AI生成社交机器人内容的对抗攻防：从对抗样本到BERT检测实战

做社交平台内容风控时最让我头疼的一类样本并不是机器人常见的模板话术而是那种语法顺畅、有情绪、有口癖甚至还会用表情符号的帖子。这类文本很多来自大模型批量生成单看内容很像真人但发帖时间、频率和互动关系又明显不符合人类习惯。要同时从内容、行为两个维度把它们识别出来就不能只用传统脚本规则而是要把对抗性攻击和 AI 生成内容检测放在一起研究。本文将围绕 AI 生成的社交机器人内容的对抗性创建与检测展开覆盖对抗样本基础、文本攻击实现、BERT 检测器构建、对抗训练等内容。适合做内容安全、舆情分析、AI 安全方向的同学阅读也适合想了解大模型内容检测原理的开发者。读完之后你可以自己跑通一个从攻击样本生成到检测器鲁棒性评估的小项目并理解为什么单靠文本分类模型很难彻底解决社交机器人问题。1. 背景与核心概念1.1 什么是 AI 生成的社交机器人内容社交机器人Social Bot是指在社交网络中自动执行操作、模拟人类行为的账号程序。早期的社交机器人主要靠脚本和关键词回复内容机械、重复度高规则引擎很容易识别。但随着大模型能力的提升攻击者可以借助公开的大语言模型生成高度拟人、话题丰富、带有情绪起伏的长文本这让社交机器人的内容特征和人类写作之间的边界越来越模糊。我们把这种由 AI 批量生成、用于发布在社交平台上的文本称为 AI 生成的社交机器人内容。它可以是一段新闻评论、一条生活分享也可以是一个活动宣传文案。它们在表面上具备语法正确、表达流畅、上下文连贯等特征但背后其实是自动化的内容生产流程。这也是检测系统面临的新挑战不再只需要判断“账号像不像机器人”还需要判断“这段内容是不是机器生成的”。从对抗视角看生成方和检测方构成了一场持续博弈。检测方识别出内容异常后攻击方会调整生成策略检测方又需要重新迭代模型。这个循环非常接近对抗样本攻防中的经典问题因此我们把这一方向归入 AI 安全与对抗性内容检测的研究范畴。1.2 对抗样本与社交机器人检测的关联对抗样本Adversarial Example的概念最早来自图像领域对一张图像添加肉眼不可见的微小扰动可以让分类器以很高置信度输出错误结果。后来研究者把这一思想引入 NLP 领域发现对文本做字符替换、同义词替换、插入填充词等修改也能让模型预测结果发生改变。文本扰动往往不像图像扰动那样“微小”但攻击者追求的原则是一致的尽量保持语义和语法同时让目标模型出错。在社交机器人检测中对抗性创建的目标有两个层次。第一层是“拟人化”让生成内容在统计特征上接近人类写作比如提高词汇多样性、降低句子的重复度、加入口语化表达第二层是“定向绕过”攻击者知道检测器存在并针对模型的薄弱点进行修改比如检测器对某些高频词比较敏感攻击者就在句子中插入这些词来干扰判断。理解对抗性创建是为了更好地建设防御。只有知道攻击者可能采取哪些手段检测系统才能有针对性地进行数据增强、模型加固和实时监控。这也是我把“对抗性创建”和“检测”放在一篇文章里的原因。1.3 检测 AI 生成文本的主流方法检测 AI 生成文本的方法可以从两个维度看一类基于统计特征另一类基于深度模型。基于统计特征的方法中比较有代表性的是困惑度Perplexity和突发性Burstiness。困惑度衡量模型对一段文本的惊讶程度AI 生成的文本通常更符合语言模型概率分布因此困惑度偏低人类写作时有更强的不可预测性困惑度会更高。突发性则关注句子长度、词汇难度、句式结构的变化幅度人类文本的突发性通常更高AI 文本则相对平稳。这些特征可以作为分类器的输入成本低、解释性强但对经过精心改写、提示词调整的高质量生成文本会失效。基于深度模型的方法是目前的主流方向。常见做法是使用 BERT、RoBERTa 等预训练语言模型在人工标注或机器标注的“人类文本 vs AI 文本”数据上做二分类。这类模型能捕捉更丰富的语义和上下文线索比如过度均匀的措辞、缺少人类特有的口语瑕疵、逻辑推进过于“完美”等。由于 AI 生成技术本身迭代很快检测模型也需要不断用新数据和对抗样本做重训。在实际风控系统中很少只用文本分类一种手段。更加稳妥的方案是结合账号属性注册时间、头像、认证信息、行为特征发帖频率、时间分布、转发关系和社交网络特征关注关系、社区聚集度做多模态判断。文本检测负责内容维度行为检测负责账号维度两者互补才更接近真实的社交机器人识别场景。2. 环境准备与实验设计2.1 运行环境与版本说明本文实验以 Python 环境为基础核心框架使用 Hugging Face Transformers 和 PyTorch。版本上不写死具体号码因为相关库迭代非常快建议使用 Python 3.9 及以上版本PyTorch 2.x 及以上Transformers 4.x 及以上。如果你本机已经安装了机器学习环境一般只需要补充以下依赖。pip install transformers torch pandas numpy scikit-learn nltk如果你打算用 GPU 训练记得安装对应版本的 CUDA 版 PyTorch如果只是跑通流程和阅读思路CPU 环境也能完成演示只是训练时间会更长。本文以英文短文本为例中文场景需要把预训练模型换成bert-base-chinese并把攻击模块中的同义词表调整为中文词表。2.2 数据集与任务定义为了让实验聚焦我们把任务定义为一个二分类问题判断一段短文本是人类撰写的还是 AI 生成的。数据文件格式采用最简单的 CSV包含两列text短文本内容。label0 表示人类撰写1 表示 AI 生成。这里给出一份格式示例text,label Breaking: The city council will vote on the new budget tomorrow morning.,0 Just got my morning coffee and watching the sunrise. Peaceful.,0 Breaking: The city council is expected to vote immediately on a brand-new fiscal budget in the upcoming morning session, according to multiple official sources.,1 Just acquired my morning caffeine beverage and am currently observing the sun rising. A very peaceful moment indeed.,1注意这只是一个格式示例不能用于真实训练。真实实验中你需要从公开数据集或业务数据中采集足够的短文本并保证两类样本的数量和质量均衡。建议至少准备几千条数据否则 BERT 微调很容易过拟合。2.3 项目目录结构为了让代码清晰可运行我采用一个比较扁平的项目结构adversarial-social-bot/ ├── data/ │ └── social_text.csv ├── attacks.py ├── dataset.py ├── train.py ├── evaluate_attack.py └── requirements.txt各文件职责如下attacks.py实现字符替换、相邻交换、同义词替换、填充词插入等对抗攻击函数。dataset.py定义 PyTorch Dataset负责读取 CSV、做 tokenization并支持对抗数据增强。train.py训练 BERT 二分类检测器支持普通训练和对抗训练两种模式。evaluate_attack.py加载训练好的模型批量生成对抗样本并统计准确率变化。requirements.txt项目依赖清单。接下来的章节将会逐个文件拆解实现并解释关键代码的用途。3. 对抗性创建构造 AI 社交机器人文本样本3.1 基线用大模型生成社交风格文本在实现对抗攻击之前先理解攻击者如何产生“看起来像人”的文本基线。当前主流方式是基于预训练语言模型做文本生成比如使用distilgpt2这样的小型模型生成短文本。from transformers import pipeline generator pipeline(text-generation, modeldistilgpt2) prompt Breaking: The city council outputs generator(prompt, max_new_tokens30, do_sampleTrue) print(outputs[0][generated_text])这里只是一个技术演示用来理解生成文本的基线形态。如果你在实验环境中无法访问模型下载地址可以提前下载模型权重到本地目录再把from_pretrained的路径改为本地路径。大模型生成的文本往往语法完整、逻辑通顺但有两个容易被检测的特征一是高频词和句式重复率偏高二是整段文本的“信息密度”和“情绪起伏”比较规律。前者会导致文本困惑度偏低后者会让突发性指标偏低。检测模型正是从这些信号里寻找突破口。3.2 字符级攻击字符替换与相邻交换字符级攻击是对抗样本中最直观的一类。攻击者把文本中的某些字符替换为形近字符或者交换相邻字符模拟手误可以在不改变人类可读性的情况下破坏检测模型的局部特征。先看攻击模块中的字符替换实现sampling_chars { a: , o: 0, i: 1, l: I, e: 3, s: $, } def char_substitution(text, ratio0.2): 字符级替换把常见字母替换为形近字符 chars list(text) candidates [i for i, c in enumerate(chars) if c.lower() in sampling_chars] random.shuffle(candidates) need max(1, int(len(candidates) * ratio)) for i in candidates[:need]: chars[i] sampling_chars[chars[i].lower()] return .join(chars)核心思路是扫描整段文本找到所有可替换的候选位置再随机选择一定比例的字符做替换。ratio控制扰动强度实际使用中不建议设置太高否则文本会失去可读性。相邻交换则更简单随机选择相邻两个字符交换位置def adjacent_swap(text, ratio0.15): 相邻字符交换模拟手误 chars list(text) n len(chars) picks max(1, int(n * ratio)) for _ in range(picks): i random.randint(0, max(0, n - 2)) chars[i], chars[i 1] chars[i 1], chars[i] return .join(chars)这类攻击模拟的是真实用户打字时的常见错误。从检测角度看它们改变了单词的字面形态可能让基于词表或固定 n-gram 特征的模型判断失败。不过对以 BERT 为代表的上下文模型来说这种扰动不一定会让准确率明显下降因为注意力机制可以结合周围词推断出原始含义。3.3 词级攻击同义词替换词级攻击不修改单词拼写而是替换同义词使表面形式发生变化但语义基本不变。比如把important换成critical把people换成users这对只依赖表面词形的检测器效果更明显。simple_synonyms { good: [great, nice, fine], bad: [terrible, awful], very: [really, extremely, pretty], important: [critical, crucial, essential], people: [users, folks, individuals], money: [cash, funds, capital], new: [fresh, latest], big: [large, huge, massive], } def synonym_replace(text, ratio0.3): 词级同义词替换保留语义但改变表面形式 tokens re.findall(r[a-zA-Z]|[^a-zA-Z], text) candidates [i for i, t in enumerate(tokens) if t.lower() in simple_synonyms] random.shuffle(candidates) need max(1, int(len(candidates) * ratio)) for i in candidates[:need]: original tokens[i].lower() tokens[i] random.choice(simple_synonyms[original]) return .join(tokens)这里的关键是使用正则表达式把文本拆分为“单词”和“非单词”两部分这样替换时不会破坏标点和空格。很多文本攻击工具会调用 WordNet 等大型词库做同义词扩展但为了代码可运行本文先用一个内置的小型同义词表做演示。引申一下真正的攻击者不会只用几十个同义词而是会使用命名实体替换、代词替换、句式改写等更复杂的手段。同义词替换最大的优点是可解释性强也是构建对抗训练数据时非常实用的一种增强方式。3.4 语义保持攻击填充词与释义改写前面两类攻击主要改变表面形式还有一种攻击是添加“人味”。真实用户写作时经常出现口语化填充词比如like、you know、actually。AI 生成的文本通常比较干净因此检测器会把“过于干净”作为机器生成的信号之一。攻击者通过插入填充词可以让文本在风格上更接近人类。filler_words [like, you know, actually, basically, I mean, hmm, ...] def insert_filler(text, ratio0.15): 插入口语化填充词提高文本的“人味” words text.split() need max(1, int(len(words) * ratio)) for _ in range(need): pos random.randint(0, len(words)) words.insert(pos, random.choice(filler_words)) return .join(words)如果你的输入文本本身是英文这种插入方式比较自然如果是中文短文本可以把filler_words换成“嗯、其实、怎么说呢、就是说”等常见语气词。更高级的语义保持攻击是释义改写Paraphrase即用另一个生成模型重新表达原句。T5 系列模型经常承担这个任务from transformers import pipeline paraphraser pipeline(text2text-generation, modelgoogle-t5/t5-small) text The city council will vote on the new budget tomorrow morning. result paraphraser(fparaphrase: {text}, max_new_tokens50) print(result[0][generated_text])释义改写不依赖固定词表可以大幅改变句子结构对检测模型的语义边界提出了更高要求。由于 T5 是开源模型整个流程可以在本地环境完成适合做红队测试和研究。3.5 攻击效果自查完成攻击函数后可以先写一段脚本检查扰动后的文本是否仍可读。例如对原始句子Breaking: The city council will vote on the new budget tomorrow morning.经过字符替换可能变成Breking: The city c0uncil will vote on the new budget t0morrow m0rning.经过同义词替换可能变成Breaking: The city council will vote on the fresh budget tomorrow morning.经过填充词插入可能变成Breaking: The city council basically will vote on the new budget, you know, tomorrow morning.这一步很重要因为很多攻击脚本虽然在“改”文本但没有保留人类可读性导致模型仍然能轻松识别。建议在进入检测评估之前先人工检查攻击前后文本的质量再调整ratio参数。4. 检测器构建与对抗鲁棒性评估4.1 构建 BERT 文本分类基线检测器选择 BERT 模型做二分类。虽然 BERT 已经不算最前沿的模型但它在文本分类任务上仍然稳定而且 Hugging Face Transformers 对它的支持非常完善适合作为教学示例。先实现数据读取模块dataset.pyimport random import pandas as pd import torch from torch.utils.data import Dataset from transformers import AutoTokenizer from attacks import ( adjacent_swap, char_substitution, insert_filler, synonym_replace, ) class SocialTextDataset(Dataset): def __init__( self, csv_path, model_namebert-base-uncased, max_len64, augmentFalse, augment_prob0.3, ): self.df pd.read_csv(csv_path) self.tokenizer AutoTokenizer.from_pretrained(model_name) self.max_len max_len self.augment augment self.augment_prob augment_prob def __len__(self): return len(self.df) def __getitem__(self, index): row self.df.iloc[index] text str(row[text]) label int(row[label]) if self.augment and random.random() self.augment_prob: attack random.choice([ char_substitution, adjacent_swap, synonym_replace, insert_filler, ]) text attack(text) inputs self.tokenizer( text, max_lengthself.max_len, paddingmax_length, truncationTrue, return_tensorspt, ) return { input_ids: inputs[input_ids].squeeze(0), attention_mask: inputs[attention_mask].squeeze(0), labels: torch.tensor(label, dtypetorch.long), }这个 Dataset 的关键点在augment参数。当augmentTrue时每次访问一条样本都有一定概率随机选择一种攻击方式对原始文本做扰动。也就是说模型在训练时看到的样本是“动态增强”的这可以理解为一种对抗训练的数据增强简化版。然后是训练脚本train.pyimport argparse import numpy as np from sklearn.metrics import accuracy_score, precision_recall_fscore_support from transformers import ( AutoModelForSequenceClassification, DataCollatorWithPadding, Trainer, TrainingArguments, ) from dataset import SocialTextDataset def compute_metrics(eval_pred): logits, labels eval_pred preds np.argmax(logits, axis-1) acc accuracy_score(labels, preds) precision, recall, f1, _ precision_recall_fscore_support( labels, preds, averagebinary ) return { accuracy: acc, precision: precision, recall: recall, f1: f1, } def main(): parser argparse.ArgumentParser() parser.add_argument(--augment, actionstore_true, help启用对抗扰动增强) parser.add_argument(--output_dir, typestr, default./best_model_baseline) parser.add_argument(--epochs, typeint, default2) args parser.parse_args() train_ds SocialTextDataset( data/social_text.csv, model_namebert-base-uncased, augmentargs.augment, ) tokenizer train_ds.tokenizer model AutoModelForSequenceClassification.from_pretrained( bert-base-uncased, num_labels2, ) training_args TrainingArguments( output_dir./checkpoints, num_train_epochsargs.epochs, per_device_train_batch_size16, logging_steps50, save_strategyepoch, report_to[], ) trainer Trainer( modelmodel, argstraining_args, train_datasettrain_ds, data_collatorDataCollatorWithPadding(tokenizertokenizer), ) trainer.train() trainer.save_model(args.output_dir) tokenizer.save_pretrained(args.output_dir) if __name__ __main__: main()普通训练和对抗训练的差异只在于是否加--augment参数python train.pypython train.py --augment --output_dir ./best_model_adv这里用同一套训练框架通过参数切换方便后续对比。4.2 使用对抗样本评估检测器训练完成后需要回答一个关键问题模型在干净样本上表现不错但在对抗样本上会不会崩评估脚本evaluate_attack.py会加载模型对测试集中的每条文本分别应用不同攻击并计算准确率。import argparse import random import pandas as pd import torch from transformers import AutoModelForSequenceClassification, AutoTokenizer from attacks import ( adjacent_swap, char_substitution, insert_filler, synonym_replace, ) strategies { none: lambda x: x, char: char_substitution, swap: adjacent_swap, synonym: synonym_replace, filler: insert_filler, } def predict(model, tokenizer, text): inputs tokenizer(text, return_tensorspt, truncationTrue, max_length64) with torch.no_grad(): logits model(**inputs).logits return int(torch.argmax(logits, dim-1)[0]) def main(): parser argparse.ArgumentParser() parser.add_argument(--model_path, typestr, default./best_model_baseline) parser.add_argument(--csv, typestr, defaultdata/social_text.csv) parser.add_argument(--n, typeint, default100) parser.add_argument(--seed, typeint, default42) args parser.parse_args() random.seed(args.seed) torch.manual_seed(args.seed) model AutoModelForSequenceClassification.from_pretrained(args.model_path) tokenizer AutoTokenizer.from_pretrained(args.model_path) model.eval() df pd.read_csv(args.csv) df df.sample(nmin(args.n, len(df)), random_stateargs.seed) for strategy_name, func in strategies.items(): correct 0 total 0 for _, row in df.iterrows(): text str(row[text]) label int(row[label]) attack_text func(text) pred predict(model, tokenizer, attack_text) correct int(pred label) total 1 print(f{strategy_name}: accuracy{correct / total:.4f}) if __name__ __main__: main()运行方式python evaluate_attack.py --model_path ./best_model_baseline从代码中可以看到none策略代表不攻击也就是评估模型在原始文本上的基准准确率。其他策略会输出扰动后的准确率。如果某个策略下的准确率显著低于基准准确率说明模型在该攻击方式下存在明显弱点。4.3 对抗训练增强鲁棒性检测器在对抗样本上准确率下降一个常见缓解方案是对抗训练。思路很简单在训练阶段动态地把对抗样本加入训练集让模型见过“变体”从而提升泛化能力。我们在dataset.py中已经通过augmentTrue实现了这一步。需要理解的是这里实现的对抗训练和图像领域的 PGD、FGSM 对抗训练并不完全一样。图像对抗训练通常基于梯度生成扰动而文本是离散数据梯度无法直接用来修改文本。因此文本对抗训练一般用数据增强、同义词替换、插入填充词、模型输出改写等方式生成“伪装样本”再让模型重新学习。对抗训练会牺牲一部分干净样本上的准确率因为模型不再只看到“干净”的文本分布而是同时覆盖了若干扰动后的分布。但从风控工程角度看这种准确率的小幅下降通常是可以接受的。毕竟真实场景中攻击者不会总照着干净样本发帖。4.4 运行结果与对比在小规模演示数据上可能出现如下趋势攻击策略普通训练准确率对抗训练准确率原始文本0.900.89字符替换0.720.84相邻交换0.700.82同义词替换0.640.78填充词插入0.760.85这些数值只是示例实际结果会随数据集大小、扰动比例、随机种子等因素变化。但趋势通常是一致的普通训练模型在多种对抗攻击下准确率明显下降而对抗训练模型的准确率下降幅度更小。如果你的实验结果和这个趋势不一致需要重点检查数据量是否过小、攻击函数是否真正改变了文本、训练是否收敛。5. 常见问题与排查思路问题现象常见原因解决思路训练时 loss 不下降数据量太少、标签错误、学习率不合适增加标注数据、检查标签分布、降低学习率重训模型下载失败网络环境无法访问默认模型源提前在有网络环境下载模型到本地用本地路径加载对抗攻击后准确率不变攻击函数没有实际改变文本打印攻击前后的文本检查替换词表和扰动比例中文文本同义词替换无效果内置同义词词典只覆盖了英文单词使用中文同义词表或基于 WordNet 的扩展方案训练速度很慢max_len 过大、batch 过大、未使用 GPU缩短输入长度、调小 batch、确认 CUDA 已启用类别不平衡导致评估失真AI 样本远多于人类样本或反之使用 F1 指标、PR 曲线评估并考虑重采样这里单独强调一下数据泄露问题。如果你的数据集中AI 生成文本恰好全部来自同一个模型那么检测器学到的是“这个模型的写作风格”而不是“AI 文本的通用特征”。一旦攻击者换一个生成模型检测准确率可能大幅下降。因此在构建训练集时要尽可能引入多个生成模型的输出并把验证集设计成包含未见模型的数据。6. 最佳实践与工程建议6.1 数据建设比模型更重要社交机器人检测和很多文本分类任务不同它的正负样本会随着生成模型迭代而动态变化。如果只做一次数据采集和标注模型上线后很快就会失效。建议把数据建设当成持续运营任务每隔一段时间采集最新的真实平台数据和最新的 AI 生成文本重新标注、重训模型。标注质量同样关键。人类样本容易从公开平台收集但需要做隐私脱敏避免包含手机号、地址等敏感信息。AI 样本要注意来源多样性不要只依赖单一模型。标注时至少要两人交叉校验遇到语义模糊的样本应单独标记而不是强行二选一。6.2 模型选型与训练策略文本检测模型可以从轻到重选择。如果业务对延迟极其敏感可以先用 TF-IDF 逻辑回归或 FastText 建立基线再根据线上召回情况决定是否引入 BERT 或更大模型。切忌一上来就训练一个大模型因为业务效果可能并没有显著提升而维护和推理成本却高很多。训练策略上要重点考虑类别不平衡。社交机器人目标往往是小比例人群正样本占比可能只有 5% 甚至更低。这时候accuracy会严重失真应把 F1、PR-AUC 作为主要评估指标并在损失函数中使用类别权重。对抗训练作为一种正则化手段建议从较小的扰动比例开始观察干净样本准确率与对抗鲁棒性之间的平衡。6.3 构建多维检测体系文本分类只是检测体系中的一环。更加完整的方案应该包括内容维度文本分类、图像 OCR、链接外部链接风险检测。账号维度注册时长、头像真实性、资料完整度、关注数粉丝数比例。行为维度发帖频率、活跃时间段、回复时效、是否批量操作。关系维度关注关系、互动对象、社区聚集程度。在实际工程中可以把多个维度的特征拼接后输入一个融合模型也可以用打分规则做加权求和。文本检测负责“内容是否可疑”行为检测负责“行为是否像人”两者结合可以有效降低误报和漏报。6.4 持续红队与监控安全系统的本质是攻防对抗。检测模型上线后不能只看线上的违规召回率还应该定期做红队测试。红队人员可以模拟攻击者使用新的生成模型、对抗改写工具测试系统并把失败样本汇入训练集。这个过程需要形成闭环而不是每季度做一次PPT汇报。监控指标不能只看准确率。在风控场景中误杀正常用户带来的体验损失往往比漏掉一个机器人更严重。建议同时监控误报率、漏报率、人工审核通过率、坏样本占比等指标并设置合理的告警阈值。当某个特征分布出现明显漂移时要及时触发重训流程。6.5 安全与合规边界社交机器人检测研究需要在合法授权、测试环境和最小数据范围内进行。真实平台数据的采集和使用必须遵守平台条款和隐私法规。作为开发者应把对抗性创建方法用于防御评估、红队演练、学术研究而不是用于制造虚假账号、批量发文或绕过平台风控。这一点需要在团队内部形成明确的技术边界和操作规范。7. 总结与学习路线这篇文章从攻防视角梳理了 AI 生成的社交机器人内容检测问题。前半部分介绍了社交机器人、对抗样本、困惑度和突发性等核心概念后半部分用一个可运行的 BERT 二分类项目演示了对抗性创建、检测器训练、对抗样本评估和对抗训练整条流程。你可以复制文中代码准备自己的文本数据跑通之后再逐步增加复杂的攻击策略。如果继续深入下一步建议学习 TextAttack、OpenAttack 等文本对抗攻击框架理解 TextFooler、BAE、PWWS 等经典攻击方法检测方向可以阅读 RoBERTa 文本分类、困惑度检测、语义与行为融合等资料。社交机器人检测是一个持续变化的领域公开论文中发布的标注数据集可以作为起始学习材料但真正落地还要依赖业务场景中的持续迭代。最后想分享一个工程心得不要迷信“换一个更强模型就能解决所有问题”。AI 生成内容检测的核心是理解攻击者的能力边界然后设计一个能不断收集失败样本、快速重训、快速评估的闭环系统。只要攻防双方在持续博弈检测系统就不能指望一劳永逸而是要把对抗训练和红队测试当成日常开发的一部分。如果你对本文的代码或思路有疑问欢迎在评论区一起讨论。