从收到“投资分析师”这个职业关键词开始，我就一直在想该怎么把这篇内容写出来。因为这个岗位被误解得太深了。外面流传最广的印象，要么是影视剧里穿着定制西装、盯着六块屏幕指点江山的人，要么是社交媒体上天天喊“涨了涨了”的荐股博主。我在这个行业里待的时间越久，越觉得这两种印象都离真实情况非常远。真实的分析师更像一名“信息质检员”加“决策翻译官”——把市场上纷繁复杂的信息，过滤成一条清晰的逻辑链，最终落到“该不该投、投多少、什么时候投”这个动作上。
这篇文章不是教科书，也不是培训机构的招生文案。我想用这些年实际工作的经验，把投资分析师这个岗位的日常状态、工作方法、技能栈、踩过的坑和成长路径完完整整地拆开来讲。如果你是正在考虑入行的新人，或者刚进金融行业想摸清岗位分工的初级从业者，又或者你所在的公司经常要面对投资人、想理解对方到底在怎么看你的业务，这篇内容都值得花十几分钟细读一遍。
1. 投资分析师的真实工作场：信息噪音里的判断生意
1.1 分析师不靠“预测涨跌”吃饭，靠的是信息到判断的转化效率
先破除一个最大的误解：分析师的工作核心不是预测明天股价涨跌。实际上，二级市场的短期波动有大量情绪成分，没有人能持续准确预测。分析师真正做的事情，是把一家公司、一个行业、一种资产的基本面拆开，搞清楚它现在值多少钱、未来能产生多少现金流、有哪些风险会让这些现金流变成泡影。
换句话说，分析师加工的不是股票代码，而是信息。一份财报披露之后，全市场的人都看得到同样的数字，但为什么有人得出“买入”、有人得出“卖出”？差别就在于从同样的信息到判断之间的转化路径不同。有的分析师能把“营收增长但毛利率下滑”拆解成“产品结构变化导致的毛利率短期波动”——这是利好；也有的分析师会把它拆解成“竞争加剧导致定价权丧失”——这是利空。同一个现象，两种截然不同的结论，本质上是分析框架的差异。
所以我一直觉得，分析师最核心的竞争力，不是知道得比别人多，而是知道哪些信息值得被放大、哪些信息只是噪音。这个能力需要大量行业积累才能养出来，也是初级分析师和资深分析师之间最本质的差距。
1.2 一份工作日的时间切片：从晨会到调研
很多外行人会好奇分析师的一天到底怎么过。不同的机构差别很大，但大体上可以分成几种典型场景。我整理了一个比较有代表性的时间分配，方便你对照感受。
| 时间段 | 工作内容 | 背后的目的 |
|---|---|---|
| 开盘前 | 快速浏览隔夜宏观数据、行业新闻、重点持仓公司公告 | 第一时间识别可能导致持仓逻辑变化的增量信息 |
| 早间 | 参与内部晨会，讨论当日市场主线、分享新观点 | 对齐团队判断，碰撞不同视角 |
| 盘中 | 更新财务模型、阅读卖方报告、约产业专家访谈 | 持续打磨信息拼图的各个角落 |
| 盘后 | 赶在截止时间前输出报告/备忘录，或准备调研提纲 | 把口头判断落成文字，留下完整的证据链 |
| 不定期 | 去上市公司调研、参加行业展会、拜访产业链上下游企业 | 获得报表上看不到的一手信息和体感 |
从这张表就能看出，分析师的工作并不神秘，但信息密度很高。它要求你在同一个时间段里处理很多个维度的事情，而且每一件都需要专注力。所以老分析师通常都有一个习惯：把一天切开成几个不被打扰的区块，比如上午做深度阅读和模型更新，下午集中处理会议和访谈，晚上留出时间写纪要。如果一整天都在被动应付信息推送，很容易陷入“看起来很忙、其实没有任何产出”的状态。
1.3 买方分析师的产出逻辑：每一份备忘录都要能指导真金白银的决策
需要提醒的是，分析师这个头衔下有不同的分支，最常被提到的两个是买方分析师和卖方分析师。买方分析师在基金、资管、保险这类机构工作，服务对象是内部的基金经理和研究主管；卖方分析师则在券商研究所工作，对外输出研究观点。
买方分析师的产出通常是投资备忘录或内部推荐报告。一份合格的备忘录，不是简单地罗列公司亮点，而是要把投资逻辑压缩成几句话：这家公司解决什么问题、它的竞争壁垒是什么、未来三年的增长来自哪里、什么因素会让我们改变判断、当前价格对应多少预期回报。基金经理每天要过几十份材料，最反感的就是夸夸其谈写了十几页、却看不到明确结论和建议的报告。
卖方分析师面对的压力则完全不同。他们要对外公开发布报告，观点会被市场反复检验，影响力大但容错率也低。而且卖方需要维护企业关系、获取更多调研资源，这让他们的观点有时会偏向乐观。所以买方分析师在读卖方报告时，会刻意做一道减法：把观点层面的判断抽离出来，只保留事实和数据，其余部分自己重新加工。
2. 从资料到结论：一次分析任务背后的完整处理链路
2.1 信息收集阶段：先锁定关键变量，再展开资料收集
很多刚入行的新人最容易犯的一个错误，是把“收集资料”理解成“把所有能找到的报告、新闻、公众号文章都看一遍”。最后的结果往往是资料堆满了桌面，脑子里的结论依然一团浆糊。这里的问题在于没有先做变量梳理。
我自己习惯的做法是：接到一个分析任务后，先不急着找资料，而是拿出纸笔，把这个问题拆成一棵“关键变量树”。举个例子，假设要研究一家做连锁餐饮的公司，那么关键变量至少包括这几个层级。
第一层：行业空间。整个赛道未来还有多少增长，是存量博弈还是增量红利。第二层：竞争格局。同行有哪几家、各家市场份额如何、公司的差异化定位能不能守住价格。第三层：单店模型。一家成熟门店的营业收入、原材料成本、人工成本、租金、单店利润率分别是多少。第四层：开店空间。公司开到多少家店会饱和，新开门店的爬坡期有多长。第五层：总部费用与管理能力。扩张速度上去之后，管理半径会不会失控。
把这个树状结构画出来之后，再去看资料，就会非常笃定。看到任何一份材料，你都能快速把它归类到对应的变量下面：这个信息会改变我对“单店模型”的判断，那个信息会影响“开店空间”的假设。如果某类变量在现有资料里完全没有被覆盖，那反而不是坏消息，因为它意味着你找到了信息差——所有人都没看到的东西，往往才是超额收益的来源。
2.2 一手信息与二手信息的交叉验证：别只信纸面上的数字
分析师的另一项核心工作是做交叉验证。二手信息很好获得：财务报表、公司公告、卖方研报、行业新闻，这些是每个分析师都会看的东西。但如果你只看这些，那你和市场上其他几千名分析师没有任何认知差，你凭什么比别人更早发现机会或风险？
所以关键的一手信息必须自己动手去挖。我分享一个印象很深的案例：几年前研究一家消费连锁公司，财报里的同店销售增速连续几个季度都在改善，管理层的对外口径也一直是“门店经营效率稳步提升”。但当时我们在几个城市做了实地调研，发现老店的工作日客流其实明显下降，周末靠营销活动拉起来的流量才勉强把单店营收顶住。
后来深挖下去，发现了原因：公司为了提高单店报表收入，把开店选址越来越偏向核心商圈的高流量位置，但租金也贵了很多，单店利润并没有同步改善。这个信息在财报里是看不出来的，因为公司合并报表把多店的营收和费用混在一起了。这就是一手调研的价值——它不是替代数据，而是帮你知道数据背后的业务真相。
做交叉验证时，我有一个简单清单：卫生纸效应，也就是高频、低价值的消费数据，比如门店客流、电商销量排名，往往比低频但宏大的统计数据更真实；访谈对象要覆盖上下游，不能只找一个环节的人，供应商、经销商、同行甚至离职员工都有可能提供完全不同的视角；实地观察要跟财务数据对照，用单店客流乘以客单价，再跟报表营收做个简单估算，差距太大的话一定存在猫腻。
2.3 财务建模阶段：把叙事翻译成数字，然后给数字做压力测试
分析师的思维必须同时活在两个世界里：一个是“故事世界”，用来理解这门生意是怎么运转的；另一个是“数字世界”，用来验证这个故事能否成立。财务建模就是连接这两个世界的桥梁。
具体来说，建模不是从复杂的三张报表预测开始的，而是从收入模型开始的。还是以连锁餐饮为例，它的收入预测可以自下而上拆成：收入 = 门店数量 × 平均单店收入。再往下拆一层，门店数量需要考虑存量门店的自然增长或关闭、以及新增门店的净增量；单店收入则需要考虑客单价的变化和同店客流量变化。
把这几个变量逐一定义清楚之后，再给它加上合理的假设区间，比如保守情形下未来三年每年新开多少家店、乐观情形下又是多少，收入模型就搭建出来了。接下来再从收入出发，预测毛利率、费用率、利润率，最终推导出净利润和现金流。
但这里必须提醒一件事：模型算得再精确，也不等于判断准确。我自己后来养成了一个习惯，就是每一个模型完成后，都要做一轮敏感性分析——找出那些对最终结论影响最大的假设变量，看看它们波动10%或20%时，估值结论会不会被彻底推翻。如果你把某只股票的折现率从10%调到11%，估值就腰斩了，那说明你的结论过度依赖一个本身就很难精确的参数。这时候更该做的不是去调参数，而是回到商业逻辑层重新审视。
2.4 估值和结论输出：同业倍数与现金流折现各有各的适用边界
到了估值这个环节，不同资产和不同行业适用的方法也不同。日常研究中最常用的几种方法，适用场景和局限性都不同。
市盈率（PE）是市场最常用也最容易造成误判的指标。它适合那些盈利稳定、可预测性强的成熟公司，但对处在亏损期或强周期顶部的公司，PE会给出失真甚至荒谬的结果。市净率（PB）适合银行、保险、地产这类以资产为重的行业，因为这类公司的价值主要由账面资产驱动。EV/EBITDA则适合需要跨公司比较资本结构的场景，因为它剔除了不同类型资本结构对利润表的影响，但缺点是EBITDA本身没有考虑资本开支，对重资产公司可能高估盈利能力。
DCF（现金流折现）是理论上最完备的方法，它是把公司未来所有自由现金流以合适折现率折算成现值。但它也非常脆弱：终值假设稍微发生变化，整体估值就会剧烈摆动。所以我一般把DCF当成一种逻辑检验工具，而不是精确的计算器——它用来回答的是“如果未来现金流真的符合预期，当前价格留了多少安全边际”，而不是“合理估值就是某个精确到小数点后两位的数字”。
做完整套流程之后，分析师要面对最后一道工序：把结论写成一份能说清楚逻辑的投资备忘录。我写备忘录的框架非常简单，核心就是把结论和证据尽量分开。备忘录的第一句话就回答“建议买入、持有还是回避”和“核心逻辑是什么”；紧接着列出看多的理由，每条理由后面都要接上一个“如果这个逻辑被证伪，我会看到什么信号”的反向验证条件；最后再单独列出风险因素，而且这部分必须写实，不能为了凑结构敷衍一句“行业竞争加剧”。
3. 分析师的核心技能栈：财务功底、建模能力与行业体感
3.1 财务基本功：目标不是背准则，而是拆解经营逻辑
经常有新人问我，做分析师是不是需要考注册会计师或特许金融分析师。我的看法是：证书可以加分，但不是必需品。真正重要的不是看懂某一个会计科目的定义，而是看到财务数据时能条件反射地把它“拆”回业务动作。
举个例子，一家公司的毛利率从32%下降到30%，外行人看到的是“利润变薄了，不好”，但一个合格的财务分析者会在脑内自动展开排查：是产品售价下调了，还是原材料成本上涨了，又或者是低毛利的新业务在总营收中占比变大了？这三个原因对应的投资结论完全不同——售价下调要看是主动让利抢份额还是被动降价保命，原材料上涨要看是一次性的还是趋势性的，产品结构变化则要看新业务的天花板和终局盈利能力。
要练出这种“拆”的能力，最笨也最好用的方法，是把一家上市公司过去五年的年报翻出来，逐年看管理层讨论部分，再结合报表数字把每一年的战略意图和呈现出来的财务结果做对照。连续看两三家公司的年报，再去看新公司时，对数字的敏感性会明显不一样。
3.2 Excel建模硬技能：结构清晰比操作酷炫重要得多
金融行业的建模工具，到今天依然是Excel/电子表格占绝对主导。这不是因为大家不会编程，而是因为模型的最终使用者——基金经理、投委会——需要能快速改动参数、看清每个数字来源的透明工具。
我在实际工作中比较看重三个模型设计原则。第一个是固定结构：任何一个模型都分成输入区、计算区、输出区三个区块。输入区必须用单独的单元格放所有假设变量，比如增长率、利润率、折现率，要把它们集中在一起；计算区只做公式引用，不出现任何硬编码的数字；输出区只呈现最终结果，比如估值区间、回报率。第二个是颜色规范：输入单元格统一用黄色底纹，公式单元格不填充颜色，这样别人拿到模型时一眼就能看出哪些地方可以改、哪些地方只能看。第三个是版本管理：模型文件的命名必须包含日期和版本号，比如“某某公司模型_20250501_v3”，避免出现那种改到后面连自己也分不清哪个是最新版的混乱状态。
关于建模，我再多说一句：不要追求用非常复杂的函数实现一个本来简单的计算。我在实际复核别人模型时，最常见的问题不是公式写错了，而是写的公式太绕，导致没人能看出来它到底在算什么。可维护性永远比炫技更重要。
3.3 编程能力：Python不是必选项，但会一点就能显著提升效率
如果是五年前，我可能还会说分析师懂不懂编程无所谓。但这两年行业数据量越来越大，只会用Excel一个一个手工处理几十份数据文件，确实会很吃力。Python在分析师日常工作中最有价值的几个场景：批量下载和整理行情数据与财务数据、把不同报表里的字段做匹配和清洗、用瀑布图/敏感性热力图快速生成可视化结果、把重复性的周报/月报流程做成半自动化脚本。
这里要强调一下，分析师的Python能力定位和数据工程师完全不同。分析师学Python的关键不是写出高性能、维护性好的工程代码，而是用最实用的语法把数据处理环节自动化。pandas里的分组、透视、合并这几个常用操作基本涵盖了日常80%的需求，再加上matplotlib或逐年流行的可视化库用来画图，就足够应对绝大多数场景了。
不过我也要提醒一句：不要在工具上过度投入时间。早些年我认识一些同行，花了大量时间研究命令行工具、自动化脚本框架，但真正该看的行业资料和研究报告反而没看够。工具是放大器，永远替代不了核心的思考能力。这里有一个像样的配比建议：把20%的时间花在工具效率上，80%的时间花在行业研究和深度思考上。这个比例偏主观，但作为参考，它真的能帮你避免在工具的洞穴里越走越远。
3.4 行业体感：从二手知识到第一手体验的跨越
技能栈里最容易被低估、也最需要时间沉淀的，是行业体感。什么叫体感？就是你看到一家公司说自己“品牌力持续提升”时，你能立刻想到自己周末去逛商场时观察到的它家门店排队长不长、店员状态好不好、衣服款式有没有吸引力——而不是只能翻开研报看看别人怎么说。
要建立体感，靠看资料是不够的。我认识的优秀分析师都有意给自己增加“实地曝光”：研究消费的人会经常去逛超市、看新消费品牌的门店和外卖菜单；研究工业制造的人会把招股书里提到的核心设备和工艺参数记下来，找机会去供应商那里请教；研究互联网的人会保持高频使用各类App并留意产品改版后的体验变化。
体感这个东西很难量化，但它在关键时刻会救命。因为它让你在面对一份包装得非常好的报告时，有能力用常识去质疑：这个数字跟我在一线看到的真实情况对不上；这个逻辑链条在现实场景中根本跑不通。
4. 我在估值与建模中踩过的坑：参数、偏差与“精确的错误”
4.1 确认偏差：先有结论再找证据，是最难察觉的陷阱
做分析工作久了，我对自己最大的警惕，就是确认偏差。它的表现非常隐蔽：比如你心里已经认定一家公司很好，那么接下来读年报时会不自觉地更关注营收和利润增长那一页，而对现金流恶化、应收账款激增这些反面信息一带而过。
我早期犯过这样一个印象深刻的错误。当时深度跟踪一家制造业公司，因为产品管线很性感、赛道空间大，我内心已经“先入为主”了。那年中报出来，其实从财务报表上已经能看出应收账款周转天数大幅拉长、经营现金流远低于净利润，但当时的我选择了把这些解读成“公司在扩张期占用了更多营运资本，属于正常现象”。结果下半年行业需求转弱，公司不但计提了大额坏账，现金流的紧张还拖慢了扩产节奏。回头看，如果当时愿意正视现金流跟利润不匹配这个信号，很多损失是可以避免的。
从那以后，我给自己订了一条铁律：任何一份投资备忘录，都必须有一个强制栏目叫“看跌理由”。不管结论是买入还是持有，都要把这个标的可能下跌的原因、市场为什么可能不认可它、我可能在哪些判断上存在盲区，逐条写清楚。写这个栏目的时候不需要改变结论，但它能强迫大脑去处理那些“不愿意看到”的信息，避免你在确认偏差里越陷越深。
4.2 历史趋势外推：高增长最容易线性延伸，也最容易反转
另一个高发的坑是把历史增长简单外推到未来。二级市场里有非常多的框架性错误来自这个习惯——过去三年每年增长30%，就默认未来三年也能保持每年30%的增长，然后按这个增速给估值。
现实情况是，几乎所有行业的增长曲线都是非线性的。渗透率从5%到20%时可以用爆发式增长，从30%到50%时增速会明显放缓，到了60%以上，需求逻辑可能彻底改变。可很多模型偏偏用一根直线去拟合这个曲线，把最高的那一段斜率拉到了终局。
后来我调整了方法：不再单独看“增速”这个数字，而是去拆解这个增速背后的驱动因素。如果一个公司的增长是靠行业渗透率提升带来的，那我会去看看渗透率目前处于什么位置；如果是靠新品放量，我会去研究新品所在的细分市场有多大空间；如果是靠涨价，那我会认真考察涨价对需求量的弹性影响。把增长拆解成驱动因素之后，外推就会变得谨慎得多。
4.3 参数敏感性：精确不等于准确，别在小数点后寻找安全感
当分析师的经验积累到一定程度，会面临一个很隐蔽的心态陷阱——过度相信自己的模型。模型输出一个精确的数字，比如“合理估值23.45元”，会给人一种错觉，好像判断已经非常精准了。但模型里的核心参数，比如长期增长率、折现率、目标利润率，每一个都是拍脑袋来的。
我曾经被一个DCF模型坑得很惨。当时对一家消费公司做估值，我非常认真地填入了未来十年的收入和利润预测，折现率选了一个看起来“很有理论依据”的数值，算出来觉得安全边际充足。但后来在一次复盘时我把折现率稍微调高了一点，估值结果直接缩水了接近30%，因为这个公司的利润大头几乎全落在第七年之后，远期现金流占比太大，对折现率无比敏感。
那次之后我养成了一个习惯：任何一个模型完成后，都要抽出最关键的三个假设变量做敏感性矩阵分析。比如增长率乐观/中性/悲观三档乘以利润率乐观/中性/悲观三档，得到九种情形下的估值区间。如果最好的情况和最差的情况差距超过一倍，那就不要急着下结论，先回去把商业逻辑理清楚再说。
4.4 预测对了不代表逻辑对了：复盘要同时检验结论和推理链
最后想聊一个很多人没注意到的坑：预测对了，但逻辑错了。这种情况在复盘时特别容易蒙混过关，因为结论文档上写着“判断正确”，很容易让人放弃深究推理过程是否真的站得住脚。
举个例子，假设某年你判断一家公司业绩会增长，理由是“新品类放量取得成功”。结果年底公司业绩确实增长了，你很高兴。但仔细拆开看，新品类其实卖得很一般，真正拉动业绩的是老产品因为竞争对手供货出问题而被动接住了大量订单。结论对了，但逻辑完全错了。如果你不回头复盘推理链条，下一次在新品类上继续重仓下注，就可能把运气当成能力。
为了应对这个问题，我坚持给每一个有完整跟踪周期的投资案例做逻辑复盘，复盘时强制把“结论对不对”和“逻辑对不对”分开列在两个维度里进行评估。只有逻辑和结论都对的，才算是有效判断。结论对但逻辑错的，坦白讲那只是运气，不值得奖励。
5. 分析师的两个职业分岔口：买方深度路线与卖方市场路线
聊完了具体工作方法和坑，最后一个值得深入的话题是职业路线选择。很多想入行或刚入行的人都会纠结一个问题：同样是投资分析师，到底是去买方还是去卖方？
这个选择不只是工作内容的差异，它本质上决定你未来五到八年积累的会是什么类型的资源。买方分析师的优点是离投资决策最近，你写的备忘录、做的汇报能直接影响真金白银的仓位，这种反馈极其真实且快速；对投研能力的训练也最扎实，因为你需要对结果负责。但买方机构的招聘门槛通常很高，名额少，而且声音很容易被基金经理压过，讨论氛围如果不是足够开放，个人的判断成长会受到限制。
卖方分析师的成长路径则更“市场化”。你要对外输出观点、参加各类路演活动、服务大量客户机构，这种环境会倒逼分析师快速提升公众表达和沟通能力；因为你持续面向市场发声，市场会给你非常直接的反馈。在整个金融生态里，卖方积累的人脉和行业资源通常更广，流动性和职业出口也更多。但卖方工作强度大，对报告时效性的要求高，而且要配合以销售为导向的商业模式，观点有时会偏向乐观。
一比较下来就显而易见了：如果你更享受深挖公司、打磨逻辑、和人少的小团队一起共事，买方更合适；如果你喜欢公开研究、高频路演和搭建行业影响力，卖方是更顺的路。不管选哪边，前两年都应该把自己当作一张白纸，先把基本面分析、建模、行业跟踪这些基础动作做到位。
6. 写给非分析师伙伴：如何与分析师高效打交道
6.1 如果你是创业者或公司高管
平时经常有创业者朋友问我，接受投资人调研时，最有效的准备方式是什么。这里简单说几点经验。第一，把你公司的行业空间和竞争格局自己先讲一遍，这是所有后续讨论的基础；第二，准备好拆解过的业务数据，包括收入的构成、各产品线毛利、获客成本、留存率这些能够证明商业模型成立的核心指标；第三，坦率承认风险和挑战，避重就轻的回答在分析师眼里往往等于此地无银三百两，反而会大大降低可信度。
还有一个很实用的建议：跟分析师交流时，尽量把“我们很厉害”这种定性描述，换成“我们能做到XX，是因为我们做了XX”这种有证据链的表达。分析师最需要的不是你告诉他结果多好，而是知道好结果是怎么发生的，这样他才能对自己的判断产生信任。
6.2 如果你是产品、技术或运营背景想转行
每一年都有不少非金融背景的人问我，转行做分析师的可能性有多大。我的答案是：完全可行，而且背景多样反而是优势。前提是你要补齐三件事——财务基本功，至少会看三张报表并理解它们之间的勾稽关系；分析框架，了解估值方法的适用场景和局限性；行业认知，建立对至少一个特定行业的深度理解。
转行的时候最聪明的选择，是从你原本的领域切入。做过供应链的人去研究物流和制造，做过产品的人去研究软件和互联网，做过销售的人去研究消费品，这些背景带来的行业视角，反而会让你的研究比别人多一个信息维度。
6.3 如果你是普通投资人，想独立阅读研究报告
最后还想给普通投资人一些阅读研报的建议。现在很多研究报告都能公开获取，但读的时候要有方法。最需要优先读的不是结论，而是“逻辑推演”和“风险提示”两个段落。结论很容易被情绪左右产生幻觉，逻辑推演能让你看懂分析师的思考路径，风险提示则会告诉你这份报告最怕出现什么意外情况。读懂了这两段，你对一份研报的判断就会理智很多。
另外提醒一句：任何一篇研报都只是一家之言，它最适合被当作你已经建立的判断框架的补充输入，而不是替你决策的来源。分析师能给的是分析的框架和参考信息，最终做决定的永远是你自己。
写在最后：关于分析师的几条朴素认知
入行这些年，我对投资分析师这份工作有一个越来越朴素的认识：它本质上是一种以判断力为核心资产、以诚信为底线的长期主义职业。今天信息越来越泛滥、工具越来越强大，但真正稀缺的始终是能在一片噪音里保持清醒、用可靠方法论逼近事实的人。
如果你打算走这条路，我愿意分享自己感受最深的三个习惯：坚持每个判断都留下文字依据，坚持定期复盘对错逻辑，坚持主动接触相反观点。另外，不要丢了好奇心和对常识的敬畏——很多时候，最值钱的洞察恰恰藏在“这个逻辑在现实里是不是真的成立”这样极其朴素的问题里。
