本文还有配套的精品资源，点击获取

简介："AIAssistant-开源"是一个结合了AI技术和开源软件理念的项目，旨在为用户打造高度定制化和可扩展的人工智能私人助手。本项目深入探讨了自然语言处理、机器学习和对话管理等核心组件，并强调了大数据和强化学习在AI私人助手中的应用。用户可自由参与开源社区，通过个性化和定制化功能，提升助手的效率和体验。项目同时展示了开源社区的协作力量，推动技术创新，以期在多个场景下为人们的生活和工作带来便利。

1. 人工智能私人助手的发展趋势

随着人工智能技术的快速发展，私人助手正逐渐从科幻概念变为现实，人们开始享受由AI驱动的个性化服务。本章将探讨这一领域的发展方向，从基础技术进步到市场趋势，为读者呈现一幅AI私人助手的未来图景。

1.1 AI私人助手技术的进化

从最初的数据查询和基础任务执行，到如今的自然语言处理和深度学习，AI私人助手正通过技术革新不断扩展其功能和服务边界。随着算法的优化和硬件的发展，私人助手的应用场景越来越广泛，从个人生活管理到企业业务助理，都显示出强大的生命力和应用潜力。

1.2 智能化与个性化的发展趋势

AI私人助手正变得越来越智能，它们能够学习用户的偏好和习惯，提供更贴合用户需求的服务。未来的发展将集中在如何更深层次地理解和预测用户行为，以及如何在保证用户隐私的前提下提供个性化的服务。语音识别、情感计算、上下文感知等技术将成为推动个性化服务发展的关键技术。

1.3 面临的挑战与机遇

AI私人助手的发展也面临诸如伦理、隐私和安全等挑战。同时，技术上的突破、市场需求的增长以及全球化竞争等因素也为AI私人助手带来了前所未有的机遇。在解决挑战的同时把握机遇，将是未来AI私人助手持续发展的关键。

2. 开源软件的概念与优势

在当今数字化时代，开源软件已成为技术创新的重要驱动力。它改变了软件产业的生产、分发、使用和维护方式，对个人、企业乃至整个社会都产生了深远的影响。在这一章节中，我们将深入探讨开源软件的基本概念、它所具备的优势以及在人工智能（AI）领域的应用实例。

2.1 开源软件的基本概念

2.1.1 开源的定义和历史

开源（Open Source）一词通常指的是允许用户查看、修改和分发源代码的软件。它是相对于专有软件（也称为闭源软件）而言的，专有软件通常被限制只能由其所有者进行修改和分发。开源软件的历史可以追溯到1980年代，当时一些计算机科学家开始推崇共享代码的理念。

开源软件运动的催化剂是1991年Linux内核的发布，由芬兰学生林纳斯·托瓦兹（Linus Torvalds）发起。随后，开源社区迅速发展，吸引了全球开发者共同参与。开源软件的使用和贡献不再局限于个人爱好者的层面，而是逐渐渗透到商业和工业领域中。

2.1.2 开源软件许可证的种类和应用

开源软件的许可证是法律文件，定义了人们使用、修改和分发软件的权利和义务。最著名的开源许可证包括GNU通用公共许可证（GPL）、伯克利软件分发许可证（BSD）、麻省理工学院许可证（MIT）等。每种许可证都有其独特的条款，关注点包括代码的衍生作品是否必须也开源、是否允许在不改变代码原意的情况下添加私有模块等。

在选择和使用开源软件时，理解不同的许可证条款至关重要。例如，GPL许可证要求任何使用了GPL代码的衍生作品也必须开源，这被称为“传染性”条款，旨在确保代码的开放性。而MIT许可证则更为宽松，它只要求保留版权声明和许可声明，允许开发者以几乎任何形式使用代码。

2.2 开源软件的优势

2.2.1 提高软件的可靠性与安全性

开源软件的一个显著优势是提高了软件的可靠性与安全性。由于源代码对所有开发者都是可见的，因此任何潜在的错误、安全漏洞都可以被社区快速识别和修复。这种透明度促进了软件质量的持续提升，因为成千上万的开发者可以参与到代码审查、测试和维护过程中。

2.2.2 促进技术创新和知识共享

开源社区鼓励知识共享和技术交流，这不仅加速了创新，还为个人和组织提供了获取最新技术的机会。开源项目通常与最新的技术趋势保持同步，因为它们能够迅速集成来自全球各地的创新贡献。此外，开源还鼓励了跨学科合作，促进了不同领域间知识的融合与创造。

2.2.3 推动社区协作和知识传播

开源项目通常围绕一个核心理念或目标聚集了一批志同道合的开发者和用户。这些社区通过讨论、文档编写、代码提交、审阅和测试等方式进行协作。通过开源，知识传播不再受地理位置、经济能力或企业壁垒的限制，而是成为一个持续的全球性过程。

2.3 开源软件在AI领域的应用实例

2.3.1 开源框架在AI中的普及情况

在人工智能领域，开源框架如TensorFlow、PyTorch、Keras等，已成为AI研究和应用的重要工具。这些开源框架降低了AI技术的入门门槛，允许开发者利用先进的算法和工具来创建、训练和部署机器学习模型。其普及程度之高，以至于大多数AI相关项目都会基于这些框架之一进行开发。

2.3.2 成功案例分析

开源AI项目不仅在技术社区内部产生了影响，也对商业领域产生了深远的影响。例如，使用TensorFlow开发的AlphaGo在围棋比赛中战胜了世界冠军李世石，成为了开源技术突破的经典案例。此外，医疗影像分析、自然语言处理等领域的商业产品，也大量采用开源框架来加快研发进度，并在一定程度上降低了成本。

在本章中，我们讨论了开源软件的概念、优势以及在AI领域中的应用实例。开源软件已经成为推动现代软件开发和技术创新的核心力量。下一章，我们将继续探索“AIAssistant-开源”项目的核心特点，包括它的架构、功能和服务等。

3. "AIAssistant-开源"项目的核心特点

3.1 项目的总体架构和技术路线

3.1.1 系统框架的构建

"AIAssistant-开源"项目旨在构建一个功能全面、高可定制的开源人工智能私人助手。为了实现这一目标，项目采用了模块化的设计理念，将系统架构划分为多个层次，每层具有明确的职责，这样的设计可以提高系统的可维护性和可扩展性。

在系统的最底层，是数据采集层，它负责收集用户数据和环境数据，包括用户的行为数据、输入数据以及外部环境信息。该层使用各种API和数据抓取工具，能够接入和处理多种数据源。

紧接着是数据处理层，该层涉及数据清洗、数据融合、数据预处理等环节。数据通过这一层后，将为后续的分析和模型处理提供准确的基础数据。

在数据处理层之上是核心算法层，该层包含自然语言处理模块、机器学习模块、知识图谱模块等。核心算法层负责处理和分析数据，并通过算法实现各种AI功能，例如语音识别、文本生成、情感分析等。

最后是应用接口层和用户交互层。应用接口层提供API给其他应用程序使用AIAssistant的功能，而用户交互层则提供直接与用户交互的界面，包括命令行界面（CLI）、图形用户界面（GUI）以及语音交互界面。

系统框架的构建不仅需要考虑各个层次之间的耦合和解耦，还需要保证系统的稳定性和性能。通过持续的迭代和优化，"AIAssistant-开源"项目能够不断适应新的技术和用户需求。

3.1.2 核心技术的选择与应用

在选择和应用核心技术时，项目团队考虑了多个方面，包括技术的成熟度、社区支持、性能以及未来的发展潜力。在自然语言处理（NLP）方面，采用了基于深度学习的预训练模型，如BERT和GPT，这些模型在理解和生成自然语言方面显示出卓越的性能。

在机器学习模块，项目集成了scikit-learn和TensorFlow等主流机器学习框架，以支持各种机器学习算法的应用。为了提高项目的运行效率和可维护性，采用了Kubernetes容器化技术，使得项目能够高效地进行横向扩展和自动部署。

项目还着重于数据的隐私保护和安全，因此选择了加密技术以及安全的数据传输协议。所有数据传输都经过SSL/TLS加密，以确保数据在传输过程中的安全。

此外，为了保证系统框架的灵活性和可扩展性，项目采用了微服务架构。各个服务独立部署、版本控制、可独立扩展，大大提升了系统的可靠性和维护的便捷性。

选择合适的核心技术并将其有效应用到项目中，是"AIAssistant-开源"能够实现其目标的关键。在未来的开发中，项目团队将继续关注新兴技术的发展，确保项目能够持续迭代和更新。

3.2 项目的功能与特色服务

3.2.1 个性化与定制化服务

个性化和定制化服务是"AIAssistant-开源"项目的一个核心特色。为了提供满足不同用户需求的服务，项目设计了一套灵活的个性化引擎，能够根据用户的具体需求提供个性化的信息和功能。

个性化引擎的工作流程从用户画像的构建开始，通过收集用户的使用习惯、偏好设置、以及与AI助手的交互历史来构建用户画像。项目采用了协同过滤和内容推荐等算法来分析用户数据，从而对用户进行精准画像。

当用户发起请求时，AIAssistant将结合用户画像，动态调整响应内容。例如，一个对于天气信息有频繁查询需求的用户，在提问天气相关问题时，AIAssistant能够直接提供该用户所在地区的实时天气信息。或者在特定时间点，自动提醒用户带伞或增减衣物。

定制化服务还体现在功能层面，用户可以根据自己的需求启用或禁用AIAssistant的某些功能。通过友好的设置界面，用户可以定制个人的使用体验，例如选择不同的语音合成器或视觉界面风格。

3.2.2 用户体验和交互设计

良好的用户体验是AIAssistant项目的另一个关键。项目团队深信，一个成功的AI助手不仅要有强大的技术支持，还必须提供简单直观、愉悦的用户交互体验。

在交互设计上，项目注重简洁明了的界面设计，避免过多复杂的操作流程。在命令行界面（CLI）中，通过智能的命令提示和自动补全功能，减少用户的输入量和提高使用效率。在图形用户界面（GUI）设计中，采用清晰的布局和直观的图标，使得用户能够快速上手。

为了进一步优化用户体验，项目集成了多轮对话管理功能。这意味着AIAssistant能够理解和记忆对话的上下文，使得与用户的对话更加自然流畅。这种多轮对话技术在处理复杂的查询或者执行需要多个步骤的任务时尤为有效。

在视觉设计上，"AIAssistant-开源"项目提供主题更换功能，用户可以轻松更改界面的风格和颜色，以适应自己的喜好或符合特定的使用环境。

除了这些，项目还注重多语言支持和无障碍功能，确保更多用户能够无障碍地使用AIAssistant。通过不断收集用户反馈，并进行相应的功能调整和优化，"AIAssistant-开源"项目致力于为用户提供持续改进的体验。

3.3 项目在开源社区的定位与贡献

3.3.1 社区参与和协作模式

"AIAssistant-开源"项目非常重视开源社区的力量和智慧。项目的设计和开发都遵循开源的理念，即通过公开源代码、协作开发和开放讨论的方式，汇聚全球开发者和用户的智慧，共同推进项目的成长和发展。

社区参与的模式多样化，包括代码贡献、文档编写、新功能提出、问题反馈、测试和社区支持等。项目通过GitHub等代码托管平台发布代码，并设置明确的贡献指南，为有意贡献的开发者提供清晰的指引。

此外，项目定期举办线上和线下的交流活动，如开发者会议、技术研讨会和用户聚会等，以便更好地与社区成员沟通和互动。通过这些活动，开发者和用户可以分享他们的想法，提出问题，共同讨论解决方案，进一步激发创新思维和协作热情。

3.3.2 对开源生态的长远影响

"AIAssistant-开源"项目的成功，不仅体现在产品本身，更在于其对整个开源生态系统的积极影响。项目通过公开源代码和文档，降低了人们进入AI领域的门槛，促进了技术的普及和教育。

项目积极采用和推广开源技术和工具，为其他项目提供了参考和范例，推动了相关开源社区的发展。在使用开源软件的同时，项目也不断回馈开源社区，通过修复漏洞、添加新功能和提供文档来帮助其他项目进步。

为了确保项目的健康发展，"AIAssistant-开源"项目团队还致力于构建一个可持续发展的商业模式。尽管项目是开源的，但通过提供专业服务、技术支持、定制开发等增值服务，项目能够创造经济价值，保证团队和项目的长期运作。

此外，项目还注重与其他开源项目合作，通过共享组件和接口，实现功能互补和生态融合。这种生态合作模式有助于构建更加强大和多样化的开源生态系统，为更多的用户提供高质量的开源解决方案。

4. 自然语言处理在AI中的应用

4.1 自然语言处理技术概述

4.1.1 NLP的基本原理和发展历程

自然语言处理（NLP）是人工智能和语言学领域中的一个分支，它致力于赋予计算机理解、解释和生成人类语言的能力。NLP 的基本原理是将人类语言的自然表达转化为一种结构化的形式，以便计算机能够处理。这一过程涉及对语言的语法、句法、语义和语用等方面的理解和分析。

NLP 的发展历程可以追溯到上世纪 50 年代，当时研究者开始尝试编写简单的程序来模拟人类的理解过程。初期的尝试包括了简单的文字游戏和基于规则的翻译系统。随着计算机科学的发展和理论研究的深入，NLP 技术经历了几次重大的变革：

• 早期基于规则的方法 ：研究者们通过制定一系列的规则来处理特定的自然语言问题。例如，使用正则表达式来分析和处理文本。
• 统计学方法的兴起 ：统计模型如隐马尔可夫模型（HMM）和条件随机场（CRF）在 NLP 领域中开始被广泛应用，它们提供了更为灵活的处理方式。
• 深度学习的革命 ：近年来，深度学习技术特别是神经网络模型的引入，极大地推动了 NLP 的发展。序列模型如循环神经网络（RNN）、长短期记忆网络（LSTM）和变压器模型（Transformer）成为了处理语言任务的主流方法。

4.1.2 NLP的关键技术和算法

NLP 技术的核心在于解决以下三个基本任务：

• 分词（Tokenization） ：将连续的文本序列分割成一个个有意义的单元，如单词、短语或句子。
• 词性标注（Part-of-speech tagging） ：确定文本中每个单词的词性，如名词、动词、形容词等。
• 句法分析（Syntactic parsing） ：识别和分析句子的句法结构，即确定词与词之间的语法关系。

随着深度学习的发展，更高级的 NLP 技术包括：

• 词嵌入（Word Embedding） ：通过模型将单词表示为稠密的向量空间中的点，捕捉语义信息。
• 上下文表示（Contextual representation） ：如BERT模型，能够根据单词周围的上下文动态调整词的表示。
• 预训练语言模型（Pretrained language models） ：如GPT系列，通过大量文本的无监督学习得到强大的语言理解能力。

NLP 算法的进步极大地提升了计算机处理自然语言的能力，使得 AI 私人助手等应用更加智能和准确。

4.2 NLP在AI私人助手中的应用实践

4.2.1 语义理解与意图识别

AI 私人助手的一个核心功能是理解用户的自然语言输入，并识别用户的意图。这一过程包括以下几个步骤：

• 分词 ：将用户的语音或文字输入分解成一个个单词或词组。
• 词性标注和句法分析 ：分析句子结构，理解各个词的语法角色。
• 命名实体识别 （NER）：识别文本中的实体，如人名、地点、日期等。
• 意图识别 ：通过预设的意图模型，将用户的输入匹配到相应的意图类别中。

例如，当用户说：“明天上午九点安排一个和销售团队的会议。”AI 私人助手需要：

1. 识别“明天上午九点”为时间实体。
2. 理解“安排”为意图关键词。
3. 识别“和销售团队的会议”为事件实体和“销售团队”为参与实体。
4. 最终理解用户的意图是“安排会议”，并提取出相关参数。

4.2.2 语音和文字交互的实现

现代的 AI 私人助手通常支持语音输入和文字输入两种交互方式。不同的输入方式需要不同的处理流程：

• 语音识别（ASR） ：将用户的语音输入转换为可读的文本。这一过程依赖于复杂的声学模型和语言模型，将声音信号转化为文本数据。
• 自然语言理解（NLU） ：在获取到文本后，AI 需要理解用户的意图、实体和上下文关系。

一旦理解了用户的请求，AI 私人助手将调用相应的服务或执行相应的任务，比如设置提醒、发送邮件、预定会议室等。随后，AI助手需要通过自然语言生成（NLG）技术，将执行结果转化为人类可理解的语言反馈给用户。

例如，若用户通过语音提出请求：“请给我发送一封邮件给John。”AI 私人助手需要完成以下步骤：

1. 使用语音识别技术将用户的语音转换为文本：“请给我发送一封邮件给John。”
2. 通过自然语言理解，提取出关键信息，意图（发送邮件）、接收人（John）。
3. 调用邮件服务API，创建邮件。
4. 使用自然语言生成技术，生成回应语：“已成功发送邮件给John。”
5. 通过语音合成（TTS）将回应语转化为语音输出给用户。

整个流程需要快速、准确地完成，以确保用户体验的流畅性。AI 私人助手的高效表现依赖于背后强大的 NLP 技术支持。随着 NLP 技术的不断进步，AI 私人助手能够更好地理解复杂的自然语言，提供更加人性化的服务。

5. 机器学习模型的训练与优化

5.1 机器学习基础理论

5.1.1 模型训练的基本流程

在探讨如何训练和优化机器学习模型之前，我们需要对模型训练的基本流程有所了解。模型训练是机器学习的核心步骤之一，主要分为以下几个阶段：

1. 数据准备：收集和清洗数据，划分训练集和测试集，确保数据的质量和代表性。
2. 特征选择：根据任务需求选择合适的特征，这可能包括特征工程，如特征构造、特征转换等。
3. 模型选择：根据问题的性质选择合适的机器学习模型，比如决策树、支持向量机(SVM)、神经网络等。
4. 训练模型：使用训练数据对模型进行训练，通过迭代更新模型参数，最小化损失函数。
5. 验证模型：在验证集上评估模型性能，进行超参数调整，以避免过拟合或欠拟合。
6. 测试模型：在独立的测试集上测试模型，评估其泛化能力。
7. 模型部署：将训练好的模型部署到实际应用中，进行预测或决策。

5.1.2 评估指标和优化方法

为了衡量模型的性能，通常使用一系列评估指标。这些指标可以帮助我们理解模型在不同方面的表现，如准确性、精确率、召回率、F1分数等。选择合适的评估指标对于模型的评估至关重要，因为不同的业务场景可能对性能指标的要求不同。

优化方法是指导模型提升性能的各种技术手段。常见的优化方法包括：

• 正则化技术（如L1、L2正则化）：减少模型复杂度，防止过拟合。
• 超参数调优（如网格搜索、随机搜索）：找到最佳的模型参数。
• 模型集成（如bagging、boosting）：结合多个模型的优势，提高预测的准确性。
• 交叉验证：通过将数据集划分为多个子集，来评估模型的稳定性和泛化能力。

5.2 AI私人助手的模型应用案例

5.2.1 需求分析和模型选择

在为AI私人助手选择合适的机器学习模型时，需求分析是第一步。这涉及到理解AI私人助手的工作场景、预期功能以及性能目标。假设我们的AI私人助手需要能够准确识别用户的指令，并提供相应的服务，如日程管理、邮件撰写、信息检索等。

针对这一需求，我们可以选择自然语言处理模型，如基于深度学习的循环神经网络（RNN）和长短期记忆网络（LSTM），或者最新的基于注意力机制的模型，如Transformer。这些模型擅长处理序列数据，并能提供很好的语义理解能力。

5.2.2 训练过程和结果分析

在模型训练的过程中，首先需要对收集到的指令数据进行预处理，包括分词、去除停用词、词性标注等。然后，我们可以使用预训练的语言模型作为起点，如BERT或GPT，这些模型在大量文本数据上训练得到，能够捕捉丰富的语言特征。

接下来，开始训练过程。为了防止过拟合，通常会加入正则化技术。我们使用交叉验证来确定模型的超参数，并监控训练过程中的验证损失。最终，我们会在独立的测试集上评估模型的准确性。通过测试集结果，我们可以得出模型是否满足性能要求。

假设训练完成后，我们得到的模型在测试集上的准确率达到了95%。然而，用户的反馈显示，模型在理解复杂指令方面仍存在不足。这时，我们可以针对具体的反馈对模型进行微调，比如增加特定场景的数据集，或者进一步优化网络结构。通过不断地迭代优化，最终使得AI私人助手更加智能和用户友好。

6. AI助手的个性化和定制化实现

在当今的AI领域，个性化和定制化服务已经成为提升用户体验的关键。AI助手的个性化服务不仅仅体现在语音识别和语义理解上，更深入到了用户行为分析和需求预测中。本章将深入探讨AI助手个性化和定制化实现的理论基础、技术路径以及用户体验设计。

6.1 个性化和定制化的理论基础

个性化和定制化服务的核心是用户画像和推荐系统。用户画像可以帮助AI助手更好地理解用户的需求和偏好，而推荐系统则可以在用户画像的基础上提供更加精准的服务。

6.1.1 用户画像的构建方法

用户画像是指根据用户的个人信息、行为、偏好等数据构建的用户模型。构建用户画像主要通过以下方法：

1. 数据采集 ：收集用户的基本信息、设备信息、使用习惯、搜索历史等。
2. 数据分析 ：对收集的数据进行处理，提取关键信息，使用聚类、分类等方法识别用户行为模式。
3. 用户标签化 ：根据分析结果给用户打上特定的标签，如“音乐爱好者”、“健康生活者”等。
4. 动态更新 ：用户的行为和偏好是动态变化的，需要不断地收集新的数据并更新用户画像。

6.1.2 推荐系统和个性化推荐技术

推荐系统是根据用户的用户画像，为用户推荐他们可能感兴趣的内容或服务。推荐技术主要有以下几种：

1. 基于内容的推荐 ：根据用户历史行为和偏好推荐相似内容。
2. 协同过滤推荐 ：利用其他用户的喜好和行为模式对目标用户进行推荐。
3. 混合推荐系统 ：结合多种推荐技术以提高推荐的准确性和覆盖率。

6.2 实现个性化AI助手的技术路径

为了实现个性化AI助手，需要进行数据的收集与处理，以及定制化功能的开发与部署。

6.2.1 数据收集与处理

数据是个性化服务的基石。在数据收集与处理方面，需要做到以下几点：

1. 收集多样化的数据源 ：包括用户的输入、历史交互记录、设备信息、第三方服务数据等。
2. 数据清洗和预处理 ：确保数据质量，处理缺失值、异常值，统一数据格式。
3. 隐私保护 ：遵循相关法律法规，确保用户数据的安全和隐私。

6.2.2 定制化功能的开发与部署

定制化功能是个性化AI助手的核心，其开发和部署步骤如下：

1. 功能设计 ：基于用户画像和业务需求，设计个性化的功能模块。
2. API集成 ：集成第三方服务API，如天气、音乐、新闻等。
3. 开发与测试 ：编写代码，实现功能，并进行详细的测试保证功能的稳定性和可用性。
4. 部署上线 ：将开发完成的功能部署到生产环境中，并进行监控和维护。

6.3 定制化AI助手的用户体验设计

用户体验是定制化AI助手设计中的重要环节。一个出色的用户体验需要关注用户界面(UI)设计和用户体验(UX)优化。

6.3.1 用户界面(UI)设计原则

用户界面是用户与AI助手互动的直接界面，设计原则如下：

1. 简洁性 ：界面设计要简洁明了，避免过于复杂导致用户迷惑。
2. 一致性 ：保持界面元素的一致性，确保用户可以快速适应。
3. 可访问性 ：设计时要考虑到易用性，确保所有用户都能方便地使用。
4. 视觉吸引力 ：通过色彩、图标和布局等提升视觉吸引力。

6.3.2 用户体验(UX)优化策略

用户体验设计要始终关注用户的需求和反馈，优化策略包括：

1. 用户研究 ：通过问卷调查、访谈、用户测试等方法了解用户需求。
2. 反馈循环 ：及时收集用户反馈，并根据反馈进行产品迭代和优化。
3. 个性化体验 ：结合用户画像，提供与用户兴趣和行为相匹配的个性化体验。

通过上述的章节内容，我们不仅了解了AI助手个性化和定制化的理论基础和技术实现路径，而且分析了在用户体验设计方面需要注意的关键点。在下一章节，我们将探讨自然语言处理在AI私人助手中的应用实践，进一步深入AI技术在实际应用中的具体表现。

本文还有配套的精品资源，点击获取

简介："AIAssistant-开源"是一个结合了AI技术和开源软件理念的项目，旨在为用户打造高度定制化和可扩展的人工智能私人助手。本项目深入探讨了自然语言处理、机器学习和对话管理等核心组件，并强调了大数据和强化学习在AI私人助手中的应用。用户可自由参与开源社区，通过个性化和定制化功能，提升助手的效率和体验。项目同时展示了开源社区的协作力量，推动技术创新，以期在多个场景下为人们的生活和工作带来便利。

本文还有配套的精品资源，点击获取