企业官网建设流程全解析

大模型、扩散模型、多模态模型，这三个词放在一起，足以劝退九成初学者。但如果你愿意花一个晚上，我会告诉你一个反常识的事实：这三样东西，恰恰是现在的AI里最适合零基础入手的部分。它们听起来像三座大山，实际拆开看，每个方向的核心套路都不超过三句话。我写过很多代码，也走过很多弯路，这里就按我自己的理解，把这三个方向的学习路径、核心原理和实操动作掰开揉碎讲一遍，是那种可以直接照着做的版本，不是教科书式的名词科普。

这篇内容讲的是怎么从零开始，把大模型、扩散模型、多模态模型逐个拿下。适合完全没有AI基础、但想真正上手跑代码的人看，也适合那些已经看了不少文章、但始终卡在“似懂非懂”状态的人。我写这篇文章的目标只有一个：让你读完以后，知道自己下一步该干什么，并且有信心动手去做。

1. 零基础怎么同时拿下三块内容：学习路径整体设计

1.1 先别急着学数学，先把概念“翻译”成人话

很多人一上来就去看注意力机制的论文、看扩散模型的数学推导，然后心态崩了。这是最常见的错误。我见过太多人卡在第一步，不是因为笨，而是因为学习顺序反了。零基础阶段，你的任务不是推导公式，而是建立大框架。说得直白一点，你要先知道每个模型是干什么的、输入输出是什么、训练大概是什么流程、跑起来需要什么资源，然后再决定要不要深入数学细节。

把这三块内容翻译成人话：

• 大模型，本质是一个“接话茬”机器。给它一段文本，它预测下一个词是什么，不断重复这个动作，就生成了一整段话。
• 扩散模型，本质是一个“去马赛克”过程。它学习的是从纯噪声逐步还原出清晰图像的过程。
• 多模态模型，本质是一个“翻译官”。它把文字、图像、声音等各种不同类型的信息，统一翻译成模型能对齐的向量空间。

你看，用这种方式去理解，门槛一下子就降下来了。大模型的核心是“预测下一个词”，扩散模型的核心是“去噪”，多模态模型的核心是“对齐”。后面你学到的所有东西，都是在给这三句话填细节。

1.2 学习顺序为什么是“大模型 → 扩散模型 → 多模态模型”

我推荐的学习顺序是固定的：先大模型，再扩散模型，最后多模态模型。这里面有实际的工程逻辑。

大模型是基础，因为它是你理解另外两个方向的脚手架。大模型里的 token 概念、注意力机制、微调方法、训练资源需求，这些知识在多模态模型里会原封不动地出现。你先搞懂了大模型的文本处理流程，再去看图文模型，就不会被那些视觉编码器、投影层搞得一头雾水。

扩散模型放在第二位，是因为它相对独立。它不需要你掌握大模型那一套复杂的预训练范式，而是从头走一遍完整的生成流程。这个方向能让你建立起“训练-推理-评估”的完整闭环经验，而且视觉结果的反馈非常直接——图像效果好不好，一眼就能看出来，不需要复杂的指标分析。

多模态模型放在最后，是因为它是一个综合应用。你得先理解了文本模型怎么工作，又理解了图像特征怎么提取，才能明白多模态模型是怎么把两者拼到一起的。到了这个阶段，你要做的不是重新学一个东西，而是把前面两块知识拼接起来。这种顺序安排，每个阶段都在为下一个阶段铺路，走起来最顺。

1.3 零基础学习的心态调整：你不是在学数学，你是在学工具

我要强调一个很重要的心态认知：作为应用者和入门者，你的目标不是发明新算法，而是学会使用工具。不要执念于自己推导出所有公式，这不现实，也没有必要。想一下你平时用手机拍照，你不需要懂镜头光学原理和ISP图像信号处理芯片的逻辑，你只需要知道怎么对焦、怎么调曝光、哪个模式拍出来好看。

AI学习也是这么回事。你需要掌握的是：这个模型能做什么、怎么调用、关键参数是什么、数据怎么准备、模型效果不好时怎么调整。这些是工具属性，任何人都能学会。

当然，我不否定数学的重要性。如果你后面想读论文、想改进模型、想做科研，数学基础是绕不开的。但那是第二阶段的事情。零基础阶段，请先跑通一个项目。哪怕只是把开源代码跑起来，也会让你对全局的认识提升一大截。

提示：请不要一上来就报那种动辄几个月的“AI系统班”，那些课程的前半段通常是数学补课，对建立信心没有帮助。选一门短期的、以项目驱动的入门课，或者干脆自己找几篇带代码的博客跟着做，效果要好得多。

2. 大模型入门：从调用到微调，摆脱原理焦虑

2.1 大模型的核心认知：Token 和注意力机制

大模型这块，我建议你从两个最核心的概念入手：Token 和注意力机制。你不用去推公式，理解它们“是什么”和“为什么重要”就够了。

Token 是大模型处理文本的基本单位。可以把它理解为“词的碎片”。英文里一个单词可能被拆成几个 Token，中文里一个汉字可能就是一个 Token，具体要看分词器怎么设计。模型的输入输出都不是直接以“字”为单位，而是以 Token 为单位。这个概念贯穿所有大模型应用的始终——你调 API 时候的 token 数限制、计费方式，推理速度的瓶颈，都和它直接相关。

注意力机制是更核心的东西。你可以把它理解为一种“动态加权”的机制：模型在处理某一个词的时候，会关注输入序列中其他词，但每个词的重要程度不一样。比如“苹果发布了新的iPhone”这句话，处理“iPhone”这个词时，模型会重点关注“苹果”和“发布”，而不是“的”和“新”。注意力机制就是让模型学会了这些权重关系。

我这里不给你推 QKV（查询、键、值）矩阵的公式，你只需要建立两个认知：第一，注意力机制让模型可以并行处理序列里所有位置的关系，这也是为什么 Transformer 比之前的循环神经网络快那么多；第二，注意力机制的本质是让信息在序列中流动，决定每个位置“看”其他位置的哪些部分。等你有这个认知了，以后再去读论文，会发现数学表达只是这些直觉的严格化。

2.2 零基础第一课：跑通一个开源小模型的调用

大模型这块的实操，我的建议是：不要一开始就想着微调一个 7B、13B 的模型，哪怕你有一块 24GB 显存的显卡，也先别。先做一件事——跑通一个开源小模型的本地部署和调用。

我建议选择一个 1B 到 3B 参数规模的小模型，比如某些开源社区提供的量化版本小模型，或者一些专注边缘设备的小模型。这些模型在 CPU 上也能跑，只是慢一点；有 GPU 体验会顺畅很多。你去 HuggingFace 或 ModelScope 上找一个下载量高的中文小模型，按 README 里的代码，用 transformers 库加载它，然后跟模型对话。

这段代码很简单，核心就三件事：加载分词器、加载模型、生成文本。你不用理解里面的细节，把它跑通就行。跑通之后，你会对模型的输入输出格式、文本生成速度、显存占用有直观感受。这个过程中，你至少会踩两三次坑——比如某个依赖库版本不对、模型下载超时、显存不够。踩坑不是坏事，每解决一个问题，你对这套工具链的理解就深一层。

这一步做完，你再去看大模型推理优化的内容，比如量化、KV Cache、批处理，就会有实感。这些东西都是围绕“更快更省地生成 Token”展开的，你有了基础体验，再看这些就不会觉得悬浮。

2.3 微调不是必须，但 LoRA 是零基础最值得掌握的微调方式

完成调用之后，很多人会急切地想“训练一个自己的模型”。我要泼一点冷水：绝大多数业务场景，并不需要微调。你需要做的是先评估：直接调用开源模型的效果够不够？如果不够，优先尝试提示词工程，把问题描述清楚、少样本示例给足。这两步做完了，效果还不满意，再考虑微调。

如果真走到微调这一步，我强烈建议你从 LoRA（低秩适配）开始，不要去尝试全参数微调。

LoRA 的核心思路很简单：冻结原本模型的所有权重，只训练一小部分新增的“旁路参数”。这个旁路参数极其少，可能只有原模型参数的 0.1% 到 1%，但用它来做特定任务的适配，效果往往已经很好了。

为什么强烈推荐它？三个理由：

• 显存开销低。同样的显卡，全参数微调跑不动的，LoRA 可以跑。18GB 显存左右就能微调一个 7B 的模型。
• 训练速度快。因为只训练少量参数，收敛所需要的步数少很多，单次迭代的显存和时间开销也低。
• 模型切换灵活。同一个基座模型，可以同时挂多个不同的 LoRA 适配器，不同任务用不同的 LoRA，互不干扰。不需要维护多个完整的模型副本。

LoRA 实操步骤也很有套路：准备数据（一个 JSON 文件或者 JSONL 文件，每条包含输入输出）、配置训练参数（学习率、批次大小、步数等）、调用训练脚本、把训练好的 LoRA 权重保存下来，然后加载到基座模型上推理。

这个流程本身不难，难的是数据准备和调参判断。后面我会展开讲常见问题。

2.4 大模型项目的完整闭环：数据、训练、评估

大模型项目最容易忽略的环节是评估。我见过太多人把 LoRA 训练完，然后问“效果怎么样”，结果回答是“感觉还行”。

这不叫评估，这叫感觉。要量化一个微调效果，你需要准备一个评估集——和训练集不重叠的、带有标准答案的问题集合。你跑完模型，把生成结果和标准答案对比，算准确率或者是人工打分。评估集的设计远比想象中重要，你要确保它覆盖真实使用场景的典型情况，而不是又测了一遍训练数据。

数据、训练、评估，这三者的优先级排序，我个人的观点是：数据大于评估，评估大于训练。数据决定效果的上限，评估告诉你离上限有多远，训练只是逼近上限的手段。很多人一上来就纠结学习率怎么设、训练多少步，其实这些都是次要问题，数据和评估才是决定项目质量的核心。

3. 扩散模型入门：从加噪去噪到亲手训练一个图像生成器

3.1 扩散模型的直觉理解：噪声与图像的博弈

扩散模型最经典的直觉就是把图像生成理解成“去噪”。整个逻辑分两步，训练时“加噪”，生成时“去噪”。

训练阶段，模型做的事情是学习一个图像从清晰变到噪声的过程中，每一步是怎么变的。你拿一张清晰的猫图，不断往上叠加高斯噪声，叠到一定程度图像就完全花了。模型要学习的，就是给定一个“半花”的图，预测它比之前那一步多出来的噪声是什么。学会这个预测之后，推理阶段就反过来：从一个纯噪声图开始，模型一步步把噪声去掉，最终还原出一幅图像。

这个过程听着简单，但里面有个很关键的设计：如果只学习从“上一步图像”到“下一步图像”的映射，那模型只能生成它见过的确定图像。扩散模型之所以能生成多样化的图像，是因为整个过程引入了随机噪声作为起点，让每次生成都有不同的可能性。每一次“去噪”都不是唯一的，模型做出的是一个概率判断，这就让生成结果充满了多样性。

用生活类比来说：一个专业修图师能从一张满是噪点的老照片中修复出清晰的人像，但每修复一步，他其实都在做“判断”——哪些地方是细节，哪些地方是噪点。这种判断不是唯一确定的，所以他修出来的图每次可能都有细微差别。扩散模型就是把这种“专业修图”的过程做成了可学习的模型。

3.2 为什么说是 U-Net 和采样器撑起了扩散模型

扩散模型有两个关键组件你一定会遇到：U-Net 和采样器。U-Net 负责去噪，采样器负责决定“怎么走”。

U-Net 是一种特殊的卷积神经网络结构，形状像字母“U”。它先不断下采样，把图像逐步压缩成更小的特征图，然后再上采样，把特征图逐步还原回原始分辨率。这种结构擅长捕捉不同尺度的信息：下采样的时候捕捉全局结构，上采样的时候恢复局部细节。去噪任务恰好需要这种能力——既要看懂图像整体的轮廓（一只猫的姿态、背景环境），又要恢复精致的细节（毛发纹理、边缘锐度）。

采样器则是一个更工程化的概念。你可以把它理解为“去噪过程中的步长和路径”。

从纯噪声到清晰图像，你不可能一步到位，需要分很多步走。采样器决定了每一步怎么迈、迈多大。不同的采样器在步数和效果上的取舍不同：DDIM 速度快但细节丰富度可能略低，DPM++ 系列在质量和速度之间比较平衡，Euler 则是稳定又简洁。实际使用中，你会发现同一个模型，换一个采样器，出图风格和细节都会有差异。

参数层面的实操，你需要掌握四个最常用的按钮：

• 步数（Steps）：去噪迭代的次数。不是越多越好，很多采样器跑到 20 步左右效果已经不错，继续增加边际收益递减。
• CFG 引导系数（Classifier-Free Guidance Scale）：控制图像和提示词之间的贴合程度。太高容易出现色彩过饱和，太低图像会和提示词脱节，常见区间是 5 到 10。
• 随机种子（Seed）：决定初始噪声。同样的种子加上同样的参数，生成结果可以完全复现。
• 采样器类型：决定生成路径和质量平衡，常见选择包括 Euler、DDIM、DPM++ 2M 等。

这些参数配合起来，就构成了你生成图像的“手感”。这种手感的养成需要反复实验，没有捷径，但成本很低，因为出图只要几秒或几十秒。建议你刻意做一个实验矩阵，固定一个提示词，分别调节步数和 CFG 系数，看结果怎么变，很快就会形成直觉。

3.3 扩散模型训练实操：小规模数据集练手

扩散模型的训练听起来很重型，但如果你只是练手，完全可以从极小的数据集开始。你甚至不需要真的去训练 Stable Diffusion 那样的大模型，可以先用一个非常小的数据集去训练一个从随机噪声生成小尺寸图像的模型。

这里我给一个具体方案：用公开的、包含几千张动物图像的迷你数据集，把图片缩到 64x64 或者 32x32，训练一个简易的扩散模型。训练过程分四步：把图像缩放到合适分辨率，加噪声生成训练样本，用 U-Net 去预测噪声，通过损失函数优化。这个流程在单张消费级显卡上就能跑，一张卡训练几个小时往往就能看到有意义的结果。

这个练手项目最大的价值，是让你亲手建立“训练-采样-评估”的完整认知。你会发现，训练过程里损失不是一路下降的，会有震荡；采样时步数太少的话生成结果会偏模糊；数据集样本太少模型会记住训练图像，而不是学会生成。这些问题都是真实工作中的高频问题，在很小的尺度上遇到它们，比在大模型上头疼要好得多。

注意：第一次训练扩散模型，千万别追求一次性成功。你只需要定义一个简单的 U-Net，选一个简单的损失函数（通常就是预测噪声和真实噪声之间的均方误差），跑一个非常小的迭代周期，然后观察采样输出。如果输出的图像从纯噪声逐渐变成大体有形状的物体，你就已经理解扩散模型的核心了。

3.4 扩散模型应用扩展：从文生图到可控生成

跑通基础的训练流程之后，你可以往应用方向探索，最典型的就是可控生成。这是扩散模型应用走向实用的关键能力。你可通过引入文字描述、参考图结构、人物姿态、边缘图等信息，控制图像生成的方向。

一个典型的核心技术叫 ControlNet。你可以把它理解为给扩散模型加了一个“引导层”：输入一张姿态骨架图，模型就按这个骨架来生成图像人物姿态。输入一张边缘图，模型生成图像时会遵循这些边缘结构。这种能力让文生图从“碰运气”变成“可控地创作”，是很多设计类工作的刚需。

学习这个方向的时候，你不需要自己实现 ControlNet 的原理，更实际的方式是用现成的 WebUI 或者 ComfyUI，拖入一张姿态图，写一段提示词，观察生成结果和姿态图的贴合程度。这种“用起来再理解”的方式，对零基础的人特别友好。

4. 多模态模型入门：图文对齐与跨模态理解

4.1 多模态模型的核心问题：把不同东西统一到同一个空间

多模态模型的本质，是让模型理解并处理多种类型的信息——最常见的是图像和文本。这听起来像是一个超级智能，但实际工程实现的核心，只有两个字：对齐。

什么叫对齐？你要把猫的图像和“猫”这个文字，放到同一个“语义空间”里，让模型觉得它们是“同一个意思的两种表达形式”。在这个语义空间里，一张猫的图片是一个向量，“一只小猫”这句话是另一个向量，它们之间的距离应该很近。这种距离越近，说明模型对图文信息的理解越一致。

4.2 经典架构拆解：视觉编码器、投影层和大语言模型

多模态大模型的结构，说穿了是三个部分拼接：视觉编码器 + 投影层 + 大语言模型。

你可以把这三部分理解为三个齿轮：视觉编码器负责把图像转化成视觉特征，投影层负责把视觉特征映射到语言模型能理解的空间里，大语言模型负责基于这些特征进行推理和生成文本。

具体展开一下：

视觉编码器通常来自预训练的视觉模型，比如 ViT（视觉Transformer）。它把一张242x242或者336x336的图片切成一块块小补丁（Patch），然后像处理文字那样处理图像。每一块补丁被转换成一个视觉Token，整个图片就变成一组Token序列。这也是为什么那类模型能同时处理图文——本质上，视觉和文本都被最终转成了Token序列。

投影层的作用在于把视觉特征和文本特征对齐。视觉编码器输出的特征向量维度，通常和语言模型的隐藏维度不一致，投影层就负责把它们转换过去，同时在训练中学习让两者在语义上对齐。

大语言模型部分，就是你在前面学过的那些Transformer层。它们负责接收投影后的视觉特征和文本输入，生成出最终的回答或描述。

4.3 多模态模型的零基础实操：构建一个图文理解Demo

零基础做多模态实操，我同样建议从一个最小的项目开始——图文理解和描述生成。目标就是给模型一张图，它输出一段描述性的文字。你现在网上能搜到大量开源实现，比如基于 CLIP 做图文匹配的小项目，或者基于开源多模态模型的微调示例。

一个很推荐的练手项目是：做一个以图搜图文匹配的 Demo。准备几十张图片，每张配一句描述文本，用一个现成的多模态模型计算图片和文本之间的相似度分数。当你输入一张图片，它从你的文本库中找出最匹配的描述文本。做完这个，你对“对齐”的理解会比任何文章都深刻。

更进一步，你可以在开源多模态模型的基础上做微调实验：准备一个有几万条图文对的数据集，用 LoRA 微调方式，让模型学会给特定风格的图像生成特定风格的描述。到这一步，多模态模型就不再是黑盒了，你会清晰地感觉到，模型的能力来自哪里，数据之间是怎么对齐的。

4.4 多模态模型的应用场景与资源建议

初学多模态阶段，最容易遇到的问题是你以为需要做很多图像处理，或者需要自己训练一个视觉模型，但实际上完全不需要。现代多模态大模型之所以强大，恰恰是因为视觉编码器、投影层、语言模型这些模块都不需要你从头训练——它们已经通过海量预训练学会了基本的图文对应关系，你只需要进行轻量级微调或者直接用开源权重做推理。

应用场景方面，我建议你重点关注几个方向：图像问答（给图提问，模型回答）、跨模态检索（以文搜图、以图搜文）、文档理解（从扫描件表格里提取信息）、以及视频理解（多帧画面拼接成序列后做整体分析）。这些场景不仅实用，而且都有现成的开源基座模型可以直接调用，非常方便。

资源上，如果你要本地跑多模态模型，显存需求会比纯文本大模型高一些。入门阶段建议选视觉编码器比较小的模型，或者直接用 API 做开发，先把业务逻辑跑通，再考虑本地部署和性能优化。

5. 零基础避坑清单与常见问题排查实录

5.1 显存不够和模型加载失败：最常见的起步问题

零基础学习 AI 的过程中，显存OOM（Out Of Memory）是我见过出现频率最高的问题。模型加载到一半，或者训练没跑几步就崩了，根本原因都是显存不够用。排查这个问题，有几个实用思路：

先量化需求。加载一个 7B 参数的模型，未量化的时候权重就有 14GB 左右，加上激活值和中间缓存，推理时至少要 18GB 显存，训练则要更宽裕。你的设备是 8GB 显存，就别想着跑 7B 模型了。选择合适的模型大小和量化精度其实是一种核心技能。

量化能让模型权重从 4 字节降到 2 字节甚至更少，显存占用直接减半乃至更多。但量化也会带来精度损失，小模型上表现更明显。入门阶段，建议先用 4 位量化跑小模型，性能不够再加预算。

除了硬件限制，很多人会遇到模型加载报错，原因大多是依赖库版本不匹配。PyTorch、transformers、CUDA 版本之间的兼容性折磨过所有人，哪怕是我，也会在新环境里遇到这些问题。处理方法只有一条：严格按照代码仓库的 README 要求配置环境，不要随意升级依赖库的版本，更不要自己乱配CUDA。

5.2 训练不收敛和过拟合：如何看懂损失曲线

训练大模型或者扩散模型时，最让人不安的情况就是损失函数不下降。很多情况下这其实不是模型的问题，而是数据或者配置的问题。

当你看到损失一直震荡不降（指大模型的训练），第一步看的不是模型结构，而是学习率。学习率太大了模型会反复横跳不收敛，太小了又训得很慢。观察几天内损失曲线的趋势：如果锯齿状甚至上升，大概率是学习率偏大；如果缓慢平稳下降，就不是问题，只是需要更长的时间。

过拟合则更多集中在微调阶段。比如 LoRA 训练微调一个文本分类任务，发现训练集损失降低很多，但验证集准确率没有同步提高，甚至在下滑，那就过拟合了。解决办法有几个：增加训练数据量、加入正则化手段，或者减少训练轮数。对于 LoRA 来说，低秩参数本身有正则效果，但过小的数据集仍然很难避免过拟合。

还有一个隐蔽的过拟合陷阱：数据泄漏。你用了和训练集同分布的数据做评估，效果虚高，但到了真实场景效果就崩了。这正是我前面强调评估集要单独设计的原因。

5.3 复现开源项目失败的通用排查路径

零基础阶段会大量复现别人的开源项目，失败率很高是很正常的。我这里给你一条排查路径，按优先级往下走：

第一，环境问题。Python 版本对不对？依赖库版本和项目要求是否匹配？CUDA 设备是否可用？这些问题占了复现失败原因的八成。第二，数据问题。项目依赖的数据集是否下载完整？路径是否修改成你自己的地址？很多项目代码里写的是作者本地的绝对路径，需要你改成相对路径。第三，显存问题。作者用来训练的是企业级显卡，用消费级入门卡去跑当然会OOM。这时候需要降级：换更小的模型、更小的batch size、或者开梯度累积。

最后还有一个很实用但常被忽略的手段：去看项目的 Issues 页面和 Pull Request。Open Source 社区很活跃，踩过坑的人通常已经在 Issues 里求助过，早就有人给出了解决方案。搜一下关键词，比你从零排查快得多。

5.4 避坑清单速查表

下面是一个速查表，覆盖了我所提到的主要“坑”和相应解决方法：

5.5 项目如何在零基础阶段做闭环：一个模拟项目示例

讲了这么多，最后我给出一个综合模拟项目的操作框架，适合零基础的人把三块知识串起来。

项目名字就叫“某图像理解与生成Demo”。整体目标是：输入一张图片，模型生成一段描述文字，然后基于描述生成一张风格化新图。项目拆成三部分。

第一步，大模型部分：选用一个开源的中文小模型基座，准备若干图文对数据，训练一个 LoRA 适配器，目标是让模型学会“看图说话”的输出格式。第二步，多模态部分：接入视觉编码器，把它得到的图像特征和语言模型对齐，实现从图像到文本的转换。第三步，扩散模型部分：把生成的文本作为提示词，传给一个文生图模型，生成新的风格化图片。

这个项目的价值不在于工程复杂度，而在于它强迫你按顺序把三个方向的核心组件全部跑一遍：文本模型的微调、视觉特征的接入、图像模型的调用。做完它，零基础这个阶段就算正式毕业了。

6. 写在最后：先跑起来，再追原理

我带过不少人入门，有一个体会很深：真正拉开差距的不是天赋，也不是数学基础，而是“敢不敢动手”。很多人看了一个月的文章，收藏了上百个教程，却连一个模型都没有跑起来过。而另外一些人可能什么理论都不懂，先照着开源仓库的README，敲代码把模型加载起来。哪怕报错十次，只要第十一次成功了，他对这个领域的理解就已经超过一半的“理论派”。

所以你现在要做的第一件事，不是继续找更全的学习规划，也不是先买本深度学习书，而是去任何一个开源模型平台，找到你感兴趣的那个模型，复制它的代码，在你的电脑上把它跑起来。如果这一步做不到，那所有后面的路线都是空谈。等你跑通了第一个模型，你会发现，大模型也好、扩散模型也好、多模态模型也好，不过都是同一套工具链上的不同玩法罢了。

我自己走过这个阶段，知道刚起步时面对满屏代码的无力感，也知道第一次生成图像、第一次微调成功的那种兴奋。这些都值得你亲自体验一遍。等你的手上有了自己的生成图像、微调模型，你回头看这段时间的经历，会觉得那三种听起来很高深的方向，其实都是纸老虎。