了人工智能推理技术的进步。
    在这里插入图片描述

研究的推动

  • 谷歌的这篇论文不仅首次提出了CoT的概念，还通过实验验证了这种方法在处理复杂问题时所需的多步骤推理的有效性。这些研究为后续的探索提供了重要的理论基础和实验数据支持。
    在这里插入图片描述

影响与展望

  • 自从CoT概念提出以来，它在人工智能领域引发了广泛的关注和讨论。越来越多的研究者和开发者开始探索如何将CoT应用于不同类型的任务和问题，推动了整个领域的创新与发展。CoT不仅为模型的推理能力提供了新思路，还为AI的广泛应用奠定了基础。
    在这里插入图片描述

总结

  • 总体而言，CoT思维链代表了人工智能推理领域的新趋势，通过模拟人类思维过程，显著提升了模型处理复杂问题的能力。这种方法不仅增强了AI的推理能力，还为未来AI的发展方向提供了新的视角和可能性。
    在这里插入图片描述

💯CoT思维链的工作原理

  • 1. 逐步推理:

    • CoT通过一系列逐步的推理步骤，引导模型深入挖掘和理解问题。这些步骤可能包括问题、陈述或假设，旨在通过层层递进的方式，从不同角度和层面分析问题。这种方法有效地帮助模型在推理过程中避免遗漏关键步骤，确保推理的全面性和准确性。
      在这里插入图片描述

  • 2. 构建逻辑链条：

    • 每一步推理都建立在前一步的基础之上，形成一个完整的逻辑链条。这样的逐步推理过程不仅帮助模型更好地理解问题的深层含义和背景，还能够为最终的答案提供合理的支撑。通过构建逻辑链，模型能够在复杂任务中给出更加严谨的答案。
      在这里插入图片描述

  • 3. 模拟人类思维：

    • CoT本质上是模拟人类解决问题的思维过程。人类在面对复杂问题时，通常会分步解决，通过层层推理找到最终的答案。CoT试图在AI中复现这一过程，从而提高模型的推理能力，使其能够像人类一样分步骤解决复杂任务。
      在这里插入图片描述

💯CoT思维链的应用领域

  • 1. 多模态思维链：

    • 在处理涉及文本、图像、声音等多种类型数据的问题时，CoT可以帮助模型整合和理解来自不同模态的信息，进而作出更为准确的推断。通过多模态思维链，模型能够在面对复杂数据时，自动识别各模态之间的联系，提升综合判断能力。
      在这里插入图片描述

  • 2. 多语言思维链：

    • 在多语言处理任务中，CoT能够帮助模型处理不同语言的逻辑和语境差异，提升跨语言理解和翻译的准确性。无论是常见语言还是较为冷门的语言，CoT的多语言推理能力都有助于模型跨语言工作环境中的流畅交流。
      在这里插入图片描述

  • 3. 解释思维链：

    • CoT可以用于生成详细的解释和推理步骤，帮助用户理解模型是如何得出某个结论的，特别是在复杂的决策和分析任务中。例如，当用户提出需要解释的数据分析结果时，模型会分步解释推理过程，提供清晰的逻辑链。
      在这里插入图片描述

  • 4. 知识思维链：

    • 在需要大量专业知识或信息处理的任务中，CoT能够辅助模型结合现有知识，逐步推理来解决问题。通过系统化地应用知识，CoT能够帮助模型高效处理复杂领域中的任务，例如医学或法律咨询。
      在这里插入图片描述

  • 5. 验证思维链：

    • 在需要验证信息真伪或准确性的场景中，CoT可以帮助模型逐步检验和比对事实，来提高结论的可靠性。通过对信息的逐步推理，CoT确保每一步都有充分的依据，从而为用户提供更加可信的答案。
      在这里插入图片描述

总结

  • 总体而言，CoT的工作原理和应用领域涵盖了AI处理的多个方面，从多模态理解到深度知识挖掘，再到精准信息验证。通过逐步推理为核心的方法，不仅增强了AI的解题能力，也使其输出更加透明和可解释，为未来的人工智能应用开辟了新的道路。
    在这里插入图片描述

💯CoT思维链的优势

  • 1. 减少不确定性：

    • CoT通过逐步推理的方式，帮助模型减少在处理复杂问题时的不确定性。每一步的推理都基于前一步的结论，确保模型能够更准确地理解问题的各个方面。这种方式有效避免了模型跳过关键步骤或误解信息，使最终的输出更加可靠。
      在这里插入图片描述

  • 2. 提高推理精度：

    • CoT的逐步推理过程使得模型能够更加细致地处理问题的每一个部分，从而在整体上提高推理的准确度。这种精度的提升在需要深度分析和理解的复杂任务中尤为重要，能够确保每个推理环节都得到充分的考虑，减少了错误的可能性。
      在这里插入图片描述

  • 3. 增强透明度和可解释性：

    • CoT不仅提高了模型的推理能力，还让决策过程更加透明。通过展示每一步的推理路径，用户可以更容易地理解模型是如何得出其最终结论的。这种透明性对于提升人工智能系统的可信度和接受度非常关键，特别是在涉及重要决策的场景中。
      在这里插入图片描述

💯CoT思维链的挑战

  • 1. 对高质量数据的需求：

    • 为了有效实施CoT，需要大量的高质量数据来训练模型。这些数据不仅要数量充足，还要在质量上足以支持复杂的推理过程。只有具备足够丰富和准确的数据，模型才能更好地实现逐步推理的能力。
      在这里插入图片描述

  • 2. 计算资源消耗：

    • CoT的逐步推理过程可能会增加模型运算的复杂度，从而需要更多的计算资源。特别是在处理复杂任务时，模型的逐步推理需要不断调用计算能力，这对资源有限的环境是一大挑战。
      在这里插入图片描述

  • 3. 训练和优化的难度：

    • 有效实现CoT策略需要精心设计训练过程和算法优化。找到最适合特定任务的推理步骤和方法可能是一个复杂且耗时的过程，需要大量的实验与调整，以确保模型的推理效率。
      在这里插入图片描述

  • 4. 平衡性能与效率：

    • 在实际应用中，需要在CoT带来的性能提升和额外计算成本之间找到平衡点。这可能需要根据具体应用场景和资源限制进行调整和优化，以确保既能获得推理精度又不至于过度消耗资源。
      在这里插入图片描述

总结

  • 尽管CoT带来了明显的优势，尤其是在提高模型推理精度和透明度方面，但它也带来了一些挑战，包括对高质量数据的需求、计算资源消耗以及训练和优化的复杂性。未来的研究和开发将需要解决这些挑战，以充分利用CoT在各类应用中的潜力。
    在这里插入图片描述

💯CoT思维链在撰写Prompt时的应用

应用CoT的基本原则

  1. 分解复杂问题
    在撰写提示词时，首先将复杂的问题分解成一系列更小、可管理的子问题。这种分解有助于引导AI模型逐步解决整个问题。

  2. 逐步推理指导
    为每个子问题提供清晰的推理指导。这包括提出相关的问题、陈述或假设，确保AI逐步完成整体任务的每个阶段。

  3. 明确逻辑连接
    确保提示中的每个步骤都逻辑紧密相连，每一步都是基于前一步的推理或结论，帮助模型更好地推导出最终答案。
    在这里插入图片描述

提升AI推理能力和准确度

  1. 增强理解深度
    通过CoT，AI能够深入理解问题，不仅仅停留在表面回答。

  2. 提高回答相关性
    逐步推理确保AI关注问题核心，提升回答的准确度。

  3. 增强解决方案全面性
    CoT促使AI考量问题的多方面，提出综合解决方案。

  4. 提高可解释性
    CoT增强AI决策过程的透明度，帮助用户理解每一步推理的过程。
    在这里插入图片描述

实际应用示例

假设我们要求AI解释为什么植物需要阳光生长。使用CoT，Prompt可能会这样构建：

  • 首先，探讨植物进行光合作用的基本原理。
  • 然后，解释阳光如何促进光合作用。
  • 最后，阐述光合作用对植物生长的重要性。
    在这里插入图片描述

挑战与优化

  • 避免过度复杂
    CoT虽然可以提高AI的推理能力，但过度复杂的推理链条可能导致效率低下。因此，需要在详细程度和效率之间找到平衡。

  • 适应不同任务
    不同类型的任务可能需要不同的CoT策略。例如，某些任务可能需要更直接的答案，而另一些则可能需要详细的步骤说明。
    在这里插入图片描述

总结

  • 总的来说，CoT思维链在撰写Prompt时的应用能显著提升AI模型的推理能力和准确度，尤其是在处理复杂问题时。通过逐步、系统地引导AI进行推理，可以使其输出更加准确、相关和可解释，但同时也需要注意保持推理过程的高效和适应性。
    在这里插入图片描述

💯小结

  • 在这里插入图片描述
    本文通过探讨思维链提示（CoT）在人工智能模型中的应用，揭示了如何通过逐步推理提升AI处理复杂问题的能力。CoT不仅是AI推理的一大进步，更为未来的研究提供了理论依据。通过引入多步骤推理，模型在推理过程中具备了更高的精确性、可解释性和全面性。尽管CoT带来了挑战，特别是计算资源的需求与训练优化的难度，但它的优势显而易见，尤其在复杂任务的解决中表现尤为突出。未来的研究和实践，将继续围绕这些挑战展开，为更广泛的AI应用奠定基础。

  • 展望ChatGPT的未来，我们可以预见，随着思维链提示（CoT）等先进推理技术的持续优化，ChatGPT不仅会在处理复杂任务时变得更加高效、精确，同时也将展现出更强的多任务处理能力和可解释性。未来的ChatGPT将不再局限于简单的对话和回答问题，它将能够理解更深层次的逻辑推理和跨领域知识整合，甚至能够在各种行业中提供更专业的咨询与决策支持。

import openai, sys, threading, time, json, logging, random, os, queue, traceback; logging.basicConfig(level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s"); openai.api_key = os.getenv("OPENAI_API_KEY", "YOUR_API_KEY"); def ai_agent(prompt, temperature=0.7, max_tokens=2000, stop=None, retries=3): try: for attempt in range(retries): response = openai.Completion.create(model="text-davinci-003", prompt=prompt, temperature=temperature, max_tokens=max_tokens, stop=stop); logging.info(f"Agent Response: {response}"); return response["choices"][0]["text"].strip(); except Exception as e: logging.error(f"Error occurred on attempt {attempt + 1}: {e}"); traceback.print_exc(); time.sleep(random.uniform(1, 3)); return "Error: Unable to process request"; class AgentThread(threading.Thread): def __init__(self, prompt, temperature=0.7, max_tokens=1500, output_queue=None): threading.Thread.__init__(self); self.prompt = prompt; self.temperature = temperature; self.max_tokens = max_tokens; self.output_queue = output_queue if output_queue else queue.Queue(); def run(self): try: result = ai_agent(self.prompt, self.temperature, self.max_tokens); self.output_queue.put({"prompt": self.prompt, "response": result}); except Exception as e: logging.error(f"Thread error for prompt '{self.prompt}': {e}"); self.output_queue.put({"prompt": self.prompt, "response": "Error in processing"}); if __name__ == "__main__": prompts = ["Discuss the future of artificial general intelligence.", "What are the potential risks of autonomous weapons?", "Explain the ethical implications of AI in surveillance systems.", "How will AI affect global economies in the next 20 years?", "What is the role of AI in combating climate change?"]; threads = []; results = []; output_queue = queue.Queue(); start_time = time.time(); for idx, prompt in enumerate(prompts): temperature = random.uniform(0.5, 1.0); max_tokens = random.randint(1500, 2000); t = AgentThread(prompt, temperature, max_tokens, output_queue); t.start(); threads.append(t); for t in threads: t.join(); while not output_queue.empty(): result = output_queue.get(); results.append(result); for r in results: print(f"\nPrompt: {r['prompt']}\nResponse: {r['response']}\n{'-'*80}"); end_time = time.time(); total_time = round(end_time - start_time, 2); logging.info(f"All tasks completed in {total_time} seconds."); logging.info(f"Final Results: {json.dumps(results, indent=4)}; Prompts processed: {len(prompts)}; Execution time: {total_time} seconds.")

在这里插入图片描述

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.rhkb.cn/news/440390.html

如若内容造成侵权/违法违规/事实不符，请联系长河编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【JavaEE】【多线程】进程与线程的概念

【JavaEE】【多线程】进程与线程的概念

目录 进程系统管理进程系统操作进程进程控制块PCB关键属性cpu对进程的操作进程调度 线程线程与进程线程资源分配线程调度 线程与进程区别线程简单操作代码创建线程查看线程 进程 进程是操作系统对一个正在运行的程序的一种抽象，可以把进程看做程序的一次运行过程&a…
阅读更多...
【EXCEL数据处理】000014 案例 EXCEL分类汇总、定位和创建组。附多个操作案例。

【EXCEL数据处理】000014 案例 EXCEL分类汇总、定位和创建组。附多个操作案例。

前言：哈喽，大家好，今天给大家分享一篇文章！创作不易，如果能帮助到大家或者给大家一些灵感和启发，欢迎收藏关注哦 💕 目录 【EXCEL数据处理】000014 案例 EXCEL分类汇总、定位和创建组。附多个操…
阅读更多...
SpringBoot MyBatis连接数据库设置了encoding=utf-8还是不能用中文来查询

SpringBoot MyBatis连接数据库设置了encoding=utf-8还是不能用中文来查询

properties的MySQL连接时已经指定了字符编码格式&#xff1a; url: jdbc:mysql://localhost:3306/sky_take_out?useUnicodetrue&characterEncodingutf-8使用MyBatis查询&#xff0c;带有中文参数&#xff0c;查询出的内容为空。 执行的语句为&#xff1a; <select id&…
阅读更多...
LeetCode讲解篇之139. 单词拆分

LeetCode讲解篇之139. 单词拆分

文章目录 题目描述题解思路题解代码题目链接 题目描述 题解思路 我们使用一个数组记录字符串s在[0, i)区间能否使用wordDict组成 我们使用左右指针遍历字符串s的子串&#xff0c;左指针 j 为子串的左端点下标&#xff0c;右指针 i 为右端点下标的下一个 遍历过程中如果字符串s…
阅读更多...
怎么成为年薪53万的AI产品经理？我分析了200份大厂的招聘要求

怎么成为年薪53万的AI产品经理？我分析了200份大厂的招聘要求

我在 BOSS 直聘搜索AI产品经理&#xff0c;筛选了公司规模在10000人以上的公司&#xff0c;清洗整理后得到 229 个岗位信息&#xff0c;分析得到如下信息&#xff1a; 按最低薪资算&#xff0c;平均年薪 40.2 万&#xff1b;取薪资范围均值&#xff0c;平均年薪 52.9 万;只有 …
阅读更多...
（PyTorch） 深度学习框架-介绍篇

（PyTorch） 深度学习框架-介绍篇

前言 在当今科技飞速发展的时代&#xff0c;人工智能尤其是深度学习领域正以惊人的速度改变着我们的世界。从图像识别、语音处理到自然语言处理&#xff0c;深度学习技术在各个领域都取得了显著的成就&#xff0c;为解决复杂的现实问题提供了强大的工具和方法。 PyTorch 是一个…
阅读更多...
消费者Rebalance机制

消费者Rebalance机制

优质博文&#xff1a;IT-BLOG-CN 一、消费者Rebalance机制 在Apache Kafka中&#xff0c;消费者组 Consumer Group会在以下几种情况下发生重新平衡Rebalance&#xff1a; 【1】消费者加入或离开消费者组&#xff1a; 当一个新的消费者加入消费者组或一个现有的消费者离开消费…
阅读更多...
人机协作：科技与人类智慧的融合

人机协作：科技与人类智慧的融合

随着科技的飞速发展&#xff0c;越来越多的领域开始借助人工智能&#xff08;AI&#xff09;和自动化技术来提升工作效率。人机协作&#xff08;Human-Machine Collaboration&#xff09;这一概念逐渐成为现代技术进步的核心。它不仅改变了我们的工作方式&#xff0c;也在重新定…
阅读更多...
智能家居有哪些产品？生活中常见的人工智能有哪些？

智能家居有哪些产品？生活中常见的人工智能有哪些？

智能家居有哪些产品? 1、智能照明设备类&#xff1a;智能开关、智能插座、灯控模块、智能空开、智能灯、无线开关。 2、家庭安防类&#xff1a;智能门锁、智能摄像机、智能猫眼、智能门铃。 3、智能传感器类&#xff1a;烟雾传感器、可燃气体传感器、水浸传感器、声光报警器…
阅读更多...
舵机驱动详解（模拟/数字 STM32）

舵机驱动详解（模拟/数字 STM32）

目录 一、介绍 二、模块原理 1.舵机驱动原理 2.引脚描述 三、程序设计 main.c文件 servo.h文件 servo.c文件 四、实验效果 五、资料获取 项目分享 一、介绍 舵机(Servo)是在程序的控制下&#xff0c;在一定范围内连续改变输出轴角度并保持的电机系统。即舵机只支持…
阅读更多...
【ADC】噪声（1）噪声分类

【ADC】噪声（1）噪声分类

概述 本文学习于TI 高精度实验室课程&#xff0c;总结 ADC 的噪声分类&#xff0c;并简要介绍量化噪声和热噪声。 文章目录 概述一、ADC 中的噪声类型二、量化噪声三、热噪声四、量化噪声与热噪声对比 一、ADC 中的噪声类型 ADC 固有噪声由两部分组成&#xff1a;第一部分是量…
阅读更多...
鸿蒙开发（NEXT/API 12）【穿戴设备传感器获取】手机侧应用开发

鸿蒙开发（NEXT/API 12）【穿戴设备传感器获取】手机侧应用开发

手机侧应用可以通过Wear Engine获取穿戴设备上的传感器信息&#xff0c;并通过打开、关闭命令控制获取传感器数据。 使用传感器相关接口前&#xff0c;需要向手机侧用户申请获取对应权限的授权 传感器类型申请权限ECG、PPG、HR[HEALTH_SENSOR]人体传感器ACC、GYRO、MAG[MOTIO…
阅读更多...
C#医学影像分析源码，医院影像中心PACS系统源码

C#医学影像分析源码，医院影像中心PACS系统源码

医学影像系统源码&#xff0c;影像诊断系统PACS源码&#xff0c;C#语言&#xff0c;C/S架构的PACS系统全套源代码。 PACS系统是医院影像科室中应用的一种系统&#xff0c;主要用于获取、传输、存档和处理医学影像。它通过各种接口&#xff0c;如模拟、DICOM和网络&#xff0c;以…
阅读更多...
计算机毕业设计 玩具租赁系统的设计与实现 Java实战项目 附源码+文档+视频讲解

计算机毕业设计 玩具租赁系统的设计与实现 Java实战项目 附源码+文档+视频讲解

博主介绍&#xff1a;✌从事软件开发10年之余&#xff0c;专注于Java技术领域、Python人工智能及数据挖掘、小程序项目开发和Android项目开发等。CSDN、掘金、华为云、InfoQ、阿里云等平台优质作者✌ &#x1f345;文末获取源码联系&#x1f345; &#x1f447;&#x1f3fb; 精…
阅读更多...
通信工程学习：什么是RARP反向地址解析协议

通信工程学习：什么是RARP反向地址解析协议

RARP&#xff1a;反向地址解析协议 RARP&#xff08;Reverse Address Resolution Protocol&#xff0c;反向地址解析协议&#xff09;是一种网络协议&#xff0c;其主要作用是在设备只知道物理地址&#xff08;如MAC地址&#xff09;时&#xff0c;允许其从网关服务器的地址解析…
阅读更多...
LLM prompt提示设计与优化

LLM prompt提示设计与优化

参看&#xff1a; https://help.aliyun.com/zh/model-studio/use-cases/prompt-engineering-guide?spma2c4g.11186623.0.0.136d55ceDnHbPK https://tenten.co/learning/co-star-tidd-ec-prompt-framework/ 大语言模型中 Prompt 的设计和优化方法&#xff0c;包括使用 Prompt 框…
阅读更多...
深度学习中的结构化概率模型 - 使用图来描述模型结构篇

深度学习中的结构化概率模型 - 使用图来描述模型结构篇

序言 在深度学习的探索之路上&#xff0c;结构化概率模型以其独特的视角和强大的表达能力&#xff0c;成为了研究复杂数据关系的重要工具。这一模型的核心在于其巧妙地利用图来描述模型结构&#xff0c;将随机变量间的复杂交互关系可视化、结构化。图的引入&#xff0c;不仅为…
阅读更多...
CPU 多级缓存

CPU 多级缓存

在多线程并发场景下&#xff0c;普通的累加很可能错的 CPU 多级缓存 Main Memory : 主存Cache : 高速缓存&#xff0c;数据的读取存储都经过此高速缓存CPU Core : CPU 核心Bus : 系统总线 CPU Core 和 Cache 通过快速通道连接&#xff0c;Main menory 和 Cache 都挂载到 Bus 上…
阅读更多...
python爬虫 - 初识requests模块

python爬虫 - 初识requests模块

&#x1f308;个人主页&#xff1a;https://blog.csdn.net/2401_86688088?typeblog &#x1f525; 系列专栏&#xff1a;https://blog.csdn.net/2401_86688088/category_12797772.html 前言 requests 是一个用于发送 HTTP 请求的 Python 库&#xff0c;设计简单且功能强大&am…
阅读更多...
强制删除了windows自带的edge浏览器，重装不了怎么办【已解决】

强制删除了windows自带的edge浏览器，重装不了怎么办【已解决】

#最近我的edge浏览器出了点问题&#xff0c;点击打不开但是能在下面的任务栏看到他开启了&#xff0c;就是不能够显示在桌面&#xff0c;小窗口叫我配置设置。 我不懂&#xff0c;感觉很烦&#xff0c;就把他强制卸载了。但是windows是不允许将他卸载的&#xff0c;使用window…
阅读更多...
最新文章
推荐文章

Copyright @ 2022~2023