论文解读｜一种GraphRAG方法

轻抚吉他弦，目光深邃

"这篇GraphRAG..."

"像首未完成的摇滚诗篇~"

"从局部到全局的变奏~"

"比《海阔天空》还要壮阔~"

"查询聚焦的精准~"

"似solo时最纯粹的音符~"

"那些看不懂的人啊~"

"就像听不见真心的耳朵~"

"学会这个方法~"

"让智慧比音乐走得更远~"

扫弦收音

"永远高唱我歌~"

从局部到全局, 一种GraphRAG的方法 论文解读

1 前置知识

要理解《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》这篇论文，你需要掌握一些核心概念。这篇论文结合了图技术、检索增强生成（RAG）以及查询驱动的文本摘要方法，并采用从局部到全局的策略。以下是一些关键的基础知识，我会尽量用通俗易懂的方式解释：

核心基础知识

1. 自然语言处理 (NLP) 基础

自然语言处理是人工智能的一个分支，专注于计算机如何理解、解释和生成人类语言。

• **文本表示 (Text Representation)**：了解文本如何转换为计算机可以处理的数字形式至关重要。常见的方法包括：

• 词袋模型 (Bag-of-Words): 忽略语法和词序，仅将文本视为词语的集合。

• TF-IDF (Term Frequency-Inverse Document Frequency): 一种统计方法，用以评估一个词对于一个文件集或一个语料库中的其中一份文件的重要程度。

• 词嵌入 (Word Embeddings): 如 Word2Vec, GloVe, FastText 等，它们将词语映射到低维向量空间，使得语义相近的词语在向量空间中的距离也相近。

• 句子/文档嵌入 (Sentence/Document Embeddings): 将整个句子或文档表示为向量。

  
• **语言模型 (Language Models - LMs)**：特别是大规模语言模型 (LLMs) 如 GPT 系列。这些模型通过在大量文本数据上进行训练，学会预测文本序列中的下一个词，从而能够理解和生成连贯的文本。

2. 检索增强生成 (Retrieval Augmented Generation - RAG)

RAG 是一种结合了信息检索系统和生成式语言模型的技术。它的核心思想是：当需要回答问题或生成文本时，首先从一个大型的知识库（如文档集合、数据库）中检索相关的上下文信息，然后将这些检索到的信息作为提示 (prompt) 的一部分，输入给语言模型，辅助模型生成更准确、更相关的答案。

• 工作流程:

1. 查询 (Query): 用户提出问题或请求。
2. 检索 (Retrieve): 系统从知识源中查找与查询最相关的信息片段。
3. 增强 (Augment): 将检索到的信息与原始查询结合，形成新的提示。
4. 生成 (Generate): 语言模型基于增强后的提示生成答案或文本。
   

3. 知识图谱 (Knowledge Graphs - KG)

知识图谱是一种用图结构来表示知识的方式，其中节点代表实体（如人物、地点、概念），边代表实体之间的关系。

• 构成: 实体 (Entities)、关系 (Relations)、属性 (Attributes)。

• 示例: （Barack Obama）-出生在->（Honolulu）

  

• 在 RAG 中的应用 (GraphRAG): GraphRAG 利用知识图谱来增强 RAG 的过程。它可以更结构化地组织和检索信息，理解实体间的复杂关系，从而提供更深层次的上下文给语言模型。论文中提到的 GraphRAG 就是将文本数据转化为知识图谱，并利用图的结构进行分析和摘要。

4. 文本摘要 (Text Summarization)

文本摘要的目标是从一篇或多篇文档中自动生成一个简短、准确、包含核心信息的摘要。

• 抽取式摘要 (Extractive Summarization): 从原文中直接抽取重要的句子或短语组成摘要。
• 生成式摘要 (Abstractive Summarization): 理解原文内容后，用新的词语和句子重新组织和表达核心信息，更像人类写摘要的方式。LLMs 在这方面表现出色。
• 查询驱动的文本摘要 (Query-Focused Summarization - QFS): 这种摘要方法的目标是生成与特定用户查询最相关的摘要。它不仅仅是概括全文，而是针对用户关心的特定方面进行总结。
• 重要性: 能够根据用户需求提供定制化的信息，而不是通用的概览。

5. “从局部到全局” (Local to Global) 的方法

这是一种处理复杂信息的策略，在许多领域都有应用，包括 NLP。

• 核心思想: 先分析和理解数据的局部特征或小单元，然后逐步将这些局部的理解整合起来，形成对整体的全局认识。

• 在论文中的可能含义:

  

  根据搜索到的关于这篇论文的信息，它确实提到“这些摘要是以自下而上的方式生成的，遵循提取的社群的层次结构，层次结构中较高级别的摘要递归地包含较低级别的摘要。这些社群摘要共同提供了对语料库的全局描述和见解。”

1. 局部信息提取: 可能首先从文本的小片段或文档中的特定部分提取实体、关系、关键信息，或者在知识图谱中识别局部社群 (communities)。
2. 局部摘要/理解: 针对这些局部单元生成初步的摘要或理解。
3. 全局整合: 然后将这些局部的摘要或理解进行整合、提炼，最终形成一个面向用户查询的、覆盖全局信息的摘要。

其他相关概念

• 图神经网络 (Graph Neural Networks - GNNs): 如果论文深入到图的机器学习层面，了解 GNNs 的基础知识会很有帮助。GNNs 可以在图结构数据上进行学习。
• 社群检测 (Community Detection): 在图分析中，社群检测算法用于识别图中连接紧密的节点群组。论文中提到 GraphRAG 会构建社群层级并生成社群摘要。
• MapReduce 或类似的分布式处理思想: 论文提到“通过对社群摘要进行 map-reduce 处理来回答查询”，这表明它可能借鉴了分布式计算中先并行处理局部数据（map），再汇总结果（reduce）的思想来高效处理大规模信息和生成最终摘要。

掌握了以上这些基础知识，你就能更好地理解《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》这篇论文的研究动机、方法和贡献。希望这些解释对您有所帮助！

2 解读论文

好的，我们来通俗易懂地解读一下《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》这篇论文。

想象一下，你有一大堆的文档（比如一个公司的所有内部报告，或者某个领域的所有新闻文章），你想问一个关于这些文档整体内容的问题，比如“这些报告中反复出现的主要风险有哪些？”或者“这个领域最近的主要研究趋势是什么？”

传统的检索增强生成（RAG）系统可能不太擅长回答这类“全局性”的问题。它们更像是在大海里捞针，找到几篇相关的文档片段来回答具体问题，但很难给出对整个“大海”的概览。而传统的查询驱动摘要（QFS）方法虽然能生成针对问题的摘要，但在处理海量文档时又显得力不从心。

这篇论文提出的 GraphRAG 方法，就是为了解决这个难题，让你能够有效地对大规模文本数据进行“全局性”的提问并获得全面、有深度的摘要。它的核心思想是“从局部到全局”。

GraphRAG 要解决的核心问题

• 标准 RAG 的局限性：难以回答需要理解整个文档集合的“全局性”或“宏观”问题。它们通常检索局部相关的文本块，无法综合全局信息。
• 传统 QFS 的可扩展性问题：虽然专注于根据查询生成摘要，但难以高效处理现代 RAG 系统通常索引的海量文本。

GraphRAG 的核心方法：“从局部到全局”

GraphRAG 的方法可以概括为以下几个关键步骤，它巧妙地结合了知识图谱、大语言模型（LLM）和社群分析：

1. 构建知识图谱索引（Graph Index Construction）- “打好地基”这个过程分为两步，都是利用大语言模型（LLM）来自动完成：

• 在构建好的知识图谱上，系统会运行社群检测算法（如 Leiden 算法）。想象一下，在一个社交网络中，有些人因为共同的兴趣或背景而形成小圈子，这些小圈子就是“社群”。在知识图谱中，紧密相关的实体也会形成社群。
• 对于每个识别出的社群（代表了一组高度相关的实体和信息），LLM 会为这个社群生成一个**“社群摘要” (Community Summary)**。这个摘要概括了这个局部信息簇的核心内容。
• 这个过程是自下而上、分层进行的。小的、底层的社群先被总结，然后这些小社群的摘要又可能被用来帮助总结包含它们在内的更大的、更高层次的社群。这样就形成了一个从非常具体（局部）到逐渐概括（更全局）的摘要层级。

• 首先，将所有原始文档切分成较小的文本块 (Text Chunks)。
• 然后，LLM 会阅读这些文本块，从中提取出关键的**实体 (Entities)（比如人名、组织机构名、地点、特定术语等）以及这些实体之间的关系 (Relationships)**。
• 这些实体作为图中的“节点”，关系作为连接节点的“边”，共同构成一个庞大的知识图谱。这个图谱代表了整个文档集合中的核心知识和它们之间的关联。

• 第一阶段：提取实体与关系，构建基础知识图谱

  

• 第二阶段：识别“社群”并生成“局部摘要”（Pregenerate Community Summaries）

• “局部作答”（Map 步骤）：系统会将用户的查询分发给之前生成的各个社群摘要。每个社群摘要都会根据用户的查询，独立地生成一个“局部答案”或“部分回应”(Partial Response)。这个回应说明了该社群的信息与用户查询的相关性。
• “全局汇总”（Reduce 步骤）：收集所有相关的“局部答案”，然后再次利用 LLM 将这些来自不同社群的、与查询相关的零散信息进行整合、提炼和总结，最终形成一个全面、连贯的、针对用户查询的**“全局答案” (Global Answer)**。
  

GraphRAG 的关键优势和贡献

• 有效回答全局性问题：通过构建知识图谱和社群摘要，GraphRAG 能够理解和综合整个文档集的信息，从而回答那些需要宏观视角的问题。
• 兼顾局部细节与全局概览：分层的社群摘要体系使得系统既能深入到具体的局部信息簇，又能提供更高层次的概括性理解。
• 提升答案的全面性和多样性：通过整合来自不同社群的“局部答案”，最终生成的全局摘要能覆盖更多方面的信息，内容也更加丰富多样，而不仅仅是几个最相关文档的简单拼接。
• 可扩展性：该方法设计上考虑了处理大规模文本数据的需求。预先构建图谱和社群摘要，使得在查询时能够相对高效地进行响应。
• 改进的检索质量：相比于单纯依赖向量相似度搜索的传统 RAG，基于图的结构化信息和社群划分，可以更精准地定位和组织与复杂查询相关的信息。

简单类比

你可以把 GraphRAG 想象成一个非常聪明的图书管理员团队在整理一个巨大的图书馆：

1. 构建知识图谱：图书管理员们首先阅读每一本书（文档），找出书中的关键人物、地点、事件（实体），以及它们之间的联系（关系），然后把这些信息记录在一张巨大的关联图上。
2. 生成社群摘要：接着，他们发现某些书因为主题、作者或时代背景非常相似而自然地聚在一起（社群）。于是，他们为每一小堆相似的书写一个简短的内容提要（社群摘要）。然后，他们可能还会为更大范围的、包含这些小书堆的主题区域（更高层社群）写更概括的提要。
3. 回答用户问题：当你问一个关于整个图书馆收藏的复杂问题时（例如，“关于第二次世界大战欧洲战场的不同视角有哪些主要论述？”）：

• 图书管理员们首先会查看每个小书堆的提要，看看哪些提要与你的问题相关，并写下一些初步的笔记（局部答案）。
• 最后，一位总图书管理员会收集所有这些笔记，把它们融会贯通，给你一个全面而有条理的回答（全局摘要）。

论文的主要流程

根据相关资料（如arXiv上的论文摘要和一些分析文章），GraphRAG 的工作流程大致如下：

1. **源文档 (Source Documents) → 文本块 (Text Chunks)**：将长文档分割。
2. **文本块 (Text Chunks) → 元素实例 (Element Instances)**：LLM 从文本块中提取实体和关系。
3. **(可选) 元素实例 (Element Instances) → 元素摘要 (Element Summaries)**：可能对单个实体或关系进行初步描述。
4. **元素实例/摘要 (Element Instances/Summaries) → 图社群 (Graph Communities)**：在知识图谱上运行社群检测算法。
5. **图社群 (Graph Communities) → 社群摘要 (Community Summaries)**：LLM 为每个社群生成摘要。
6. **社群摘要 (Community Summaries) → 社群答案 (Community Answers) (即局部答案) → 全局答案 (Global Answer)**：针对用户查询，先从社群摘要生成局部答案，再汇总成全局答案。

总而言之，《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》这篇论文提出了一种创新的方法，通过构建和利用知识图谱的结构，并结合“从局部到全局”的摘要策略，显著提升了大型语言模型在处理大规模文档集时，针对复杂、全局性查询生成高质量摘要的能力。这对于需要从海量文本中提取深层见解和进行宏观分析的场景具有重要意义。

3 术语

好的，根据论文《From Local to Global: A GraphRAG Approach to Query-Focused Summarization》，以下是一些重要的术语及其详细解释，并尝试使用 Markdown 支持的图形元素增加解释性（主要通过流程图和结构说明）：

1. Retrieval-Augmented Generation (RAG)

• 定义: 一种结合检索和生成能力的语言模型应用框架。它通过从外部知识源检索相关信息，然后将这些信息作为上下文输入给大型语言模型（LLM），以生成更准确、更相关、基于事实的答案。
• 在论文中的作用: RAG 是 GraphRAG 的基础框架。论文指出传统的 RAG (即 Vector RAG) 在处理需要全局理解整个文本库的问题时存在局限性，这引出了 GraphRAG 的创新点。
• 解释: 传统 LLM 在回答问题时依赖于其训练数据。如果问题涉及特定领域或私有数据，LLM 可能不知道答案或产生幻觉。RAG 解决了这个问题，通过检索机制让 LLM "看到" 外部的最新或特定信息。
• 传统 RAG (Vector RAG) 的局限性: 论文强调传统 RAG 通常基于向量相似度检索少量与查询最相关的文本片段。这对于需要局部事实查找的问题很有效，但对于需要综合理解整个语料库的主题或趋势的 "全局" 问题（Sensemaking queries）则力不从心。

2. Large Language Model (LLM)

• 定义: 指具有数十亿甚至数万亿参数的深度学习模型，它们在海量文本数据上进行训练，展现出强大的文本理解、生成、推理和总结能力。
• 在论文中的作用: LLM 在 GraphRAG 流程中扮演了核心角色：
• 构建图索引（提取实体、关系、声明）。
• 生成社区摘要。
• 生成针对查询的最终答案（通过 map-reduce 过程）。
• 作为评估者（LLM-as-a-judge）。
• 解释: GraphRAG 利用 LLM 的自然语言处理能力，将其从简单的文本生成器转变为能够理解、结构化和总结大量信息的强大工具，是整个系统的驱动力。

3. Context Window

• 定义: LLM 在一次处理中能够接收和理解的最大文本长度（通常以 token 为单位衡量）。超过上下文窗口长度的信息无法直接被模型处理。
• 在论文中的作用: 这是 RAG 产生的原因以及 GraphRAG 需要解决的核心挑战之一。整个文本语料库通常远大于任何 LLM 的上下文窗口，因此需要一种机制来选择或总结信息。
• 解释: 可以想象成 LLM 的短期记忆或工作台空间。它只能同时处理放在这个空间里的文本。RAG 和 GraphRAG 都是为了有效地将外部大容量数据的信息“塞进”这个有限的空间，以便 LLM 可以使用它来回答问题。

4. Global Sensemaking (Sensemaking Queries)

• 定义: 指需要理解整个数据集的整体结构、主题、趋势或深层联系的查询类型。与只需查找特定事实的局部查询相对。
• 在论文中的作用: 这是 GraphRAG 主要针对的问题类型。论文认为传统 RAG 在这类问题上表现不佳，而 GraphRAG 的图结构和分层总结能力使其更适合处理全局性理解任务。
• 解释: 例如，“这个数据集的主要主题是什么？”、“过去十年技术发展有哪些关键趋势？”或“不同公司在某个问题上的主要立场有哪些共同点和差异？”这类问题无法通过检索几个单独的文档片段来回答，需要对整个语料库进行综合分析和总结。

5. Query-Focused Summarization (QFS)

• 定义: 一种文本摘要任务，其目标是根据特定的用户查询，生成一个包含相关信息的摘要。
• 在论文中的作用: GraphRAG 的核心是利用图结构和分层摘要来实现针对全局查询的 QFS。最终的“全局答案”是通过对相关的社区摘要进行 QFS 生成的。
• 解释: 传统的摘要可能只是总结文本的主要内容，而 QFS 则过滤和组织信息，使其直接回答用户的问题。GraphRAG 将 QFS 应用于预先生成的社区摘要，以及最终将所有相关信息整合成最终答案的阶段。

6. GraphRAG

• 定义: 本文提出的创新方法，一种基于图的 RAG 方法，旨在实现对大型文本语料库的全局 Sensemaking。它通过构建一个基于文本内容的知识图谱，并在此基础上进行分层社区检测和摘要生成来工作。
• 解释: 它是对传统 Vector RAG 的改进。不再仅仅依赖向量相似度检索文本块，而是首先从文本中提取结构化的信息（实体、关系），构建一个知识图谱。然后利用图的特性（社区结构）来组织和总结信息，最终通过一个 map-reduce 过程回答全局问题。

7. Graph Index (Knowledge Graph)

• 定义: GraphRAG 的核心数据结构。这是一个从原始文本中提取出的知识图谱，其中节点代表关键实体（如人物、组织、概念），边代表实体之间的关系，还可以包含实体的属性或相关的声明（claims）。

• 在论文中的作用: 替代了传统 RAG 中简单的文本块向量索引。它提供了一个结构化的、语义丰富的语料库表示，能够捕捉实体间的联系，这对于 Sensemaking 至关重要。

• 构建过程: 使用 LLM 从文本块中提取实体、关系和声明，然后将这些提取物聚合成图的节点、边和属性。

• Markdown 结构说明:

  +-------------------+    +-------------------+
  | Source Documents  | -> |   Text Chunks     |
  +-------------------+    +-------------------+
                                   | LLM Extraction
                                   V
                         +---------------------------+
                         | Entities & Relationships  |
                         | (Extracted Instances)     |
                         +---------------------------+
                                   | Aggregation & Reconciliation
                                   V
                         +---------------------------+
                         |     Knowledge Graph       |
                         | (Nodes: Entities, Edges:  |
                         | Relationships, Claims)    |
                         +---------------------------+
                                  (This is the core Graph Index)
  

8. Community Detection

• 定义: 图论中的一种技术，用于识别图中的社区或模块，即图中节点之间连接紧密、而与外部节点连接相对较少的子图。论文中使用 Leiden 算法。
• 在论文中的作用: 用于将构建好的知识图谱划分成主题相关的实体群组（Graph Communities）。这些社区是进行分层摘要的基础。
• 解释: 想象一个社交网络图，社区检测可以识别出不同的朋友圈或工作群组。在知识图谱中，社区通常代表语料库中某个主题或领域的知识聚集。

9. Graph Communities & Hierarchical Summarization

• 定义:

• Graph Communities: 社区检测的结果，是知识图谱中紧密相连的节点（实体）群组。它们通常代表语料库中的特定主题、事件或相关概念集。
• Hierarchical Summarization: 在 GraphRAG 中，对 Graph Communities 进行的自底向上的分层摘要过程。首先生成最底层（叶子节点）社区的摘要，然后使用这些低层摘要递归地生成更高级别社区的摘要。

• 在论文中的作用: 这是 GraphRAG 实现 Sensemaking 的关键机制之一。通过对社区进行摘要，系统能够捕捉不同主题的局部和全局信息。分层结构允许用户或系统在不同粒度级别上理解语料库。这些社区摘要构成了查询时检索和生成的基础。

• Markdown 结构说明:

  Knowledge Graph
         |
         V
  +-------------------------+
  |  Community Detection    |
  |  (e.g., Leiden)         |
  +-------------------------+
         |
         V
  +-------------------------+  <- Level 0 Communities (Root)
  |  Graph Communities      |
  |  (Hierarchy)            |
  +-------------------------+
         |
         V
  +-------------------------+  <- Level 1 Communities (Sub-communities)
  |  Graph Communities      |
  +-------------------------+
         |
         V
        ...
         |
         V
  +-------------------------+  <- Leaf-level Communities
  |  Graph Communities      |
  +-------------------------+
         | LLM Summarization (Bottom-up)
         V
  +-------------------------+
  |   Community Summaries   |
  |  (Multiple Levels)      |
  +-------------------------+
  

10. Map-Reduce Processing (for Querying)

• 定义: 一种在查询时使用的处理模式。

• Map 阶段: 将用户查询与相关的社区摘要进行匹配。每个相关的社区摘要用于独立生成一个“社区答案”（partial response）。
• Reduce 阶段: 收集所有生成的社区答案，并使用 LLM 对它们进行进一步的总结和整合，生成一个单一的“全局答案”（final response）返回给用户。

• 在论文中的作用: 这是 GraphRAG 在查询时高效利用预生成社区摘要的方式。它允许并行处理（Map 阶段），并有效地聚合来自不同社区的信息（Reduce 阶段），以回答全局查询。

• Markdown 结构说明:

  +---------------+   +------------------------+   +-------------------+
  |  User Query   |-->|  Select Relevant       |-->| Community Summaries |
  +---------------+   |  Community Summaries   |   |  (from different    |
                      +------------------------+   |  communities/levels)|
                                                   +-------------------+
                                                             |
                                                             V
                                                   +-------------------+
                                                   |    MAP Stage      |
                                                   | (LLM generates    |
                                                   | Community Answers |
                                                   | from summaries)   |
                                                   +-------------------+
                                                             | (Parallel)
                                                             V
                                                   +-------------------+
                                                   | Community Answers |
                                                   | (Partial Responses)|
                                                   +-------------------+
                                                             |
                                                             V
                                                   +-------------------+
                                                   |   REDUCE Stage    |
                                                   | (LLM aggregates & |
                                                   | summarizes answers)|
                                                   +-------------------+
                                                             |
                                                             V
                                                   +-------------------+
                                                   |    Global Answer  |
                                                   | (Final Response)  |
                                                   +-------------------+
  

11. Adaptive Benchmarking

• 定义: 一种动态生成评估基准的方法，根据特定领域或用例定制问题集。
• 在论文中的作用: 由于缺乏针对全局 Sensemaking 的标准基准，论文使用 LLM 来生成特定于语料库的 Sensemaking 问题，以便公平地评估 GraphRAG 和 Vector RAG 在此任务上的表现。
• 解释: 传统基准可能不完全匹配 GraphRAG 擅长的全局性问题。Adaptive Benchmarking 通过让 LLM 基于语料库描述生成假想用户、任务和问题，确保了问题的相关性和多样性，更贴近真实世界的 Sensemaking 需求。

12. LLM-as-a-judge

• 定义: 使用 LLM 作为评估者，对不同模型或系统生成的文本（如答案）进行比较和评分的方法。
• 在论文中的作用: 用于 head-to-head 比较 GraphRAG 和 Vector RAG 生成的答案。LLM 被要求根据预定义的评估标准（comprehensiveness, diversity, empowerment, directness）判断哪个答案更好。
• 解释: 当没有明确的黄金标准答案（如在全局 Sensemaking 任务中）或人工评估成本过高时，LLM-as-a-judge 是一种有效的评估手段，尤其是在评估文本的质量、风格和相关性等主观或半主观属性时。

13. Evaluation Criteria (Comprehensiveness, Diversity, Empowerment, Directness)

• 定义: 论文用于评估 LLM 生成答案质量的四个指标：
• Comprehensiveness (全面性): 答案覆盖问题所有方面和细节的程度。
• Diversity (多样性): 答案提供不同视角和见解的丰富性。
• Empowerment (赋能性/启发性): 答案如何帮助读者理解主题并做出明智判断，而不被误导。
• Directness (直接性): 答案具体和清晰地回应问题的程度（作为对照指标）。
• 在论文中的作用: 这些是 LLM-as-a-judge 进行比较时的具体依据。论文发现 GraphRAG 在 Comprehensiveness 和 Diversity 上显著优于 Vector RAG，显示了其在全局 Sensemaking 方面的优势。Directness 作为对照，验证了 Vector RAG 在简洁直接回答（通常是局部事实）上的优势，符合预期。

这些术语构成了理解这篇论文的核心框架，解释了 GraphRAG 如何通过构建和利用图结构来克服传统 RAG 在全局 Sensemaking 任务上的局限性。

参考

https://arxiv.org/pdf/2404.16130

https://github.com/microsoft/graphrag

https://deepwiki.com/microsoft/graphrag

 以上内容基于DeepSeek、QwQ及诸多AI生成, 轻微人工调整, 感谢杭州深度求索人工智能、阿里云等公司. 

 AI 生成的内容请自行辨别正确性, 当然也多了些许踩坑的乐趣, 毕竟冒险是每个男人的天性.