其他方面因为还没结课先不评价，评价一下今年新的 Lab1.2, alpha-beta 剪枝。

接下来会有很多图片，不想看的可以点此跳转到评论末尾。

Lab 1.2

多个坐标系，考验思维能力

在这一部分的实验里，你可以看到：

棋盘是 10x9 的，这里不知道从哪抄来的依托是 9x10 的。布什戈门，转置一下矩阵有这么难吗？

同上，把抄来的矩阵转置一下不就解决了？最后输出又使用了与上述两个坐标系不同的坐标系，合计三个坐标系，属实逆天。

复制粘贴，我是专业的

四段查重率 99% 的代码段，我愿称之为复制粘贴仙人。另外，用 C++ 写框架不会 `Move cur_move = {x, y, x, j, 0};`, 非得写 6 行显得代码量大？

中西合璧，天下无敌

传值当然可以避免错误啦

整个框架看下来基本上没有一个地方是传指针的，全都是传值，最喜欢内存的复制粘贴了呢

总结

唉唉，不会写框架可以改别人的，真没必要难为自己。真是一场酣畅淋漓的赤石啊。

考试复习破防了来吐槽两句

讲课拥有夸张的信噪比，在每个chapter引入上大书特书，一些相对难以解释的概念快速带过，时不时扯皮吹水，诸如8张A100的故事

英文ppt也是一绝

虽然计科培养方案确实学过数理逻辑基础和随机过程，但逻辑和Markov决策讲的有些太水了。

也许老师对他想讲的东西才有充足的热情吧（诸如AI planning，逻辑机器人）

上课记住的东西：

1. 吉老师有很多同学，他们一部分本科就业成了大厂的高管，一部分读了研后去工作，然后成为本科就业同学下属的下属。
2. AI发展很快，需要不断学习，有时甚至要从一些团队的推特上了解最新动态。
3. 吉老师实验室做具身智能，机器人会用微波炉。
4. 吉老师曾经给自己朋友的小孩从香港带奶粉。

虽然这些都很有趣，但是也说明上课学不到什么应试的东西。写作业的时候，得自己看看书，作业弄懂考试就会写了。

一共八次作业，两个实验，每个实验分成相对独立的两部分。吉老师确实很奶，我实验二的第二部分没跑通，总评还是捞到83了。

这奶量？？？？ 吉老师真的不是奶做成的？？？

数院人辅修计算机，简单评两句

1. 老师讲课水平适合有一定基础的，课程内容较多，如果没有基础的话很可能上课只能懂个大概，到原理推导部分就全蒙蔽了。（就和我一样）

2. 老师讲课更像是讲座科普性质，会讲很多不要求考核的内容，我都是当个乐子听，也听不太懂。

关于作业和实验:

我自己作业扣分很多，实验也没写完（除了最后的transformer都写了，但是实现的效果并不是特别好，勉强能看），最后大概234.5 / 290的样子。

1. 实验有两部分，搜索和学习。 今年搜索部分的实验都讲了，学习部分涉及到了transformer和一些传统机器学习，因为挤在了考试周所以我没写transformer（我选这门课目的也只想了解一下传统机器学习）。 感觉0基础小白除了transformer其他的难度也都不算大。

2. 作业不多，大概九次书面作业吧，和数院随便一门课比起来可能作业量是一个epsilon

关于考试：

因为没有提前学过数理逻辑基础，导致逻辑部分全程掉线（强烈建议辅修人在学这门课之前自学一点数理逻辑，虽然要求不高，但是如果和我一样完全没学过那一定是上课啥也听不懂，作业全抄答案），辅修一直摆烂，甚至考试前两个小时才学了一些常用符号啥的真值表啥的，其余部分复习时间大约一两个小时，总时长不超过四个小时。主打一个上考场现学现卖。

不过说实话考题都不算特别偏门，老师上课的说的必考点那都是真正的必考点，把那些我倒是都能做的差不多，（但是某些大题比如决策树大题我真的有点不知所云），数理逻辑我也是用最简单的推理硬推的，什么合一置换没太学会，，（毕竟只学了一两三个小时）

最后卷面没出分，我会的都写了，不会的都乱写了，不知道卷面分多少。（发挥了数学水分大法）

总评3.3 感觉，，， 我要是以这种态度对待一门数学课，大概率1.3也拿不到。。。

来写评论主要是因为这门课的lab2 transformer给我留下了深刻的影响，以及一些问题。

transformer的实现可以在网上找到很多完整的代码，这门课要求只需要实现decoder部分（一开始没看见，把encoder也写了）。我想大多数人第一次的运行结果可能会出现重复的字符（像下图这样）后面，经过同学的交流，引入了基于概率的随机采样函数torch.multinomial，结果就开始变得像真正的语句了！这个函数的引入想法太妙了！用概率采样代替最大概率选择！这将会对我未来的coding都有启发作用！（新的结果如下图）

虽然实验是写出来了，不过我其实一直很疑惑encoder部分是用来干什么的，因为这个实验只需要decoder部分就已经可以得到还不错的结果了。我感觉我对transformer的理解还不够深。

这个实验写+debug的过程确实挺痛苦，和朋友一边写一边抱怨，不过写出来后真的很爽！transformer在本科阶段相对前沿，其实也挺有趣的。

最后，我想写这个实验最大的难关之一就是没有显卡来跑吧，这个实验只用CPU真的不太好。推荐给大家一个可以线上使用GPU的网站：google colab，需要挂梯子（这一点可以在群里/请教身边的好朋友如何翻墙）。

大学所有课中体验感最差的课之一

————————————————————————

这是我在科大上过最垃圾的课了

——————————————————————

出分了，虽然助教平时作业和实验改的很松 考试估计改的也挺松的 最后成绩也算满意 （即课程给分不错）

但是这依旧是我上过最垃圾的课 只有1星

考试考完，各种申请结束，终于差不多忙完了，在这里补上之前预定的（http://www.icourse.club/course/325/#review-46358）详细评价。

我主要阐述两个个方面的看法：这门课本身，以及整个培养方案视角下这门课的教学内容。其中，给分9分仅针对这门课本身。

关于这门课本身

教材

教材为经典的《人工智能：一种现代方法》，虽然随着近几年机器学习和深度学习的兴起，这本书应该改名叫一种古代方法了（笑）。这本书虽然很好，但是中文三个版本的翻译都很难让人满意，建议英语水平较高的同学直接看英文原版教材。

两个平行班（吉建民老师班和徐林莉老师班）的课件均为英文，且很多地方都仅是介绍导论性质，无法囊括全部的知识点。因此复习时更建议刷书。

上课

上课均不点名，个人上课听讲较少，故对授课水平不做评价。整本教材主要分为搜索，逻辑和学习三个大块，本班逻辑部分讲的可能较隔壁班多一些。

作业

全是课后原题，可以轻松的找到答案。但本班没有布置学习部分的作业，建议新接触学习的同学多做一些题。

考试

考试开卷，除去教材外，建议携带周志华老师的《机器学习》（俗称西瓜书）和李航老师的《统计学习方法》。除了必考的A*算法等搜索内容外，吉建民老师出卷会侧重考逻辑，减少学习部分的分值；徐林莉老师出卷会侧重考学习，且必考kmeans收敛（自2017年开始似乎从无例外），今年还出了两道SVM的大题。考虑到两位老师博士期间的工作分别为逻辑和学习，这很难不认为是携带私货的行为，故评分减去一分。

实验

分为两次。第一次为搜索，第二次为学习。搜索部分每年的内容会发生一些变化，有A*算法，alpha-beta剪枝，CSP问题等；学习部分分为机器学习部分和深度学习部分，今年机器学习部分为实现决策树和SVM，不允许调库，实现SVM允许使用凸优化库cvxpy；深度学习部分为实现感知机（不允许使用pytorch，只能使用numpy），调包实现CNN。两个实验对于初学者而言都是有一定难度的，尤其是第二个实验处境有些尴尬，python不会的同学叫苦连天，而各学习大佬普遍认为太简单了（隔壁并行计算：渣渣人工智能基础实验，看我禁用第三方库要求实现分布式机器学习）。

忽然想到曾经一位教授（记不清了，好像是徐云老师？）上课分享的故事：

有一次一个绩点4.0的同学联系我，说想保研来我们实验室，我当时很高兴啊，就约了他见面聊一聊。

我：你之前有接触过科研么

该同学：呃，没有

我：你会哪些技术啊，我看看给你安排什么工作

该同学：嗯语言的话只会C吧，哦还有verilog

我：python有接触过么

该同学：数据库实验好像说要用，我刚下完

我：你有做过什么项目吗

该同学：呃，没

我：……

（我要你干嘛）

不过最后还是要了。

不管如何，建议早一点学一下python，至少不要闹出毕业了只会C和verilog的笑话。2020级培养方案改革以后应该不会出现到了大四不会机器学习的问题了。不过除了培养方案的内容外，仍旧需要主动探索其它的技术。

给分

给分几个平行班都差不多，可能比隔壁班略好一些。对于较早接触人工智能的同学，拿到4.3还是比较容易的。老师和助教也都比较关心同学，实验一很多同学无法按时完成时也延迟了DDL。

关于整个培养方案视角下这门课的教学内容

如果看这个的话，问题实在是太大了，甚至只能给1分。

这课多少个学分？3.5个学分。

适用于计算机科学与技术本科专业人工智能方向同学的人工智能教学内容应该值多少学分？我认为10个学分都不止。

那么问题就很明显了，这课是不可能涵盖人工智能所有的内容了。不过他的名字叫人工智能基础，只讲一些基础的部分也未尝不可，但实际上却有大跃进的作风——虽然因为大家普遍接受人工智能的知识点很多，所以风评没有像其它几门课一样就是了。但考前不少同学都感觉内容太多复习很吃力了。

首先是搜索部分。李金龙老师在《数据结构》课程中就已经提到了八皇后等经典搜索问题和遗传算法等著名搜索算法，《算法基础》课程中也会进行一定的讲解，不过均没有这门课讲的详细。可以说这部分讲的还是没有大问题的，倒不如说讲的有些晚了，基本上同级别学校在大二甚至大一就会接触了。

然后是逻辑部分。就目前的研究前沿来看，学习部分大火而逻辑部分相对冷门。培养方案中，《数理逻辑》（《数理逻辑基础》）和《形式化方法导引》会涉及相关的知识。这门课中的逻辑部分就很尴尬了，一来和搜索和学习比起来，目前它显然不是科研的重点，一百篇人工智能相关论文都不一定能遇到一篇用了逻辑的工具的，写项目也不大会需要这个。二来书中很多知识被数理逻辑包含了，但是定义的符号和语言又不完全一样，这就导致看起来有些费劲。在历史上，逻辑曾是被寄予厚望的方法，我并不认为目前的前沿方向用不到逻辑，就应该大量缩减相关的教学内容。不过各个班之间也要做好平衡就是了。

最后是问题最大的学习部分。

你科日常强调数理基础，参考王杰老师较偏理论的机器学习课程的评价（https://www.icourse.club/course/14090/），普遍认为这课值六个学分都不止，即便在有相关前置课程的基础上，学习部分深究数学基础也根本不是四个学分可以解决的。这课只有3.5个学分，还要讲搜索和逻辑，留给学习部分的内容能有1.5学分便已是万幸，但考试就不是这样了，课上没有深入讲解过学习，作业本班甚至都没有布置，考试就要出学习大题，还是涉及数学基础的——这就导致没有接触过学习的同学叫苦连天，相当于除了教材外，还要再学习一本西瓜书和一本统计学习方法。有着类似问题的还有《Web信息处理与应用》，课上并不会讲解很多学习算法的细节，但是考试会考。这就比较奇怪了，难道是默认计算机科学与技术学院大三的同学都已经修过类似王杰老师机器学习课程一样的课了？翻了翻培养方案似乎并没有，倒是下一届改革后大三加入了不少学习类课程。

综上，这课根本讲不了多少学习内容，而学习类内容又很多，考试复习时自然叫苦连天，鬼知道会考反向传播还是凸优化方案……在新的培养方案已经有了学习类课程的情况下，个人认为这门课在某种意义上已经完成了使命，之后可以删除学习类课程，专门讲解一些传统的人工智能方法了。

感觉上课基本都在吹牛，或者讲一些很平凡的东西，听不进去。偶尔到了难一点的部分的时候又听不懂了，所以基本上一学期都没听过课。

复习的时候看ppt，就是一堆不知所云的英文，多少有点崩溃。看了下隔壁班的ppt，貌似也是半斤八两。最后还是要按关键词去网络上找学习资料。

总之就是自学，不过这个班可能作业少一点吧。

jjm老师上课生动详细，会明确指出，这里不考，这里工程用不上，这里很恶心但是必考，是金牌讲师；在讲到自己的老本行数理逻辑和新本行自动驾驶时会情不自禁给大家加餐，对于一些工程中的实际运用，虽然考试不考，但却是人工智能特色，也不可不尝，所以经常导致"扯的稍微有点远了"，是金牌厨师。

今年大题除了必考的A*，贝叶斯以外，考了一个简单的一阶逻辑归结，一个最小二乘公式推导，压轴是证明svm kernel矩阵的对称性和半正定性，怕你线代忘光光还给出了半正定的定义和向量求导规则，总体来说主要是考察理解，没有需要死背、嗯算的题。

辅修人 某一天思索良久觉得不应该浪费时间 在不感兴趣的课程上苟活混及格 于是放弃拿证退了两门辅修的必修课 决定去学更感兴趣的课程

于是选了这门课 课程容量200 选完已经198 老师还是很爽快地通过了选课申请

是华夏班置课的卷班 上课可以碰见一堆鼎鼎有名的大佬

目前才听了一节课 但是体验极佳

对辅修人而言 听听老师扯皮 拓展一下视野 这不香么

能学到自己想学又有意思的东西事真的很快乐

相比另一个班多介绍了SAT问题、知识表示、语义网络、planning、MDP、机器学习的PAC learnable理论、强化学习、概率机器人等内容；少讲了logistic regression；此外还会介绍一些蛮有意思的创业故事。内容比较多，所以每个方面都浅尝辄止，这门课的内容也只是提供一个索引，适合有一定基础、想要拓宽知识面的同学。

拓展的内容都不考察，考试重点主要是搜索（无信息搜索和A*）；博弈：minimax、alpha-beta pruning；命题逻辑、一阶逻辑、归结，判断能否合一、skolem化、MGU计算、CNF范式、推理等，用一阶逻辑描述问题，归结推理得到解；贝叶斯网，判断条件独立、变量消元法；机器学习：监督学习（尤其SVM）、无监督学习（聚类和主成分分析）。

吉老师是想做一些传道授业的事情的，但是吉老师上课很多段子且经常直接上来就是一些中间的东西而很少从头开始介绍，所以课程效果我觉得并不太好（可能也有开网课摸鱼的因素）。作业不是很多，平均一周可能有一次大概，实验两个班应该是一样的。

给分的话老师给分是很捞的（不知道是不是助教给分很捞），作业全交（有补交的），考试后面两个学习的题不会写，实验2只写了贝叶斯网络，最后给了83，可以说是很捞了。

// 老师

人很好，上课喜欢延伸、科（chui）普（niu），明确表示不会点名（旷课党的福音！

每节课都在bb上有回放，不用担心错过什么考试重点

// 作业

全是课后原题，可以轻松的找到英文答案 and 往年作业（重复度极高）。但是今年吉老师一道learning的作业也没有布置，期末考试却出了不少，导致有些人措手不及了。（虽然有点疑惑为啥老师没布置相关作业，但是只要看了往年卷子应该可以知道这部分占比很高吧？）

// 考试

前边还是选择题、判断题，这差不多都是送分了；和往年在大题部分上有了些区别，考了不少些逻辑相关的，以往的那道计算条件概率送分大题被删了(^-^)；搜索、博弈、贝叶斯网络这三个都是必考题，没有变；learning部分考了道SVM，是隔壁班作业的简化版，然后讨论了下软间隔SVM的错误容忍

// 实验

lab1由吉老师班负责，出的比较简单，就写了下A*和alpha-beta剪枝，其它部分助教都已经提供了。

lab2是隔壁班出的，难度稍大，分为两部分：第一部分实现经典机器学习，就是贝叶斯、SVM那几个，第二部分深度学习，4层感知机模型+反向传播 和 复现MLP-Mixer。lab2的ddl在放假后的7月中旬，那时候我已经跑路去实习了，没精力卷，最后也没有完全做完，被扣了2分

//总结

最终成绩应该是稍微往上调了点。因为我不知道期末卷面成绩，没法确定到底调了多少（问助教只给我说考的很高，还以为要4.3了，但是最后并没有......不过反正没卷实验，就无所谓了）

这门课老师很好，比较理解同学，也会介绍一些前沿的科研成果；助教不爱水群，但是私聊都是很快回复，而且态度也很棒！同时也挺好说话的：比如课程群里集体申请推迟交作业等等......  就课程本身来讲，用吉老师的原话说：我们划的这些考试范围是所有程序员都应该了解的（大致意思）。对于不打算做ai方向的人（比如我）来讲，体验也不错。推荐选课～

后续会考虑放上21年原版试卷

更新于2022.06.05：

2021年春季学期《人工智能基础》期末试题.pdf

21年期末试卷已上传。声明：照片不是我拍的，我也忘了在哪看到的这份题目

刚考完还没出分，先写个点评。

上课不是那种对着PPT念的老师，经常会有许多拓展内容（不考），经常介绍自动驾驶与机器人的相关技术，但是有时感觉抓不到重点，感觉老师什么都想介绍给我们但是最后都没学明白。。。上课从来不点名，并且ClassIn系统上有课程录像，可以选择自行观看。

考试今年大变样，看了往年卷感觉这门课的考试比较水，基本都是固定几道题型，今年突然难度大幅度上涨，不知道发生了什么。最后一题考了一道手撕三个二维平面上的点的SVM，写出拉格朗日函数以后看着那一堆二次项，感觉最小值根本求不出来，直接放弃。（往年考的决策树之类的计算量都比较小，这次突然杀出来一个SVM大题让人措手不及）

上课等于科普（自学书上代码可能更有用） 考试全靠自学

考试=机器学习+概率论+数理逻辑2.0+一点点的上课内容

考试是统一出卷，建议去隔壁徐老师班找点机器学习的复习资料，svm基本必考，记得打印例题

ps：

首先这门课是一个偏介绍类型的课，所以每个方面学的时候都是浅尝辄止，真正如果想每个方向都学透需要花很多很多的时间。吉老师基本都是在很短的时间内把其中的知识点讲清楚，如果好好听课是能听明白的，而且吉老师还会补充一些课外的内容和一些自己做的成果之类的，总的来说还是很有意思的。

关于收获，其实这门课的收获比较有限，因为基本上大部分一节课的内容需要大半个学期甚至一整个学期的学时去进行学习。

作业的话是8次书面作业加2次实验，这里不得不吐槽一下C，第一次实验要求用C或者C++，我C的debug感觉人快没了。

最后是考试，前面是几道理论题，书上能找到，所以一定要带书。后面就是各个章节对应的题目，总的来说还是比较简单的，最后老师给分也是很好的，给到了95，没给我卡还是很开心的。

教学方法：8/10

老师讲课以PPT为主，PPT会放在课程主页上。老师不点名。讲课方法感觉和数据结构的李金龙老师有点类似，老师上课喜欢发散，常常会提到的内容包括但不限于以下这些：

• 乌克兰作战决策系统
• 特斯拉无人驾驶
• 校园内的无人小车
• 小米扫地机器人

个人觉得信息密度较低，不太好。

课堂内容：9/10

课堂内容依照教材，分为搜索、逻辑和学习三部分。虽然可能很多人在上课前对这门课的理解会更偏向学习一些，但实际上因为这门课想介绍的是整个人工智能相关领域的内容，所以实际上和学习有关的内容大约也就后面两三周会涉及。所谓的“一种现代方法”大约在当下也只能被称作“古代方法”了吧。

作业实验：9/10

一共八次作业，两次实验。前面大约一周一次作业，后半学期作业频率有所降低。每次作业难度不算高。实验第一次是A*算法与α-β剪枝，第二次是决策树+PCA+KMeans与MoE+Transformer与LLM jailbreak. 第一次实验给了两周半，第二次实验给了大约一个月时间。总体还是挺有意思的，就是第一次实验的框架有点乐，建议以后助教重构一下。

考试如何：10/10

考试难度不高，以下是两道我觉得有趣的两道题目：

• SVM 原本是用于二分类的，如何用 SVM 实现 k 分类？
• logistic 和 ReLU 函数可以作为激活函数，求它们的导数并比较它们有什么优缺点？

收获多少：9/10

对一些基本的机器学习算法有了一定的掌握，也真正上手从零搭了一遍 Transformer，不过也不要奢求只通过这门课来了解前沿的内容。

总体评价：9/10

感觉这个班还算个不错的选择。

以下内容不计入评课：

助教：助教会在群里回答大家的问题，学期最后也有准备习题课讲讲作业。

给分：看群里大家讨论，好像会在原有基础上往上调一到两分。

一些资料分享，包含教材电子版等

ai.zip

+ 不点名，导致我到现在还一次没去过（在努力尝试去一次）

+ 感觉考试挺简单的，毕竟开卷，给分很好 97

- PPT不太好

- 实验设计不太好

出分了，来评个课~

上课：正如楼上uu们所说，吉老师上课大部分时间在吹水hhh，所以一学期下来只完整地听完了第一节课，到后面去都懒得去了（逃~）。上课内容主要是搜索、逻辑、学习三个部分。搜索部分的话由于我数据结构课上ljl老师讲了不少A*相关的东西，所以学起来比较轻松；学习部分由于上学期被ldf老师的机器学习折磨过（大雾），所以学起来也比较轻松；逻辑部分就比较折磨了：大二数理逻辑完全没有学明白，全靠期末速成，现在忘得一干二净，再加上这门课的数理逻辑和大二学的有一点点不一样，所以可以说是零基础学起，考前速成的时候备受折磨~（不过这也算是这门课比较大的一个收获了：被迫复习数理逻辑√）。关于上课个人建议是自学：吉老师PPT为主课本为辅，大概就能学的ok

作业：9次作业，全是往年原题，很容易找到答案，并且助教改得很松，所以问题不大

考试：题量可能有点大？（被上学期的机器学习考试搞出了心理阴影，拿到卷子就疯狂地开始写，甚至剩了十几分钟bushi）题型是很固定的：判断（有很恶心的文科题，不过准备也没啥用，直接随缘就行）+选择（今年全是不定项，不过不是特别难）+A*搜索+alpha beta剪枝+一阶逻辑+决策树（今年新出现的好像）+SVM，（可能还有个大题，记不清了~）。决策树的计算量还是有一点大的，不过计算机按得快+Entropy的含义理解地比较到位就还好

实验：一共两次，一次会有若干小实验。lab1是A*搜索+类CSP，A*搜索有大佬想出来的神奇剪枝算法优化，lab2是贝叶斯网（实际上朴素贝叶斯就差不多了）+Kmeans+Transformer。这也是这门课第二个收获：学到了一点点深度学习~

给分：感觉是按公式：平时分0.4+期末考试0.6，没怎么调，奶量完全比不上隔壁数据库的jpq~

扣分原因主要是在上课方面吧，感觉这门课应该可以上得硬核与趣味性兼具的，结果.......

作业很简单，都是课本后的习题，网上也能找到答案。

两个实验，第一个实验和第二个实验part1都相当于算法基础课程实验plus，第二个实验part2是深度学习内容，虽然课上没怎么讲。

这门课不点名，而且老师上课主要讲故事学不到什么东西，所以不用去上课。PPT也不用看，因为内容很宽泛不细节，没什么价值。相比老师给的课本，更推荐西瓜书，除了课本的逻辑部分西瓜书上都有，而且讲的也更容易理解。

本人从来没去上课，作业跟着写，只有一天速通时间，看了一下往年卷和西瓜书，考试题都会写，但是卷面只有79，可能有什么地方算错了吧。

至于给分，卷面79，实验一95/100，实验二100，作业基本全满，总评88，给分还是不错的。

总的来说推荐选课，和本学期某z姓老师某出生数据库课程相比，这门课简直是神中神。

感觉老师讲的重点不够突出，有点大水漫灌的感觉，所以上课完全不如自学

比较中规中矩的一门课。老师上课喜欢插题外话，一般在课堂的开头；但是讲闲话之前会有个技能前摇，这很方便考试周看录像复习，直接快进到PPT开始播放下一页就行了（笑）

差不多一共 8 次作业，两次实验。Lab1 写一个 csp 算法和 astar 算法；Lab2 写 Kmeans 算法、贝叶斯网络算法和实现一个简单的 Transformer。

期末考试：面向往年卷子的复习。在考试前一天还是迷迷糊糊，对着往年卷子做了几遍、弄懂每题都是怎么写的，大概就能至少拿个平均分左右的分数了。

（吐槽一句：PPT 极其不适合自学；但是隔壁班的 PPT 也是一样中英文夹杂得恰到好处，能让人完全看不懂）