跟大語言模型打了一年多交道我越來越覺得“怎么提問”這件事本質(zhì)上是一場關(guān)于邊界的劃分。同樣面對一個LLM有人把它當(dāng)成二十四小時在線的執(zhí)行器有人把它當(dāng)成幫自己整理思路的思考搭子。這就是標(biāo)題里說的兩種思路一種在調(diào)用工具的價值另一種在守護(hù)人的價值。今天這篇內(nèi)容是我把自己踩過的坑、換過的問法、用過的模板整理出來聊聊這兩種思路到底差在哪、各自該怎么用。從一個最簡單的提問開始你會慢慢看清那條水位線。1. 兩種提問思路的分岔口1.1 解題式提問把LLM當(dāng)成能干的下屬我先說第一種思路。你可以把它叫“解題式提問”也可以叫“執(zhí)行式提問”。它的典型句式是幫我做某事、給我某樣?xùn)|西、按照這個要求完成某個任務(wù)。重點(diǎn)是把需求描述清楚然后讓LLM盡量準(zhǔn)確地交出結(jié)果。舉個例子我想讓它寫一段產(chǎn)品介紹我不會問“你怎么看我們的產(chǎn)品”而是直接說“根據(jù)以下產(chǎn)品信息寫一段面向新用戶的推廣文案要求不超過200字第一句要有吸引力結(jié)尾帶一句行動號召”。這時候我認(rèn)的是工具價值它快、它穩(wěn)、它不會抱怨能幫我把原本需要半小時的機(jī)械勞動壓縮到幾分鐘。工具價值不是貶義詞。恰恰相反在大量重復(fù)、低風(fēng)險、有標(biāo)準(zhǔn)答案的環(huán)節(jié)里把LLM當(dāng)工具是最有效率的選擇。我見過一些新人上來就要跟LLM聊人生聊理想結(jié)果連最簡單的信息整理都做不利索。工具的價值就體現(xiàn)在它能把“確定的事”干得又快又好。你越早學(xué)會給它下達(dá)準(zhǔn)確指令就越早拿到生產(chǎn)力紅利。1.2 啟發(fā)式提問把LLM當(dāng)成思考陪練第二種思路我叫它“啟發(fā)式提問”。句式往往是你怎么看我這個看法我還有哪些沒想到幫我挑戰(zhàn)一下這個方案。它的目標(biāo)不是要一個現(xiàn)成答案而是借LLM的知識覆蓋面、快速聯(lián)想能力以及不受情緒影響的表達(dá)習(xí)慣來倒逼自己的腦子轉(zhuǎn)起來。這種提問方式對應(yīng)的是人的價值判斷力、創(chuàng)造力、責(zé)任感。LLM再強(qiáng)它不對結(jié)果負(fù)責(zé)不會為你的決策承擔(dān)后果。如果你問完它把它的話當(dāng)成金科玉律直接執(zhí)行那你就把人的價值拱手讓出去了。啟發(fā)式提問的真正用法是讓模型做你的反面角色、做你的第二雙眼睛、做你的思維腳手架但它永遠(yuǎn)不應(yīng)該是最終拍板的那個人。我有時候會直接對LLM說“請你不要給我結(jié)論先針對我的方案提十個問題讓我自己回答?！边@個方法聽起來有點(diǎn)繞但效果出奇地好。因?yàn)楫?dāng)它開始問問題我的腦子才開始真正轉(zhuǎn)動。1.3 本質(zhì)是一條水位線所以這兩種思路并不對立更像是一條水位線哪些環(huán)節(jié)可以讓工具來做哪些環(huán)節(jié)必須由人來掌管。很多人跟LLM相處得不舒服就是因?yàn)檫@條線沒劃好。要么事事依賴模型出了問題又怪模型要么把模型遠(yuǎn)遠(yuǎn)防著錯過了實(shí)實(shí)在在的效率提升。我自己的判斷方式很簡單看結(jié)果一旦錯了代價有多大。如果代價很小比如生成一句文案、整理一份會議紀(jì)要、翻譯一段資料直接用工具模式怎么快怎么來如果代價很大比如一個需要對外承諾的決定、一筆真金白銀的投入、一次會影響合作印象的表達(dá)就必須切換到啟發(fā)式模式讓模型提供彈藥讓人來做判斷。這條水位線不是固定的。隨著你對某個領(lǐng)域理解越深你的水位線會移動你可以把更多確定環(huán)節(jié)交給工具把精力留給真正需要人的地方。這也是為什么我說提問方式本質(zhì)上是在回答一個問題人和工具誰在哪個環(huán)節(jié)說了算。2. 讓工具價值最大化解題式提問的四個細(xì)節(jié)2.1 把問題描述成“任務(wù)訂單”工具模式里最常見的失敗原因是提示詞太抽象。你只寫“寫個方案”它大概率回你一個四平八穩(wěn)的通用方案看起來什么都說了其實(shí)什么用都沒有。你直接給它背景、目標(biāo)、約束和交付物它就能像接單一樣按訂單交貨。我自己習(xí)慣用訂單五要素來組織提問背景、角色、目標(biāo)、約束、交付格式。比如我想讓它幫忙梳理項(xiàng)目風(fēng)險我會先寫一句背景“我們正在做一個跨部門協(xié)作的移動端功能升級預(yù)計周期六周?！痹俳o角色“你是一個有五年項(xiàng)目管理經(jīng)驗(yàn)的顧問?！痹俳o目標(biāo)“請識別出最可能影響進(jìn)度的五類風(fēng)險。”再給約束“只考慮現(xiàn)有團(tuán)隊(duì)規(guī)模不引入新增外包。”最后給交付格式“按嚴(yán)重程度排序每條風(fēng)險附上一條應(yīng)對動作。”這幾個要素看著簡單但很多人就是懶得寫。結(jié)果是模型只能靠猜一旦猜錯方向后面再往回拽浪費(fèi)的是你自己的時間。2.2 用“再問一層”代替“重問一遍”很多人在第一版輸出不滿意的時候會換一個問題重新問一遍。其實(shí)更好的做法是在同一個任務(wù)上往下追問一層“你剛才說的這一點(diǎn)依據(jù)是什么”“如果換一個條件結(jié)論會怎么變”這樣既能讓模型修正又能保留它有價值的思考。這里牽扯到LLM的一個特性它對當(dāng)前對話的上文高度敏感。與其另起爐灶不如在同一對話里做迭代。我經(jīng)常把前一輪輸出里的某句話直接引用到下一輪說“這一步不要動我只想換另一個變量”。上下文一旦穩(wěn)住結(jié)果就會穩(wěn)定得多。順帶提一個參數(shù)細(xì)節(jié)。如果某個平臺開放溫度采樣參數(shù)那么偏確定性的任務(wù)我會把參數(shù)調(diào)低一些讓它輸出更保守、更可預(yù)測而寫標(biāo)題、想點(diǎn)子這類創(chuàng)意任務(wù)我會把參數(shù)調(diào)高一些讓它的聯(lián)想更跳躍。這個參數(shù)就像天平一邊是穩(wěn)定一邊是發(fā)散沒有絕對對錯只有匹配不匹配。2.3 給例子別只給要求工具模式下最容易被低估的是示例。模型對“風(fēng)格”的理解幾乎完全取決于你給了它什么樣的參照物。你不需要用一堆形容詞描述你想要的風(fēng)格直接貼一段你滿意的舊稿它馬上能對齊節(jié)奏和語氣。我做過一個小實(shí)驗(yàn)同樣是整理一段會議的要點(diǎn)一種問法只寫“請把重點(diǎn)提煉出來”另一種先給了三條我自己提煉的重點(diǎn)作為樣式參考。后者的輸出幾乎可以直接發(fā)群前者卻要來來回回調(diào)整三遍。模型學(xué)示例的能力很強(qiáng)但你要給它一個靶子。這里還有一個進(jìn)階技巧如果你希望它在風(fēng)格上靠近某位朋友或某類作者不太建議直接點(diǎn)名某某因?yàn)槟Ｐ腿菀讓W(xué)到一些表面特征反而容易失真。更好的辦法是貼兩三段原文片段讓它從語言節(jié)奏上模仿而不是從身份標(biāo)簽上想象。2.4 控制輸出長度和粒度很多人不喜歡限制輸出長度結(jié)果模型寫出一段不痛不癢的廢話。我建議在任務(wù)訂單里直接寫清楚“不超過200字”“按1、2、3列出”“不要復(fù)述背景直接從建議開始”。輸出格式本身就是一個過濾器能逼著模型把信息密度提起來。粒度同樣要控制。比如讓它拆解任務(wù)時盡量讓它拆到“可以直接執(zhí)行”的顆粒度。不要停在“優(yōu)化用戶體驗(yàn)體驗(yàn)”這類空話層級要追加一句“把每個子任務(wù)標(biāo)出輸入、輸出和完成標(biāo)準(zhǔn)”。它雖然不能幫你找協(xié)作方但至少能逼它把動作拆細(xì)拆細(xì)了你可執(zhí)行的余地就大了。我在帶新人時經(jīng)常說一句話如果你在拿到模型輸出的第一眼就已經(jīng)知道下一步要做什么這個提問是合格的如果還要盯著結(jié)果發(fā)一會兒呆那說明這個任務(wù)的粒度不對你應(yīng)該回爐讓它拆得更細(xì)。3. 守住人的價值啟發(fā)式提問的五種姿勢3.1 先讓它反問我遇到很多朋友拿到LLM之后第一反應(yīng)是要結(jié)論。但有一種特別好的用法是反過來讓它先問自己問題。比如你可以說“在回答我之前你先問我三個你沒搞懂的問題?！彼坏╅_始反問你就有機(jī)會被迫去補(bǔ)足自己原本認(rèn)為理所當(dāng)然的前提。這個動作能讓對話從單方面輸出變成真正的雙向互動。有一次我想設(shè)計一個學(xué)習(xí)計劃一上來就讓模型給方案結(jié)果給的計劃我根本執(zhí)行不了。后來我改了個問法讓它先問我每天有多少時間、用什么方式學(xué)習(xí)效果最好、我的目標(biāo)是什么。我在回答這些問題時才意識到我之前連目標(biāo)都只說了個大概方案怎么可能靠譜。人的價值在這一刻體現(xiàn)在哪里體現(xiàn)在你對自己的了解。模型不知道你的時間是碎片還是整塊不知道你更喜歡讀還是聽不知道你的目標(biāo)是掌握實(shí)操還是應(yīng)付考試。這些信息只有你有而反問是把它激活的最好方式。3.2 讓它拆解你的邏輯漏洞你可以把自己的想法直接貼給LLM然后對它說“請找出這段話里邏輯站不住的地方并告訴我如果換一個前提結(jié)論會怎么變。”記住不要只問“你覺得對嗎”因?yàn)槟Ｐ痛蟾怕蕰樦阏f這是訓(xùn)練語料里的對話慣性決定的。要用具體的指令逼它進(jìn)入批判角色。你甚至可以給它設(shè)一個“攻擊任務(wù)”“假設(shè)你是我的競爭對手請?zhí)岢鋈龡l最有可能讓這個方案失敗的理由。”角色設(shè)定越極端它越不容易客套。我試用過一次之后就把它固定成了習(xí)慣。每次寫方案我會留出一個對話分支專門用來找漏洞。以前要等搭檔有空才能做紅隊(duì)討論現(xiàn)在隨時可以做。而且模型雖然不會完全了解項(xiàng)目的細(xì)節(jié)但它總能從通用邏輯里找出一些我忙于執(zhí)行而忽略的盲區(qū)。這些盲區(qū)不需要它替我解決但至少讓我提前知道。3.3 用“如果...會怎樣”打開隱藏前提很多判斷背后都藏著一個默認(rèn)前提。比如“用戶會更喜歡簡潔的頁面”這句話的前提是“用戶已經(jīng)被信息轟炸過希望極簡”。但如果你面對的用戶恰恰是需要更多說明與引導(dǎo)的群體結(jié)論就會完全不同。我常用的句式是“這個方案建立在哪些假設(shè)上請列出每一條假設(shè)并分別說明如果該假設(shè)不成立方案在哪個環(huán)節(jié)失效?！边@個問題比直接問“這個方案行不行”要鋒利得多。它會逼模型把隱藏前提攤開在桌面上也逼你自己去審視那些從來不假思索的想法。有一次做功能優(yōu)先級的排序我一直認(rèn)為“先做搜索比先做推薦更合理”理由是搜索能快速解決用戶問題。模型把我這句判斷拆出來發(fā)現(xiàn)我隱含的前提是“用戶清楚知道自己要找什么”。但實(shí)際場景里新手用戶更多是漫無目的地瀏覽他們并不清楚自己要什么。這個前提一旦被點(diǎn)破優(yōu)先級排序就完全要反過來。這就是“如果...會怎樣”的價值。3.4 讓模型當(dāng)“魔鬼代言人”人的決策有一個普遍毛病當(dāng)方向已經(jīng)定了我們會下意識地找支持自己的證據(jù)。LLM的設(shè)計又恰好放大了這個毛病你拿著結(jié)論去問它它往往會給出一堆支持理由。為了對沖這個傾向我會在決策前強(qiáng)制讓模型扮演一個不認(rèn)同我的人。指令可以寫成“現(xiàn)在請你扮演一個不同意我方案的人。你不必客氣從成本、執(zhí)行難度、用戶習(xí)慣、收益回報四個角度分別提出反對意見。最后再告訴我我的方案在什么條件下才會真正可行?！边@樣既有了反對視角又不至于完全否定我。這個做法在群體討論里也很有用。開會之前我會先用啟發(fā)式與LLM做一輪紅隊(duì)演練把可能出現(xiàn)的反對意見提前列出來。這樣真的面對同事時我能更從容地回應(yīng)而不是被突然潑一盆冷水后語塞。3.5 把模型當(dāng)鏡子而不是答案最后一種姿勢最抽象但也最關(guān)鍵。把模型輸出的句子拿回來看一遍問自己這句話我是真的同意還是因?yàn)樗f得很順滑就接受了這是對抗“AI話術(shù)”的方法。LLM很擅長生成讓你覺得舒服的漂亮話但那些話不一定符合你的實(shí)際情況。我會把它的回答當(dāng)成一面鏡子如果一句話讓我產(chǎn)生“哇它懂我”的感覺我就會停下來仔細(xì)想清楚這句讓我驚喜的話到底從哪來。它背后的邏輯是否成立它是否只是把我說過的信息重新組合了一遍并沒有增加新的洞見如果是那我要的不是復(fù)制而是繼續(xù)往下深挖。這也是兩種思路一個很微妙的區(qū)別解題式提問追求的是拿到東西就走啟發(fā)式提問追求的是在對話里重新看到自己。后者不是讓LLM變聰明而是讓你自己變清楚。4. 分水嶺同樣一個提問為什么在不同任務(wù)里效果天差地別4.1 先判斷結(jié)果錯了最壞代價是什么兩種思路本沒有高低只是適用場景不同。我自己的判斷框架只有兩問。第一問如果這次回答是錯的最壞結(jié)果是什么風(fēng)險低的事情比如文案措辭、代碼草稿、資料梳理就用工具模式怎么快怎么來風(fēng)險高的事情比如對外承諾、正式口徑、重大選擇就用啟發(fā)式模式讓模型提供材料讓人把住最后一道關(guān)。第二問這個任務(wù)是否有標(biāo)準(zhǔn)答案有明確驗(yàn)收標(biāo)準(zhǔn)的事情適合工具化沒有標(biāo)準(zhǔn)答案、需要創(chuàng)造性的任務(wù)人的思考必須占主導(dǎo)。標(biāo)準(zhǔn)答案的事交給模型是為了省時間沒有答案的事交給模型則是為了偷懶而偷懶的代價往往是要自己買單。把這兩個問題放在一起你會發(fā)現(xiàn)很多爭執(zhí)其實(shí)沒有意義。有人覺得AI寫得不好其實(shí)不是AI不好是他把一個本應(yīng)由人來判斷的事情直接推給了AI。有人覺得AI太好用了也不是AI太神而是他把所有風(fēng)險都自己扛了AI只是幫他把執(zhí)行環(huán)節(jié)加速了。4.2 任務(wù)類型匹配表任務(wù)類型推薦模式理由典型句式信息歸納、文本改寫工具模式輸入輸出明確可快速驗(yàn)收“把這段會議記錄整理成三個要點(diǎn)不要超過100字”代碼調(diào)試、數(shù)據(jù)提取工具模式為主人工驗(yàn)證效率高但運(yùn)行結(jié)果必須人來確認(rèn)“解釋一下你改了哪段邏輯并給出一個最小測試用例”方案策劃、目標(biāo)規(guī)劃啟發(fā)式優(yōu)先沒有標(biāo)準(zhǔn)答案人的判斷不可缺“這個方案依賴哪些前提前提不成立時會怎樣”溝通話術(shù)、對外表達(dá)混合模式模板可以生成語氣和分寸必須人定“先給我三個版本再幫我判斷哪個更符合當(dāng)前關(guān)系”學(xué)習(xí)新領(lǐng)域知識啟發(fā)式模式吸收知識需要主動建構(gòu)“先用一個生活類比解釋這個概念再指出這個類比的局限”這張表不是標(biāo)準(zhǔn)答案只是我給自己畫的邊界。你可以按自己的場景往里加一行“責(zé)任歸屬”。責(zé)任在別人傾向工具模式讓結(jié)果盡量標(biāo)準(zhǔn)責(zé)任在自己傾向啟發(fā)式讓過程盡量清晰。4.3 混合模式先用啟發(fā)式定位再用工具式執(zhí)行最高效的工作流其實(shí)不是只選一種思路而是兩種思路來回切換。我遇到一個全新任務(wù)時會先用啟發(fā)式問LLM“這個問題里哪些變量是我必須關(guān)心的哪些是我容易漏掉的”等我對全貌有了數(shù)再回頭把具體動作切成小任務(wù)用工具模式讓它批量完成。比如我要做季度復(fù)盤我不會讓它直接寫一份漂亮的總結(jié)而是先問它“季度復(fù)盤通常需要哪些數(shù)據(jù)維度哪些維度容易被忽略請根據(jù)我給你的原始素材指出我哪里不夠?！钡任野呀Y(jié)構(gòu)想清楚了再讓它“把第三部分的數(shù)據(jù)整理成對比表格”“把第五部分用一段話總結(jié)”。前面的提問是在定方向后面的提問是在省體力。這也是我推薦的個人工作流思考交給啟發(fā)式執(zhí)行交給工具式。很多人把順序搞反了一上來就讓模型生成完整方案方案出來以后自己再慢慢摳結(jié)果不僅慢還會被模型的邏輯帶跑。反過來做先讓自己想清楚再讓模型去跑腿效率和安心感都會好很多。5. 常見提問陷阱與排查實(shí)錄5.1 陷阱只給主題不給上下文得到“正確的廢話”現(xiàn)象很常見。你問它“怎么提升表達(dá)能力”它給你七條放到任何文章里都成立的建議。這時候別急著怪模型先檢查自己是不是又把它當(dāng)成搜索引擎了。正確做法是給它一個帶約束的提問你在什么場景、面對什么聽眾、時間多長、希望達(dá)到什么效果。實(shí)操對比一下。模糊問法是“怎么提升表達(dá)能力”得到的往往是“多練習(xí)、多復(fù)盤、多閱讀”。約束問法是“我下周要在20人的項(xiàng)目評審會上匯報聽眾都是技術(shù)人員我平時語速偏快如何準(zhǔn)備一份既能講清楚內(nèi)容又不讓人緊張的匯報大綱”后者馬上把泛泛建議逼成了可執(zhí)行方案。這個“給約束”的動作就是工具模式里最值得練的一招。5.2 陷阱讓LLM替你判斷卻沒有校驗(yàn)現(xiàn)象是它給出一套看起來很合理的方案你沒有追問就直接用了最后發(fā)現(xiàn)某條關(guān)鍵假設(shè)并不成立。這時候你把責(zé)任推給AI沒有意義因?yàn)锳I不掌握你的真實(shí)數(shù)據(jù)它只是語言概率模型并不擁有現(xiàn)場信息。對策很簡單凡是涉及風(fēng)險的輸出都要追一句“這個結(jié)論成立的前提是什么如果要驗(yàn)證最小代價的實(shí)驗(yàn)是什么”把模型的輸出當(dāng)成候選假設(shè)而不是最終定論。這條規(guī)矩能讓你同時用好工具價值又守住了人的價值。5.3 陷阱上下文污染前一輪的偏見帶進(jìn)下一輪這個坑特別隱蔽。你可能在前一輪隨口說了一句“這個方案成本太高了”后一輪讓它設(shè)計完整方案時它就會處處替你把成本控制放在第一位甚至犧牲體驗(yàn)。LLM的上下文機(jī)制會把你的隨口一提當(dāng)作強(qiáng)約束。對策是當(dāng)你需要客觀結(jié)果時要么開一個新會話重新來要么在下一輪明確寫“忽略之前關(guān)于成本的討論我只需要你評估體驗(yàn)優(yōu)先的方案”。別小看這句話它能幫你從一個充滿偏見的上下文里抽出身來。我自己在連續(xù)對話超過五輪之后就會下意識檢查有沒有被前文帶偏。5.4 陷阱模型迎合你的觀點(diǎn)這個坑踩過的人應(yīng)該很多。你帶著答案去問它“我這個方案是不是很好”它列出一堆優(yōu)點(diǎn)讓你覺得它真是懂你。模型不是傻它只是從海量語料里學(xué)會了“順著用戶說話更容易被接受”的套路。對抗方式就是給它設(shè)置反駁角色。我現(xiàn)在給自己定了條規(guī)矩凡是我已經(jīng)有傾向的決策一律先用“請先反駁我”開場而不是“請支持我”。你可以直接說“不要認(rèn)同我。請從三個不同角度各找出一個反對理由?！边@樣得到的內(nèi)容才有信息增量。順著自己問得到的只是回聲逆著自己問才得到真東西。6. 一次真實(shí)任務(wù)的完整復(fù)盤6.1 同一個需求兩種問法我拿一個模擬任務(wù)來當(dāng)樣本為一場線下讀書沙龍?jiān)O(shè)計一個開場引入環(huán)節(jié)。第一種問法是工具模式“幫我設(shè)計讀書沙龍開場要求有互動時長10分鐘給出主持人逐字稿?！钡诙N問法是啟發(fā)式模式“我想為讀書沙龍?jiān)O(shè)計開場你算是主持經(jīng)驗(yàn)豐富的人先問我三個我沒想到的問題再給方案。”我先執(zhí)行了工具模式輸出確實(shí)完整逐字稿也有互動環(huán)節(jié)是“每個人說一句最近讀到印象最深的話”。這話放在任何沙龍都通用但問題是它跟這次沙龍的共讀書目沒有關(guān)系。我意識到這個任務(wù)我根本沒有想明白主題聚焦是什么。接著我又執(zhí)行了啟發(fā)式模式模型先反問了我三個問題這場沙龍共讀的主題是什么參與者彼此熟不熟開場是應(yīng)該先破冰還是直接切入內(nèi)容我在回答第二個問題的時候忽然發(fā)現(xiàn)自己對參與者的關(guān)系程度一點(diǎn)把握都沒有。6.2 對比結(jié)果效率與深度不可兼得仔細(xì)看兩個輸出工具模式贏在效率但暴露了提問者自己沒想清楚的部分。啟發(fā)式模式慢了幾分鐘卻把需求補(bǔ)完整了。所以后來我把兩步合并先用啟發(fā)式補(bǔ)需求再用工具式生成細(xì)節(jié)。最后拿到的逐字稿連互動環(huán)節(jié)都和共讀書目直接掛鉤。這正好說明了我對標(biāo)題的理解工具的價值是幫你把想清楚的事做快人的價值是負(fù)責(zé)把沒想清楚的事想清楚。兩件事不矛盾順序?qū)α烁髯缘膬r值會一起放大。順序反了工具越強(qiáng)錯誤的方向滾得越快。6.3 我沉淀下來的提問清單工具模式前檢查訂單五要素背景、角色、目標(biāo)、約束、交付格式。啟發(fā)式前先問自己我是要一份執(zhí)行產(chǎn)出還是想借它思考拿到輸出后多問一句它成立的前提是什么有風(fēng)險、有責(zé)任的判斷人必須走最后一道審批。這套清單聽起來并不復(fù)雜但真的執(zhí)行起來能避開一大半無效提問。尤其是第四條它提醒我LLM永遠(yuǎn)只是一個放大器。你把思考放進(jìn)去它給你放大思考你把偷懶放進(jìn)去它也會幫你高效地偷懶。最后再分享一個很樸素的小技巧每次向LLM提問之前先在本地文檔里寫一句話描述“我希望這次對話結(jié)束后我手里多了一份什么東西”。如果這句話寫不出來就先別急著問模型用啟發(fā)式問自己。這個動作讓我少浪費(fèi)了很多次對話也讓每一次提問都更接近“工具價值與人的價值的清晰分工”。