鱿鱼币:一个合格的产品经理，是如何养成的？_鱿鱼币微博

作者：

时间：

在上篇文章》），主要聊了产品经理这一行业的由来，以及我国那些出名的产品经理们，本篇主要聚焦于产品经理逻辑学，论一个合格的产品经理是如何养成的。

本文来自微信公众号：黑坝，作者：许昕，原文标题：《产品经理逻辑学》，头图来自：视觉中国

哲学始于惊奇。——柏拉图

我自己虽然也从事产品工作，但抛开主观立场地说，绝大多数程序员与产品经理的争吵，或是需求最终实现出现的问题，都是由于产品经理自己没想清楚，也就是程序员嘴里常说的“需求逻辑有问题”。

出色的逻辑思考能力理应是产品经理的底色，因为其贯穿了产品工作的始终，不管是产品定位、需求调研，还是竞品分析、产品规划，抑或是原型设计、需求撰写，都需要通过逻辑思考来实现。

根据《第一性原理》，人类常用的逻辑思考方式有两种，一是归纳法，二是演绎法。

一、求存不求真的归纳法

产品经理日常工作中，经常需要根据数据找寻规律支撑观点，“用数据说话”。通常所使用的方法，就是归纳法。

归纳法指人们通过对世界的接触、观察和实验，从具象的经验中抽象出普遍规律和知识的方法。归纳是人类的本能，也是人类最基础的脑力思考方式，甚至可以说，绝大多数的人类知识都建立在归纳之上。例如，“太阳照常升起”，就是一个典型的归纳法知识。

1.黑天鹅与灰犀牛

根据人类思考惯性的不同，可将归纳法分为：空间性归纳和时间性归纳。

空间性归纳：即将某个空间或某个群体内有效的规律，推广至其他空间、群体，甚至全部空间、群体的思维方式。例如，早期，欧洲人民看到的天鹅都是白色的，他们自然而然就认定地球上所有天鹅是白色；又比如，基于算法推荐模型的今日头条成功以后，字节跳动地毯式孵化了一大批产品，也是基于算法推荐模型可以在其他领域取得成功的认知。

时间性归纳：即认为在过去时间里成立的规则，在当前和未来时间也同样成立。比如牛市末期，大批萌新投资者和沉寂投资者争先恐后地冲向股市，主要也是基于过去一段时间股市暴涨，意味着未来一段时间股市还会继续上行的市场认知。

又比如，一些流传甚广的互联网定理，如Facebook的“40-20-10”规则，也是根据互联网公司的过往经验抽象得出，用以指导未来的工作。

不过从上述例子也可以看出，由归纳法推断出的结论，并不一定是正确的，例如天鹅并不都是白色——澳大利亚就生活着一种黑羽红喙的黑天鹅；股市也不会一直上涨——牛市、熊市总是如影随形，只是大家会有意无意忽视那只灰犀牛。这就引申出我们将要讨论的下个话题，证实与证伪的不对称性。

2.不要做只会被投喂的“鸡”

爱因斯坦的广义相对论在1915年提出的时候，只是一个纯粹的理论猜想。为了验证这个猜想，爱因斯坦给出了三个推论，其中之一，是“光线会在引力作用下发生偏折”，即可以通过观测日食期间太阳附近的光线，来验证广义相对论是否正确。

在1919年的一次日全食中，英国科学家远征队在靠近非洲的普林西比岛，观测到了光线在引力场中的偏折现象，且偏折值符合爱因斯坦的预测，使得广义相对论第一次在经验层面得到了证明。

但在实验之前，爱因斯坦曾明确表示：如果观测结果与理论预测不符，那说明广义相对论是错的；但即便相符，也并不意味着广义相对论绝对正确。

爱因斯坦的这种理性批判精神，给了哲学家卡尔·波普尔很大启发，让他意识到证实与证伪并不是对称的。简单来说，一个理论被证实上百次、上万次，都不能证明其绝对正确，因为只要被证伪一次，这个理论就被推翻了。

还是以天鹅为例，我们看到一只天鹅是白色的，一百只、一万只都是白色的，由此归纳出一个普遍命题：凡天鹅，必白色。但其实谁都无法保证，未来某天会不会出现一只黑天鹅。

证实与证伪的这种不对称性，对归纳法的可靠性提出了质疑。

这种质疑其实由来已久。哲学家休谟曾提出著名的“休谟问题”，认为归纳推理并不能从经验材料中发现、概括出具有必然性的一般规律。罗素的表达则更为生动，“一只每天被主人喂食的鸡，怎么也归纳不出有一天自己会被拧断脖子。”

只是，既然归纳法如此不可靠，为什么我们直到现在还未将其抛弃，反而日复一日继续使用？

答案很简单，因为在一定时空边界内，使用归纳法提炼信息总结规律，最为直接有效。

比方说，我们的问题是“待上线的产品还有没有bug？”

这个问题看似简单，其实很难回答，因为符合真理标准的答案，是需要遍历测试所有可能出现的情况才能得到。而客观上，这几乎不可能做到。

首先，你无法穷举产品所有使用场景。实际上，你甚至都无法穷举所有变量。其次，类似于产品在坦桑尼亚2G网络环境下是否可用，或者产品在亚马逊Firephone上是否兼容等非常规测试，现实中也很难覆盖。

但即便是得不到绝对正确的结论，对我们的影响也有限。只要产品完成了标准的测试流程，覆盖了主要的功能、UI、兼容等方面的测试，我们就能够回答“待上线的产品还有没有bug”这个问题，并据此决定产品是否可以上线。

也就是说，虽然最终我们通过尽可能多但并不完全的测试，归纳出一个真实性有所损失的结论，但这至少是一个暂时正确的结论。

产品经理日常工作中，一方面，可以使用归纳法提炼信息总结规律，学会如何在付出最小成本的前提下，获取相对正确的知识，提高决策的效率。另一方面，产品经理始终要对通过归纳得出的结论抱有审慎怀疑的态度，因为归纳的正确永远是一种不彻底的正确。

就如同现在很多人迷信数据，但其实由数据归纳出的结论，并不一定正确。对待数据的正确态度应当是“依赖数据做决策，但不能只依赖数据做决策”。

归纳法的“道”讲完了，下一节我们谈一谈具体的“术”。

二、归纳法方法论

我一度对有人在互联网上推荐产品经理去看黑格尔的《逻辑学》的行为艺术感到迷惑。黑格尔的抽象和晦涩，可以说是有目共睹、“有口皆碑”，类似于本段第一句这种难读的长句子，在黑格尔的作品中俯拾即是，连黑格尔自己都说“只有一个人真正理解我”。

黑格尔的《逻辑学》无疑是经典的哲学读本，但对于绝大多数想要提升逻辑思考能力的人来说，逻辑学相关的教材或科普读物，显然更为友好一些。这里其实涉及到一个“可沟通性”的问题。项飙曾在《把自己作为方法》中解释过“可沟通性”：

“可沟通性非常重要，哪怕是一个浅显的理论，但它一下子调动起对方的思想，把对方转变成一个新的主体，那这个理论就是革命性的。找到能引发共鸣的语言其实是很难的，不仅要对静态的结构，而且要对形势、未来发展的方向有精确的把握，才能够讲得简单，勾起大家的共鸣。”

逻辑学试图解决的，其实就是“可沟通性”的问题，即通过逻辑学的方法，建立现象与本质的联系，实现人类与知识的沟通。

说回到归纳法，本小结试图建立的，也是归纳法与实际工作的“可沟通性”。从实践的角度看，可将归纳法分为完全归纳法和不完全归纳法。

1.完全归纳法

完全归纳法是指对一类对象进行穷尽考察，得出关于该类对象的一般性结论的推理。从思维方向上，完全归纳法是从个别推出一般，属于归纳法的范畴；但从前提与结论的关系来看，完全归纳法穷尽了结论所包含的各种前提，如果前提为真，则结论一定为真，在这一点上，完全归纳法又类似于演绎法。本文按惯例，还是将其归入归纳法的范畴。

完全归纳法的逻辑表现形式为：

前提：S1是P，S2是P......Sn是P。

结论：所有S都是P。

例如，我们要设计一套算法推荐系统。首先，我们以内容生产者的角度，穷举出社区内容的所有类型：UGC、PGC和OGC。

其次，定义哪类内容是优质的、平台希望推荐的，如通过实际查验生产数据，认定：点赞率高的UGC，是优质UGC；点赞率高的PGC，是优质PGC；点赞率高的OGC，是优质OGC。最后，我们可以归纳出结论：所有点赞率高的内容，都是优质内容。

完全归纳法的优点明显，前提为真的情况下，结论一定为真；缺点也很突出，即适用的范围较窄，只适合对象可穷尽的推理。相对而言，下一节讲到的不完全归纳法，适用的范围更广，也更为常见。

2.不完全归纳法

不完全归纳法指对一类对象的部分进行考察，得出关于该类对象一般性结论的推理。不同于完全归纳法，不完全归纳法是种或然性推理，即前提为真，结论不一定真，前提只对结论提供一定的支持关系。

常见的不完全归纳法有：简单枚举法、类比推理法、排除归纳法和统计归纳法。

其中，简单枚举法主要通过枚举例子，找到例子间的共同点，推论出一般性结论。如张三看到程序员小龙喜欢穿格子衬衫，程序员小马喜欢穿格子衬衫，程序员小军喜欢穿格子衬衫，由此推论出程序员都喜欢穿格子衬衫。

张三使用的方法就是简单枚举法。简单枚举法简单直观，但可靠性不强，如上面张三的例子，结论就是一个典型的以偏概全的归纳谬误。如果要提高简单枚举法的可靠性，则需要尽可能地扩大被考察对象的数量、范围，以及对象之间的差异性。

统计归纳法则是字面意义上基于统计的归纳，是一种通过从总体重抽取样本，总结样本规律，进而推断出总体具有的一些性质的方法。产品工作中的用研、ABTest，使用的就是统计归纳的方法。统计归纳本质上还是种或然性推理，但可靠性要高于简单枚举法。

如果可以从抽样规模、广度和随机性方面保证样本的代表性，就能够得出关于总体的相对可靠的结论。更详细的统计学知识，可扩展阅读统计学相关的教材，本文不做进一步展开。

下面，我们重点讨论下常被误用的类比推理法，和常被使用的排除归纳法。

类比推理法

类比推理是从两个或两类对象的相同点出发，根据它们在一系列属性上的相似，提出它们在另一个或另一些属性也相似的推理，进而达到触类旁通和举一反三的效果。中国传统的阴阳五行、天人感应等，就建立在类比推理之上。

在某些材料中，类比推理被专门独立出来，作为与归纳、演绎同一层级的思维方法，但根据本文的定义，还是将其归类到不完全归纳的范畴。

类比推理法的逻辑表现形式为：

前提：S1具有属性：a、b、c、d；S2具有属性：a、b、c。

结论：S2具有属性d。

其中，S1和S2表示进行比较的两个对象，a、b、c表示S1与S2之间相同或相似的属性，d表示类推得到的属性。

查理·芒格在《穷查理宝典》中提到：“一个人只要掌握80到90个思维模型，就能够解决90%的问题，而这些模型里面非常重要的只有几个。”其中，就隐含着类比推理的理念。

类比推理的应用较为普遍，然而作为初级的推理形式，它的可靠性程度依赖于很多因素，如类比对象之间相似属性的数量、相似属性的相关性、不相似属性的相关性、已知相似属性与推出属性之间的相关性等等，相似属性的数量越多，相关性越强，类比推理结论的可靠性程度也就越高。

相较于其他归纳方法，类比推理的优点突出。通过类比推理，举一反三触类旁通，我们可能获得一些创造性的灵感和启发，如基于人工神经网络研究的深度学习模型。

此外，使用类比推理，还可以反驳无效的推理论证，以其人之道还治其人之身，如在关于凯恩斯主义的讨论中，反对者提出，“从长期看，市场总是能够自救的”，以此来反对凯恩斯主义积极的经济干预政策。凯恩斯则反驳说，“长远来看，我们都死了”。

这里想额外提及一点。现在的产品经理，在表达的过程中都过于热衷于做类比了，但实际上，很少有人能讲出让人信服，甚至合理的类比表达，更多的是不明所以、人菜瘾大的类比失当，不是将做产品比作谈恋爱、养孩子，就是做菜、盖楼，让人如芒在背、如鲠在喉。

因此，顺带在此呼吁：请产品经理在没想清楚前，轻易不要做类比。

排除归纳法

排除归纳法，则是一种寻求因果关系的逻辑方法。排除归纳法根据因果关系的某些特点，把某些明显不是被研究现象的原因的先行情况排除掉，从而在其余的先行情况与被研究现象之间确立因果关系。

探求因果关系的方法主要有五种，又称“穆勒五法”，分别是：求同法、求异法、求同求异并用法、共变法和剩余法。为了便于理解和记忆，本文只给出五种方法的逻辑表现形式。

①求同法

前提：

场合1：有先行情况A、B、C，有被研究现象a；

场合2：有先行情况A、B、D，有被研究现象a；

场合3：有先行情况A、C、E，有被研究现象a。

结论：A是a的原因。

②求异法

前提：

场合1：有先行情况A、B、C，有被研究现象a；

场合2：有先行情况B、C，没有被研究现象a。

结论：A是a的原因。

③求同求异并用法

前提：

正面场合：

有先行情况A、B、C，有被研究现象a；

有先行情况A、D、E，有被研究现象a；

反面场合：有先行情况F、G，没有被研究现象a；

有先行情况H、K，没有被研究现象a。

结论：A是a的原因。

④共变法

前提：

有先行情况A1，有被研究现象a1；

有先行情况A2，有被研究现象a2；

有先行情况A3，有被研究现象a3。

结论：A是a的原因。

其中，A1、A2、A3指先行情况A的不同状态，a1、a2、a3指被研究现象a对应的不同状态。

⑤剩余法

前提：A、B、C、D是a、b、c、d的原因，A是a的原因，B是b的原因，C是c的原因。

结论：D与d之间有因果联系。

上述的五种方法本质上都属于不完全归纳，所以由它们得出的结论不保真。即便如此，它们对我们解决因果关系问题，仍然有着实际的意义，例如达尔文曾使用求同求异并用法研究生物与环境的关系，勒维烈则使用剩余法发现了海王星。

产品经理也会经常用到排除归纳法。如最近一段时间产品新上线了一批功能，使得产品日活大幅提升，这时，就需要使用排除归纳法定位具体的原因。

三、“瓜保熟”的演绎法

产品经理日常工作中，经常需要在已知某些确定论据的前提下，分析推理出结论。这里通常所使用的方法，就是演绎法。

福尔摩斯以演绎法著称，甚至有部美剧就叫《福尔摩斯：基本演绎法》，但在福尔摩斯的推理中，归纳的成分其实超过了演绎。比如，《绿玉皇冠案》中，福尔摩斯曾说：“这是我的一个古老格言：当你排除了所有不可能的因素后，剩下的东西，无论多么不可思议，都必定是真实的。”根据上一节的内容，我们很容易分辨出，福尔摩斯提及的方法，其实就是不完全归纳法中的排除归纳法。

而演绎法，指的是以一定的客观规律为基础，从服从该事物的已知部分出发，通过推导，得出该事物未知部分的思维方法。亚里士多德提出了演绎法中最经典，也最为常见的句式——三段论。三段论包括大前提，小前提和结论三个部分，一个一再被提及的例句是：

大前提：所有的人都会死；小前提：苏格拉底是人；结论：苏格拉底也会死。

相较于归纳法，演绎法是一种更为可靠的思维方法，如果大前提、小前提为真，那么结论一定为真，而归纳法无论前提多么正确，结论都不一定为真。

1.逻辑比事实重要

在1919年一篇题为《物理学中的归纳与演绎》的文章中，爱因斯坦描述了他对演绎方法的偏爱：

“关于经验科学的产生，人们能够形成的最简单图像就是按照归纳法来进行。各种事实被选择出来归在一起，使它们的规律性联系变得一目了然……然而，科学知识的巨大进步很少是源于这种方式的……

在理解自然的过程中，我们所取得的真正伟大的进展乃是源于一种几乎与归纳法截然相反的方式。通过直觉把握大量复杂事实的本质，科学家可以提出若干假设性的基本定律，再由这些定律导出他的结论。”

波普尔在讲到科学发现的逻辑时，也曾提到：

传统观点认为，科学发现靠归纳，也就是观察事实-归纳理论-证实理论。但实际上，科学发现的逻辑应该是：先提出问题，然后针对问题提出理论猜想，再用事实证据检测，如果检测和猜想相符，就保留；如果一直没有反例，就维持猜想的“暂时有效性”；如果出现了反面证据，就放弃这一猜想，构想新的理论，进入新一轮检测。也就是用“问题——猜想——反驳”的“试错机制”，代替“观察——归纳——证实”的“实证机制”。

从爱因斯坦和波普尔的表述可以看出，与实践出真知的归纳法不同，逻辑自证的演绎法更倾向于逻辑假设先行，实践检验殿后。从结论真实性的角度来看，逻辑比事实更重要。

在产品工作过程中，通过演绎法推理出理论并不简单，但通过演绎得出的结论，除了保真，还往往具备可迁移性，一通百通,一解百解。例如，微信群的群人数限制，就传言与邓巴数理论有关。人类学家邓巴曾提出“邓巴数理论”——人类个体所能维系的稳定社交关系数量在150左右。据此，可推断：

大前提：人类个体所能维系的稳定社交关系数量在150左右。小前提：互联网用户是人类。结论：互联网用户所能维系的稳定社交关系数量在150左右。

根据这一结论，微信群的群人数在40人以内时，可以直接加入；而大于40人时，须征得对方同意；在大于100人时，则无法通过识别群二维码入群。

2.第一性原理

演绎法只要大小前提正确，结论一定保真，是否意味着演绎法完美无缺，掌握者真理在握？

答案当然是否定的。

其主要问题在于，我们怎样才能确定前提是正确的？例如，上一小节我们提到的微信群人数的例子，“人类个体所能维系的稳定社交关系数量在150左右”这一大前提，来源于人类学研究上的归纳，而由归纳法得出的结论并不保真。

这就要求演绎法的前提不能来自归纳，只能来自更高链条的演绎推理。但是演绎法的链条不可能没有极限地向后倒推下去，最终必须有一个基石，一个来自系统之外、能够逻辑自洽的元起点，成为“第一推动力”。这个基石，就是第一性原理。

最早提出第一性原理的人，又是亚里士多德。他认为在每个系统中，都存在着一个第一原理，它是一个最基本的命题或假设，不能被省略或删除，也不能被违反。从更容易理解的角度来说，第一性原理就是那些不言自明的，可以据其演绎推理出系统之内所有命题的“公理”。

欧几里得在《几何原本》中，就曾根据5条公理、5条公设和23个定义，推理出了48条定理和467个命题，建立起了人类历史上第一座演绎推理的丰碑——几何学。

《几何原本》中的5条公理分别是：

等于同量的量彼此相等；

等量加等量，其和仍相等；

等量减等量，其差仍相等；

彼此能够重合的物体是全等的；

整体大于部分。

5条公设分别是：

由任意一点到另外任意一点可以画直线；

一条有限直线可以继续延长；

以任意点为心，以任意距离可以画圆；

凡直角都彼此相等；

过直线外的一点，可以做一条而且仅可以做一条该直线的平行线。

这5条公理和5条公设，看起来都是些正确的废话，例如公理第一条“等于同量的量彼此相等”，其实说的就是“如果a=b，b=c，那么a=c”，但从这些的公理、公设中，可以推理出一些看起来并不是不言自明的命题，比如勾股定理，又如三角形内角和等于180°。

当前最为知名的第一性原理的实践者，应该就是马一龙马斯克了。马斯克曾如此阐述他理解的“第一性原理”：

“我相信有一种很好的思考架构，就是第一性原理，我们能够真正地思考一些基础的真理，并且从中论证，而不是类推。我们绝大多数时候都是类推式地思考问题，也就是模仿别人做的事情并加以小幅更改。但当你想要做一些新的东西时，必须要运用第一性原理来思考。

在某种意义上，第一性原理是用物理学的视角看待世界的一种方式。你会一层层剥开事物的表象，找到其底层的真理，问‘我们能确定的真相究竟是什么’？然后由此出发进行推演。”

一个广为人知的的案例，是马斯克使用第一性原理，解决了电动车电池成本居高不下的问题。在马斯克介入电动车领域时，市场上电池组的价格大概是600美元每千瓦时。一辆电动车至少需要85千瓦时的电池，这意味着每辆电动车仅电池成本就超过5万美元。

马斯克从第一性原理的视角出发，首先对电池组进行拆分，从元素层面将其拆解为碳、镍、铝、钢等不同材料。通过计算，如果直接从金属交易所购买这些材料，仅需花费82美元每千瓦时的成本，是之前成本的14%左右。也就是说，电池成本高昂的真正原因，并不在于原材料，而在于原材料的组合方式。

明确问题之后，马斯克主导了特斯拉与松下的合作，通过采用松下18650钴酸锂电池电池管理程序，重组了特斯拉的电池，一举将电池成本降低至全行业最低水平，使得特斯拉“平价电动车”成为可能。

3.演绎法方法论

常见的演绎方法，除了上文提到的三段论，还有假言三段论、选言三段论、肯定前件式、否定后件式等等等等。光是看到这些新的名词，就难免让人心生抵触，想要解释清楚，还要引入更多难以顾名思义的新词来说明。

新词叠新词，无穷尽也。本文从可沟通性的角度出发，选择较为基础的演绎方法，使用逻辑表现形式简要说明。其他更为复杂的方法，其实只是这些基础方法的变种和套娃。

上文提到的肯定前件式、否定后件式，实际上就是高中数学里的充分必要条件，本文不再赘述。下面着重介绍直言三段论、假言三段论和选言三段论。

直言三段论

上文提到的“苏格拉底也会死”的例子，就是使用直言三段论得出的结论，这个例子出现的次数太多，以至于大家普遍认为直言三段论的逻辑表现形式应该就是这样。实际上，直言三段论的逻辑表现形式是：

大前提：所有P都是M。

小前提：所有Q都是P。

结论：所有Q都是M。

在一个直言三段论中，如果前提是真实的、准确的，那么不仅可以保证结论的正确性，还可以保证结论本质上也是一个直言命题。

假言三段论

假言三段论对对象的判定是有条件的，得出的命题也受限于某些条件、环境或者假定，其逻辑表现形式是：

大前提：如果P，那么Q。

小前提：如果Q，那么R。

结论：如果P，那么R。

例如，张小龙曾在被提问到是否“觉得微信有硬伤”时，回答说：

“......什么是硬伤我不太懂，如果我们把硬伤定义为致命的缺陷的话，那么我认为任何一个人做的产品都不会有致命的缺陷，因为一旦有了，你肯定不会继续往下做了。如果有致命的缺陷，你还做它吗？所以它是不会存在的，一旦出现你是肯定会发现和弥补的。所以我认为任何一个产品里面都不应该有硬伤，它应该很早就被弥补了。所以微信也一样。”

张小龙的回答稍稍有点绕，但实际上使用就是假言三段论的演绎推理结构。我们可以对推理过程分解如下：

大前提：如果做的产品有致命的缺陷，那么一定是不可接受的。

小前提：如果不可接受，那么一定会发现和弥补。

结论：如果产品有致命的缺陷，那么一定会发现和弥补。

在假言三段论中，每个前提的Q，都是下一个前提的P，无论有多少个前提，假言三段论在逻辑上都是有效的。

选言三段论

选言三段论对对象的判定是有选择的，如果存在一个或者多个可供选择的对象被否定的，那么剩下的对象，则是可以被肯定的。其逻辑表现形式是：

大前提：要么P，要么Q。

小前提：不是P。

结论：Q。

例如，市场传言孙正义决定投资某家企业时，往往采用一种“胁迫投资”的策略，即警告对方要么接受软银的投资，要么软银就会转而投给对方的竞争对手。潜在的被投企业往往考虑再三，认定后者并不是自己想要的结果，最终都会选择接受软银的投资，如Uber、滴滴。这里，孙正义就构建了一个选言三段论的结构，给出了一个并没有选择的选择。

产品工作实操中，对于归纳法与演绎法的运用，一定是交织综合的，而不是割裂分离。

有时产品经理会先通过归纳，得出结论，作为演绎的前提，之后再演绎推断出结论。例如，互联网流量的“开学效应”，指的是随着9月份学生开学返校，互联网整体流量会暂时性回落。其中，“9月份互联网整体流量会暂时性回落”，就是根据不完全归纳法中的统计归纳得出的普遍命题，而将其归因到“9月份学生开学”，则是通过演绎法中的选言三段论推理得出。

有时产品经理又会“通过直觉把握大量复杂事实的本质”，在没有数据支撑的情况下，先行演绎推理出确定性的需求，推进开发，之后通过快速上线或ABTest，来验证需求的有效性。在下面这张截图中，张小龙那句“按钮可以长些，不怕”，自信笃定，让人印象深刻。