在AI深度融入各行业的当下，大语言模型（LLM）的“短板”愈发明显——面对实时政策、行业前沿数据或小众专业知识，常常出现“答非所问”的“幻觉”，甚至给出过时信息。而RAG（检索增强生成）技术的出现，相当于为LLM配备了“实时知识库+精准检索引擎”，让AI既能发挥语言理解与生成优势，又能随时调用权威、新鲜的外部信息，彻底解决“知识固化”难题。

📖 开篇：一文读懂RAG技术本质

你是否遇到过这样的场景？用AI查询“2024年新能源汽车补贴政策”，得到的却是2022年的旧规；让它分析某款新药的临床数据，结果混杂着相似药物的错误信息。这正是传统LLM的三大核心痛点：

• 知识滞后：训练数据截止到特定时间，无法获取实时动态信息
• 领域局限：对垂直行业（如医疗、法律、金融）的专业知识覆盖不足
• 幻觉频发：基于已有知识“编造”看似合理却错误的内容

而RAG技术通过“检索先行，生成在后”的逻辑，完美破解这些问题。其核心流程可概括为：用户提问后，AI先从预设的知识库（或公开数据源）中精准检索相关信息，再结合这些“可靠素材”生成答案。简单来说，RAG让AI从“凭记忆答题”变成“查资料后严谨作答”，既保留了LLM的语言生成能力，又赋予了它“实时学习”和“精准引用”的特性。

🛠️ RAG技术的核心架构与关键概念

经典RAG工作流：从数据到答案的全链路

一套完整的RAG系统，本质是“数据处理→存储→检索→生成”的闭环，具体包含7个关键步骤：

1. 文档切片（Chunking）：将长文档（如PDF手册、行业报告）拆分为小文本块，便于后续检索
2. 向量嵌入（Embedding）：将文本块转换为计算机可识别的“向量”（数字序列），捕捉语义信息
3. 向量存储（Vector Store）：将向量数据存入专用数据库，实现高效检索
4. 检索触发（Retrieval）：接收用户提问，将问题转换为向量后，在数据库中匹配相关文本块
5. 结果重排序（Reranking）：对初步检索结果按相关性二次排序，筛选核心信息
6. Prompt拼接（Context Assembly）：将优质检索结果作为“上下文”，与用户问题整合为Prompt
7. LLM生成（Generation）：LLM基于整合后的Prompt，生成准确、带引用的答案

🔑 七大核心概念解析（新手必懂）

概念	作用说明
嵌入（Embedding）	文本与计算机的“翻译官”，将文字、句子转化为含语义信息的向量，是检索的基础
向量存储（Vector Store）	专门存储向量数据的数据库（如Milvus、Pinecone），支持快速相似度匹配
余弦相似度（Cosine Similarity）	衡量“问题向量”与“文本块向量”相似度的算法，值越接近1，语义越相关
分块（Chunking）	平衡“检索精度”与“上下文完整性”的关键，分块方式直接影响后续检索效果
检索（Retrieval）	从海量文本块中“捞干货”的过程，决定了AI获取的“素材”是否精准
生成（Generation）	基于检索到的“素材”，用LLM生成符合人类语言习惯的答案，是用户直接感知的环节
评估（Evaluation）	用指标（如答案准确率、引用准确率）衡量RAG效果，指导系统优化

🚀 20项RAG核心技术全景拆解

RAG技术并非单一方法，而是由多维度技术组成的“工具箱”。根据应用场景不同，可分为四大类，覆盖从基础到进阶的全需求。

📝 第一类：文本处理技术（4项）—— 让“数据”更易被检索

文本处理是RAG的“地基”，高质量的文本块能大幅提升后续检索效率。

1. 智能分块技术

分块不是简单“切句子”，而是根据文本特性选择策略：

• 固定大小分块：按字符数（如500字/块）均匀拆分，适合结构简单的文本（如新闻稿）
• 语义分块：按段落、章节或语义逻辑拆分（如按“实验方法”“结果分析”等标题切分论文），避免破坏信息完整性
• 递归分块：先按大逻辑拆分（如一本书拆分为章节），再对长章节细分，兼顾层级与精度
• 格式适配分块：针对PDF、Word、PPT等不同格式，提取标题、表格、图片注释等结构化信息后再分块，适合处理报告类文档

💡 落地场景：企业将数千页的产品手册导入知识库时，用“语义分块+格式适配”，用户查询“某功能操作步骤”时，能直接检索到对应章节的文本块。

2. 文本清洗与增强

• 冗余信息过滤：去除文档中的页眉页脚、重复段落、无意义符号（如“***”“===”），减少干扰
• 关键信息标注：对专业术语、数据、公式等添加标签（如“[药物名称]”“[临床数据]”），提升后续检索针对性
• 多语言适配：自动识别中英文混排文本，按语言分别处理，避免语义混淆

3. 查询优化技术

用户的提问往往模糊（如“怎么解决设备故障？”），需先优化为精准检索词：

• 查询重写：将口语化问题转为专业表述（如“设备启动不了”→“设备无法启动的故障排查步骤”）
• HyDE（假设驱动检索）：先让LLM基于已有知识生成“假设答案”，再用假设答案作为检索词，提升匹配精度（适合复杂问题，如“分析某疾病的最新治疗方案”）
• Step-back提示：将具体问题抽象化（如“某公司2024年Q3营收”→“某公司2024年季度营收数据”），扩大检索范围，避免遗漏相关信息

💡 落地场景：客服系统中，用户说“我的保险理赔还没到”，系统通过查询重写转为“保险理赔进度查询+用户ID关联”，快速定位该用户的理赔状态。

4. 多模态文本处理

针对含图片、表格、公式的复杂文档，突破纯文字处理局限：

• OCR识别：将图片中的文字（如扫描版合同、手写笔记）转为可编辑文本
• 表格结构化：将Excel或PDF中的表格转为“键值对”或“行列表”，支持按单元格内容检索（如查询“某产品2024年成本”，直接定位表格中对应数据）
• 公式解析：将数学公式、化学方程式转为标准化格式，支持按公式逻辑检索（如检索“牛顿第二定律公式”，匹配到含“F=ma”的文本块）

🗄️ 第二类：存储与检索技术（6项）—— 让“找信息”又快又准

存储与检索是RAG的“核心引擎”，决定了从海量数据中获取有效信息的效率和精度。

5. 多样化向量存储方案

根据数据规模和检索需求，选择不同的存储策略：

• 单向量存储：一个文本块对应一个向量，适合中小规模知识库（如个人笔记、小型团队文档），部署简单
• 多向量存储：一个文本块生成多个向量（如每句话对应一个向量），精细化捕捉语义，适合专业度高的文档（如法律条文、医疗指南）
• 分层向量存储：按“文档→章节→段落→句子”建立层级结构，先检索大模块，再逐步定位小文本块，适合超大规模知识库（如企业全域文档库）

6. 混合检索策略

单一检索方式易有局限，混合策略能兼顾精度与广度：

• 语义+关键词混合检索：用“语义向量”匹配整体含义，同时用“关键词（如专业术语、日期）”锁定细节，避免因语义模糊导致的检索偏差（如检索“2024年民法典修订内容”，既匹配“民法典修订”的语义，又锁定“2024年”关键词）
• 稠密向量+稀疏向量融合：稠密向量（如BERT生成）捕捉语义，稀疏向量（如TF-IDF生成）突出关键词，两者结合提升检索鲁棒性

7. 重排序技术

初步检索结果可能包含“相关度不高”的内容，需通过重排序筛选核心信息：

• 基于规则的重排序：按“文本块与问题的重叠词数量”“关键词出现位置（标题＞正文）”等规则排序
• 基于模型的重排序：用轻量级模型（如CrossEncoder）对“问题-文本块”对打分，按分数高低排序，精度更高
• 用户反馈重排序：记录用户点击、停留时长等行为，将用户关注的文本块优先排序，实现“个性化检索”

8. 增量式存储与更新

面对动态增长的知识库（如每日更新的行业资讯、每周新增的企业文档），无需重新构建整个向量库：

• 增量嵌入：仅对新增文档进行Embedding处理，直接写入向量库
• 增量索引：更新向量库索引时，只调整新增数据对应的索引节点，避免全量重建，降低算力消耗
• 过期数据清理：自动识别并删除失效信息（如过期政策、下架产品说明），保持知识库“新鲜度”

9. 分布式检索架构

当知识库规模达到百万级文本块时，单节点存储与检索会出现性能瓶颈：

• 分片存储：将向量库按“文档类型”“时间范围”等维度分片，分散存储在多个节点
• 并行检索：多个节点同时执行检索任务，再汇总结果，提升检索速度
• 负载均衡：动态分配检索请求到不同节点，避免单节点过载

10. 隐私安全存储方案

针对敏感数据（如企业机密文档、用户隐私信息），保障检索过程中的数据安全：

• 向量加密存储：对生成的向量进行加密处理，即使向量库被攻击，也无法还原原始文本
• 权限控制检索：按用户角色（如管理员、普通员工、外部访客）设置检索权限，仅允许访问授权范围内的文档
• 本地部署模式：将向量库和RAG系统部署在企业内网，不连接公网，彻底隔绝数据泄露风险

🧠 第三类：智能增强技术（5项）—— 让“答案”更贴合需求

在“检索+生成”的基础上，通过智能策略提升答案的准确性、完整性和实用性。

11. 上下文扩展技术

避免因文本块“碎片化”导致答案片面，通过扩展上下文补充信息：

• 句子窗口检索：检索目标文本块时，同时获取其前后相邻的句子，形成“完整语义单元”（如检索某条法律条款时，同时获取条款的释义和相关案例）
• 父文档检索：先检索小文本块（如段落），再追溯其所属的“父文档”（如整篇报告），按需提取更多背景信息
• Small-to-Big扩展：先检索与问题高度相关的小文本块，再以这些文本块为“线索”，扩展检索相关联的其他文档，适合复杂问题（如“分析某行业竞争格局”，先找头部企业数据，再扩展到产业链上下游信息）

12. 自适应检索机制

让AI自主判断“是否需要检索”“检索多少次”，避免无效操作：

• Self-RAG：LLM先分析用户问题，若判断“已有知识足够回答”（如“地球自转周期是多少”），则直接生成答案；若判断“需要外部信息”（如“某公司2024年净利润”），则触发检索
• 多轮检索：首次检索结果不足时，自动基于现有结果优化查询词，进行二次检索（如首次检索“某药物副作用”结果太少，自动调整为“某药物临床不良反应”再次检索）
• Agent驱动检索：模拟人类“分析问题→拆解任务→分步检索”的逻辑，如用户问“如何申请高新技术企业认定”，Agent先拆解为“认定条件”“申请流程”“所需材料”三个子问题，分别检索后整合答案

13. 引用溯源与可信度标注

解决“AI答案不知来源”的问题，提升用户信任度：

• 来源标注：在答案中明确标注信息来源（如“数据来源：2024年中国新能源汽车产业报告P23”“条款引用：《民法典》第123条”）
• 可信度评分：基于来源权威性（如核心期刊＞普通博客）、信息时效性（如2024年＞2022年），对检索到的信息打分，并在答案中提示“该信息可信度：90%（来源为行业权威报告）”
• 冲突信息处理：当检索到相互矛盾的信息时，自动标注冲突点并说明“不同来源观点差异：A报告认为…，B报告认为…，建议参考最新政策文件”

14. 多轮对话记忆检索

在连续对话中，保持上下文一致性：

• 对话历史存储：将用户与AI的历史对话转化为向量，存入临时知识库
• 上下文关联检索：新提问时，同时检索“历史对话向量”和“基础知识库向量”，确保答案贴合前文语境（如用户先问“某产品价格”，再问“它比竞品便宜多少”，系统会关联前一轮的“产品价格”信息进行检索）
• 记忆衰减机制：对早期对话内容设置“衰减系数”，优先检索近期对话相关信息，避免冗余

15. 个性化生成适配

根据用户身份、需求场景调整答案风格和内容深度：

• 角色适配：面对“普通用户”，用通俗语言解释（如“高血压药物作用：帮血管放松，降低血压”）；面对“医生”，用专业表述（如“XX药物通过抑制血管紧张素转换酶，降低血管阻力”）
• 场景适配：在“手机端”生成简洁答案（300字以内），在“电脑端”提供详细版（含数据表格、案例分析）；对“紧急咨询”（如医疗急救），优先输出核心步骤
• 偏好记忆：记录用户过往对“答案长度”“是否带案例”“是否引用数据”的偏好，自动调整生成策略

🕸️ 第四类：知识图谱融合技术（5项）—— 让“检索”更具逻辑性

知识图谱（KG）通过“实体-关系”结构呈现信息（如“特斯拉-生产-Model 3”“Model 3-属于-新能源汽车”），与RAG结合后，能实现“逻辑推理式检索”，解决复杂关联问题。

16. GraphRAG技术

将文本信息转化为知识图谱，基于“实体关系”检索：

• 实体抽取与关系构建：从文档中提取“实体”（如人物、公司、产品）和“关系”（如合作、因果、归属），构建图谱（如从“苹果与台积电合作生产芯片”中，提取实体“苹果”“台积电”“芯片”，关系“合作”“生产”）
• 图谱向量嵌入：将“实体-关系”结构转化为向量（如“苹果-合作-台积电”作为一个整体向量）
• 图谱路径检索：用户提问时，按“实体关系路径”检索（如问“苹果的芯片供应商有哪些”，系统沿“苹果-合作-XX公司-生产-芯片”的路径检索，找到所有符合的供应商）

17. KAG（知识增强生成）框架

深度融合知识图谱与RAG，提升推理能力：

• 双源检索：同时检索“文本向量库”和“知识图谱库”，分别获取“文本信息”和“结构化关系”
• 知识融合：将检索到的“文本片段”与“图谱实体关系”关联（如文本提到“特斯拉2024年销量增长”，图谱显示“特斯拉-竞争对手-比亚迪”，系统会自动关联“比亚迪2024年销量”信息）
• 逻辑推理生成：基于图谱关系进行多步推理（如用户问“特斯拉的芯片供应商的竞争对手有哪些”，系统先通过图谱找到“特斯拉-供应商-台积电”，再找“台积电-竞争对手-三星”，最终生成答案）

18. 轻量级GraphRAG优化

降低GraphRAG的部署门槛，适配中小规模场景：

• 实体精简策略：仅保留核心实体（如行业报告中，只提取“企业名称”“产品”“关键数据”，忽略次要信息）
• 关系合并归类：将相似关系合并（如“合作”“战略合作”“联合研发”统一归为“合作关系”），减少图谱复杂度
• 增量图谱构建：新增文档时，仅提取新增实体和关系，无需重建整个图谱，降低算力消耗

19. 多跳推理检索

解决需要“多步关联”的复杂问题：

• 路径规划：基于知识图谱，自动规划推理路径（如用户问“某疾病的治疗药物有哪些替代方案”，路径为“疾病-对应药物A-药物A的作用机制-具有相同机制的药物B/C-输出B/C作为替代方案”）
• 置信度传播：对每一步推理结果打分，若某路径置信度低于阈值（如60%），则自动切换路径，避免错误积累
• 推理过程可视化：在答案中展示推理路径（如“第一步：通过疾病名称检索到核心药物A；第二步：分析药物A的作用靶点为X；第三步：检索作用于靶点X的其他药物，得到B和C”），提升可解释性

20. 实体链接与消歧技术

解决“同名实体”混淆问题，提升检索精度：

• 实体链接：将文本中的模糊表述与知识图谱中的明确实体关联（如文本中的“苹果”，通过上下文“发布iPhone 16”链接到图谱中的“苹果公司”，而非“水果苹果”）
• 实体消歧：当同一文本出现多个同名实体时，自动区分（如“特斯拉在上海建厂，特斯拉CEO马斯克出席仪式”，通过“建厂”“CEO”等信息，分别链接到“特斯拉公司”和“埃隆·马斯克”实体）
• 跨文档实体对齐：在多个文档中识别同一实体（如“TSLA”“特斯拉汽车公司”“Tesla Inc.”均对齐到图谱中的“特斯拉公司”实体）

🔧 从理论到落地：RAG学习资源与实践指南

掌握RAG技术的核心在于“理论+实践”，以下资源和路径可帮助快速上手。

📚 开源工具与项目推荐

1. 核心框架

   • LangChain：最流行的RAG开发框架，提供分块、Embedding、检索、生成全流程工具，支持与主流LLM（GPT、LLaMA、文心一言）和向量库对接
   • LlamaIndex：专为RAG优化的框架，内置知识图谱、多模态处理、对话记忆等功能，适合快速搭建企业级RAG系统
   • Haystack：侧重检索优化，提供丰富的重排序模型和分布式检索能力，适合大规模知识库场景

2. 实战项目库

   • All-RAG-Techniques（GitHub）：包含本文提及的20项核心技术的完整实现代码，每个技术对应独立的Jupyter Notebook，附带详细注释和效果对比。地址：https://github.com/FareedKhan-dev/all-rag-techniques
   • RAG-101（开源社区）：面向新手的入门项目，从“搭建简单文档问答系统”到“实现知识图谱融合RAG”，提供 step-by-step 教程和视频讲解

3. 向量数据库选型

   向量数据库	优势	适用场景
   Milvus	开源免费，支持大规模数据，分布式部署	企业级私有知识库、超大规模文档检索
   Pinecone	托管式服务，无需运维，开箱即用	快速验证原型、中小型公网应用
   Chroma	轻量级，本地部署便捷，适合开发测试	个人项目、小团队内部工具
   FAISS	检索速度极快，适合高并发场景	实时问答系统、高频检索应用

🎯 分阶段学习与实践路径

入门阶段（1-2周）：掌握基础能力

目标：搭建一个能处理简单文档的RAG原型

1. 理论学习：理解RAG核心概念（Embedding、向量存储、分块），学习LangChain/LlamaIndex基础用法
2. 工具准备：本地部署Chroma向量库，接入开源LLM（如Llama 2 7B、Qwen-7B）
3. 实战任务：
   • 处理一份PDF文档（如《Python入门教程》），用固定大小分块+Embedding存入向量库
   • 搭建“文档问答系统”，实现“提问→检索文本块→生成答案”的基础流程
   • 测试不同分块大小（如200字/块、500字/块）对检索效果的影响

进阶阶段（2-4周）：优化核心模块

目标：提升RAG系统的检索精度和实用性

1. 技术突破：深入学习语义分块、混合检索、重排序技术，了解OCR处理多模态文档
2. 实战任务：
   • 优化分块策略：对“法律条文文档”用语义分块（按条款拆分），对比与固定分块的效果
   • 实现混合检索：结合“语义向量+关键词”检索，解决“模糊提问”（如“合同到期怎么办”）的检索精度问题
   • 添加引用标注：在答案中显示“信息来源：文档X第X条”，提升可信度

高级阶段（4-8周）：落地复杂系统

目标：构建适配实际业务的生产级RAG系统

1. 技术突破：学习Self-RAG、GraphRAG、分布式检索架构，掌握系统评估与优化方法
2. 实战任务：
   • 搭建行业垂直RAG：如“医疗问答系统”，接入医学文献库，实现“症状→检索相关疾病与治疗方案→生成专业建议”
   • 融合知识图谱：对“企业年报文档”提取实体（如营收、利润、产品线），构建简易图谱，实现“多跳推理”（如“某公司2024年营收增长的原因”）
   • 系统优化：通过“答案准确率”“检索召回率”等指标评估系统，用重排序、增量更新等技术提升性能

💡 避坑与优化建议

1. 数据质量优先：RAG的效果取决于知识库质量，避免导入低质量文档（如扫描模糊、内容重复的文件），建议先进行“去重、去噪、格式统一”处理
2. 从小规模验证开始：不要直接投入大规模数据，先用100-500份文档验证分块、检索策略的有效性，再逐步扩容
3. 重视评估闭环：建立“人工标注+自动指标”的评估体系，定期测试系统在“常见问题”“边缘问题”“实时问题”上的表现，持续优化
4. 关注性能与成本平衡：分布式检索、多向量存储虽能提升效果，但会增加算力成本，中小场景可优先选择轻量级方案（如Chroma+Llama 2 7B）

🎉 总结：RAG技术的价值与未来

RAG技术的核心价值，在于打破了LLM“固步自封”的知识边界，让AI从“静态模型”变为“动态学习的智能助手”。无论是企业构建“内部知识库问答系统”，还是开发者打造“实时信息咨询AI”，RAG都是当前性价比最高的解决方案——无需花费数百万训练专属大模型，只需通过“文档处理+检索优化”，就能让现有LLM具备专业、实时、精准的回答能力。

未来，RAG技术将朝着三个方向发展：

• 更智能的自适应能力：AI自主判断检索策略、动态调整知识库，无需人工干预
• 更深层的多模态融合：不仅处理文本，还能检索图片、音频、视频中的信息（如从产品视频中提取操作步骤）
• 更高效的推理能力：与知识图谱、Agent技术深度结合，实现“复杂问题拆解→多源检索→逻辑推理→精准生成”的端到端闭环

对于学习者和实践者而言，RAG技术门槛适中、应用场景广泛，掌握其核心能力，既能解决实际业务问题，也能紧跟AI技术落地的主流方向。现在就从一个简单的文档问答系统开始，开启RAG技术的实践之旅吧！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？