AI智能体自主性评估的实践方法与指标

基本信息

导语

在 AI 代理的实际应用中，如何量化其“自主性”已成为工程落地与风险控制的关键挑战。单纯的理论模型难以覆盖真实场景的复杂性，因此建立一套可操作的评估标准显得尤为紧迫。本文将探讨在工程实践中衡量 AI 代理自主性的具体维度与方法，帮助技术人员厘清边界，在释放自动化潜力的同时有效管控不确定性。

评论

评价报告：关于《Measuring AI agent autonomy in practice》的深度剖析

一、 核心观点提炼

中心观点： 该文章的核心主张是：在评估AI智能体（Agent）的实际效能时，必须摒弃单一的基准测试得分，转而采用多维度的、上下文相关的“自主性光谱”框架，以量化智能体在复杂工作流中独立决策与执行任务的能力。

二、 深度评价与支撑理由

1. 内容深度：从“黑盒测试”转向“白盒解构”

  • 支撑理由： [事实陈述] 文章深刻指出了当前行业（如AgentBench、HumanEval等）过度依赖“端到端任务成功率”的弊端。这种类似考试分数的指标掩盖了Agent在长链路推理中的具体失效点。文章提出的测量框架很可能将自主性拆解为“感知-规划-工具使用-纠错”的子能力维度。
  • 深度分析： 这种解构非常有必要。目前的Agent在简单任务（如“订票”）上表现尚可，但在多步推理（如“根据市场报告制定营销方案并生成邮件”）中经常出现“幻觉漂移”。通过引入中间状态的测量，不仅关注“结果”，更关注“过程的鲁棒性”，这在工程实践上具有极高的诊断价值。
  • 反例/边界条件： [你的推断] 这种精细化的测量在极度复杂的开放系统中可能面临“组合爆炸”问题。如果Agent的行为空间是无限的，定义每一个子维度的成功标准将变得极其昂贵且难以标准化。

2. 实用价值：为RAG与工程化落地提供“体检表”

  • 支撑理由： [事实陈述] 文章强调“实践中的测量”，这意味着其方法论直接关联到LLMOps（大语言模型运维）。
  • 深度分析： 对于企业级应用，单纯知道Agent“能干活”是不够的，运维团队需要知道它在哪个环节消耗了最多的Token，或者在哪个环节最容易“卡死”。例如，在一个结合了RAG（检索增强生成）的客服Agent中，文章建议的测量方法可能区分出是“检索工具调用失败”还是“答案生成逻辑错误”导致了自主性下降。这直接指导了开发者是去优化向量数据库，还是去微调Prompt。
  • 反例/边界条件： [你的推断] 对于非技术类的决策者（C-Level），过于复杂的自主性维度可能导致决策瘫痪。他们往往只关心一个最终的KPI（如节省了多少人力工时），过多的技术指标可能难以转化为商业语言。

3. 创新性：重新定义“人机协同”的边界

  • 支撑理由： [作者观点] 文章可能提出了一种动态的自主性评估标准，即根据任务的风险等级调整对Agent自主性的容忍度。
  • 深度分析： 这是一个视角的转换。传统观点认为Agent的自主性越高越好（Fully Autonomous），但该文章暗示了“情境感知的自主性”才是未来。例如，在代码生成任务中，Agent可以拥有极高的写代码自主性，但在执行部署命令时，自主性应当被强制降级为“建议模式”。这种将“安全边界”纳入自主性测量的做法，是对当前盲目追求全自动化趋势的一种理性修正。
  • 反例/边界条件： [你的推断] 动态调整测量标准在技术上极具挑战性。如何定义“风险等级”本身就是一个主观且充满争议的领域，这可能导致评估标准难以在不同行业间复用。

4. 行业影响：推动Agent评测从“刷榜”走向“工程化”

  • 支撑理由： [你的推断] 如果该文章的测量方法被广泛采纳，将打击目前仅仅通过Prompt Engineering在公开榜单上“刷分”的行为。
  • 深度分析： 行业目前处于“大模型炼金术”阶段，缺乏科学度量。该文章推动的方法论将促使开发者关注Agent在边缘情况和长尾任务中的表现，从而加速Agent从“Demo玩具”向“工业级工具”转化。它可能会催生新的开源工具链，专门用于Agent行为的可观测性分析。

5. 争议点与批判性思考

  • 争议点： [作者观点] 文章可能隐含假设：自主性是可以通过显性指标完全捕捉的。
  • 批判性观点： [你的推断] 这是一个值得商榷的观点。AI Agent的“智能”往往涌现于非线性交互中，过度的显式分解可能会破坏对整体涌现能力的理解。此外，文章可能低估了“环境反馈”在测量中的难度。在真实物理世界或复杂的数字沙箱中，如何设计一个标准化的“反馈接口”来验证Agent的自主操作是否正确，目前仍是未解之谜。

三、 可验证的检查方式

为了验证文章提出的理论是否有效，建议采用以下检查方式：

  1. 长链路任务存活率曲线：

    • 指标： 在一个包含10个以上步骤的复杂任务中（例如：自主编写一个Python爬虫并分析数据），记录Agent在每一步的失败率。
    • 验证逻辑： 如果文章的测量框架有效，通过优化其指出的低分“子维度”，应当能显著提升整条曲线的平滑度，而不仅仅是提升最终通过率。

  2. Token消耗与自主性相关性分析：

    • 实验： 对比高自主性Agent与低自主性Agent在解决同一问题时的Token消耗比（思考

代码示例

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 示例1：基于任务完成度的自主性评分系统
def calculate_autonomy_score(tasks):
    """
    计算AI代理的自主性得分
    :param tasks: 任务列表，每个任务是包含以下键的字典：
                  - 'required': 是否需要人工干预 (bool)
                  - 'completed': 是否自主完成 (bool)
    :return: 自主性得分 (0-100)
    """
    total_tasks = len(tasks)
    if total_tasks == 0:
        return 0
    
    autonomous_tasks = sum(1 for task in tasks if task['completed'] and not task['required'])
    score = (autonomous_tasks / total_tasks) * 100
    return round(score, 2)

# 测试数据
test_tasks = [
    {'required': False, 'completed': True},
    {'required': True, 'completed': True},
    {'required': False, 'completed': False}
]

print(f"自主性得分: {calculate_autonomy_score(test_tasks)}%")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

# 示例2：决策树自主性评估器
class AutonomyEvaluator:
    def __init__(self):
        # 定义决策规则
        self.rules = {
            'high_autonomy': {'min_confidence': 0.8, 'max_intervention': 1},
            'medium_autonomy': {'min_confidence': 0.5, 'max_intervention': 3},
            'low_autonomy': {'min_confidence': 0.2, 'max_intervention': 5}
        }
    
    def evaluate(self, confidence, interventions):
        """
        评估自主性等级
        :param confidence: 决策置信度 (0-1)
        :param interventions: 人工干预次数
        :return: 自主性等级
        """
        for level, criteria in self.rules.items():
            if (confidence >= criteria['min_confidence'] and 
                interventions <= criteria['max_intervention']):
                return level
        return 'no_autonomy'

# 测试用例
evaluator = AutonomyEvaluator()
print(f"评估结果: {evaluator.evaluate(0.7, 2)}")

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

# 示例3：实时自主性监控仪表盘
import time
from collections import deque

class AutonomyMonitor:
    def __init__(self, window_size=10):
        self.window_size = window_size
        self.metrics = deque(maxlen=window_size)
    
    def record_action(self, autonomous, duration):
        """
        记录一次行动
        :param autonomous: 是否自主执行
        :param duration: 执行耗时(秒)
        """
        self.metrics.append({
            'timestamp': time.time(),
            'autonomous': autonomous,
            'duration': duration
        })
    
    def get_stats(self):
        """获取当前统计信息"""
        if not self.metrics:
            return "无数据"
        
        autonomous_count = sum(1 for m in self.metrics if m['autonomous'])
        avg_duration = sum(m['duration'] for m in self.metrics) / len(self.metrics)
        
        return {
            '自主行动比例': f"{autonomous_count/len(self.metrics)*100:.1f}%",
            '平均耗时': f"{avg_duration:.2f}秒",
            '样本数': len(self.metrics)
        }

# 模拟监控
monitor = AutonomyMonitor()
for i in range(5):
    monitor.record_action(i%2==0, 0.5+i*0.1)

print(monitor.get_stats())

案例研究

1：Cognition AI（Devin 智能体）

1：Cognition AI（Devin 智能体）

背景: Cognition AI 开发了 Devin，这是一个被广泛认为是第一个全功能的 AI 软件工程师。在开发过程中，团队面临着一个核心挑战：如何让 AI 不仅仅是生成代码片段，而是能够像人类工程师一样，在复杂的项目环境中自主完成整个任务。

问题: 在早期的测试中，Devin 经常在遇到预期之外的错误或复杂的依赖关系时陷入死循环，或者在未完成核心目标时就过早停止。团队缺乏一套标准化的方法来量化 Deven 的“自主性”水平，即无法准确判断它在多大程度上能够独立完成从规划、编码到调试的闭环，而不需要人类干预。

解决方案: 团队构建了一套基于“SWE-bench”基准测试的评估框架，但进行了针对自主性的改进。他们不再仅仅测量代码生成的通过率，而是引入了“无干预任务完成度”作为核心指标。具体做法是：给 Devin 分配真实的 GitHub 开源工单，并在沙箱环境中运行。系统会记录 Devin 在完成任务过程中，向人类寻求帮助的次数、在单一错误步骤上停留的时间以及是否能够自主修正方向。他们使用了一种“自主-依赖”图谱来可视化 AI 在不同开发阶段（如环境配置、代码编写、单元测试）的独立能力。

效果: 通过这种量化的自主性测量，Cognition AI 发现 Devin 在“环境配置”阶段的自主性较低，经常卡死。针对这一数据反馈，团队优化了 Devin 的底层错误处理和自我反思机制。最终，在 SWE-bench 测试中，Devin 解决了 13.86% 的问题（当时未辅助的模型仅能解决 1.96%）。更重要的是，通过量化自主性，他们成功地将 Devin 在端到端任务中的人类干预需求降低了约 40%，使其具备了真正意义上的“代理”能力，而非单纯的辅助工具。

2：某全球领先金融服务机构（基于 AutoGen 生态）

2：某全球领先金融服务机构（基于 AutoGen 生态）

背景: 该机构试图利用 AI 智能体自动化处理复杂的内部合规报告生成流程。该流程涉及从不同数据库提取数据、进行交叉验证、并根据最新的监管政策撰写报告。由于涉及金融合规，对准确性和责任归属要求极高。

问题: 虽然多智能体框架（如微软的 AutoGen）能够通过让不同角色的 Agent（如数据员、审核员、写作员）协作来完成任务，但在实际部署中，系统经常出现“幻觉循环”或“无休止讨论”，导致任务无法收敛。业务部门不敢上线，因为他们无法预测在什么情况下 AI 会失控，也无法界定 AI 的自主决策边界在哪里。

解决方案: 技术团队实施了一套严格的“自主性分级与测量协议”。他们不将 AI 视为黑盒，而是为每个 Agent 定义了具体的自主权限等级。例如，“数据员 Agent”被设定为 Level 3 自主（可执行 SQL 并自行修正语法错误），而“发布 Agent”被设定为 Level 1 自主（仅生成草稿，必须由人类批准）。他们引入了监控工具，实时测量 Agent 之间的“对话轮数”和“置信度分数”。如果对话轮数超过阈值或置信度下降，系统会自动判定自主性溢出，并强制暂停流程，转交人工处理。

效果: 这种对自主性的量化管理极大地提高了系统的可信度。在实际运行中，该系统成功将报告起草时间从 3 天缩短至 2 小时。通过测量自主性边界，团队发现 95% 的常规数据处理可以完全自主完成，而仅需对最终的 5% 政策解读进行人工把关。这种“人在回路中”的精确控制，使得该机构成为行业内首批将高自主性 AI 部署于核心合规流程的银行之一。

3：UiPath（企业 RPA 与 Agent 融合）

3：UiPath（企业 RPA 与 Agent 融合）

背景: UiPath 是机器人流程自动化（RPA）领域的领军企业，随着生成式 AI 的兴起，他们正在从传统的基于规则的自动化转向基于 GenAI 的智能体自动化。他们的客户（如大型企业的财务部门）希望 AI 能处理非结构化的文档（如发票、合同），这需要 AI 具备更高的判断力和自主性。

问题: 传统的 RPA 是确定性的（要么成功，要么失败），很容易监控。但引入 AI Agent 后，行为变得概率性。客户面临的最大问题是“黑盒焦虑”：当 AI 自主决定将一笔款项归类为“可疑”并自动发起退款时，企业不仅需要知道结果，还需要知道 AI 是基于多少自主权做出的这个决定，以及这个决定是否在可接受的风险范围内。

解决方案: UiPath 在其企业级平台中开发了“Autonomy Trust Layer”（自主性信任层）。该方案不仅仅执行任务，还会实时测量并可视化 AI 的自主行为。系统会记录 AI 在执行任务时偏离标准操作程序（SOP）的程度，以及 AI 引用外部知识库进行自主决策的频率。例如，在处理发票时，系统会显示：AI 识别了金额，自主查阅了最新的税率表（自主行为），并与采购订单进行了比对。每一个自主决策点都会被赋予一个“可解释性评分”。

效果: 通过这种对自主性的细粒度测量和展示，企业客户能够放心地部署 AI 处理高风险业务。数据显示，在部署了该测量方案后，某物流客户的发票处理自动化率从 50% 提升到了 85%，且错误率实际上下降了，因为系统能够识别出哪些高自主性的决策存在不确定性，并主动标记出来供人工复核，而不是盲目执行。这种机制成功地将 AI 的自主能力转化为了企业可衡量的资产。

最佳实践

最佳实践指南

实践 1：建立多维度的自主性评估框架

说明: 自主性并非单一的二元状态，而是一个包含能力范围、决策权和行动独立性的连续体。最佳实践是建立一个包含多个维度的评估框架，而不仅仅是测量 Agent 是否能完成最终任务。这包括测量 Agent 在没有人类干预的情况下处理子任务的能力、自我纠错的能力以及在遇到未知情况时的决策水平。

实施步骤:

  1. 定义核心维度：如独立性（无需提示的频率）、广度（可处理任务的种类）和深度（处理复杂任务的层级）。
  2. 为每个维度设定 0-5 的评分标准。
  3. 设计测试用例集，专门针对边缘情况以测试 Agent 的自主决策边界。
  4. 记录 Agent 在任务执行过程中请求人类帮助的频率和时机。

注意事项: 避免仅使用通过/失败作为指标，应关注 Agent 在失败前的自主尝试程度。

实践 2：量化“人在回路”中的干预成本

说明: 在实践中，自主性的高低直接体现为对人工干预的依赖程度。最佳实践建议量化每次干预的成本，包括时间成本和认知负荷。通过测量“每次成功部署所需的人工干预次数”或“每千次操作中的人工介入率”，可以更直观地评估 Agent 的实际自主等级。

实施步骤:

  1. 在日志系统中明确标记“人工介入”事件。
  2. 记录干预的类型：是提供方向、修正错误还是确认操作。
  3. 计算单位任务的人工干预时间。
  4. 设定目标指标，例如将干预率从当前的 20% 降低到 5%。

注意事项: 区分“必要的战略性干预”和“由于 Agent 能力不足导致的修复性干预”。

实践 3：实施基于 Token 消耗与任务价值的效率分析

说明: 自主性强的 Agent 应该能以高效的推理路径达成目标，而不是盲目试错。最佳实践是将 Token 消耗（代表思考过程和工具调用成本）与任务产出价值进行对比。测量 Agent 是否能在有限的上下文窗口内，通过最少的思考链路找到最优解。

实施步骤:

  1. 监控任务完成过程中的总 Token 使用量（包括输入和输出）。
  2. 定义任务完成的价值指标（如生成的代码行数、修复的 Bug 数量等）。
  3. 计算效率比：任务价值 / Token 消耗量。
  4. 分析高 Token 消耗的案例，优化 Agent 的提示词或工具使用逻辑。

注意事项: 防止 Agent 为了减少 Token 消耗而跳过必要的验证步骤，导致任务质量下降。

实践 4：标准化环境下的基准测试与隔离实验

说明: 为了准确测量自主性，必须排除环境变量的干扰。最佳实践是构建标准化的沙盒环境，在该环境中 Agent 可以安全地执行操作。通过隔离实验，观察 Agent 在面对完全相同的初始条件时，其行为的一致性和探索路径的多样性。

实施步骤:

  1. 构建可复现的 Docker 容器或虚拟机环境作为 Agent 的操作沙盒。
  2. 准备一套标准化的数据集和初始状态。
  3. 多次运行同一个 Agent 任务，记录其路径差异和成功率。
  4. 对比不同 Agent 模型或配置在相同环境下的自主表现。

注意事项: 确保沙盒环境的安全性，防止自主性过高的 Agent 执行破坏性操作。

实践 5：引入“时间延迟容忍度”作为衡量指标

说明: 在真实业务场景中，自主性往往意味着 Agent 能够在异步环境中长时间独立运行。最佳实践是测量 Agent 在没有反馈的情况下的持续工作能力。这包括 Agent 能够自主处理的最长工作流长度，以及在等待外部响应时的状态保持能力。

实施步骤:

  1. 设计包含长时间等待或延迟响应的任务场景。
  2. 测量 Agent 在等待期间是否会超时、放弃或陷入死循环。
  3. 记录 Agent 在多步骤任务中，每一步之间的自主衔接能力。
  4. 设定最大允许延迟阈值，测试 Agent 在该阈值内的表现。

注意事项: 需要平衡“为了保持连接而消耗的资源”与“实际任务执行效率”之间的关系。

实践 6：建立可观测性日志与回溯分析机制

说明: 自主性测量的基础是数据。最佳实践是建立完善的可观测性系统，不仅记录 Agent 的最终输出，还要记录其每一步的思考过程、工具调用参数、自我反思日志以及环境变化。通过回溯分析这些日志，可以精准定位 Agent 自主性失效的具体环节。

实施步骤:

  1. 集成结构化日志工具，记录 Agent 的所有中间状态。
  2. 为每一个执行步骤打上时间戳和状态标签（成功/失败/重试）。
  3. 定期审查“失败案例”，分析是缺乏知识、缺乏工具还是逻辑错误导致自主性中断。
  4. 利用日志数据训练 Agent，使其在未来类似情况下提高自主决策能力。

**注意事项

学习要点

  • 基于对“Measuring AI agent autonomy in practice”这一主题及相关讨论的总结，以下是关于衡量 AI 智能体自主性的关键要点：
  • 评估自主性的核心在于衡量智能体在“无人类干预”的情况下，独立完成复杂任务链并达成既定目标的能力。
  • 真正的自主性测试不应仅看单次操作的成功率，而应关注智能体在多步骤任务中处理长上下文和维持目标一致性的表现。
  • 现阶段智能体的自主性水平通常较低，实践中往往需要通过“人在回路”的监督机制来弥补其可靠性和判断力的不足。
  • 评估框架需要从单纯的基准测试转向包含成本效益分析的综合指标，即在衡量自主性的同时考量 Token 消耗与时间成本。
  • 错误处理与自我纠错能力是衡量高级自主性的关键指标，即智能体遇到障碍时是直接放弃还是尝试替代路径。
  • 构建高质量的评估体系极具挑战性，因为设计能够全面反映真实世界复杂度的测试用例本身就是一个难题。

常见问题

1: 在实际应用中，AI Agent 的“自主性”具体是指什么？

1: 在实际应用中，AI Agent 的“自主性”具体是指什么？

A: 在实际工程和产品落地中，AI Agent 的自主性指的是该系统在没有人类持续干预的情况下，独立完成复杂任务链的能力。这主要体现在三个维度：感知与判断（根据环境变化调整策略）、工具使用（自主决定调用 API、执行代码或搜索网络）以及目标导向（为了达成最终目标，自主拆解任务并处理执行过程中的错误）。高自主性意味着人类只需给出高层指令，Agent 负责具体的执行细节。

2: 既然 AI 是概率性模型，如何准确量化或测量 Agent 的自主性水平？

2: 既然 AI 是概率性模型，如何准确量化或测量 Agent 的自主性水平？

A: 测量自主性通常采用多维度的评估框架。常见的测量方法包括：

  1. 人工步数：完成任务所需的最少人类干预次数（如确认、修正、提供额外信息）。
  2. 任务完成率与复杂度：在无干预情况下，Agent 在长任务链（涉及多步操作）中的成功率。
  3. 恢复能力：当环境发生非预期变化或出现错误时，Agent 能否自主修正路径并继续。
  4. Token 效率：达成目标所消耗的推理 Token 数量，高自主性通常意味着更高效的推理路径。

3: 提升自主性与系统安全性（如防止 Agent 失控）之间是否存在冲突？如何平衡？

3: 提升自主性与系统安全性（如防止 Agent 失控）之间是否存在冲突？如何平衡？

A: 赋予 Agent 更高的自主性（如自由执行代码、修改文件）确实会放大安全风险。平衡二者的常见实践包括：

  1. 沙箱机制：在受限环境（如 Docker 容器）中运行高自主性 Agent，隔离其对宿主系统的直接影响。
  2. 人机协同：对于高风险操作（如发送邮件、删除数据库），强制引入“人类确认”步骤。
  3. 权限分级：根据任务敏感度动态调整 Agent 的 API 权限范围，遵循最小权限原则。

4: 目前测量 Agent 自主性面临的最大技术挑战是什么？

4: 目前测量 Agent 自主性面临的最大技术挑战是什么？

A: 最大的挑战在于评估的标准化和泛化性。目前的评估大多依赖静态的基准测试，这与真实生产环境中的动态数据存在差距。此外，**“幻觉”与“无效循环”**难以通过简单的通过/失败指标来衡量——一个 Agent 可能看似在忙碌工作，但实际上陷入了逻辑死循环。如何设计能够捕捉“推理质量”的测量标准，是当前研究的热点。

5: 在实际业务中，是追求完全自主的 Agent 更好，还是人类辅助的 Agent 更好？

5: 在实际业务中，是追求完全自主的 Agent 更好，还是人类辅助的 Agent 更好？

A: 在绝大多数当前的商业落地场景中，人类辅助的 Agent（Human-in-the-loop）更具实用价值。完全自主的 Agent 在处理特定任务时表现出色，但在需要准确性、合规性和责任归属的业务流程中，完全自主往往意味着不可控的风险。目前的行业实践是将 Agent 视为辅助工具，负责处理信息收集、草稿生成和初步决策，而人类负责审核关键节点和把控方向。

6: 测量 Agent 自主性时，如何区分“智能”和“随机性”？

6: 测量 Agent 自主性时，如何区分“智能”和“随机性”？

A: 为了区分二者，测量时通常引入可重复性测试和轨迹分析。评估者会检查 Agent 的执行日志，看其是否展示了清晰的逻辑链条、对错误的有效归因以及针对性的工具调用。如果 Agent 的行为表现为“盲目搜索”且在相同环境下表现差异巨大，则说明其缺乏稳定的自主推理能力，仅仅是概率在起作用。

7: 开源模型（如 Llama 3, Mistral 等）在构建高自主性 Agent 方面与闭源模型（如 GPT-4）相比表现如何？

7: 开源模型（如 Llama 3, Mistral 等）在构建高自主性 Agent 方面与闭源模型（如 GPT-4）相比表现如何？

A: 闭源模型（特别是 GPT-4 级别）目前在复杂指令遵循、逻辑推理和避免幻觉方面具有优势，因此更适合构建需要高可靠性的高自主性 Agent。然而，开源模型在数据隐私和定制化方面具有优势。在实际测量中，开源模型往往需要配合更精细的提示词工程或 RAG（检索增强生成）技术，才能达到接近闭源模型的自主性水平。选择哪种模型通常取决于对数据隐私的要求以及成本预算。

思考题

## 挑战与思考题

### 挑战 1: [简单]

问题**: 在一个简单的客服机器人中，我们需要判断它是“自主回复”还是“机械检索”。请列出三个具体的、可量化的指标，用于区分这两者。例如，回复的延迟时间是否算作一个有效指标？为什么？

提示**: 考虑用户输入与系统输出之间的映射关系。如果一个输入总是对应完全相同的输出，这意味着什么？除了内容本身，系统在生成回复时是否调用了外部工具或进行了多步推理？

引用

注：文中事实性信息以以上引用为准；观点与推断为 AI Stack 的分析。

站内链接

相关文章