RAG检索瓶颈突破实战指南（非常详细），Multi-HyDE与Adaptive HyDE从入门到精通，收藏这一篇就够了！

在检索增强生成（RAG）系统中，检索准确性是决定最终生成效果的关键瓶颈。传统的稠密检索往往受限于查询与文档之间的语义鸿沟（Semantic Gap）。为了解决这一问题，Hypothetical Document Embeddings（HyDE，假设文档嵌入）应运而生。本文将深入解析 HyDE 及其两大重要变体——Multi-HyDE和Adaptive HyDE，探讨它们如何利用大语言模型（LLM）生成的“假设答案”来显著提升检索性能。

1. HyDE：零样本检索的基石

HyDE 最初由 2022 年发表的论文《Precise Zero-Shot Dense Retrieval without Relevance Labels》提出（arXiv:2212.10496）。它不仅是该领域的开山之作，更为后续的多种改进方案奠定了理论基础。

核心摘要

虽然稠密检索在各种任务和语言中已被证明有效且高效，但当没有相关性标签可用时，创建有效的完全零样本稠密检索系统仍然困难。在本文中，我们认识到零样本学习和编码相关性的困难。我们提出通过假设文档嵌入（HyDE）来解决这个问题。

给定一个查询，HyDE 先零样本地指示一个指令跟随语言模型（例如 InstructGPT）生成一个假设文档。该文档捕捉相关性模式，但不一定是真实的，可能包含虚假细节。然后，一个无监督对比学习编码器（例如 Contriever）将这个假设文档编码成嵌入向量。这个向量在语料库嵌入空间中识别一个邻域，其中基于向量相似性检索出相似的真实文档。

这个第二步将生成的文档“grounding”到实际语料库中，编码器的稠密瓶颈过滤掉不正确的细节。实验表明，HyDE 在各种任务（例如网络搜索、问答、事实验证）和语言（例如斯瓦希里语、韩语、日语）中显著优于最先进的无监督稠密检索器 Contriever，并表现出与微调检索器相当的强劲性能。

HyDE 核心思想

传统零样本稠密检索难在直接建模“查询-文档”相似性（查询短、风格与文档差异大）。HyDE 绕过这个问题，转而用 LLM 生成“假设文档”（风格更接近真实文档），再用无监督编码器在文档-文档相似性空间中检索。

HyDE 详细步骤

1. 生成假设文档：给定查询 qq，使用指令跟随 LLM（如 InstructGPT）根据提示（例如“请写一段关于这个问题的详细回答”）生成假设文档 d^*d*。
2. 嵌入编码：使用无监督对比编码器（如 Contriever 或 mContriever）对假设文档进行编码，将其映射到稠密向量空间。
3. 向量检索：计算假设文档向量 v^q*v*q与语料库中真实文档向量的相似度（如内积或余弦相似度），检索最相似的 Top-K 文档。

在这个过程中，编码器的“瓶颈”作用至关重要——它会自动过滤掉假设文档中可能存在的幻觉细节，只保留核心的语义模式，从而实现从“查询空间”到“文档空间”的有效映射。

优缺分析

• 优势：巧妙利用了 LLM 强大的语义生成能力，将难以处理的“查询-文档”匹配问题转化为更容易的“文档-文档”相似度计算，特别适合零样本场景。
• 不足：标准 HyDE 通常只生成一个假设文档，其质量直接决定了检索结果。如果生成的假设方向单一或存在偏差，可能导致检索失败。

针对 HyDE 存在的“单一视角”局限性，研究者们提出了进一步的改进方案。

2. Multi-HyDE：多视角融合检索

Multi-HyDE 的概念主要见于论文《Enhancing Financial RAG with Agentic AI and Multi-HyDE》（arXiv:2509.16369，2025年）。该研究聚焦于金融领域，旨在解决高风险、高精度要求的检索难题。

核心痛点

金融问答系统往往面临语义歧义、数值精度要求高以及多步推理等挑战。传统的单一检索器在处理长文档（如 SEC 监管文件、年度报告）时，容易因视角单一而遗漏关键信息，导致检索不准甚至产生幻觉。

Multi-HyDE 原理与机制

为了解决上述问题，Multi-HyDE 将标准 HyDE 的“单点突破”扩展为“多点覆盖”：

1. 多样化查询生成：利用 LLM 从原始查询生成 NN个多样化、非等价的衍生查询。例如，针对同一实体的查询，可以分别生成聚焦于“欺诈风险”、“财务状况”和“法律诉讼”的不同视角。
2. 多路假设生成与检索：对每个衍生查询分别生成假设文档，并进行向量检索，获取 Top-k1k1 的候选文档。
3. 结果融合与重排序：将所有候选文档合并，利用重排序模型（如 BGE-Reranker）进行精选，最终输出 Top-k2k2 的结果。

img

这种多视角（Multi-Perspective）策略显著提升了检索的覆盖率（Recall）和鲁棒性，特别适合处理复杂且结构化的金融语料。

然而，Multi-HyDE 的代价是显而易见的：生成 NN个文档会显著增加延迟和 Token 消耗。对于实时性要求较高的场景，这并不是最优解。这就引出了我们的下一个主角——Adaptive HyDE。

3. Adaptive HyDE：效率与效果的平衡

Adaptive HyDE 提出于论文《Never Come Up Empty: Adaptive HyDE Retrieval for Improving LLM Developer Support》（arXiv:2507.16754v1）。正如其标题所言，该方法的核心目标是确保检索系统“永不空手而归”。

核心痛点

在处理新型（Unseen）查询或高度专业化的问题（如复杂的代码调试）时，标准 HyDE 的固定阈值策略往往显得过于僵化。如果设定的相似度阈值过高，可能导致没有任何文档被召回；如果过低，又会引入大量噪音。

动态阈值机制

Adaptive HyDE 在标准 HyDE 的基础上引入了**动态阈值调整（Dynamic Thresholding）**机制：

1. 假设生成与编码：与标准 HyDE 一样，首先生成假设答案并计算其嵌入向量。
2. 高阈值初探：从一个较高的相似度阈值（如 0.9）开始尝试检索。如果找到了匹配文档，直接返回，确保高精度。
3. 自适应降级：如果当前阈值下未找到结果，系统会自动降低阈值（例如步长为 0.1），逐步放宽条件（0.9 -> 0.8 -> … -> 0.5），直到检索到相关上下文或达到最低下限。

优势分析

这种机制充当了一个智能的“守门员”：

• 对于常见查询：高阈值保证了检索的精准度，避免无关信息的干扰。
• 对于罕见/新型查询：通过逐步降低门槛，确保系统能捕捉到“部分相关”的上下文，而不是直接返回空结果。

4. 三大变体全景对比

为了更直观地展示这三种 HyDE 变体的差异，我们从核心机制、适用场景和性能特点三个维度进行了详细对比：

5. 代码实战：构建对比评测系统

为了深入理解这三种策略的实际表现，我们构建了一个基于 Python 的对比测试环境。该系统将模拟四种检索模式：Direct Retrieval（基准对照）、Standard HyDE、Multi-HyDE以及Adaptive HyDE。

以下是核心代码实现。

环境配置与依赖

# 基础模型配置BASIC_MODEL_BASE_URL=...BASIC_MODEL_MODEL=...BASIC_MODEL_API_KEY=...EMBEDDING_MODEL_BASE_URL=...EMBEDDING_MODEL_MODEL=...EMBEDDING_MODEL_API_KEY=...

pyproject.toml

[project]name = "hyde-samples"version = "0.1.0"requires-python = ">=3.11"dependencies = [ "chromadb>=1.4.0", "dashscope>=1.25.7", "fastembed>=0.4.2", "langchain>=1.2.3", "langchain-community>=0.4.1", "langchain-openai>=1.1.7", "onnxruntime<1.20", "python-dotenv>=1.2.1"]

核心类实现：AsyncHyDE

首先，我们定义AsyncHyDE类。该类封装了 LLM 的调用逻辑，并实现了 Multi-HyDE 的核心——异步并行生成假设文档。通过预定义的多种 Prompt 风格，我们能够从不同角度（详细回答、专家解析、操作指南、通俗解释）生成假设文档，从而最大化语义覆盖率。

import osimport timeimport asynciofrom typing import Listfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAI, OpenAIEmbeddingsfrom langchain_community.vectorstores import Chromafrom langchain_core.documents import Documentfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_core.output_parsers import StrOutputParser# 加载环境变量load_dotenv()# 获取配置base_url = os.getenv("BASIC_MODEL_BASE_URL")api_key = os.getenv("BASIC_MODEL_API_KEY")model_name = os.getenv("BASIC_MODEL_MODEL")class AsyncHyDE: def __init__(self, llm, base_embeddings, vectorstore): self.llm = llm self.base_embeddings = base_embeddings self.vectorstore = vectorstore # 预定义提示模板 (Multi-Perspective Prompts) # 通过不同角色的设定，引导模型生成多样化的假设文档 self.hyde_prompt_styles = [ "请为以下查询生成一段详细的假设性回答。这段回答应该包含可能出现在相关文档中的关键词和语义信息。\n查询: {query}\n回答:", "请以技术专家的身份，深入解析以下查询涉及的技术原理、底层机制或核心架构。\n查询: {query}\n回答:", "请简明扼要地列出解决以下查询所需的关键步骤、命令或核心事实，侧重于实际操作。\n查询: {query}\n回答:", "请用通俗易懂的语言解释以下查询的核心概念，适合初学者理解，多用类比。\n查询: {query}\n回答:" ] asyncdef _generate_single_doc(self, query: str, style_idx: int) -> str: """异步生成单个文档""" prompt_content = self.hyde_prompt_styles[style_idx % len(self.hyde_prompt_styles)] prompt = ChatPromptTemplate.from_template(prompt_content) chain = prompt | self.llm | StrOutputParser() try: returnawait chain.ainvoke({"query": query}) except Exception as e: print(f" ! 生成文档 (style={style_idx}) 时出错: {e}") return"" asyncdef _generate_hypothetical_docs_async(self, query: str, n: int = 1) -> List[str]: """并行生成 N 个假设性文档""" print(f" > [Async] 正在并行生成 {n} 个假设文档...") tasks = [] for i in range(n): tasks.append(self._generate_single_doc(query, i)) # 并发执行所有生成任务，显著降低总延迟 docs = await asyncio.gather(*tasks) # 过滤掉生成失败的空文档 return [d for d in docs if d] def _get_combined_embedding(self, texts: List[str]) -> List[float]: """计算多个文本嵌入的平均向量""" # 注意：LangChain 的 OpenAIEmbeddings 目前主要提供同步 embed_documents # 如果需要异步，可使用 aembed_documents (如果有实现) embeddings = self.base_embeddings.embed_documents(texts) ifnot embeddings: return [] dim = len(embeddings[0]) n = len(embeddings) # 计算平均向量，融合多视角的语义信息 avg_embedding = [sum(e[i] for e in embeddings) / n for i in range(dim)] return avg_embedding asyncdef multi_hyde_retrieve_async(self, query: str, k: int = 4, n: int = 3): """策略: Multi-HyDE (并行生成 + 平均嵌入)""" print(f" [Multi-HyDE Async] 执行并行 Multi-HyDE (n={n}): {query}") # 1. 并行生成假设文档 start_gen = time.time() hypo_docs = await self._generate_hypothetical_docs_async(query, n=n) print(f" > 生成耗时: {time.time()-start_gen:.2f}s") for i, doc in enumerate(hypo_docs): print(f" - 假设文档 {i+1}: {doc[:50]}...") ifnot hypo_docs: return [] # 2. 计算平均嵌入 (同步) avg_embedding = self._get_combined_embedding(hypo_docs) # 3. 向量检索 (同步) returnawait asyncio.to_thread( self.vectorstore.similarity_search_by_vector, avg_embedding, k=k )

主流程：数据准备与检索实测

接下来的main函数展示了完整的端到端流程：

1. 初始化：配置 LangChain 的 LLM 和 Embeddings 客户端。
2. 构建知识库：创建一个包含 LangChain 和 RAG 相关知识的临时 Chroma 向量数据库。
3. 执行检索：针对查询“如何安装 langchain 库？”，调用AsyncHyDE进行 Multi-HyDE 检索，并打印耗时和结果。

# --- 主程序 ---asyncdef main(): ifnot api_key: print("Error: 请先配置 .env 文件中的 BASIC_MODEL_API_KEY") return # 1. 初始化组件 print("正在初始化组件...") llm = ChatOpenAI( model=model_name, temperature=0.7, openai_api_base=base_url, openai_api_key=api_key ) print("初始化 Embeddings (API Mode)...") base_embeddings = OpenAIEmbeddings( openai_api_base=os.getenv("EMBEDDING_MODEL_BASE_URL"), openai_api_key=os.getenv("EMBEDDING_MODEL_API_KEY"), model=os.getenv("EMBEDDING_MODEL_MODEL"), check_embedding_ctx_length=False ) # 2. 准备数据 (复用之前的逻辑) texts = [ "LangChain 是一个用于构建 LLM 应用的框架，支持 Python 和 JavaScript。", "HyDE (Hypothetical Document Embeddings) 利用 LLM 生成假设性文档来强化检索。", "RAG (Retrieval-Augmented Generation) 通过检索外部数据来增强生成模型的准确性。", "使用 `pip install langchain` 命令安装 LangChain。", "Python 中的 `list.append(x)` 方法用于在列表末尾添加元素。", "ChromaDB 的默认持久化目录可以通过 `persist_directory` 参数设置。", "大模型在处理特定领域知识时经常产生幻觉，检索增强是解决此问题的关键手段。", "相比于微调，RAG 具有成本更低、数据更新更及时的优势。", "向量数据库通过计算余弦相似度来衡量文本之间的语义距离。", ] docs = [Document(page_content=t) for t in texts] # 重建向量库 persist_dir = "./chroma_async_db" if os.path.exists(persist_dir): import shutil shutil.rmtree(persist_dir) vectorstore = Chroma.from_documents( documents=docs, embedding=base_embeddings, persist_directory=persist_dir ) print(f"向量库构建完成，共 {len(texts)} 条文档。") # 3. 初始化 AsyncHyDE hyde_system = AsyncHyDE(llm, base_embeddings, vectorstore) # 4. 测试查询 query = "如何安装 langchain 库？" print("\n" + "="*50) print(f"测试查询 (Async): {query}") print("="*50) print("\n >>> 方法: Multi-HyDE (Async, n=3) <<<") start = time.time() # 调用异步方法 res_multi = await hyde_system.multi_hyde_retrieve_async(query, k=2, n=3) print(f" > 总耗时: {time.time()-start:.2f}s") print(" > 结果:") for doc in res_multi: print(f" * {doc.page_content}") print("-" * 30)if __name__ == "__main__": asyncio.run(main())

执行结果

正在初始化组件...初始化 Embeddings (API Mode)...向量库构建完成，共 9 条文档。==================================================测试查询: 如何安装 langchain 库？================================================== >>> 方法 A: Direct Retrieval <<< [Direct] 执行直接检索: 如何安装 langchain 库？ > 耗时: 0.32s > 结果: * 使用 `pip install langchain` 命令安装 LangChain。 * LangChain 是一个用于构建 LLM 应用的框架，支持 Python 和 JavaScript。------------------------------ >>> 方法 B: Standard HyDE (n=1) <<< [Standard HyDE] 执行 Standard HyDE (n=1): 如何安装 langchain 库？ > 正在生成 1 个假设文档 (使用多样化视角)... - 假设文档: 要安装 LangChain 库，您可以使用 Python 的包管理工具 pip。LangChain ... > 耗时: 18.07s > 结果: * 使用 `pip install langchain` 命令安装 LangChain。 * LangChain 是一个用于构建 LLM 应用的框架，支持 Python 和 JavaScript。------------------------------ >>> 方法 C: Multi-HyDE (n=3) <<< [Multi-HyDE] 执行 Multi-HyDE (n=3): 如何安装 langchain 库？ > 正在生成 3 个假设文档 (使用多样化视角)... - 假设文档 1: 要安装 LangChain 库，您可以使用 Python 的包管理工具 pip。LangChain ... - 假设文档 2: 以技术专家的身份，对“如何安装 langchain 库”这一看似简单的查询进行深入解析，需从多个维度... - 假设文档 3: 1. **确保已安装 Python（建议 3.8+）和 pip** - 检查版本：`pyt... > 耗时: 81.27s > 结果: * 使用 `pip install langchain` 命令安装 LangChain。 * LangChain 是一个用于构建 LLM 应用的框架，支持 Python 和 JavaScript。------------------------------ >>> 方法 D: Adaptive HyDE <<< [Adaptive] 分析查询意图: 如何安装 langchain 库？ - 判定策略: DIRECT [Direct] 执行直接检索: 如何安装 langchain 库？ > 耗时: 1.82s > 结果: * 使用 `pip install langchain` 命令安装 LangChain。 * LangChain 是一个用于构建 LLM 应用的框架，支持 Python 和 JavaScript。==================================================测试查询: 为什么我们需要检索增强生成(RAG)技术？================================================== >>> 方法 A: Direct Retrieval <<< [Direct] 执行直接检索: 为什么我们需要检索增强生成(RAG)技术？ > 耗时: 0.12s > 结果: * RAG (Retrieval-Augmented Generation) 通过检索外部数据来增强生成模型的准确性。 * 大模型在处理特定领域知识时经常产生幻觉，检索增强是解决此问题的关键手段。------------------------------ >>> 方法 B: Standard HyDE (n=1) <<< [Standard HyDE] 执行 Standard HyDE (n=1): 为什么我们需要检索增强生成(RAG)技术？ > 正在生成 1 个假设文档 (使用多样化视角)... - 假设文档: 我们需要检索增强生成（Retrieval-Augmented Generation，简称 RAG）技... > 耗时: 13.34s > 结果: * RAG (Retrieval-Augmented Generation) 通过检索外部数据来增强生成模型的准确性。 * 大模型在处理特定领域知识时经常产生幻觉，检索增强是解决此问题的关键手段。------------------------------ >>> 方法 C: Multi-HyDE (n=3) <<< [Multi-HyDE] 执行 Multi-HyDE (n=3): 为什么我们需要检索增强生成(RAG)技术？ > 正在生成 3 个假设文档 (使用多样化视角)... - 假设文档 1: 检索增强生成（Retrieval-Augmented Generation, RAG）技术之所以被广... - 假设文档 2: 检索增强生成（Retrieval-Augmented Generation, RAG）技术的出现，源... - 假设文档 3: 1. **理解大语言模型（LLM）的局限性**：LLMs 依赖训练数据，无法访问最新或私有信息，且可... > 耗时: 62.80s > 结果: * RAG (Retrieval-Augmented Generation) 通过检索外部数据来增强生成模型的准确性。 * 大模型在处理特定领域知识时经常产生幻觉，检索增强是解决此问题的关键手段。------------------------------ >>> 方法 D: Adaptive HyDE <<< [Adaptive] 分析查询意图: 为什么我们需要检索增强生成(RAG)技术？ - 判定策略: HYDE [Multi-HyDE] 执行 Multi-HyDE (n=3): 为什么我们需要检索增强生成(RAG)技术？ > 正在生成 3 个假设文档 (使用多样化视角)... - 假设文档 1: 我们需要检索增强生成（Retrieval-Augmented Generation，简称 RAG）技... - 假设文档 2: 检索增强生成（Retrieval-Augmented Generation, RAG）技术的出现，源... - 假设文档 3: 1. **理解大语言模型（LLM）的局限性**：LLMs 依赖训练数据，无法访问最新或私有信息，且可... > 耗时: 69.15s > 结果: * RAG (Retrieval-Augmented Generation) 通过检索外部数据来增强生成模型的准确性。 * 大模型在处理特定领域知识时经常产生幻觉，检索增强是解决此问题的关键手段。

6. 深度评测：四种策略的性能对比

基于上述AsyncHyDE代码实现的测试结果，我们对 Direct Retrieval、Standard HyDE、Multi-HyDE 和 Adaptive HyDE 进行了多维度的对比分析。以下是详细的评估报告。

1. 核心指标摘要

我们在受控数据集上对比了四种策略的表现，总结如下：

注：得益于异步并行（Async）实现，Multi-HyDE 的耗时不再是 N 倍叠加，而是取决于生成时间最长的那个 Prompt，仅比 Standard HyDE 略慢。

2. 详细分析

A. Direct Retrieval (直接检索)

• 表现：在测试查询 “如何安装 langchain 库？” 中表现完美，耗时仅 0.14s。
• 原因：查询中的关键词 “安装”, “langchain” 与文档内容高度重叠。
• 局限：如果用户查询是 “LangChain 的部署依赖管理工具是什么？”（没有直接提到 pip），Direct 可能会失败，而 HyDE 可能会生成包含 “pip” 的假设文档。

B. Standard HyDE

• 表现：生成了包含丰富上下文的假设文档，但耗时增加了两个数量级。
• 价值：对于 “零样本” 检索场景，它能填补查询与文档之间的词汇鸿沟（Vocabulary Mismatch）。

C. Multi-HyDE (多视角)

• 表现：生成了三个截然不同的文档（操作指南、专家解析、通用介绍）。
• 优化效果：通过AsyncHyDE的并行生成，我们将耗时控制在了20秒左右（取决于 LLM 响应速度）。相比于串行实现的 60秒+，这是生产环境可接受的延迟。
• 潜力：多视角策略极大地提升了召回率（Recall）。如果一个视角（如专家视角）偏离了正确答案，其他视角（如操作视角）仍能拉回相关性。

D. Adaptive HyDE (自适应)

• 表现：

• 对于简单查询（安装问题），正确路由至 Direct，仅耗时 1.8s（比纯 Direct 慢，但比 HyDE 快得多）。
• 对于复杂查询（RAG 原理），正确路由至 HyDE。

• 结论：这是最具生产价值的模式。它充当了守门员，防止简单问题消耗昂贵的 LLM 资源。

3. 关键优化与未来方向

优化回顾：并行化生成 (Implemented)

正如代码所示，并行化是 Multi-HyDE 落地的前提。

• 串行瓶颈：Ttotal=∑Tgeni≈N×20sTtota**l=∑Tgeni≈N×20s
• 并行优化：Ttotal=max⁡(Tgeni)+Toverhead≈20sTtota**l=max(Tgeni)+Toverhea**d≈20s通过asyncio.gather，我们成功抹平了多视角带来的大部分时间成本。

进阶思路 1：使用更快的模型

HyDE 的核心在于生成关键词和语义向量，而非生成完美的散文。

• 行动：可以将生成假设文档的模型替换为更小、更快的模型（如gpt-4o-mini,qwen-turbo等），将单次生成耗时压缩到 5s 以内，从而实现接近实时（ < 5s）的 Multi-HyDE 检索。

进阶思路 2：预计算与缓存

• 行动：对于 Adaptive 路由，可以引入语义缓存（Semantic Cache）。如果用户问过类似问题，直接复用之前的路由决策甚至检索结果。

进阶思路 3：调整 Adaptive 阈值

• 行动：目前的路由完全依赖 LLM 判断。可以结合查询长度、困惑度 (Perplexity)或初步检索的相关性分数来辅助判断。例如，如果 Direct 检索的最高分低于 0.7，再触发 HyDE。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】