ReaderMX.
PostgreSQL码农集散地

AI论文解读 | XoT 万象思维：突破彭罗斯三角定律的思想生成

Pdigoal约 16 分钟

AI论文解读 | XoT 万象思维：突破彭罗斯三角定律的思想生成

1 前置知识

要理解《EVERYTHING OF THOUGHTS: DEFYING THE LAW OF PENROSE TRIANGLE FOR THOUGHT GENERATION》这篇论文，您需要提前掌握以下几个方面的基础知识。这篇论文提出了一种新的思维生成方法XOT，旨在解决现有大型语言模型（LLMs）在解决复杂问题时，思维过程在性能、效率和灵活性方面难以同时兼顾的问题。

以下是理解这篇论文所需的关键基础知识的详细解释：

  1. 大型语言模型（LLMs）基础

  • 概念: LLMs是经过海量文本数据训练的模型，能够理解和生成人类语言。它们在各种自然语言处理任务中表现出色，如文本生成、翻译、问答等。
  • 在问题解决中的应用: 近期，LLMs被广泛应用于解决更复杂的问题，方法通常是将复杂问题分解成一系列更小的、易于处理的语言序列，论文中称之为“thought”（思维）。 [cite: 1, 15] 这些“思维”通过逐步推理过程产生，作为中间步骤，有助于简化复杂问题的解决过程。 [cite: 16]

  • 现有的LLMs思维生成范式
    这篇论文讨论了几种现有的思维生成方法，并指出了它们的局限性。理解这些范式有助于理解XOT的创新之处。

    • 如图所示，ToT的思维过程像一棵树，从一个节点可以分叉出多个子节点。
    • 如图所示，CoT像一条链条，一步接一步地进行推理。

    • Input-Output (IO) Prompting: 最直接的方法，不提供任何中间思维过程，直接从输入到输出。 [cite: 49] 适用于简单问题。 [cite: 26]

    • Chain-of-Thought (CoT): 将问题分解成一系列顺序的思维步骤，LLMs按照这些步骤一步步解决问题。 [cite: 50] 这提高了LLMs解决复杂问题的能力。 [cite: 27]

      Image

    • Self-consistency CoT (CoT-SC): 使用多次CoT推理生成多个输出，然后从中选择最佳结果，以提高推理的鲁棒性和一致性。 [cite: 52, 53] 虽然提高了性能，但仍受限于线性的思维结构。 [cite: 27]

    • Tree-of-Thought (ToT): 将思维组织成树状结构，利用搜索算法（如广度优先搜索、深度优先搜索）探索不同的思维路径以寻找最优解。 [cite: 54] 相比CoT更灵活。 [cite: 28]

      Image

      然而，ToT需要LLM评估中间思维步骤，这会带来显著的计算成本和效率低下。 [cite: 55]

    关于广度优先、深度优先搜索, 可参考:

    • 《PostgreSQL 递归查询 - 深度优先、广度优先 搜索举例 - BREADTH DEPTH》

    • 《PostgreSQL 14 preview - SQL标准增强, 递归(CTE)图式搜索增加广度优先、深度优先语法, 循环语法 - breadth- or depth-first search orders and detect cycles》

    • 《PostgreSQL 图式搜索(graph search)实践 - 百亿级图谱，毫秒响应》

      • 如图所示，GoT的思维结构更复杂，节点之间可以相互连接，形成图状。
      • Graph-of-Thought (GoT): 扩展了ToT，允许通过中间搜索阶段的思维聚合和细化来生成图状思维结构，提供更灵活的思维拓扑。 [cite: 56, 57] 但同样需要多次调用LLM进行评估，计算成本较高。 [cite: 57]
        Image

    1. “潘洛斯三角形”（Penrose Triangle）类比
      论文中提到，现有思维范式受限于一个类似于“潘洛斯三角形”的定律，即它们最多只能同时实现性能、效率和灵活性这三个属性中的两个，无法同时达到三个。 [cite: 4, 30]

      XOT旨在打破这个“潘洛斯三角形”的限制。 [cite: 4, 31, 40]


      picpic
    • 性能 (Performance): 指解决方案的准确性，包括中间步骤思维的准确性。 [cite: 19]
    • 效率 (Efficiency): 指解决一个问题所需的LLM推理调用次数。 [cite: 20] 调用次数越少，效率越高。
    • 灵活性 (Flexibility): 指LLMs组织思维解决问题时可以采用的多样化结构，如链、树或图。 [cite: 22, 23] 更灵活的结构有助于发散性和创造性思维。 [cite: 24]

  • 强化学习 (Reinforcement Learning, RL)

    • 概念: RL是一种机器学习范式，智能体通过与环境交互，根据收到的奖励信号学习如何采取行动以最大化长期累积奖励。
    • 在LLMs中的应用: 论文中提到，XOT利用预训练的强化学习来增强LLMs的能力。 [cite: 5] RL可以帮助LLMs学习更好的思维搜索策略。 [cite: 32]

  • 蒙特卡洛树搜索 (Monte Carlo Tree Search, MCTS)

    • 概念: MCTS是一种启发式的搜索算法，常用于游戏AI中，通过多次模拟（rollouts）来评估潜在的行动，并构建搜索树以找到最优策略。它结合了蒙特卡洛模拟的随机性和树搜索的系统性。
    • 在XOT中的应用: XOT利用MCTS进行思维探索。 [cite: 5] MCTS可以有效地搜索潜在的思维结构（状态-行动序列）。 [cite: 35, 38, 85] MCTS的迭代过程包括选择（Selection）、扩展与评估（Expansion & Evaluation）、和回溯（Backpropagation）。 [cite: 86]

  • 马尔可夫决策过程 (Markov Decision Process, MDP)

    • 状态 (): 代表问题的当前状态。 [cite: 78]
    • 行动 (): 代表解决问题的一步解决方案或行动，导致状态转移。 [cite: 79]
    • 奖励 (r): 评估问题是否有效解决。 [cite: 80]
    • 思维 (): 定义为一个状态和行动的组合，即 。 [cite: 81]
    • 概念: MDP是RL中的一个数学框架，用于对序贯决策问题进行建模。它包含状态（State）、行动（Action）、奖励（Reward）和状态转移。
    • 在XOT中的应用: 论文将思维搜索过程概念化为MDP。 [cite: 77]

    掌握以上这些基础知识，特别是LLMs的不同思维生成范式、强化学习和蒙特卡洛树搜索的基本原理，将有助于您更深入地理解《EVERYTHING OF THOUGHTS》这篇论文提出的XOT框架如何结合LLMs和MCTS来提升思维生成的性能、效率和灵活性。

    2 解读论文

    好的，我们来通俗易懂地解读这篇论文《EVERYTHING OF THOUGHTS: DEFYING THE LAW OF PENROSE TRIANGLE FOR THOUGHT GENERATION》。这篇论文的核心是提出了一种新的方法，叫做 Everything of Thoughts (XOT)，来帮助大型语言模型（LLMs）更好地解决复杂问题。它特别强调 XOT 如何在解决问题的同时，同时兼顾“性能”、“效率”和“灵活性”，这是现有方法难以做到的。

    1. 论文要解决的核心问题：LLMs 思维生成的“潘洛斯三角形”困境

    大型语言模型在解决复杂问题时，通常需要一个“思维过程”（thoughts），也就是把大问题分解成一步一步的小步骤来解决。就像我们人解决问题时，也需要一步步思考一样。

    论文指出，一个好的LLM思维生成方法应该具备三个关键特性：

    • **性能 (Performance)**：指解决问题的准确性，包括中间思考步骤的准确性 [cite: 1099, 1639]。这是最重要的。
    • **效率 (Efficiency)**：指解决一个问题需要调用LLM进行推理的次数 [cite: 1100, 1641]。LLM调用通常成本较高，所以调用次数越少越好。
    • **灵活性 (Flexibility)**：指LLM组织思维过程可以采用的多样化结构，比如链条、树状或图状 [cite: 1102, 1643]。更灵活的结构有助于发散性思维，特别是解决有多种方案的问题。

    现有的LLMs思维生成方法，比如：

    • Input-Output (IO) Prompting: 直接输入问题，直接输出答案，没有中间思维过程 [cite: 1129, 1669]。适用于简单问题，性能和灵活性都较差。

      Image

    • Chain-of-Thought (CoT): 将问题分解成一系列顺序的思考步骤 [cite: 1130, 1670]。提高了性能，但思维结构是线性的，缺乏灵活性。

      Image

    • Tree-of-Thought (ToT): 将思维组织成树状结构，可以探索不同的思考路径 [cite: 1134, 1674]。比CoT更灵活，但需要LLM自己评估中间思考步骤，导致多次调用LLM，效率较低 [cite: 1135, 1675]。

      Image

    • Graph-of-Thought (GoT): 扩展了ToT，允许思维之间更复杂的图状连接 [cite: 1136, 1676]。提供了更灵活的结构，但也需要多次调用LLM进行评估，效率同样不高 [cite: 1137, 1677]。

    论文指出，现有这些方法都受限于一个类似于“潘洛斯三角形”（Penrose triangle）的定律 [cite: 1084, 1110, 1624, 1650]：它们最多只能同时做好这三个属性中的两个，无法同时兼顾性能、效率和灵活性。就像潘洛斯三角形是一个在二维平面上看似合理，但在三维空间中不可能存在的图形一样，同时达到这三个理想属性在现有框架下是困难的。

    2. XOT：打破“潘洛斯三角形”的方法

    这篇论文提出的 XOT (Everything of Thoughts) [cite: 1084, 1111, 1624, 1651] 就是为了打破这个限制，尝试同时实现高性能、高效率和高灵活性。

    XOT 的核心思想是结合 LLM 和 **蒙特卡洛树搜索 (Monte Carlo Tree Search, MCTS)**。 [cite: 1085, 1112, 1138, 1625, 1652, 1678]

    • MCTS: 是一种搜索算法，通常用于决策过程，比如围棋AI（AlphaGo就用了MCTS）。它通过模拟和评估不同的可能性来找到最佳的行动路径 [cite: 1112, 1166, 1653, 1706]。
    • LLM: 负责理解问题、生成文本以及对MCTS提供的思考进行评估和修正。

    XOT 的工作流程可以概括为：MCTS负责高效地探索可能的思维路径，而LLM负责对这些路径进行评估和修正，确保思维的质量。这是一种协作框架 [cite: 1138, 1160, 1678, 1700]。

    3. XOT 的关键组成部分和工作流程

    XOT 框架主要包括两个关键部分：

    • MCTS 模块（由策略/价值网络引导）：负责思维路径的搜索和探索 [cite: 1142, 1682]。
    • LLM 求解器（用于思维修正和推理）：负责评估和优化MCTS生成的思维 [cite: 1143, 1683]。

    具体的工作流程如下：

    • 思维搜索的数学模型化: 论文将思维搜索过程建模为一个 马尔可夫决策过程 (Markov Decision Process, MDP) [cite: 1157, 1697]。

      • 状态 (): 代表问题的当前状况 [cite: 1158, 1698]。比如在“计算24点”游戏中，状态就是当前剩下的数字。
      • 行动 (): 代表解决问题的一步操作 [cite: 1159, 1699]。比如在“计算24点”游戏中，行动就是选取两个数和一个运算符组成一个算式。
      • 奖励 (r): 评估解决问题的效果 [cite: 1160, 1700]。比如在“计算24点”游戏中，如果最后算出了24，奖励就是正的。
      • 思维 (): 由一个状态和对应的行动组成，即  [cite: 1161, 1702]。
        通过将思维搜索建模为MDP，就可以使用强化学习和MCTS来寻找能最大化奖励的思维路径。

    • 利用 MCTS 进行思维搜索:

      • 选择 (Selection): 从当前节点开始，根据一个叫做PUCT的算法 [cite: 1171, 1712] 选择下一步行动，该算法平衡了探索（尝试新的路径）和利用（选择当前看来最好的路径）[cite: 1175, 1715]。
      • 扩展与评估 (Expansion & Evaluation): 到达一个新的节点后，使用策略/价值网络评估其价值和行动概率 [cite: 1176, 1177, 1716, 1717]。
      • 回溯 (Backpropagation): 将模拟的结果（奖励或估计价值）沿着路径向上更新树中的节点信息，以便在后续的搜索中做出更好的决策 [cite: 1179, 1719]。
        Image

      • MCTS 通过迭代的模拟过程来搜索最佳思维路径 [cite: 1166, 1706]。

      • 在这个过程中，会使用一个相对轻量级的策略/价值网络 () 来指导搜索，预测在某个状态下采取某个行动的可能性（策略）以及该状态的潜在价值。 [cite: 1167, 1177, 1683, 1707, 1717] 这个网络是预先训练好的。

      • MCTS的迭代包括三个阶段（如图2 (a)-(c)所示 [cite: 1169, 1709]）：

      • 通过多次MCTS模拟，可以找到一个或多个高质量的思维路径（即状态-行动序列）[cite: 1196, 1736]。

    • 思维推理与 LLM 协作修正:

      • MCTS生成的思维路径会被转换成文本序列，作为Prompt提供给LLM [cite: 1199, 1739]。即使是多解问题，也会整合成一个Prompt，这大大减少了LLM的调用次数，提高了效率 [cite: 1200, 1201, 1740, 1741]。
      • LLM接收到MCTS生成的思维后，会利用自身的知识对思维进行审查，识别其中的错误 [cite: 1209, 1749]。
      • 如果LLM发现了错误，就会标记出错的状态 [cite: 1212, 1752]。然后，MCTS会从出错状态的父状态开始，进行额外的模拟来生成修正后的思维 [cite: 1213, 1753]。
      • 这个修正过程可以迭代进行，进一步提高思维的质量 [cite: 1216, 1756]。
      • 在这个协作框架中，LLM充当了指导者的角色，帮助MCTS改进搜索 [cite: 1210, 1750]。由于LLM只用于识别错误，而不是进行整个搜索和评估过程，这保持了XOT的效率 [cite: 1218, 1758]。

    4. XOT 如何打破“潘洛斯三角形”

    论文通过实验证明，XOT 成功地同时提升了性能、效率和灵活性 [cite: 1120, 1220, 1660, 1760]。

    • 高性能: MCTS的搜索能力结合LLM的知识和修正能力，使得XOT在复杂任务上取得了显著优于现有方法的准确率 [cite: 1089, 1114, 1222, 1629, 1654, 1762]。通过多轮修正，性能还能进一步提高 [cite: 1160, 1888]。
    • 高效率: MCTS负责大量的思维探索，并将完整的思维路径一次性提供给LLM，大大减少了LLM的调用次数 [cite: 1117, 1201, 1657, 1741]。策略/价值网络也很轻量级，计算成本远低于LLM [cite: 1234, 1774]。
    • 高灵活性: MCTS天然支持探索多样化的思维结构，包括图状结构 [cite: 1118, 1197, 1658, 1738]，这使得XOT能够解决具有多种解决方案的问题，并生成灵活的思维过程 [cite: 1087, 1627]。图5展示了XOT在不同任务中生成的灵活思维结构 [cite: 1387, 1927]。

    5. 实验结果（关键内容深入讲解）

    论文在三个具有挑战性的任务上评估了 XOT：

    • 计算24点 (Game of 24): 给定四个数字，通过加减乘除得到24 [cite: 1249, 1789]。这是一个需要规划和搜索的任务。
    • 8-Puzzle (8-Puzzle): 在3x3的网格中移动数字方块，使其达到目标状态 [cite: 1281, 1821]。这是一个经典的路径搜索问题，需要空间推理。
    • 口袋魔方 (Pocket Cube): 还原一个2x2的魔方 [cite: 1857]。これも空间推理とプランニングが必要です。

    实验结果（参见论文中的表格，例如表3、表5、表7）表明：

    • XOT 在所有任务上都显著优于现有基线方法（如 IO, CoT, ToT, GoT）[cite: 1265, 1805]。特别是在8-Puzzle和Pocket Cube这类需要空间推理和长期规划的任务上，LLM单独表现很差，而XOT通过MCTS注入外部知识后，性能大幅提升 [cite: 1844, 1845, 1877]。
    • XOT 在效率方面表现出色。相比于ToT和GoT需要大量的LLM调用（几十甚至上百次），XOT通常只需要很少的几次LLM调用（通常小于2次，加上修正也只有少数几次） [cite: 1274, 1307, 1339, 1814, 1847, 1879]。虽然XOT需要调用策略/价值网络，但由于其规模远小于LLM，总体的计算成本更低。
    • XOT 在多解问题上展现了强大的能力和灵活性（参见表4、表6、表8）。它能够有效地找到多个高质量的解决方案，并且生成的思维结构是灵活的，甚至是图状的，这得益于MCTS的探索能力 [cite: 1277, 1310, 1342, 1388, 1817, 1850, 1882, 1928]。

    6. 总结

    《EVERYTHING OF THOUGHTS》这篇论文提出了一种创新的 LLM 思维生成框架 XOT，它巧妙地结合了大型语言模型的强大语言能力和蒙特卡洛树搜索的高效探索及规划能力。通过将思维搜索建模为 MDP，并利用预训练的轻量级网络指导 MCTS，XOT 能够高效地生成高质量的思维路径。更重要的是，通过 MCTS 与 LLM 的协作修正机制，XOT 能够在保持高效率的同时，进一步提升思维的准确性。

    这使得 XOT 成功地打破了现有 LLM 思维生成方法在性能、效率和灵活性之间难以兼顾的“潘洛斯三角形”困境，为 LLM 解决复杂问题开辟了新的道路。论文通过在“计算24点”、8-Puzzle 和口袋魔方等任务上的实验，有力地证明了 XOT 的优越性，特别是在需要复杂规划和多解决方案的场景下。

    3 术语

    好的，我将从论文《EVERYTHING OF THOUGHTS: DEFYING THE LAW OF PENROSE TRIANGLE FOR THOUGHT GENERATION》中提取重要的术语并进行详细解释。

    以下是论文中的一些关键术语及其通俗易懂的解释：

    1. 大型语言模型（Large Language Models, LLMs）

    • 解释: LLMs 是指那些经过海量文本数据训练的、规模庞大的人工智能模型，例如 GPT-3.5 和 GPT-4。它们能够理解、生成和处理人类语言，并执行各种复杂的语言任务，如写作、翻译、问答和推理。在本文中，LLMs 被用作解决复杂问题的核心工具，通过生成一系列中间“思维”来逐步逼近答案。 [cite: 1]

  • 思维（Thoughts）

    • 解释: 在这篇论文的语境下，“思维”指的是大型语言模型在解决复杂问题时产生的中间步骤或认知过程，这些过程通常以语言序列的形式表达出来。 [cite: 1, 556, 585] 就像我们解决一道数学题时，会写下中间的计算步骤一样，LLMs 的“思维”就是它们为了得出最终答案而进行的推理过程。这些思维可以是简单的步骤，也可以是复杂的结构。

  • 潘洛斯三角形（Penrose Triangle）

    • 解释: 潘洛斯三角形是一个视错觉图形，在二维上看是合理的，但在三维空间中是不可能存在的。 [cite: 4] 论文借用这个概念来比喻现有LLMs思维生成范式所面临的困境。 [cite: 4] 指的是在“性能”（Performance）、“效率”（Efficiency）和“灵活性”（Flexibility）这三个重要属性中，现有的方法最多只能同时做好其中两个，无法同时达到三个最优。 [cite: 3, 30, 543, 570]

    • 图示:

      这个图表示性能、效率和灵活性三者之间存在权衡，难以同时达到最优。

      Image

  • 思维链（Chain-of-Thought, CoT）

    • 解释: CoT 是一种提示技术，通过向 LLM 提供包含中间推理步骤的示例，引导模型在生成答案时也输出一步一步的思维过程。 [cite: 25, 50, 565, 590] 这种方法提高了 LLM 解决复杂问题的能力，但其思维结构是线性的，缺乏灵活性。
    • 图示:
      Image

  • 思维树（Tree-of-Thought, ToT）

    • 解释: ToT 将思维过程组织成树状结构，允许模型探索不同的思维路径或分支。 [cite: 26, 54, 566, 594] 相比于线性的 CoT，ToT 提供了更高的灵活性。然而，ToT 需要 LLM 评估和选择树中的不同节点（即中间思维），这会导致多次调用 LLM，从而降低效率。 [cite: 29, 55, 569, 595]
    • 图示:
      Image

  • 思维图（Graph-of-Thought, GoT）

    • 解释: GoT 是 ToT 的扩展，它允许更复杂的思维结构，形成图状。 [cite: 26, 56, 566, 596] 在 GoT 中，不同的思维节点可以相互连接和聚合，提供了最大的灵活性。但与 ToT 类似，GoT 也需要频繁调用 LLM 来评估和操作图中的节点，效率问题依然存在。 [cite: 29, 57, 569, 597]
    • 图示:
      Image

  • Everything of Thoughts (XOT)

    • 解释: 这是论文提出的新的思维生成方法。 [cite: 4, 31, 544, 571] XOT 旨在通过结合 LLM 和 MCTS，同时实现高性能、高效率和高灵活性，打破现有范式的“潘洛斯三角形”限制。 [cite: 4, 31, 544, 571, 580, 600, 903, 904]

  • 蒙特卡洛树搜索（Monte Carlo Tree Search, MCTS）

    • 解释: MCTS 是一种启发式搜索算法，通过随机模拟（rollouts）来评估博弈或决策空间中的不同路径，并构建搜索树。 [cite: 5, 32, 33, 545, 572, 573] 论文中，MCTS 被用于高效地探索和生成潜在的思维路径。 [cite: 5, 35, 545, 575, 599]
    • 图示 (简化):
      Image

  • 强化学习（Reinforcement Learning, RL）

    • 解释: RL 是一种机器学习范式，智能体通过与环境交互，根据收到的奖励信号学习如何采取行动以最大化长期累积奖励。 [cite: 5, 32, 545, 572, 928] 在 XOT 中，RL 与 MCTS 结合，用于训练策略/价值网络，使其能够学习有效的思维搜索策略。 [cite: 5, 32, 33, 545, 572, 573]

  • 马尔可夫决策过程（Markov Decision Process, MDP）

    • 状态 () [cite: 78, 618]
    • 行动 () [cite: 79, 619]
    • 奖励 (r) [cite: 80, 620]
    • 解释: MDP 是强化学习中用于建模序贯决策问题的数学框架。它描述了一个系统如何在不同的“状态”之间转移，以及在每个状态下可以采取的“行动”及其带来的“奖励”。 [cite: 77, 935, 617] 论文将 LLMs 的思维搜索过程形式化为一个 MDP，以便应用 MCTS 和 RL。 [cite: 77, 617]
    • 关键元素:

  • 策略/价值网络（Policy/Value Networks）

    • 解释: 这是用于指导 MCTS 搜索的神经网络。 [cite: 33, 87, 97, 573, 603, 627, 637] 策略网络预测在给定状态下采取不同行动的概率，而价值网络评估给定状态的潜在价值。 [cite: 94, 97, 634, 637] 这些网络在特定任务上进行预训练，以融入领域知识和规划能力，并且它们比大型 LLM 模型小得多，计算效率更高。 [cite: 33, 154, 573, 694]

  • 思维修正（Thought Revision）

    • 解释: 这是 XOT 中的一个重要机制。 [cite: 36, 127, 546, 576, 656, 667] MCTS 生成的初步思维路径可能会包含错误或不是最优的。思维修正过程利用 LLM 的知识来识别 MCTS 生成的思维中的错误，然后指导 MCTS 进行额外的搜索以生成修正后的思维。 [cite: 36, 129, 130, 546, 576, 669, 670] 这个协作过程提高了最终解决方案的质量，同时由于 LLM 主要负责错误识别而不是整个搜索，保持了效率。 [cite: 137, 138, 577, 677, 678]

    理解这些术语对于深入理解论文提出的 Everything of Thoughts (XOT) 框架如何工作以及它如何试图克服现有大型语言模型在复杂问题解决中面临的挑战至关重要。

    参考

    https://arxiv.org/pdf/2311.04254

    https://edu.aliyun.com/course/3126500/lesson/342570389

    https://github.com/AlibabaCloudDocs/aliyun_acp_learning/blob/main/%E5%A4%A7%E6%A8%A1%E5%9E%8BACP%E8%AE%A4%E8%AF%81%E6%95%99%E7%A8%8B/p2_%E6%9E%84%E9%80%A0%E5%A4%A7%E6%A8%A1%E5%9E%8B%E9%97%AE%E7%AD%94%E7%B3%BB%E7%BB%9F/2_6_%E7%94%A8%E6%8F%92%E4%BB%B6%E6%89%A9%E5%B1%95%E7%AD%94%E7%96%91%E6%9C%BA%E5%99%A8%E4%BA%BA%E7%9A%84%E8%83%BD%E5%8A%9B%E8%BE%B9%E7%95%8C.ipynb

     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.  

    KEEP THE THREAD GOING

    更多来源文章