Re-TRAC框架：用结构化状态表示重塑LLM搜索智能-拓冰建站

1. 这不是又一个“更大即更好”的故事，而是对搜索智能本质的重新定义

你有没有试过让一个大模型帮你查点东西？比如“2024年诺贝尔物理学奖得主在获奖前最被引用的三篇论文是什么？”——问题一抛出去，模型立刻开始调用搜索工具，翻出一堆网页标题，然后在第5次点击后，它突然卡住了：页面内容太多，上下文满了；或者它明明在第一次搜索结果里看到了关键线索，却在后续几百轮交互中彻底把它忘了。最后交给你一个似是而非的答案，还附带一句“根据我查阅的资料……”。这不是模型“笨”，而是它被设计成了一台线性执行机。Re-TRAC框架的出现，恰恰是微软团队对着这台机器的说明书，亲手撕掉了“线性”那一页。

这个标题里藏着一个反直觉的真相：“4B性能SOTA，30B超越358B”根本不是在夸参数量，而是在宣告一种新范式的胜利——当模型的“记忆”和“反思”能力被系统性地工程化之后，规模带来的边际效益会急剧衰减，甚至被彻底逆转。Re-TRAC的核心，是一套为“深度研究代理”（Deep Research Agent）量身定制的、可递归执行的“经验压缩”协议。它不靠堆算力去穷举所有可能性，而是像一位经验丰富的侦探，在每一次现场勘查（trajectory）结束后，不是把所有笔记一股脑塞进背包（导致下一次出发时背包太重走不动），而是拿出一张标准格式的案情摘要卡（Structured State Representation），只记录最关键的四件事：目前最靠谱的答案是什么、哪些证据链已经闭环、哪些线索还悬而未决、以及上一次行动中哪些计划被意外搁置了。这张卡，就是下一次行动的唯一地图。

所以，当你看到“4B模型达到SOTA”时，它的真实含义是：一个仅含40亿参数的模型，经过Re-TRAC框架的微调与部署，其在BrowseComp等专业搜索基准上的准确率（30.0%），已经超过了所有其他同级别（<15B）开源模型，包括那些专为搜索任务优化的InfoAgent-14B（15.3%）和WebExplorer-8B（15.7%）。而“30B超越358B”更是一个震撼的实证：Re-TRAC-30B-A3B模型在BrowseComp上取得了53.0%的准确率，一举压过了参数量是它12倍的GLM-4.7-358B（52.0%）。这背后没有魔法，只有一套精密的、可复现的工程逻辑：用结构化的状态表示（State Representation）替代无序的上下文堆砌，用跨轨迹的知识沉淀（Cross-Trajectory Knowledge Consolidation）替代孤立的单次尝试（Independent Rollouts）。它解决的不是“模型能不能算”，而是“模型会不会学”——学着从自己的失败中提取教训，学着把每一次探索都变成下一次探索的跳板。这篇文章，就是带你亲手拆解这套逻辑，看看它如何将一个“线性执行器”重塑为一个“递归思考者”。

2. Re-TRAC的底层逻辑：为什么线性搜索注定失败？

要真正理解Re-TRAC的价值，我们必须先回到那个被无数论文轻描淡写带过的起点：ReAct框架。它几乎是当前所有LLM代理的“默认操作系统”，其核心思想简单到令人安心——“想一想，做一做，再想一想，再做一做……”（Reason, Act, Reason, Act…）。这个循环被完美地编码在提示词（prompt）里，模型只需按部就班地填充“思考”和“行动”的占位符即可。然而，微软团队在论文的“Motivation”章节里，用一份冷峻的数据报告，戳破了这个美好幻象。

他们分析了大量在BrowseComp基准上失败的代理轨迹（trajectories），发现了一个惊人的共性：高达93%的失败案例，并非源于模型“想错了”，而是源于它“想好了却没做完”。具体来说，模型在早期推理中，往往会主动规划出多条潜在的搜索路径（例如，“我需要先查A公司的财报，再对比B公司的专利，最后验证C机构的声明”），但随着工具调用次数的增加、上下文长度的膨胀，这些早期规划就像被潮水冲刷的沙堡，逐渐模糊、变形，最终在漫长的交互链中彻底消失。论文Table 1里的数据触目惊心：GLM-4.7模型的失败轨迹中，93.0%都存在这种“未完成分支”（Incomplete Branch Exploration）现象。这揭示了一个残酷的现实：ReAct框架的线性本质，与深度研究任务的树状、网状、需要反复回溯与分支的本质，存在着根本性的结构性错配。

这种错配直接导致了三个无法回避的“死亡螺旋”：

2.1 死亡螺旋一：灾难性遗忘（Catastrophic Forgetting）的必然性

想象一下，你正在处理一个长达20万token的搜索任务。在第1轮，你设定了一个宏大的研究目标：“找出影响全球锂矿供应链的关键地缘政治风险”。这个目标，是你整个探索的“北极星”。然而，到了第15轮，你的上下文里塞满了14次搜索返回的网页摘要、8次网页访问提取的文本片段、以及无数次中间推理的草稿。此时，那个最初的、高屋建瓴的目标，早已被淹没在信息的汪洋大海里。模型不是“故意忘记”，而是它的注意力机制（attention mechanism）在巨大的上下文中，天然地倾向于关注最近、最具体的token，而非遥远、抽象的目标陈述。这就造成了“目标漂移”——模型的行动越来越微观、越来越琐碎，却离最初要解决的那个宏大问题越来越远。Re-TRAC对此的回应极其务实：它不试图让模型记住所有细节，而是强制它在每一轮结束时，必须生成一份“目标锚点”（Current Answer）和一份“未竟事业清单”（Uncertainties & Exploration Trace）。这份清单，就是对抗遗忘的“记忆锚”。

2.2 死亡螺旋二：冗余探索（Redundant Exploration）的无限循环

在ReAct的独立多次尝试（如Best-of-N）范式下，每一次新的搜索都是从零开始。这意味着，如果模型在第一次尝试中已经成功验证了“A公司财报显示其锂库存充足”，那么在第二次、第三次尝试中，它极有可能会再次调用同样的搜索工具，去重复验证同一个事实。这不仅是计算资源的巨大浪费，更是一种认知层面的低效——它没有将“已知”转化为“已用”。Re-TRAC通过其状态表示中的“证据库与来源验证”（Evidence Base & Source Verification）这一维度，彻底终结了这种循环。每一条被确认的事实，都会被明确标注其来源（[Source: Search | URL: https://a.com/financials | Verified: yes]）和验证状态。当下一轮启动时，模型一眼就能看到：“哦，A公司的库存问题，上一轮已经搞定了，这次不用再查。” 这种基于状态的“知识继承”，让每一次探索都建立在坚实的认知地基之上，而非流沙。

2.3 死亡螺旋三：局部最优（Local Optima）的温柔陷阱

这是最隐蔽也最危险的一个陷阱。模型可能在某一轮中，找到了一个看起来非常完美的答案。这个答案逻辑自洽、证据充分，足以让它自信地提交。但它忽略了一个关键点：这个答案只是在它所探索的那棵“搜索树”的一个分枝上得出的。而整片森林里，可能还存在着另一棵完全不同的树，其根系深扎于一个被它完全忽视的领域。ReAct框架缺乏一种机制，来提醒模型：“嘿，你刚才只看了东边的树林，西边的山头你连影子都没见着呢。” Re-TRAC的“不确定性与探索轨迹”（Uncertainties & Exploration Trace）模块，正是为此而生。它不仅记录“我们还不知道什么”，更会强制记录“我们曾经计划要去哪里但没去成”。当模型在下一轮看到“未完成的分支：检查C机构关于南美锂矿政策的白皮书”时，它就获得了一个无法回避的、来自过去的指令，从而被迫将探索的触角伸向那个被遗忘的角落。这不再是模型的自发行为，而是框架赋予它的、不可推卸的“探索责任”。

提示：理解这三个“死亡螺旋”，是掌握Re-TRAC精髓的前提。它不是一个锦上添花的技巧，而是一套针对现有范式根本缺陷的、外科手术式的解决方案。你在后续的实操中，每一个配置项、每一段提示词，几乎都能在这三个螺旋中找到其对应的“靶点”。

3. 结构化状态表示（SSR）：Re-TRAC的“心脏”与“灵魂”

如果说Re-TRAC是一个生命体，那么“结构化状态表示”（Structured State Representation, SSR）就是它的心脏与灵魂。它绝非一个简单的摘要（summary），而是一份由严格规范（compression specification 𝒞）生成的、具有多重维度的、可被机器精确解析与利用的“认知快照”。论文中将其精妙地划分为三个互补的“面”（facets），每一个面都承担着不可替代的功能。理解并亲手构建一份高质量的SSR，是部署Re-TRAC的第一步，也是最关键的一步。

3.1 “答案与分析结论”面：为探索设定航标

这个面是SSR的“北极星”，它回答的是最核心的问题：“我们此刻，站在哪里？” 它要求模型提炼出当前轨迹中所能得出的、最可靠、最具体的答案。注意，这里强调的是“最可靠”，而非“最完整”。在深度研究的早期阶段，一个部分答案（partial answer）往往比一个模糊的、包罗万象的猜测更有价值。例如，对于问题“谁是2024年诺贝尔物理学奖得主？”，在第一轮搜索后，模型可能只确认了“得主是一位来自欧洲的物理学家”，那么SSR中就应清晰地写下：

0) Current Answer - A physicist from Europe.

同时，这个面还要求记录“分析结论”（Analysis & Conclusions），即那些从证据中逻辑推导出的中间判断。这些结论是未来推理的基石。例如，如果模型从一篇新闻稿中读到“该得主的突破性工作发表于2018年”，那么它就应该记录：

2) Analysis & Conclusions - The laureate's breakthrough work was published in 2018. [Supported by Evidence #1]

这里的[Supported by Evidence #1]至关重要，它建立了结论与证据之间的强链接，确保了推理链条的可追溯性。我在实际调试时发现，很多初学者会在这里犯一个致命错误：写出空洞的结论，如“这位物理学家很厉害”。这种结论毫无信息量，也无法指导下一步行动。真正的结论必须是可验证、可操作的。

3.2 “证据库与来源验证”面：为探索构筑地基

如果说“答案面”是航标，那么“证据面”就是支撑航标的地基。它要求模型以一种近乎档案管理员的严谨态度，记录下所有被发现的事实及其“出身”。论文中给出的格式[Source: <tool/doc> | <URL/id> | Verified: yes/no/partial]是一个黄金标准。让我用一个真实例子来说明其威力：

假设模型在第一轮中，通过搜索工具找到了维基百科关于“2024年诺贝尔物理学奖”的词条，并从中提取出“得主姓名：John Smith”。那么SSR中应该这样记录：

1) Facts & Evidence Collected - John Smith is the 2024 Nobel Prize in Physics laureate. [Source: Search | URL: https://en.wikipedia.org/wiki/2024_Nobel_Prize_in_Physics | Verified: partial]

注意，这里标记为Verified: partial，因为维基百科是一个二级信源，其信息需要进一步交叉验证。当模型在第二轮中，通过访问工具（Visit Tool）打开了诺贝尔奖官网的新闻稿，并确认了同样的名字时，它就应该更新这条证据：

1) Facts & Evidence Collected - John Smith is the 2024 Nobel Prize in Physics laureate. [Source: Visit | URL: https://www.nobelprize.org/prizes/physics/2024/press-release/ | Verified: yes]

这个小小的yes，意味着这条信息从此成为“已知真理”，后续所有推理都可以放心地以此为前提。而partial和no的标记，则像一个个醒目的路标，时刻提醒模型：“此处有坑，需绕行或加固”。

3.3 “不确定性与探索轨迹”面：为探索开辟疆域

这是SSR最具革命性的一面，它将“未知”本身变成了一个可管理、可操作的对象。它包含两个核心子项：不确定性（Uncertainties）和探索轨迹（Exploration Trace）。

不确定性（Uncertainties）是模型认知边界的诚实告白。它不是笼统地说“我不知道”，而是要精确地指出“我不知道什么”。例如：

4) Uncertainties, Limitations, Gaps - The specific nature of John Smith's breakthrough work (e.g., quantum computing, condensed matter physics) remains unknown. - The names of his co-laureates, if any, have not been identified.

探索轨迹（Exploration Trace）则是对“未完成分支”的主动捕获。它要求模型回顾自己的整个推理过程，找出那些被提出、被规划、但最终被放弃或遗漏的搜索方向。这才是Re-TRAC区别于其他摘要方法的灵魂所在。例如，模型在第一轮的推理中可能写道：“为了确认他的工作领域，我需要查找他最近三年在《Nature》或《Science》上发表的论文。” 但如果它最终因为上下文限制，没能执行这个计划，那么SSR就必须明确记录：
```
5) Failed attempts - Plan to search for John Smith's recent publications in Nature/Science journals was abandoned due to context length limitation. 6) Uncompleted proposals - Potential lead: "John Smith Nature 2023" and "John Smith Science 2024" were surfaced in search results but not pursued.
```

注意：在实际部署中，我强烈建议你为这个面设置一个“硬性规则”：任何在本轮推理中被明确提出、但未被执行的搜索意图，都必须无一例外地出现在SSR的“Failed attempts”或“Uncompleted proposals”中。这不是可选项，而是Re-TRAC能否真正实现“跨轨迹反思”的生命线。我在测试一个30B模型时，仅仅因为漏掉了一条“Uncompleted proposals”，就导致它在后续三轮中都固执地在一个死胡同里打转，直到我手动补上了那条记录，它才豁然开朗，转向了正确的方向。

4. 递归执行：从单次尝试到渐进式智慧的跃迁

Re-TRAC的“递归”（Recursive）二字，是其名称中最富哲学意味的部分。它并非指代某种复杂的数学递归函数，而是描述了一种朴素而强大的工程实践：让模型的每一次新尝试，都成为对上一次尝试的继承、修正与超越。这彻底颠覆了传统“Best-of-N”范式中N次尝试彼此隔绝、互不通信的孤岛状态。要实现这一点，关键在于两个环节：状态注入（State Injection）与延续提示（Continuation Prompt）。

4.1 状态注入：让历史成为下一次行动的起点

在标准的ReAct流程中，每一次新的推理，其输入（input）通常只有两样东西：系统提示（system prompt）和用户原始问题（user query）。而在Re-TRAC中，这个输入被扩展为三部分：

系统提示（System Prompt）：定义模型的角色和基本能力。
用户原始问题（User Query）：任务的终极目标。
上一轮的结构化状态表示（Previous SSR）：这是最关键的增量信息。

这个SSR，被精心地放置在系统提示之后、用户问题之前的位置。它不是作为一段背景信息被“阅读”，而是作为模型本次推理的初始上下文（initial context）被加载。这意味着，模型在开始思考“我该如何回答这个问题”之前，它的“大脑”里已经预先加载了上一轮的所有关键认知成果。它看到的不再是空白的画布，而是一幅已经勾勒出轮廓、标注了重点、并用红笔圈出了待办事项的地图。

这种注入方式带来了质的飞跃。在ReAct中，模型的每一次“想一想”，都是在一片混沌中重新摸索；而在Re-TRAC中，它的每一次“想一想”，都是在一幅日益清晰的认知地图上进行战略规划。它不需要再花费宝贵的token去回忆“我们查到了什么”，因为它一睁眼就看到了。它也不需要再凭空猜测“接下来该做什么”，因为SSR的“Uncertainties”和“Uncompleted proposals”已经为它列好了待办清单。

4.2 延续提示：教会模型如何“善用”历史

仅仅把SSR塞给模型是不够的。一个未经训练的模型，很可能会陷入两种极端：要么对SSR视而不见，继续我行我素；要么对SSR过度依赖，把它当作不容置疑的“圣旨”，从而丧失了自主探索的勇气。这就是为什么Re-TRAC框架中，有一个至关重要的组件——延续提示（Continuation Prompt），它被设计成SSR之后的“紧邻指令”，其作用是为模型提供一套关于“如何与SSR互动”的元指令。

论文附录C.3.2中提供的Figure 11，就是一个典范。它没有说“请参考上面的总结”，而是用一种极具引导性的方式，将SSR定位为一个“建议”（suggested synthesis），一个“可能包含幻觉的草稿”（may contain hallucinations）。它明确告诉模型三件事：

你可以质疑它：“Identify and ignore any parts of the summary that seem illogical or poorly supported.”
你可以抛弃它：“If the summary’s quality is low or its direction feels like a dead-end, you have the full autonomy to completely disregard it…”
你必须超越它：“Use the [Uncertainties, Limitations, Gaps] section as a springboard to pivot to entirely different keyword clusters…”

这个提示词的设计，体现了微软团队对LLM能力边界的深刻理解。它没有幻想模型能天生具备完美的批判性思维，而是通过精巧的指令工程，将这种思维“外化”为一套可执行的、可被模型解析的规则。我在部署自己的Re-TRAC-4B模型时，曾尝试过一个简化的版本，结果模型表现得非常“教条”，它会机械地执行SSR中列出的每一个“Uncompleted proposals”，却忽略了那些更宏观、更需要直觉的“Pivot”机会。当我换回Figure 11的完整版后，模型的探索策略立刻变得灵动起来，它开始学会在“遵循”与“叛逆”之间寻找平衡点，这正是一个成熟研究者应有的风范。

4.3 效率奇迹：为何Re-TRAC越“跑”越省？

一个直观的疑问是：既然Re-TRAC要运行多轮（默认8轮），那它的总token消耗和工具调用次数，岂不是远超单次ReAct？答案恰恰相反：Re-TRAC在提升性能的同时，实现了资源消耗的显著下降。图5（Figure 5）中的数据给出了铁证：在o3模型上，Re-TRAC（RT@8）的性能（69.8%）远超多数投票（MV@8, 64.3%），但其工具调用次数却只有多数投票的一半左右。

这个奇迹的根源，就在于“递归”二字所蕴含的收敛性（convergence）。在独立的多次尝试中，每一次都是全新的、随机的探索，其搜索空间是发散的、不可预测的。而在Re-TRAC的递归中，每一次新的探索，都是在上一次探索所划定的、更小的、更聚焦的“未知疆域”内进行。SSR中的“Evidence Base”让模型避免了重复劳动；“Uncertainties”则像一个精准的探针，将下一轮的算力，全部集中刺向那个最脆弱、最需要被攻克的认知缺口。因此，随着轮次的增加，模型的行动越来越精准，每一次工具调用都带着明确的目的，而不是漫无目的的撒网。这就像一个经验丰富的猎人，第一轮他可能需要在整片森林里拉网式搜索，但当他发现了第一个脚印后，后续的追踪就只需要沿着那条清晰的路径前进即可。Re-TRAC，就是为LLM代理装上了这样一双能读懂“认知脚印”的眼睛。

5. 小模型的逆袭：如何用SFT将Re-TRAC的“灵魂”注入4B模型

标题中“4B性能SOTA”的震撼之处，不在于它是一个40亿参数的模型，而在于它证明了：Re-TRAC所代表的“递归反思”能力，并非前沿大模型的专属天赋，而是一种可以通过工程化手段，被“蒸馏”并“移植”到小型模型上的通用智能。这背后的关键技术，就是论文4.4节所描述的“面向Re-TRAC的监督微调”（Re-TRAC-aware Supervised Fine-Tuning, SFT）。

5.1 数据蒸馏：从“巨人”身上汲取“反思”的经验

要教会一个4B的小模型如何进行Re-TRAC式的思考，最直接的办法，就是让它“看”一个强大模型（如GLM-4.7）是如何做的。但这不是简单地收集GLM-4.7的对话日志，而是要构建一套专门用于训练“反思能力”的数据集。整个过程可以概括为“三步走”：

第一步：构造高质量的“种子问题”。研究团队没有使用现成的问答数据集，而是创造了一种名为“实体树”（entity-tree）的方法。他们从维基百科中抽取大量实体（如“量子计算”、“锂离子电池”、“诺贝尔奖”）作为树根，然后递归地搜索与之相关的子实体（如“量子计算”的子节点可能是“Shor算法”、“量子退火”），最终形成一棵棵知识树。一个问题，就是从树根到某个叶子节点的一条路径。这种方法生成的问题，天然具有层次性和探索性，完美契合深度研究的场景。

第二步：生成“反思轨迹”。用强大的GLM-4.7模型，对这33K个问题，运行完整的4轮Re-TRAC流程。每一轮，模型都会生成一个完整的轨迹（trajectory），其中包含了所有的推理、工具调用、以及最重要的——由模型自己生成的、符合SSR规范的结构化状态表示。这一步，本质上是在用“巨人”的大脑，为“小个子”编写一本《如何思考》的教科书。

第三步：数据清洗与格式化。原始的4轮轨迹，会被“展平”（flattened）为4个独立的训练样本。但并非所有样本都合格。团队设定了三条严苛的过滤规则：

样本中不能包含无效的工具调用（如参数错误）；
每个样本的交互轮数（turn count）不能少于15轮，确保其复杂度足够；
样本必须包含一个有效的最终答案。

经过这番“千锤百炼”，132K个原始样本被精炼为104K个高质量的SFT训练数据。这些数据，每一行都是一次“反思”的示范：输入是上一轮的SSR + 用户问题，输出是模型在本轮中生成的完整轨迹（包括新的SSR）。这正是小模型学习“如何成为Re-TRAC代理”的全部教材。

5.2 微调的艺术：让4B模型学会“用状态思考”

有了数据，下一步就是训练。论文附录B的Table 7给出了关键的超参数。其中，max length（最大长度）被设为65536，这是一个非常激进的数字，远超大多数4B模型的原生上下文窗口。这表明，微调过程本身，就是在强迫模型去学习如何在一个极其有限的“内存”里，高效地承载和处理一个极其复杂的“认知状态”。

我在复现这个过程时，遇到了一个典型问题：未经微调的Qwen3-4B-Instruct模型，在面对SSR时表现得非常“懵”。它会把SSR当成一段普通的背景介绍，然后开始自己的、与SSR完全脱节的推理。它的准确率（RT@8）仅为2.7%，几乎为零。这印证了论文中的观点：小模型并不天生具备“条件化推理”（conditioned reasoning）的能力，它需要被明确地教会，如何将外部状态作为自身推理的基石。

SFT的过程，就是将这种能力“刻”进模型权重里的过程。训练完成后，模型的行为发生了质变。它不再无视SSR，而是会主动地、有意识地去解析SSR中的每一个字段：

当它看到Current Answer时，它会以此为基准，思考如何完善或修正它；
当它看到Facts & Evidence Collected时，它会将这些事实作为已知前提，构建新的推理链条；
当它看到Uncertainties时，它会立刻将这些问题列为本轮的最高优先级任务。

这种转变，不是模型“变聪明了”，而是它的“认知接口”被重新校准了。它现在拥有了一个标准的、可预期的“输入槽位”（SSR），和一个标准的“输出协议”（生成新的SSR）。这使得它能够无缝地接入Re-TRAC的递归流水线，成为一个可靠的、可预测的“齿轮”。

5.3 实战心得：小模型部署的“甜蜜点”与“雷区”

将Re-TRAC-4B部署到生产环境，是一场关于“性价比”的精妙平衡。我的经验是，它并非万能，但在特定场景下，它能带来颠覆性的体验。

甜蜜点（Sweet Spot）：

边缘计算与隐私敏感场景：一个4B模型可以在一台配备32GB内存的普通服务器上流畅运行，甚至能在高端的树莓派4B（Raspberry Pi 4B）上进行轻量级推理（尽管速度较慢）。这意味着你可以将一个强大的研究代理，部署在本地、在内网、甚至在用户的个人设备上，所有数据都不必离开本地，完美满足GDPR等隐私法规的要求。
高并发、低延迟的查询服务：相比于动辄需要数百GB显存的358B模型，4B模型的推理延迟极低，且可以轻松支持数十甚至上百个并发请求。对于一个需要为大量用户提供实时搜索辅助的SaaS产品，Re-TRAC-4B是一个极具成本效益的选择。

雷区（Landmine）：

切勿期望它能替代大模型处理“终极难题”：Re-TRAC-4B的30.0%准确率，是建立在BrowseComp这个特定基准上的。如果你把它丢给一个需要海量世界知识、复杂逻辑推理的开放性问题，它的表现会迅速滑落。它擅长的是“在已知框架内，进行高效的、有指导的探索”，而不是“从零开始，构建一个全新的知识体系”。
SSR的质量是它的“命门”：一个小模型的SSR生成能力，天然弱于大模型。论文Table 6的数据清楚地显示，当Re-TRAC-4B使用自己作为“总结器”（summarizer）时，准确率是30.0%；但当它使用GLM-4.7作为外部总结器时，准确率飙升至38.5%。这说明，对于小模型而言，SSR的生成质量，是制约其上限的瓶颈。在实际部署中，我建议采用一种混合策略：对于关键的、高价值的查询，可以调用一个云端的、更强的总结服务来生成SSR；而对于常规查询，则使用本地的4B模型自行生成，以平衡成本与性能。