人工智能AI 应用计算机视觉图像处理OCR【免费下载链接】Edit-BananaEdit Banana: 一个将静态内容转换为可编辑形态的框架项目地址https://gitcode.com/BIT-DataLab/Edit-Banana点击查看免费下载导读modules/是 Edit Banana 项目的核心管线实现目录负责将一张静态图片流程图、架构图、示意图等逐步转换为可编辑的 DrawIO XML。本文以 modules/README.md 为骨架结合 modules/base.py、modules/data_types.py、modules/sam3_info_extractor.py、modules/xml_merger.py 等源码完整讲解目录职责、处理流程、统一数据结构、六大处理阶段及扩展开发机制。读者读完可以独立运行 CLI、在代码中组装管线并理解每个阶段的实现原理还能照着规范编写自己的BaseProcessor子类接入管线。下图展示了该管线最典型的输入与输出对照左侧是静态的流程图原图右侧是经过 modules 管线重建后、可在 DrawIO 中逐元素编辑的 XML 渲染结果。modules 目录结构与职责总览modules/目录把图像 → DrawIO XML的整条链路拆分成若干职责单一、可独立替换的组件其顶层结构与职责如下modules/ ├── base.py # 处理器基类 BaseProcessor、处理上下文 ProcessingContext、模型封装 ModelWrapper ├── data_types.py # 统一数据结构ElementInfo、BoundingBox、XMLFragment、LayerLevel、ProcessingResult 等 ├── sam3_info_extractor.py # SegmentationSAM3 分割分组提取图形/箭头/图标/背景元素 ├── icon_picture_processor.py # 图标/图片类元素处理裁剪、可选 RMBG 抠图、转 base64、生成 XML 片段 ├── basic_shape_processor.py # 基本图形处理取填充色/描边色、检测边框宽度、矢量化生成 XML ├── arrow_processor.py # 箭头处理README 中规划为独立模块见下方说明 ├── xml_merger.py # Merge收集各模块 XML 片段按层级排序合并成完整 DrawIO XML ├── metric_evaluator.py # 质量评估计算内容覆盖率评分、定位漏检区域 ├── refinement_processor.py # 二次处理对漏检区域做 Fallback 补救裁图转 base64 ├── text/ # OCR 与文本还原子包 │ ├── restorer.py # TextRestorer文字/公式 → draw.io XML 的统一入口 │ ├── coord_processor.py # 坐标处理 │ ├── xml_generator.py # 文字 mxCell XML 生成器 │ ├── ocr/ # local_ocr.py / paddle_ocr.py / pix2text.py │ └── processors/ # font_family / font_size / formula / style 四个文本样式处理器 └── utils/ # color_utils / drawio_library / image_utils / xml_utils 工具函数几点补充说明有源码依据modules/init.py 对外导出了BaseProcessor、ProcessingContext、Sam3InfoExtractor、XMLMerger、IconPictureProcessor、BasicShapeProcessor、MetricEvaluator、RefinementProcessor以及可选加载的TextRestorer当 OCR 依赖缺失时TextRestorer会被置为None管线降级为with_textFalse运行。关于arrow_processor.pymodules/README.md 的结构清单与代码示例中规划了ArrowProcessor但当前仓库源码中并未提供独立的箭头处理器文件modules/__init__.py也未导出ArrowProcessor。从 modules/icon_picture_processor.py 的_get_elements_to_process与 main.py 的_generate_xml_fragments可以推断箭头/连线类元素arrow、line、connector当前是在图标处理阶段按图片裁剪base64方式处理的。因此直接照抄 README 中的ArrowProcessor示例会导致ImportError下文会给出修正后的可运行版本。处理流程从输入图片到 DrawIO XMLmodules/README.md给出的高层流程为Input image → Segmentation → Icon/Shape/Arrow processing → XML merge → (optional) metric/refinement → Output DrawIO对应到 main.py 中Pipeline.process_image()的实际编排完整执行序列为[0] Preprocess 初始化 ProcessingContext记录原始图片路径、upscale_factor1.0 [1] Text extraction TextRestorer 做 OCR生成 text_only.drawio 并写入 intermediate_results[text_xml] [2] Segmentation Sam3InfoExtractor 分组提取元素保存 sam3_extraction.png 与 sam3_metadata.json [3] Shape/icon IconPictureProcessor 与 BasicShapeProcessor 依次处理 [4] XML fragments 为尚未生成 XML 的元素补齐 xml_fragment含箭头按图片处理 [5] Metric eval 仅 --refine 时MetricEvaluator 计算覆盖率评分与问题区域 [6] Refinement 仅 --refine 且评分 90 且存在问题区域时RefinementProcessor 补救漏检内容 [7] Merge XML XMLMerger 收集所有片段按层级排序合并输出 *.drawio.xml每一步都在控制台打印[N] 阶段名的进度日志中间产物text_only.drawio、sam3_extraction.png、sam3_metadata.json、refinement_result.png统一保存到output_dir/{图片文件名}/子目录下。注意OCR 文字提取位于 SAM3 分割之前而不是高层流程图所示的分割之后——这是因为文字坐标基于原始图像尺寸需要先于可能被放大处理的图形阶段生成。快速开始安装依赖pip install -r requirements.txt运行前置条件来自 main.py 头部说明与 config/config.yaml.example准备好config/config.yaml并填写sam3.checkpoint_path与sam3.bpe_path安装 SAM3 库与权重可参考 docs/SETUP_SAM3.md 与 scripts/setup_sam3.sh文字识别需要 Tesseractsudo apt install tesseract-ocr tesseract-ocr-chi-sim或 PaddleOCR。命令行运行modules/README.md给出了三种基本用法python main.py -i input/flowchart.png # 单张图片 python main.py # 批量处理 input/ 目录下的所有图片 python main.py -i input/flowchart.png --refine # 开启质量评估与二次补救结合 main.py 的 argparse 定义还有以下常用参数python main.py -i input/test.png -o output/custom/ # 指定输出目录 python main.py -i input/test.png --no-text # 跳过 OCR 文字步骤 python main.py -i test.png --groups image arrow # 只处理指定提示词组image/arrow/shape/background python main.py --show-prompts # 打印当前各组提示词与阈值配置批量模式下input/目录支持.jpg/.jpeg/.png/.bmp/.tiff/.webp六种格式。若未指定-i且input/目录不存在程序会报错退出并提示。在代码中调用管线原文档的示例代码引用了一个尚未实现独立类的ArrowProcessor为保证可复制运行下面是修正后的版本与 modules/README.md 的示例语义一致去掉ArrowProcessor相关调用from modules import ( Sam3InfoExtractor, IconPictureProcessor, BasicShapeProcessor, XMLMerger, ProcessingContext, ) context ProcessingContext(image_pathtest.png) extractor Sam3InfoExtractor() result extractor.process(context) context.elements result.elements context.canvas_width result.canvas_width context.canvas_height result.canvas_height IconPictureProcessor().process(context) BasicShapeProcessor().process(context) result XMLMerger().process(context) print(result.metadata[output_path]) # 例如 ./output/test_merged.drawio.xml每一步的关键点Sam3InfoExtractor.process(context)返回ProcessingResult需要手动把result.elements、result.canvas_width、result.canvas_height回写到context——这是后续各处理器共享数据的标准方式。IconPictureProcessor处理图片类元素icon/picture/logo/chart 等及箭头类元素BasicShapeProcessor处理可矢量化的基本图形。最后XMLMerger().process(context)收集所有元素的xml_fragment并按层级合并输出路径在result.metadata[output_path]中。统一数据结构data_types.pymodules/data_types.py 定义了模块间传递数据的标准格式是实现不同开发者模块无缝协作的契约层。核心结构如下。ElementType 枚举元素被分为三类基本图形类RECTANGLE、ROUNDED_RECTANGLE、DIAMOND、ELLIPSE、CIRCLE、TRIANGLE、HEXAGON、PARALLELOGRAM、CYLINDER、CLOUD、ACTOR、TITLE_BAR、SECTION_PANEL可矢量化、非基本图形类ICON、PICTURE、LOGO、CHART、FUNCTION_GRAPH需转 base64、箭头/连接线类ARROW、LINE、CONNECTOR另有TEXT与UNKNOWN。BoundingBoxx1, y1, x2, y2四个整数坐标提供width、height、area、center属性以及to_list()/from_list()序列化方法。ElementInfo贯穿全流程的元素载体# 基础信息SAM3 提取阶段填充 id: int # 元素唯一 ID element_type: str # 元素类型对应 ElementType 的字符串值 bbox: BoundingBox # 边界框 score: float # 置信度分数 polygon: List[List[int]] # 轮廓多边形 mask: Optional[Any] # 二值掩码numpy array # XML 输出各子模块生成 xml_fragment: Optional[str] # 该元素的完整 mxCell XML 字符串核心产出 layer_level: int # 层级用于合并时排序默认 LayerLevel.OTHER # 子模块内部使用字段 base64: Optional[str] # 图片类元素的 PNG base64 数据 fill_color / stroke_color # 基本图形的填充色/描边色十六进制 stroke_width: int # 描边宽度 arrow_start / arrow_end # 箭头起点/终点为箭头模块预留 vector_points / arrow_style # 矢量箭头路径与样式has_xml()判断该元素是否已生成 XMLto_dict()/from_dict()用于 JSON 序列化不含xml_fragment。LayerLevel 与 get_layer_level()层级数值越小越在底层合并时决定 Z 轴顺序层级值含义元素类型示例BACKGROUND0背景/大面积容器section_panel,title_barBASIC_SHAPE1基本图形rectangle,ellipse,diamondIMAGE2图片类icon,picture,logo,chart,function_graphARROW3箭头/连接线arrow,line,connectorTEXT4文字最上层textOTHER5其他默认最上层其他类型辅助函数get_layer_level(element_type)按元素类型字符串返回默认层级区分大小写不敏感各子模块用它保证层级分配一致。XMLFragment 与 ProcessingResultXMLFragment供 XMLMerger 合并的片段载体含element_id、xml_content完整 mxCell 字符串、layer_level、可选bbox用于同层级内按面积排序与element_type。ProcessingResult每个处理器统一返回的结果含success、elements、xml_fragments、canvas_width/height、error_message与metadata。其中get_all_xml_fragments()会优先返回xml_fragments否则从有 XML 的 elements 中自动提取。ProcessingConfig默认score_threshold0.5、min_area100、epsilon_factor0.02、output_dir./output、save_intermediateTrue并可通过from_yaml(yaml_path)从 YAML 文件加载对应sam3.*与paths.output_dir键。处理上下文与处理器基类base.pyProcessingContext全程共享的数据总线modules/base.py 中的ProcessingContext是整个流程共享的数据对象字段包括输入信息image_path、canvas_width/height、共享元素列表elements、XML 片段列表xml_fragments、配置config与输出目录output_dir、共享模型实例shared_models避免重复加载、中间结果intermediate_results用于 debug 或二次处理。它还提供三个便捷方法get_elements_by_type(element_type)按类型取元素get_elements_without_xml() / get_elements_with_xml()按是否已生成 XML 过滤add_xml_fragment(fragment)追加片段。BaseProcessor统一扩展接口所有处理模块都继承BaseProcessor抽象基类必须实现process(context) - ProcessingResult。其 docstring 明确了子模块的职责分工遍历context.elements找到自己负责的元素类型生成对应的mxCellXML 字符串设置element.xml_fragment与element.layer_level返回ProcessingResult。基类还提供load_model()/unload_model()懒加载、可释放 GPU 内存、_ensure_output_dir()、_log()以及核心工具方法_create_mxcell_xml(cell_id, style, x, y, width, height, value, parent)——自动转义 与引号生成标准mxCell mxGeometry片段。ModelWrapper是模型封装基类约定调用模型就是一句话实现load()与predict(*args, **kwargs)即可。六大处理阶段源码级详解阶段一SAM3 分割sam3_info_extractor.pymodules/sam3_info_extractor.py 是管线的分割核心也是唯一直接调用大模型的模块。提示词分组PromptGroup / PromptGroupConfig元素按语义分成IMAGE需转 base64、ARROW需方向检测、BASIC_SHAPE需取色矢量化、BACKGROUND背景容器四组。每组配置prompts、score_threshold、min_area、priority去重优先级越高越优先保留。ConfigLoader 单例从config/config.yaml加载词组配置默认路径为仓库根的config/config.yaml文件缺失时使用内置默认配置。注意提示词本体定义在 prompts/ 下的arrow.py、background.py、shape.py、image.pyYAML 只负责各组阈值与优先级。SAM3Model封装 SAM3 推理predict()对每个提示词调用set_text_prompt用score_threshold过滤低分、min_area过滤小目标从 mask 提取多边形轮廓cv2.approxPolyDPepsilon_factor控制拟合精度。它实现了最多 3 张图像的 LRU 状态缓存_state_cache线程安全避免同一图片重复计算图像嵌入。Sam3InfoExtractor.process()的完整流程按BACKGROUND → BASIC_SHAPE → IMAGE → ARROW顺序逐组预测每组结果先经_filter_text_elements用text_filter.blacklist/keywords过滤掉文字类提示词命中的元素_convert_to_elements转为ElementInfo记录source_group与_group_priority_deduplicate_cross_groups跨组去重优先保留priority高的组同优先级保留score高者箭头参与时使用更宽松的arrow_iou_threshold默认 0.85图形与图片重叠时倾向于保留图片shape_image_iou_threshold0.6_filter_contained_elements过滤被大图icon/picture/logo/chart/function_graph完全包含超过 85% 的小元素避免大图里的小箭头/小图形被重复提取。该模块还提供extract_by_group()只提取单个组、extract_with_custom_prompts()自定义提示词、save_visualization()按组着色保存sam3_extraction.png与save_metadata()输出sam3_metadata.json并提供了extract_elements()、extract_with_prompts()两个一行式快捷函数。阶段二图标与图片处理icon_picture_processor.pymodules/icon_picture_processor.py 处理 icon/picture/logo/chart 等非基本图形以及当前版本中的箭头类元素。核心逻辑按类型分流RMBG_TYPES {icon, logo, symbol, emoji, button, arrow}走抠图KEEP_BG_TYPES {picture, photo, chart, function_graph, screenshot, ...}保留背景只做裁剪面积过滤元素面积超过整图 75%MAX_AREA_RATIO时跳过防止把整图误当图标RMBGModel封装 RMBG-2.0ONNX Runtime加载时依次尝试 CUDACPU、纯 CPU全部失败则进入无抠图降级模式推理失败如 OOM会自动切换 CPU 重试抠图/裁剪后的 RGBA 图像编码为 PNG base64 写入elem.base64同时生成shapeimage;...;imagedata:image/png,{base64}样式的mxCelllayer_level置为IMAGE2。阶段三基本图形处理basic_shape_processor.pymodules/basic_shape_processor.py 将可矢量化图形转为带样式的 DrawIO 元素核心能力有三块DrawIO 样式映射DRAWIO_STYLES为rectangle、rounded rectangle、diamond、ellipse、cylinder、cloud、actor、hexagon、triangle、parallelogram、title_bar、section_panel等提供默认样式字符串VECTOR_TYPES声明可矢量化的类型集合。精细化取色extract_style_colors()通过回字形内侧采样 K-Means 聚类提取填充色取边界最暗 25% 像素均值作为描边色extract_style_specific()对椭圆/菱形/三角形等非矩形形状用几何 Mask 提取更准的填充色extract_color_with_mask()直接利用 SAM3 mask 做精确取色、描边宽度估算并检测上下/左右渐变色差 35 判定为渐变记录起止色与方向calculate_stroke_width()沿四边扫描颜色突变点取中位数作为描边宽度限制在 1–3 像素。CV 补充检测detect_rectangles_robust()用 Canny 轮廓 嵌套轮廓检测 SAM3 遗漏的矩形/容器通过矩形度≥0.7、边框对比度≥15、内部颜色方差≥8三重验证减少误检默认只启用contour与nested_contour两种可靠方法。阶段四XML 合并xml_merger.pymodules/xml_merger.py 是整个管线收口的一步。它的职责边界非常清晰只负责收集与合并不负责生成样式。具体流程_collect_fragments()从三个来源收集片段context.xml_fragments、context.elements中带xml_fragment的元素、intermediate_results[text_xml]中的文字片段跳过id0/1的基础 cell文字固定放在TEXT层级。同时处理upscale_factor坐标缩放图形阶段如果对图像做了放大处理非文字元素坐标会按1/upscale_factor缩放回原始尺寸文字坐标保持不变_scale_xml_coordinates同时支持 vertex 的mxGeometry与 edge 的mxPoint。_sort_fragments()排序先按layer_level升序底层先写入同层级内按面积降序大的在下。因为 DrawIO 的 Z 轴规则是先写入的在底层后写入的在顶层这样保证背景在底、文字在最上、大图形不会被小元素遮挡。_build_xml_structure()构建标准 DrawIO 结构mxfile → diagram → mxGraphModel含 pageWidth/pageHeight/背景色等属性→ rootroot 先写入id0与id1两个基础 cell再从id2开始重新分配每个片段的 ID_parse_and_update_cell会清理非 mxCell 前缀、修正 parent。输出文件命名为{原图片文件名}_merged.drawio.xml保存到context.output_dir并做了缩进美化过滤 XML 声明与空行。模块还提供三个快捷入口merge_fragments()直接合并XMLFragment列表、merge_shape_and_text()/merge_with_text_xml()合并图形 XML 与文字 XML按 style 是否含imagedata:image判断层级。阶段五质量评估metric_evaluator.pymodules/metric_evaluator.py 回答的核心问题是把已检测元素框掩掉后还剩多少内容没被覆盖。它产出 0–100 的内容覆盖率评分overall_score等于 100 减去去重后问题区域面积占比与问题区域列表。内容识别Canny 边缘检测膨胀后作为主信号与灰度阈值245取并集再经形态学去噪与连通域过滤把前景内容与大面积纯色背景区分开覆盖判定图片类元素必须有base64、矢量图形必须有 XML 才计入覆盖外加 OCR 文字区域问题区域检测采用三重策略细粒度通道不做事先形态学检测小图/图标/人脸等小目标、粗粒度通道中等核闭操作检测版块/大图、复杂图像区域检测局部方差 边缘密度定位热力图/照片等随后用小框优先 NMS与 IoU 去重输出metrics、bad_regions、needs_refinement并自动保存metric_uncovered.png与metric_evaluation.json。阶段六二次处理refinement_processor.pymodules/refinement_processor.py 是对质量评估结果的Fallback 补救既然 SAM3 与 OCR 没能识别出问题区域的具体类型就采用保守策略——直接把该区域裁下来转成 PNG base64作为picture元素层级IMAGE补进context.elements保证所见即所得。默认配置min_region_area100、min_region_ratio0.0005、default_confidence0.5、expand_margin5、skip_if_mostly_whiteTrue、white_threshold0.95跳过白色占比超过 95% 的空白区域。在 main.py 中只有--refine时才执行评估与补救且触发条件为overall_score 90.0且存在问题区域REFINEMENT_THRESHOLD 90.0。文本处理管线modules/text/modules/text/restorer.py 的TextRestorer负责把图片中的文字与公式还原为 draw.io XML先由布局 OCRTesseract 或 PaddleOCRocr.engine配置定位文字块再经coord_processor合并坐标由FontSizeProcessor/FontFamilyProcessor/StyleProcessor/FormulaProcessor推断字号、字体族、粗斜体、颜色与公式Pix2Text → LaTeX最终用 modules/text/xml_generator.py 的MxGraphXMLGenerator.create_text_cell()逐个生成文字 cell。在主管线中TextRestorer的输出先写入text_only.drawio并存入intermediate_results[text_xml]合并阶段由 XMLMerger 提取为最上层的TEXT片段。配置文件详解从 config/config.yaml.example 可以看到完整配置项安装时需复制为config/config.yamlcp config/config.yaml.example config/config.yaml各段说明如下配置段关键参数说明sam3checkpoint_path、bpe_pathSAM3 权重与 BPE 词表路径权重须为sam3.ptBPE 为bpe_simple_vocab_16e6.txt.gzsam3.devicecuda/cpu/ 留空自动GPU 与当前 PyTorch 不匹配时可强制 CPUsam3score_threshold0.5、epsilon_factor0.02、min_area100全局默认过滤阈值被逐组配置覆盖prompt_groups.imagescore_threshold0.5、min_area100、priority2图片类icon/picture/logo/chartprompt_groups.arrowscore_threshold0.45、min_area50、priority4箭头类arrow/line/connector阈值更低以捕捉细长目标prompt_groups.shapescore_threshold0.5、min_area200、priority3基本图形prompt_groups.backgroundscore_threshold0.25、min_area500、priority1背景容器阈值降至 0.25 以尽量检出大色块ocr.enginetesseract/paddleocr文字 OCR 引擎中英混排场景 PaddleOCR 效果更好注意paddlepaddle3.2.2multimodalmode、api_key、base_url、model等可选的 VLM 配置本地 Ollama 兼容local_base_urlrmbg.model_pathmodels/rmbg/model.onnx可选抠图模型路径可用python scripts/setup_rmbg.py下载pathsinput_dir/output_dir输入输出目录默认./input、./output注意提示词本体定义在prompts/*.pyYAML 中的prompt_groups只配置每组的阈值、最小面积与去重优先级ConfigLoader.get_prompt_groups()会做映射加载。扩展开发指南编写自己的处理器modules/README.md的 Extending 一节给出了扩展的黄金法则处理器继承BaseProcessor并实现process(context)为自己处理的元素设置element.xml_fragment与element.layer_level层级分配统一使用 modules/data_types.py 中的LayerLevel与get_layer_level()。下面是基类 docstring 中的标准范式可直接作为自定义模块模板from modules.base import BaseProcessor, ProcessingContext from modules.data_types import ProcessingResult, LayerLevel, get_layer_level class MyProcessor(BaseProcessor): def process(self, context: ProcessingContext) - ProcessingResult: for elem in context.elements: if self._should_process(elem): # 只处理自己负责的元素类型 xml self._generate_xml(elem) # 生成 mxCell XML 字符串 elem.xml_fragment xml # 设置 XML 片段 elem.layer_level get_layer_level(elem.element_type) # 统一分配层级 return ProcessingResult(successTrue, elementscontext.elements)编写时的三条约定与整个管线的解耦设计一致只负责自己的元素类型通过ElementType判断是否处理避免越权样式由子模块自产_create_mxcell_xml()或自行拼接的mxCell中应包含完整 styleXMLMerger 不会替你补样式层级用get_layer_level()保证与既有模块的 Z 轴语义一致背景 0 → 图形 1 → 图片 2 → 箭头 3 → 文字 4。自定义处理器与既有管线组合的方式与代码中调用一节相同MyProcessor().process(context)放在IconPictureProcessor/BasicShapeProcessor之后、XMLMerger之前即可。如果要对元素做模型推理可在子类中重写load_model()懒加载、shared_models可跨模块共享模型实例与unload_model()释放 GPU 内存。围绕 modules/README.md 的骨架本文把目录结构、处理流程、安装运行、代码调用与扩展规范逐项展开到了源码级数据结构契约在 modules/data_types.py处理器基类在 modules/base.py六大阶段分别对应 modules/sam3_info_extractor.py、modules/icon_picture_processor.py、modules/basic_shape_processor.py、modules/xml_merger.py、modules/metric_evaluator.py 与 modules/refinement_processor.pyCLI 编排见 main.py配置模板见 config/config.yaml.example。开发者既可把 modules 当作黑盒使用也可按 BaseProcessor 契约插入自己的中间处理模块。赞分享人工智能AI 应用计算机视觉图像处理OCR【免费下载链接】Edit-BananaEdit Banana: 一个将静态内容转换为可编辑形态的框架项目地址https://gitcode.com/BIT-DataLab/Edit-Banana点击查看免费下载相关推荐让静态图表秒变可编辑Edit Banana 图片转 DrawIO 完全指南让静态图表秒变可编辑Edit Banana 图片转 DrawIO 完全指南 Edit Banana 是一个开源的内容重构框架核心能力是 图片转 Dra人工智能AI 应用计算机视觉图像处理OCRok-ww3 个简单技巧让鸣潮自动战斗一键日常、后台托管ok ww3 个简单技巧让鸣潮自动战斗一键日常、后台托管 每天下班要上线四十分钟领日常委托、清周本、刷声骸漏一步就浪费体力。ok ww 是基于图像识别的GUI 自动化计算机视觉RPA人工智能Edit Banana 实战指南用 SAM 3 与多模态大模型把静态图表一键重构为可编辑 DrawIOEdit Banana 实战指南用 SAM 3 与多模态大模型把静态图表一键重构为可编辑 DrawIO Edit Banana Edit Banana是一人工智能AI 应用计算机视觉图像处理OCR上一篇如何在AMD NPU上部署FLUX.2-klein-4B-amdnpu完整指南助你快速上手下一篇GSYVideoPlayer硬件加速支持提升播放性能的底层优化创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
