当前位置： 首页 > news >正文

基于MCP协议与AI技能实现Linear变更日志自动化生成

news 2026/8/8 16:50:08

1. 项目概述：当AI成为你的项目管家

最近在折腾一个挺有意思的自动化工作流，核心目标就一个：把写变更日志（Changelog）这件既琐碎又重要，还容易忘的活儿，彻底交给AI去干。如果你也受够了每次发版前，都要从一堆零散的提交记录、Linear工单里手动拼凑更新说明，那这个“Skill + MCP + Linear”的组合拳，绝对值得你花十分钟了解一下。

简单来说，这是一个基于Claude Code（或Cursor等支持MCP的AI编码工具）的自动化方案。它利用Skill（可以理解为AI的“技能”或“插件”）来执行具体任务，通过MCP（Model Context Protocol，模型上下文协议）这个“桥梁”，安全、结构化地连接外部工具和数据，最终与Linear（一个流行的项目管理和问题追踪工具）深度集成。整个流程的终点，就是让AI自动分析代码仓库的提交历史、关联的Linear工单，生成一份清晰、专业、可直接用于发布的变更日志。

这不仅仅是“偷懒”。在快速迭代的现代开发中，保持变更日志的及时性和准确性，对于团队协作和用户沟通至关重要。手动维护耗时耗力，还容易出错。而这个自动化工作流，正是将AI从“聊天伙伴”升级为“实干型助手”的一次典型实践。无论你是独立开发者，还是团队的技术负责人，这套方案都能显著提升项目管理的规范性和效率。

2. 核心思路与架构拆解

2.1 为什么是Skill + MCP + Linear？

在深入细节之前，我们先拆解一下这个技术栈选型背后的逻辑。这决定了整个方案的可行性、安全性和易用性。

首先是Linear。它是我选择的“事实来源”（Source of Truth）。几乎所有现代敏捷开发团队都会用类似工具（Jira, Asana等）来管理需求、任务和Bug。Linear的API设计清晰，Webhook支持完善，并且其“Issue”、“Cycle”、“Project”等概念与版本发布流程天然契合。自动化工作流必须锚定在一个可靠的项目管理工具上，Linear是一个优秀的选择。

核心难点在于AI如何与Linear安全交互。我们不能直接把API密钥丢给大模型，让它自由发挥。这里就需要MCP登场。MCP是Anthropic提出的一种协议，它的核心思想是让AI模型能够安全、可控地访问外部服务器提供的工具和数据。你可以把MCP Server想象成一个“防火墙”或“适配器”，它对外暴露一组定义好的工具（比如“读取Linear工单”、“创建评论”），AI模型通过MCP协议来调用这些工具，而无需知晓后端的API密钥等敏感信息。这解决了AI操作外部系统的安全性和结构化问题。

最后是Skill。在Claude Code或相关生态中，Skill是一种封装了特定能力（比如“生成变更日志”）的模块。一个Skill可以调用一个或多个MCP Server提供的工具，组合成更复杂的业务流程。在本项目中，我们将创建一个“Changelog Generator Skill”，它的内部逻辑就是：通过MCP获取数据，利用AI的理解能力进行分析和撰写，再通过MCP回写结果。

整个架构流程可以概括为：

  1. 触发：在Linear中标记一个版本（如v1.2.0）完成，或通过Git Tag推送触发。
  2. 数据收集：Changelog Skill被激活，它通过“Linear MCP Server”获取该版本关联的所有已关闭工单（Issues）。
  3. 内容生成：Skill将工单数据（标题、描述、标签、负责人等）作为上下文，提示AI模型（如Claude 3.5 Sonnet）生成结构化的变更日志草案。同时，它也可以通过“Git MCP Server”获取同一时间段的Git提交记录，作为补充信息。
  4. 审核与发布：生成的草案可以自动创建为Linear工单的评论，或发布到项目的Changelog文件中，等待负责人一键确认或微调后发布。

这个架构的优势在于关注点分离：MCP负责安全连接，Skill负责业务流程，AI负责核心创作，而Linear和Git则是数据源。每一层都可以独立改进和替换。

2.2 工具链选型与准备

工欲善其事，必先利其器。在开始动手前，你需要确保以下环境就绪：

  1. AI编码环境：Claude Code（原Claude for VS Code）或Cursor。它们是本工作流的核心运行时，天然支持Skill和MCP。我个人更推荐Claude Code，因为它与Anthropic的MCP生态结合更紧密。确保你已安装并登录。
  2. 项目管理工具：一个Linear账户及对应的项目。你需要创建API密钥（Settings -> API -> Personal API Keys）。权限建议勾选read（读取工单、项目）和write（创建评论、更新工单）。
  3. 代码仓库：你的项目代码托管在GitHub或GitLab等平台。这主要用于关联提交记录，虽然不是必须，但能让变更日志更完整。
  4. MCP Server：这是关键组件。你需要寻找或自己搭建两个MCP Server：
    • Linear MCP Server：用于连接Linear。社区已有开源实现，例如linear-mcp-server。你需要配置你的Linear API密钥。
    • Git MCP Server：用于读取本地Git仓库信息。Claude Code可能内置或可以通过社区Skill获取。
  5. 必要的开发知识：基础的命令行操作、对API概念的理解，以及一点点面对错误的耐心。

注意：MCP Server的生态仍在快速发展中，具体的服务器项目名称和安装方式可能变化。最有效的方法是，在Claude Code中直接询问：“有哪些可用的MCP Server可以连接Linear？”，AI助手通常会给出最新的社区推荐和安装指令。

3. 实操搭建：一步步构建自动化流水线

理论讲完，我们进入实战环节。我会以Claude Code环境为例，展示从零搭建的完整过程。

3.1 配置MCP Server连接

MCP Server需要被Claude Code识别和加载。通常，这通过在用户配置目录下的mcp_config.json文件中声明来实现。

  1. 找到或创建配置文件。配置文件通常位于~/.config/claude/mcp_config.json（Linux/macOS）或%APPDATA%\Claude\mcp_config.json（Windows）。如果不存在，就创建一个。
  2. 配置Linear MCP Server。假设我们使用一个名为@modelcontextprotocol/server-linear的Node.js服务器。你需要先通过npm全局或局部安装它，然后在配置文件中引用。
{ "mcpServers": { "linear": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-linear" ], "env": { "LINEAR_API_KEY": "你的Linear个人API密钥" } }, "git": { "command": "node", "args": [ "/path/to/your/git-mcp-server/build/index.js" ] } } }

关键参数解析：

  • command: 启动服务器的命令，npx用于直接运行npm包。
  • args: 传递给命令的参数，这里指定了要运行的MCP服务器包名。
  • env: 设置环境变量，这是传递敏感信息（如API密钥）的安全方式。务必确保此配置文件不被提交到公开仓库！
  1. 重启Claude Code。加载新的MCP配置通常需要重启IDE。重启后，你可以在聊天窗口中测试连接，例如输入：“调用Linear工具，列出我项目‘WebApp’中状态为‘Done’的工单。” 如果配置正确，AI应该能调用MCP工具并返回结果。

实操心得：MCP Server的配置是第一步，也是最容易出错的一步。如果AI无法调用工具，请首先检查：1) 配置文件路径和格式是否正确；2) 命令路径是否有效（对于本地git服务器）；3) API密钥是否有足够权限且未过期；4) 查看Claude Code的输出控制台，通常会有详细的错误日志。

3.2 开发Changelog Generator Skill

Skill的本质是一个定义了触发条件和执行逻辑的模块。在Claude Code中，Skill可以通过多种方式创建，最直接的是在对话中“定义”一个技能，并保存为本地文件。

  1. 定义Skill元信息。在Claude Code聊天框中，你可以这样开始：

    我想创建一个名为 “Generate Changelog from Linear” 的Skill。 描述：自动为指定的Linear版本或迭代生成变更日志。 触发方式：当我在Linear中关闭一个版本（Cycle）或打上特定标签（如‘ready-for-changelog’）时，自动触发。或者，我可以通过“@generate-changelog v1.2.0”这样的指令手动触发。

    AI会引导你完成定义。更结构化的方式是在项目根目录创建一个.codex/skills/目录，并在里面创建技能定义文件（如changelog_generator.skill.json）。

  2. 编写Skill核心逻辑。Skill的逻辑通常是一段清晰的自然语言指令，告诉AI每一步该做什么。以下是一个逻辑示例：

    技能逻辑：

    1. 当用户提及版本号（如v1.2.0）或触发条件满足时，激活本技能。
    2. 调用Linear MCP Server的search_issues工具，查询条件为：属于项目[你的项目名]，状态为“Done”，且关联到版本（Cycle）v1.2.0的所有工单。如果没有明确版本，则查询过去两周内关闭的工单。
    3. 调用Git MCP Server的get_commits工具，获取同一时间范围内的Git提交记录。
    4. 将获取到的工单和提交数据整理成清晰的Markdown列表格式，作为上下文提供给AI。
    5. 提示AI：“请根据以下已完成的功能、修复的缺陷和代码提交，为版本v1.2.0撰写一份面向用户的变更日志。要求格式清晰，分为‘新增功能’、‘问题修复’、‘性能优化’等类别，语言简洁专业。”
    6. 将AI生成的变更日志草案，通过Linear MCP Server的create_comment工具，发布到该版本对应的发布跟踪工单（Release Issue）或一个专门的Changelog工单中。

  3. 保存与测试。将定义好的Skill保存。你可以在聊天框中手动输入触发指令（如“@generate-changelog for cycle ‘Sprint 22’”）来测试技能是否按预期工作。观察AI是否正确地调用了MCP工具，并输出了合理的变更日志。

3.3 与Linear工作流深度集成

为了让自动化更无缝，我们需要在Linear侧也做一些设置，实现“事件驱动”。

  1. 创建发布跟踪工单：在Linear中，为每个版本（如v1.2.0）创建一个专门的“Release”工单。这个工单将作为变更日志的承载页。
  2. 配置Webhook（进阶）：Linear支持Webhook。你可以配置一个Webhook，当工单状态变为“Done”且被打上“release”标签时，触发一个外部服务。这个外部服务（可以是一个简单的Serverless函数）收到通知后，再通过API触发你的AI工作流。这是实现全自动化的关键一步。
  3. 利用Linear Cycles（版本）：更简单的方式是利用Linear的Cycles功能。当你结束一个Cycle时，手动或通过规则自动为所有已完成的工单打上该Cycle的标签。你的Changelog Skill就可以通过查询这个标签下的所有工单来生成日志。
  4. 自动化标签与分类：鼓励团队在创建工单或完成时，使用预定义的标签，如type:feature,type:bug,type:chore。这样，AI在生成日志时，可以更准确地将变更项分类到“新增功能”、“问题修复”、“其他改进”等章节。

一个集成的理想流程如下：

  • 开发阶段：工程师在Linear上创建工单，开发，提交代码（在提交信息中关联工单ID，如“Fix #PROJ-123”）。
  • 完成阶段：工单完成后，标记为“Done”，并放入对应的发布Cycle。
  • 发布阶段：项目经理关闭Cycle，此事件通过Webhook触发Changelog Skill。
  • 生成阶段：Skill收集该Cycle下所有工单及关联的Git提交，生成日志草案，并发布到Release工单。
  • 审核阶段：负责人收到通知，在Linear上快速浏览并微调草案，点击发布。

4. 核心环节：Prompt工程与日志生成质量优化

自动化生成的最大挑战在于质量。一份好的变更日志不是工单标题的简单罗列，它需要归纳、分类和用户友好的表述。这极度依赖我们给AI的提示词（Prompt）。

4.1 构建高质量上下文与Prompt

提供给AI的上下文数据质量，直接决定输出质量。我们的目标是将原始的、散乱的项目数据，加工成结构清晰的“素材包”。

数据预处理步骤：

  1. 工单筛选与清洗：通过MCP获取的工单列表，需要过滤掉一些内部事务（如type:chore且无关用户的）。只保留type:feature,type:bug,type:enhancement等用户可见的变更。
  2. 信息提取与增强：
    • 标题重写：工单标题可能是技术性的（如“修复用户API鉴权逻辑NULL指针异常”）。我们需要在上下文中提示AI：“请将以下技术性工单标题，转化为用户能理解的价值描述。例如，‘修复NULL指针异常’可转化为‘修复了在某些情况下导致应用崩溃的登录问题’。”
    • 关联提交：将Git提交记录与工单通过ID关联起来。提交信息（Commit Message）常常包含更具体的修改细节，可以作为工单描述的补充。
    • 分类标签：利用工单的type、priority、label等字段，预先进行粗分类。

核心Prompt设计示例：

你是一个专业的开源项目维护者，负责撰写版本变更日志。请根据以下信息，为版本 `{cycle_name}` 生成一份发布公告。 **变更素材**： {formatted_issues_and_commits} **撰写要求**： 1. **语言风格**：面向最终用户，清晰、友好、专业。避免使用内部术语或Jira/Linear ID。 2. **结构**： * 开头：简短版本介绍（如“我们很高兴发布XXX v1.2.0，本次更新主要带来了...方面的重要改进”）。 * 主体：分章节叙述。请根据工单的`type`标签和内容，将变更归类为： - 🚀 新功能 (Features) - 🐛 问题修复 (Bug Fixes) - ⚡ 性能优化 (Performance Improvements) - 🛠 内部变更 (Maintenance) *（仅当有重要重构时列出）* * 结尾：致谢贡献者（从工单的`assignee`和提交者中提取），以及升级指南或已知问题（如果有）。 3. **内容转换**：请将技术性的工单标题和描述，转化为阐述用户价值或问题现象的句子。例如，“PROJ-101: Fix memory leak in cache module” 应转化为 “修复了缓存模块的内存泄漏问题，提升了应用长期运行的稳定性。” 4. **格式**：使用Markdown语法，确保可读性。 请开始撰写。

这个Prompt明确了角色、输入格式、输出结构和风格要求，能极大提升AI生成内容的一致性和可用性。

4.2 分类、归纳与风格控制

即使有了好Prompt，AI的产出也可能需要微调。以下是几个关键控制点：

  • 分类规则强化：在Prompt中明确定义分类标准。如果AI分类不准，可以在Skill逻辑中增加一个“预分类”步骤：用一个小Prompt先让AI对每个工单打上“分类标签”，然后再根据这些标签进行汇总撰写。
  • 避免信息冗余：同一个功能可能在多个工单中提及，或者提交记录与工单描述重复。Prompt中需加入“合并同类项，用一条清晰描述概括相关改动”的指令。
  • 语气与一致性：对于正式项目，语气应平稳客观；对于年轻化产品，可以稍带活泼。在Prompt的开头固定使用“本项目采用……语气”来锚定风格。
  • 贡献者名单：这是一个提升团队士气的小细节。从工单的负责人（assignee）和Git提交者中提取去重后的名单，让AI将其放入“致谢”部分。

实操心得：不要指望一次Prompt就能达到完美。将“生成-审核-微调Prompt”作为一个迭代循环。把AI生成的不够好的样例保存下来，分析问题（是分类不对？还是描述太技术？），然后针对性调整Prompt。通常经过3-5轮迭代，就能得到一个非常稳定的输出。

5. 进阶配置与扩展可能性

基础流程跑通后，你可以根据团队需求，对这个工作流进行深度定制和扩展。

5.1 多数据源融合

Linear工单并非唯一的数据源。一个更健壮的变更日志应该融合多方信息：

  • Git提交记录：通过Git MCP Server获取。重点提取那些未关联工单但有意义的提交（如依赖项升级、CI/CD配置变更）。
  • 拉取请求（PR）：如果你的流程包含PR审查，可以从GitHub/GitLab MCP Server获取PR描述和评论，其中常包含比工单更详细的技术细节和讨论上下文。
  • 部署系统：集成像Vercel, Netlify或内部部署系统的MCP Server，可以自动关联部署时间、环境等信息。

Skill需要具备数据聚合与去重的能力。例如，当Git提交信息中包含了“Close #123”，那么工单#123和这条提交信息就应该被识别为同一项变更，在最终日志中只出现一次。

5.2 发布流程自动化

生成日志只是第一步，真正的自动化是将其推送到最终位置：

  1. 更新项目CHANGELOG.md文件：Skill可以调用Git MCP Server，先拉取最新的CHANGELOG.md，将新生成的版本日志插入到文件顶部（遵循Keep a Changelog格式），然后提交并推送回仓库。
  2. 创建GitHub Release：通过GitHub MCP Server，在代码仓库中直接创建一个版本发布（GitHub Release），并将生成的日志作为发布说明。
  3. 同步至社区平台：可以扩展Skill，将日志同步到项目官网、Discord公告频道或Twitter等社交媒体。这需要对应平台的MCP Server或API集成。

5.3 自定义Skill与MCP Server开发

如果现有工具无法满足需求，你可以自己开发：

  • 开发自定义MCP Server：如果你的团队使用自研项目管理工具或内部系统，可以为其开发一个MCP Server。协议本身并不复杂，官方提供了多种语言的SDK。核心是暴露几个标准的工具函数（如search_tickets,create_comment）。
  • 开发复杂Skill：当前的Skill可能依赖于与AI的多次对话。你可以将其封装成更独立的脚本或插件，接收参数（如版本号），运行后直接输出结果文件或调用API。这使它可以脱离聊天界面，被CI/CD流水线调用。

6. 避坑指南与常见问题排查

在实际搭建和运行过程中，你肯定会遇到各种问题。以下是我踩过的一些坑和解决方案。

6.1 权限与配置问题

问题现象可能原因排查步骤与解决方案
AI提示“无法找到MCP工具”或“调用失败”。1. MCP Server配置错误。
2. Claude Code未加载配置。
3. MCP Server进程启动失败。		1. 检查mcp_config.json文件路径和格式（可用JSON验证器）。
2. 完全重启Claude Code。
3. 查看终端或Claude Code的输出面板，看是否有MCP Server启动的错误日志（如缺失依赖、API密钥无效）。
4. 尝试在命令行手动运行配置中的command和args，看服务器能否独立启动。
AI能调用工具但返回“未授权”或“空数据”。1. API密钥权限不足。
2. 查询条件（如项目ID、状态）不正确。
3. Linear工作空间或项目名称有误。		1. 在Linear后台检查API密钥的权限范围，确保包含read相关权限。
2. 在Linear网页端手动使用相同的筛选条件，看是否能查到数据。
3. 让AI先调用一个最简单的工具，如“列出我所有的Linear工作空间”，验证基础连接和权限。
Skill没有被触发或识别。1. Skill定义文件存放位置不对。
2. Skill的触发指令不匹配。
3. Claude Code的Skill功能未启用。		1. 确认Skill文件放在正确的目录（如.codex/skills/），且Claude Code有该目录的读取权限。
2. 检查Skill定义中的触发器（trigger）设置，尝试使用精确的触发短语。
3. 在Claude Code设置中确认Skill功能已开启。

6.2 生成内容质量问题

  • 问题：AI生成的日志过于简略，像工单列表。
    • 解决：强化Prompt中“转化用户价值描述”的部分。提供几个优秀的正反面例子（Few-shot Learning）。例如，在Prompt中直接写：“不好的例子：‘修复了#PROJ-101’。好的例子：‘修复了在黑暗模式下侧边栏文字颜色对比度不足的问题，提升了可访问性。’”
  • 问题：分类错误，把“新功能”放到了“问题修复”里。
    • 解决：在提供上下文时，就为每个工单显式地添加一个“建议分类”字段。可以在Skill逻辑中，先让AI对每个工单进行一次快速分类（用一个简短的子Prompt），然后将分类结果作为元数据附加到工单信息中，再交给主Prompt进行汇总撰写。
  • 问题：遗漏了重要提交。
    • 解决：确保Git MCP Server配置正确，能访问到仓库。在时间范围查询上留有余量（如版本结束时间前后多包含一天）。在Skill逻辑中加入数据校验步骤，如果获取的提交数异常少，则发出警告。

6.3 性能与稳定性考量

  • 速率限制：Linear、GitHub等平台的API都有调用频率限制。如果一次查询工单数量过多，可能会被限流。在Skill中应考虑分页查询，或添加适当的延迟。
  • 错误处理：Skill中要有基本的错误处理逻辑。例如，当MCP调用失败时，应捕获错误并向用户反馈清晰的信息（如“无法连接Linear，请检查API密钥”），而不是让整个流程静默失败。
  • 结果缓存：对于生成内容，可以考虑在本地进行缓存（如以版本号为键存储到文件）。如果用户再次请求相同版本的日志，可以直接返回缓存结果，提升响应速度并节省AI Token。

7. 总结与个人实践体会

搭建这样一套自动化工作流，初期确实需要投入一些时间进行配置和调试，尤其是与MCP Server相关的部分，可能会遇到一些环境依赖和网络问题。但一旦跑通，它带来的回报是巨大的。

最直接的感受是精神负担的减轻。再也不用在发布前手忙脚乱地翻找记录，担心遗漏重要更新。现在，只需点击一个按钮或等待Webhook触发，一份结构清晰的日志草案就生成了，我只需要做最后的润色和确认。这让我能更专注于发布本身和后续的沟通。

其次，它推动了流程的规范化。为了能让AI更好地工作，团队会自然而然地更规范地使用Linear标签、填写工单描述、在提交信息中关联工单ID。这些好习惯的养成，其价值甚至超过了自动化本身。

最后，这是一个可扩展的起点。Skill + MCP的模式像乐高积木。你不仅可以用它来写变更日志，还可以轻松扩展出“自动生成测试用例”、“根据工单描述生成初步代码”、“同步文档与代码状态”等一系列自动化技能。它为我们打开了一扇门，让我们能够以更自然的方式，将AI深度融入到日常研发工具链中，真正成为一个赋能者，而不是一个玩具。

如果你也心动了，我的建议是：从小处着手。先别想着搭建一个全自动的完美流水线。第一步，可以尝试手动触发Skill，让它为你刚刚完成的一个小版本生成日志。感受一下AI的能力和局限。第二步，配置好Linear MCP Server，实现数据自动获取。第三步，再去研究Webhook和自动触发。每一步都获得正反馈，这个项目才更容易坚持下去。

http://www.jsqmd.com/news/1353935/

相关文章：

  • 四川成都316L储罐源头厂家怎么选？化工储罐认准清泉不锈钢制品 - 多才菠萝
  • 吴江区金属屋面护栏厂家哪家好怎么选？屋面护栏避坑指南与靠谱厂家推荐 - geo88
  • Python文件操作：with open()语句的完整指南与实战技巧
  • 简单图判断
  • Linux下从源码编译升级GCC 8.2：支持C++17的完整实践指南
  • 【免费】SpringBoot4+Vue3电子相册管理系统 锋哥原创出品，必属精品
  • 超越体素：PrITTI如何通过原始基元范式实现高效3D场景生成
  • Klock性能优化指南：提升多平台应用时间处理效率的5个技巧
  • 无刷电机驱动电路全解析：从分立元件到FOC矢量控制的五种实用方案
  • 四川成都装配式水箱供应厂家挑哪个？储罐认准清泉不锈钢制品 - 多才菠萝
  • 如何快速掌握BetterNCM安装器：5个实用技巧提升你的网易云音乐插件管理体验
  • 挑选成都全案设计-一木匠心实用方法 - 品牌品鉴馆
  • 10款Illustrator脚本终极指南：从零开始掌握设计自动化
  • 证监会上市公司公告采集：OpenClaw 合规抓取公开公告，自动提取关键财务与业务变动信息
  • 武汉全屋漏水发霉不用愁！9大渗水场景成因及合规修缮科普 - 聪居到家
  • AI Agent如何将产品方法论转化为可执行技能：PM Skills Marketplace项目解析
  • 10款Vim效率插件：从编辑器到个性化开发工作台
  • Windows 11亮度滑块失效？从驱动到注册表的完整修复指南
  • 线性代数核心：矩阵初等变换原理、实战与应用全解析
  • Vue Element UI el-tree组件全选、展开等基础功能封装实战
  • 如何用cirdit_multimodal_compile_3to5qubit_v1.1实现高效量子电路编译？完整入门指南
  • 超越传统检索模型：aspire-contextualsentence-singlem-biomed 在 TRECCOVID 与 RELISH 数据集上的卓越表现
  • MySQL二进制包安装
  • 2026.8月兰州防水补漏维修，卫生间，阳台，外墙，屋顶，地下室漏水根治测评 - 超人防水
  • 2026河南会计师事务所税务申报 绩效评价专精机构推荐指南 - 产品评测官
  • 2020年系统分析师综合知识真题深度解析与核心能力构建指南
  • 如何用TimesFM-20M_2023_Augmented实现精准金融预测？完整入门指南
  • MCP协议深度解析：链接大模型与外部工具的两种核心架构模式
  • 2026莱芜房屋漏水维修哪家靠谱 亲测三家正规公司避坑指南 - 吉林同城获客
  • 想去三亚玩潜水，德贝这家热门机构的联系方式与预约窍门都在这了 - 官方资讯