PromptScript：用TypeScript实现AI提示词工程化与团队协作

1. 项目概述与核心价值

最近在折腾AI辅助编程工具链，发现一个挺有意思的现象：大家用Claude、Cursor、GitHub Copilot这些工具时，往往都是临时起意，在聊天框里敲一段指令，然后祈祷模型能理解你的意图。这种“一次性”的提示词使用方式，效率其实很低。同一个需求，今天这么问，明天那么问，出来的代码风格、实现思路可能完全不同，更别提在团队里统一规范了。这让我开始思考，有没有一种方法，能把我们和AI协作的“最佳实践”固化下来，像管理代码一样去管理我们的提示词？这就是我接触到PromptScript这个项目的契机。

简单来说，PromptScript 是一个用 TypeScript 写的开源工具，它想解决的核心问题，就是“提示词即代码”。它不是一个AI模型，而是一个开发体验工具，旨在为开发者，特别是企业级团队，提供一套编写、测试、复用和管理提示词的标准化框架。你可以把它想象成是专门为AI提示词设计的“Dockerfile”或“Kubernetes YAML”——通过声明式的脚本，定义你与LLM交互的完整工作流，包括输入、处理逻辑、输出格式，甚至是多个模型调用之间的串联。

对于日常重度依赖AI编程的开发者来说，它的价值在于将零散、随机的提示词对话，转变为可版本控制、可测试、可协作的工程化资产。无论是想为团队构建一套标准的代码审查提示词模板，还是想创建一个复杂的、多步骤的代码生成流水线，PromptScript 都提供了一个可靠的实现路径。接下来，我就结合自己的实际踩坑和摸索，带你彻底拆解这个工具，看看它如何能实实在在地提升你的“人机协作”效率。

2. 核心设计理念：为什么是“提示词即代码”？

在深入具体操作之前，我们必须先理解 PromptScript 背后的设计哲学。这不仅仅是又一个“提示词管理库”，它引入的是一套完整的工程化思维。

2.1 从临时对话到可编程工作流

我们平时与Copilot或Claude的交互，本质是一个黑盒：输入一段自然语言，得到一个结果。这个过程有幾個致命缺点：

1. 不可重复：微小的措辞变化可能导致输出天差地别，难以稳定复现一个高质量结果。
2. 不可测试：你无法像单元测试一样，对一段提示词的输出进行断言和验证。
3. 难以协作：你无法通过Git diff来审查队友对提示词的修改，也无法进行有效的Code Review。
4. 缺乏组合性：复杂的任务往往需要多轮对话或调用不同模型，手动操作繁琐且易出错。

PromptScript 的“脚本”概念，正是为了解决这些问题。它将一次AI交互抽象为一个函数。这个函数有明确的输入参数、内部处理逻辑（可能包含条件判断、循环、调用其他提示词函数）和结构化的输出。这样一来，提示词就从一段文本，变成了一个可调用、可组合、可测试的程序单元。

2.2 企业级治理与安全考量

对于企业或稍大一点的团队，“提示词治理”是一个现实需求。放任每个工程师随意向云端模型发送公司代码和业务数据，存在数据泄露和成本失控的风险。PromptScript 在设计上考虑了这些“抗重力”因素——它帮助团队将AI能力“拉回”到可控的本地或私有化环境中进行编排。

通过编写 PromptScript，团队可以：

• 集中管理敏感信息：将API密钥、模型端点等配置抽离，避免硬编码在聊天记录里。
• 标准化输出格式：强制要求AI以JSON、YAML或特定代码格式返回，便于下游系统集成。
• 实现成本与用量监控：因为每次调用都通过脚本发起，可以方便地加入日志、计量和审计逻辑。
• 构建内部知识库：将经过验证的高效提示词脚本化，并存入内部仓库，形成团队的知识资产。

这种设计使得AI能力不再是散兵游勇，而是能够被集成到现有DevOps流程中的标准化服务。

2.3 开发者体验优先

作为一个给开发者用的工具，PromptScript 选择了 TypeScript 作为实现语言，这非常聪明。这意味着：

• 类型安全：你可以为提示词的输入和输出定义TypeScript接口，获得完美的IDE自动补全和类型检查。
• 丰富的生态：可以直接利用NPM上无数的工具库来处理字符串、调用HTTP接口、进行数据验证等。
• 无缝集成：可以轻松地将PromptScript脚本集成到现有的Node.js后端服务、CLI工具或构建流程中。

它不是一个封闭的SaaS平台，而是一个可以嵌入到你技术栈底层的开源库，这种“低调”的定位反而赋予了它极大的灵活性。

3. 环境准备与基础概念解析

理论说再多，不如上手试试。我们先从最基础的安装和核心概念开始。

3.1 安装与初始化

PromptScript 是一个Node.js库，所以前提是你需要安装Node.js（建议版本16+）。通过npm或yarn可以轻松安装：

# 在你的项目目录下 npm init -y npm install promptscript # 或者 yarn add promptscript

安装完成后，你不需要启动一个额外的服务。它就是一个库，你可以在你的.js或.ts文件中直接导入使用。为了获得最好的开发体验，我强烈建议在一个TypeScript项目中启用严格模式。

3.2 核心构建块：脚本、运行器与上下文

理解PromptScript，关键要搞懂三个核心概念，它们的关系有点像拍电影：脚本是剧本，运行器是导演和剧组，上下文是舞台和道具。

1. 脚本：这是核心。一个脚本文件（例如generate-code.ps.ts）定义了一次或一组AI交互。它导出一个或多个异步函数，函数内部使用PromptScript提供的DSL（领域特定语言）来描述与AI的对话。
2. 运行器：这是执行引擎。你需要创建一个运行器实例，并为其配置AI模型连接（如OpenAI API、Anthropic Claude API或本地Ollama）。运行器负责解析脚本、调用模型、管理对话状态。
3. 上下文：这是数据容器。它贯穿整个脚本执行过程，包含了输入参数、AI返回的中间结果、以及你自定义的变量。你可以从上下文中读取数据，也可以写入数据供后续步骤使用。

一个最简单的“Hello World”脚本长这样：

// hello.ps.ts import { prompt, script } from 'promptscript'; export default script(async (context) => { // 使用 `prompt` 函数定义要发送给AI的指令 const result = await prompt`请用JavaScript写一个函数，返回“Hello, ${context.params.name}!”`; // 将AI的结果存入上下文 context.set('greeting', result); return result; });

执行这个脚本，你需要创建一个运行器：

// runner.ts import { Runner } from 'promptscript'; import helloScript from './hello.ps.ts'; async function main() { // 1. 创建运行器，配置使用OpenAI的模型（例如gpt-4） const runner = new Runner({ provider: 'openai', apiKey: process.env.OPENAI_API_KEY, // 永远从环境变量读取密钥！ model: 'gpt-4', }); // 2. 执行脚本，并传入参数 const result = await runner.run(helloScript, { params: { name: 'World' } }); // 3. 获取输出 console.log(result); // 输出AI生成的代码 console.log(runner.context.get('greeting')); // 从上下文中读取存储的结果 } main().catch(console.error);

实操心得一：API密钥管理千万不要把apiKey硬编码在代码里！务必使用环境变量（.env文件配合dotenv库）或秘密管理服务。这是安全红线。在团队项目中，可以将运行器配置工厂化，集中管理不同环境（开发、测试、生产）的模型配置。

4. 编写你的第一个实用脚本：代码审查机器人

现在我们来点实际的。假设我们想为团队构建一个自动化的代码审查提示词，它接收一段代码，返回结构化的审查意见。用PromptScript实现，你会感受到“提示词即代码”的威力。

4.1 定义结构化输入与输出

首先，我们用TypeScript接口明确我们想要什么。这步至关重要，它既是文档，也是约束。

// interfaces.ts // 输入：要审查的代码及其元信息 export interface CodeReviewInput { code: string; language: 'javascript' | 'typescript' | 'python' | 'go'; purpose?: string; // 可选，这段代码的意图 } // 输出：结构化的审查结果 export interface CodeReviewIssue { type: 'BUG' | 'SECURITY' | 'PERFORMANCE' | 'STYLE' | 'MAINTAINABILITY'; severity: 'LOW' | 'MEDIUM' | 'HIGH'; line?: number; // 可选问题行号 description: string; suggestion: string; } export interface CodeReviewOutput { summary: string; // 总体评价 score: number; // 评分，1-10分 issues: CodeReviewIssue[]; positiveAspects?: string[]; // 做得好的地方 }

4.2 实现审查脚本

接下来，我们编写脚本。注意看我们如何将类型安全、逻辑判断和AI提示结合。

// code-review.ps.ts import { prompt, script, conditional, log } from 'promptscript'; import type { CodeReviewInput, CodeReviewOutput } from './interfaces'; export default script(async (context) => { const { code, language, purpose } = context.params as CodeReviewInput; // 1. 记录日志，便于调试 log(`开始审查${language}代码，长度：${code.length}字符`); // 2. 构建动态提示词。根据是否有“目的”描述，调整提示词。 const purposeContext = purpose ? `这段代码的目的是：${purpose}。` : ''; const reviewPrompt = ` 你是一个资深的${language}开发专家，正在进行严格的代码审查。 ${purposeContext} 请仔细审查以下代码： \`\`\`${language} ${code} \`\`\` 请从以下维度进行分析： 1. **正确性与潜在缺陷**：是否存在逻辑错误、边界条件处理不当、可能的运行时崩溃？ 2. **安全性**：是否存在注入、敏感信息泄露、不安全的依赖或权限问题？ 3. **性能**：是否存在低效算法、不必要的计算、内存泄漏风险？ 4. **代码风格与可读性**：是否符合通用编码规范？命名、注释、结构是否清晰？ 5. **可维护性**：代码是否模块化？耦合度是否过高？是否有重复代码？ **请严格按照以下JSON格式回复，不要有任何额外的解释：** { "summary": "总体评价摘要", "score": 1到10的整数评分, "issues": [ { "type": "BUG|SECURITY|PERFORMANCE|STYLE|MAINTAINABILITY", "severity": "LOW|MEDIUM|HIGH", "line": 可选行号, "description": "问题描述", "suggestion": "改进建议" } ], "positiveAspects": ["做得好的点1", "点2"] } `; // 3. 调用AI模型，并要求其以JSON格式解析结果 const aiResponse = await prompt`${reviewPrompt}`.as('json'); // 4. 结果验证与后处理 const reviewResult: CodeReviewOutput = aiResponse; // 条件判断：如果评分低于5分，记录警告日志 await conditional(reviewResult.score < 5, async () => { log('⚠️ 代码审查评分较低，建议重点修改！'); // 这里甚至可以扩展为发送通知到Slack等 }); // 5. 将最终结果存入上下文并返回 context.set('review', reviewResult); return reviewResult; });

4.3 创建可执行的CLI工具

为了让团队其他成员方便使用，我们可以把它包装成一个CLI命令。

// cli.ts #!/usr/bin/env node import { Runner } from 'promptscript'; import { readFileSync } from 'fs'; import codeReviewScript from './code-review.ps.ts'; async function runReview(codePath: string, language: string, purpose?: string) { const code = readFileSync(codePath, 'utf-8'); const runner = new Runner({ provider: 'openai', apiKey: process.env.OPENAI_API_KEY!, model: 'gpt-4', temperature: 0.1, // 低温度，让输出更确定、更专注于审查 }); try { const result = await runner.run(codeReviewScript, { params: { code, language: language as any, purpose } }); // 漂亮地打印结果 console.log(`\n📊 审查总结：${result.summary}`); console.log(`🎯 综合评分：${result.score}/10\n`); if (result.issues.length > 0) { console.log('❌ 发现的问题：'); result.issues.forEach(issue => { console.log(` [${issue.type} - ${issue.severity}] ${issue.description}`); console.log(` 建议：${issue.suggestion}\n`); }); } if (result.positiveAspects && result.positiveAspects.length > 0) { console.log('✅ 做得好的地方：'); result.positiveAspects.forEach(aspect => console.log(` - ${aspect}`)); } } catch (error) { console.error('代码审查失败：', error); process.exit(1); } } // 解析命令行参数 const args = process.argv.slice(2); if (args.length < 2) { console.log('用法：node cli.js <代码文件路径> <语言> [目的描述]'); process.exit(1); } runReview(args[0], args[1], args[2]);

然后在package.json中添加一个命令：

{ "bin": { "code-review": "./dist/cli.js" }, "scripts": { "build": "tsc", "review": "node ./dist/cli.js" } }

现在，你的队友只需要在终端输入npx your-tool review ./myfile.js javascript "这是一个用户登录函数"，就能获得一份结构化的代码审查报告。

实操心得二：提示词设计是门艺术在编写reviewPrompt时，我花了大量时间迭代。关键技巧：

1. 角色设定：明确告诉AI“你是什么专家”，能显著提升输出质量。
2. 结构化输出：强制要求JSON格式，并给出精确的Schema描述，能极大减少后续解析的麻烦。.as('json')方法会让PromptScript尝试自动解析。
3. 提供上下文：purpose参数是可选的，但提供后能让AI的审查更有针对性。
4. 控制“温度”：在运行器配置中设置temperature: 0.1，让模型输出更稳定、更可预测，这对于审查、生成等任务非常重要。

5. 进阶模式：构建复杂多步骤工作流

真正的威力在于组合。PromptScript 允许你将简单的脚本像乐高积木一样组装成复杂的工作流。假设我们要实现一个“智能代码重构助手”，它先理解代码，然后生成重构计划，最后执行重构并生成测试用例。

5.1 设计子脚本模块

我们将任务拆解为三个独立的、可复用的脚本。

// understand-code.ps.ts import { prompt, script } from 'promptscript'; export default script(async (ctx) => { const { code } = ctx.params; const analysis = await prompt` 请分析以下代码的核心功能、数据结构、主要函数和外部依赖。 代码： \`\`\` ${code} \`\`\` 请用JSON格式输出，包含：summary, mainFunctions, dataStructures, dependencies。 `.as('json'); ctx.set('codeAnalysis', analysis); return analysis; }); // plan-refactor.ps.ts import { prompt, script } from 'promptscript'; export default script(async (ctx) => { const { code, analysis, goal } = ctx.params; // goal: 如“提高性能”、“解耦” const plan = await prompt` 基于以下代码分析和重构目标，制定一个详细的重构计划。 原始代码： \`\`\` ${code} \`\`\` 代码分析：${JSON.stringify(analysis)} 重构目标：${goal} 请输出一个JSON格式的重构计划，包括：refactoringSteps（步骤数组）， risks（风险点）， estimatedEffort（预估工作量）。 `.as('json'); ctx.set('refactorPlan', plan); return plan; }); // execute-refactor.ps.ts import { prompt, script, loop } from 'promptscript'; export default script(async (ctx) => { const { code, plan } = ctx.params; let refactoredCode = code; // 使用loop构造，按计划步骤逐一执行重构 await loop(plan.refactoringSteps, async (step, index) => { log(`执行重构步骤 ${index + 1}: ${step.description}`); refactoredCode = await prompt` 请对以下代码执行重构操作：${step.action} 当前代码： \`\`\` ${refactoredCode} \`\`\` 只输出重构后的完整代码，不要解释。 `; ctx.set(`step${index}_result`, refactoredCode); }); // 最后，基于重构后的代码生成测试 const testCode = await prompt` 为以下重构后的代码生成对应的单元测试（使用Jest框架）： \`\`\` ${refactoredCode} \`\`\` `; ctx.set('finalRefactoredCode', refactoredCode); ctx.set('generatedTests', testCode); return { refactoredCode, testCode }; });

5.2 编排主工作流脚本

现在，我们创建一个主脚本，按顺序调用这三个子脚本，并传递上下文数据。

// refactor-workflow.ps.ts import { script, sequence } from 'promptscript'; import understandCode from './understand-code.ps.ts'; import planRefactor from './plan-refactor.ps.ts'; import executeRefactor from './execute-refactor.ps.ts'; export default script(async (context) => { const { originalCode, refactorGoal } = context.params; // 使用sequence构造，顺序执行三个子脚本 const workflowResult = await sequence( [ // 步骤1：理解代码 async (ctx) => { const analysis = await ctx.run(understandCode, { params: { code: originalCode } }); return { analysis }; }, // 步骤2：制定计划，依赖上一步的analysis结果 async (ctx, prevResult) => { const plan = await ctx.run(planRefactor, { params: { code: originalCode, analysis: prevResult.analysis, goal: refactorGoal } }); return { plan }; }, // 步骤3：执行重构，依赖上一步的plan结果 async (ctx, prevResult) => { const result = await ctx.run(executeRefactor, { params: { code: originalCode, plan: prevResult.plan } }); return result; } ], { initialContext: context } // 共享主上下文 ); // workflowResult 包含了所有步骤的最终结果 context.merge(workflowResult); return { analysis: workflowResult.analysis, plan: workflowResult.plan, finalCode: workflowResult.refactoredCode, tests: workflowResult.testCode }; });

这个refactor-workflow.ps.ts脚本清晰地定义了一个三步流水线，数据像管道一样在步骤间传递。sequence和loop这样的控制流构造，让复杂逻辑变得直观。

实操心得三：工作流调试技巧调试多步骤工作流时，不要一次性跑完。利用log函数在每个关键步骤输出中间状态到控制台。PromptScript的上下文是持久化的，你可以在任何步骤检查context.get()的内容。对于复杂的脚本，我通常会先单独运行和调试每一个子脚本，确保其输入输出符合预期，再组装成完整工作流。此外，为运行器配置一个较短的超时时间，并在每一步做好错误捕获，能避免因某个步骤卡死而浪费大量API调用费用。

6. 集成与部署：将PromptScript融入开发生命周期

脚本写好了，如何让它真正为团队所用？这就需要把它集成到现有的开发流程中。

6.1 与Git Hooks集成：提交前自动审查

我们可以利用Git的pre-commit钩子，在代码提交前自动运行我们的代码审查脚本，对暂存区的文件进行快速检查。

#!/bin/bash # .git/hooks/pre-commit # 获取暂存区中所有.js和.ts文件 STAGED_FILES=$(git diff --cached --name-only --diff-filter=ACM | grep -E '\.(js|ts)$') if [ -n "$STAGED_FILES" ]; then echo "运行AI代码审查..." for FILE in $STAGED_FILES do # 调用我们之前写的CLI工具 npx ts-node ./src/scripts/code-review-cli.ts "$FILE" "typescript" REVIEW_EXIT_CODE=$? if [ $REVIEW_EXIT_CODE -ne 0 ]; then echo "❌ 文件 $FILE 审查未通过，请根据提示修改。" exit 1 fi done echo "✅ AI代码审查通过。" fi exit 0

6.2 与CI/CD管道集成：流水线中的质量关卡

在GitLab CI、GitHub Actions或Jenkins中，我们可以添加一个专门的“AI审查”阶段。

# .github/workflows/ai-review.yml name: AI Code Review on: [pull_request] jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v3 - name: Setup Node.js uses: actions/setup-node@v3 with: node-version: '18' - name: Install dependencies run: npm ci - name: Run AI Review on Changed Files env: OPENAI_API_KEY: ${{ secrets.OPENAI_API_KEY }} run: | # 获取PR中更改的文件 FILES=$(git diff --name-only origin/${{ github.base_ref }}...HEAD -- '*.js' '*.ts' '*.py') for FILE in $FILES; do if [ -f "$FILE" ]; then LANGUAGE="unknown" case "$FILE" in *.js) LANGUAGE="javascript" ;; *.ts) LANGUAGE="typescript" ;; *.py) LANGUAGE="python" ;; esac if [ "$LANGUAGE" != "unknown" ]; then echo "审查文件: $FILE" npm run review -- "$FILE" "$LANGUAGE" || echo "审查提示存在问题，请人工复核。" fi fi done # 可选：将审查结果以评论形式提交到PR - name: Comment on PR uses: actions/github-script@v6 if: always() # 即使审查失败也评论 with: script: | // 这里可以读取上一步生成的审查报告，调用GitHub API提交评论 github.rest.issues.createComment({ issue_number: context.issue.number, owner: context.repo.owner, repo: context.repo.repo, body: `AI代码审查已完成。发现的问题已输出到日志。` });

6.3 构建内部PromptScript仓库

对于企业来说，最终目标是建立一个内部的“提示词脚本库”。你可以创建一个独立的NPM包或者Git子模块来管理这些.ps.ts文件。

prompt-scripts-repo/ ├── package.json ├── tsconfig.json ├── src/ │ ├── code-review/ │ │ ├── index.ps.ts # 主入口 │ │ ├── interfaces.ts │ │ └── cli.ts │ ├── refactor/ │ │ └── ... │ ├── document/ │ │ └── ... # 生成文档的脚本 │ └── utils/ │ └── ... # 公共工具函数，如安全的上下文处理 └── templates/ # 可以存放一些脚本模板

其他项目通过npm install @your-company/prompt-scripts来引用，实现提示词资产的跨项目复用和统一升级。

实操心得四：成本与性能优化在CI中大规模运行AI审查，成本是必须考虑的问题。我的经验是：

1. 缓存机制：对于未更改的代码块，可以计算其哈希值，如果之前审查过且代码未变，则跳过本次AI调用，直接使用缓存结果。PromptScript的上下文可以配合外部存储（如Redis）实现这一点。
2. 模型选型：非关键路径或简单审查，可以使用更便宜、更快的模型（如gpt-3.5-turbo）。只在重要PR或复杂逻辑处使用gpt-4。
3. 超时与重试：为运行器设置合理的超时（如30秒），并实现指数退避的重试逻辑，以应对API的偶尔不稳定。
4. 采样审查：在大型PR中，不必审查所有文件，可以按规则抽样或只审查改动行数最多的几个文件。

7. 常见问题、排查与高级技巧

在实际使用PromptScript构建生产级应用的过程中，我踩过不少坑，也总结了一些高级用法。

7.1 常见问题速查表

7.2 高级技巧：动态提示词与函数调用

PromptScript的真正强大之处在于，你的提示词可以是动态生成的JavaScript字符串。

// dynamic-prompt.ps.ts import { prompt, script } from 'promptscript'; export default script(async (context) => { const { userQuery, conversationHistory } = context.params; // 基于历史记录动态构建系统指令 let systemMessage = `你是一个有帮助的助手。`; if (conversationHistory.length > 10) { systemMessage += ` 当前对话已较长，请保持回复简洁。`; } if (conversationHistory.some(msg => msg.includes('代码'))) { systemMessage += ` 用户之前询问过代码问题，请优先考虑提供代码示例。`; } // 动态构建消息数组，模拟Chat Completion格式 const messages = [ { role: 'system', content: systemMessage }, ...conversationHistory.map(msg => ({ role: 'user', content: msg })), { role: 'user', content: userQuery } ]; // 注意：这里需要根据你使用的provider调整调用方式。 // 假设运行器支持直接传递消息数组 const response = await prompt`${JSON.stringify(messages)}`.as('json'); return response; });

7.3 自定义模型与本地集成

除了OpenAI和Anthropic，PromptScript可以轻松集成本地模型，比如通过Ollama。

import { Runner } from 'promptscript'; import myScript from './my-script.ps.ts'; const runner = new Runner({ provider: 'custom', // 使用自定义provider async callModel(messages, options) { // 调用本地Ollama API const response = await fetch('http://localhost:11434/api/generate', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ model: 'codellama:7b', prompt: messages[messages.length - 1].content, // 简单处理，只取最后一条 stream: false }) }); const data = await response.json(); return { content: data.response, // 可以在这里提取token用量等信息 usage: { total_tokens: 0 } // 本地模型可能不提供 }; } }); const result = await runner.run(myScript, { params: { /* ... */ } });

这种方式给了你极大的灵活性，可以将任何兼容的AI API接入到PromptScript的框架中。

8. 总结与个人体会

折腾PromptScript这一套下来，最大的感受是，它把和AI协作从一种“艺术”或“运气”，变成了一项可规划、可测量的“工程”。以前写提示词像是在黑暗中摸索，现在则像是在编写一个有明确输入输出的函数，心里踏实多了。

对于个人开发者，它能帮你沉淀那些经过无数次调试才打磨出来的“黄金提示词”，避免重复劳动。对于团队，它更是协作和治理的利器，能让团队成员的AI使用水平快速拉齐，并确保输出质量符合一定的标准。虽然初期需要投入一些学习成本来理解它的模式和编写脚本，但长远来看，这种投资在提升开发效率、保证代码质量和降低AI使用成本方面，回报是显著的。

最后一个小建议：不要试图一开始就用它构建一个巨无霸工作流。从一个小的、具体的痛点开始，比如我例子中的代码审查。先实现它，用起来，感受它带来的变化和可能的新问题，然后再逐步扩展。工程化的道路，本就是一步步迭代出来的。PromptScript提供的这套框架，至少让我们在这条路上，走得更稳、更快了。