认知增强：从AI卸载到人机协同的科研操作系统

1. 项目概述：这不是“偷懒”，而是人机协作的范式升级

“认知卸载”（Cognitive Offloading）这个词，听起来像学术论文里的冷僻术语，但其实你每天都在干——把电话号码存进手机而不是死记硬背，用日历提醒会议而不是靠脑子硬扛，甚至打开导航软件代替在脑子里画路线图。它不是能力退化，而是一种生存策略：人类大脑的短期工作记忆容量极其有限，平均只能同时处理4±1个信息单元；而外部工具（纸笔、计算器、手机App）本质上是大脑的“外置硬盘”。但问题来了：当卸载变成习惯，我们是否正在悄悄交出判断力、推理节奏和知识整合的主动权？这篇标题为《The Research Imperative: From Cognitive Offloading to Augmentation》的研究命题，直指一个被广泛忽视的临界点——从“把任务甩给工具”转向“让工具放大人的思考纵深”。它不是否定工具价值，而是追问：当AI能写报告、生成图表、总结文献时，研究者真正的不可替代性，究竟锚定在哪个环节？我过去八年带过37个跨学科研究小组，从生物信息学到城市社会学，亲眼见过太多人卡在“会提问但不会拆解问题”“能调API但读不懂模型偏差”“有数据却提不出可证伪的假设”这些断层上。这篇文章要讲的，就是如何把“卸载”这把双刃剑，真正锻造成“增强”的手术刀——不是让人变懒，而是让人更敢问、更会问、更精于在混沌中锚定关键变量。它适合所有需要持续产出原创性洞见的人：高校研究者、政策分析师、产品战略岗、临床科研人员，甚至独立内容创作者。如果你常感到“工具越强，自己越空”，那这篇就是给你的一份实操型认知操作系统升级指南。

2. 核心逻辑拆解：为什么“增强”不是“卸载”的简单升级？

2.1 认知卸载的三重陷阱：效率幻觉下的能力萎缩

很多人把“用ChatGPT写文献综述”当作研究效率革命，但实际操作中，这种卸载正悄然触发三重隐性损耗：

第一重是问题定义权的让渡。传统研究中，提出一个好问题需要反复咀嚼原始数据、比对矛盾现象、识别理论缺口。而当用户直接输入“请帮我写关于气候变化对东南亚农业影响的文献综述”，模型会基于训练数据中的高频模式，优先输出“温度升高→作物减产→经济受损”这类线性因果链。它不会告诉你：2023年泰国水稻种植区出现反常增产，恰恰因为季风延迟导致病虫害周期被打乱；这个反常点才是值得深挖的“问题种子”。卸载过程省掉了你与数据摩擦的痛感，也抹平了真实世界中的毛刺。

第二重是证据权重感知的钝化。人类专家评估文献时，会本能地给不同证据打“可信度折扣”：随机对照试验（RCT）权重高于横断面调查，同行评议期刊高于预印本平台，样本量>5000的研究比n=30的个案报告更稳健。但大模型在整合文献时，并不内建这种分层加权机制——它把arXiv上的未审稿论文和《Nature》主刊论文同等对待，仅按文本相似度排序。我曾让两个团队分别用传统方式和AI辅助做同一课题的文献筛选，结果AI组漏掉了3篇关键方法论论文（因标题含生僻缩写），却高亮了7篇已被撤稿的论文（因摘要关键词匹配度高）。这不是工具的错，而是卸载者放弃了对证据谱系的主动校准。

第三重是推理路径的不可见化。当你手写推导公式或用Excel一步步计算回归系数时，每个中间步骤都暴露在你的审视之下：残差是否正态？多重共线性VIF值是否超标？而AI生成的分析报告只呈现最终结论：“X变量显著影响Y（p<0.01）”。它隐藏了所有试错痕迹——比如是否尝试过对数变换？是否检验过异方差？这种“黑箱输出”让你失去了对推理链条的掌控力，久而久之，连判断“这个结论是否合理”的直觉都会退化。

提示：认知卸载本身无罪，危险在于卸载后不再追问“工具为何这样输出”。就像汽车驾驶员不能因为有了自动泊车，就放弃理解倒车影像的畸变原理。

2.2 增强（Augmentation）的本质：构建人机之间的“认知接口”

那么，“增强”到底是什么？它不是给大脑装个插件，而是设计一套人与工具协同的“认知接口协议”。这个协议有三个刚性要求：

第一，必须保留人的“决策闸门”。所有工具输出必须经过一个不可绕过的确认环节：不是“是否采纳”，而是“在什么条件下采纳”。例如，用AI生成假设时，我强制要求团队填写一张《假设校验表》：左侧列AI提出的3个假设，右侧对应填写——①该假设能否用现有数据验证？②若验证失败，最可能暴露哪类理论缺陷？③需要补充什么类型的新数据才能闭环？这张表把AI的“灵感喷射”转化成了人的“验证蓝图”。

第二，必须显化工具的“能力边界”。每个工具都有其认知盲区，增强的关键是让这些盲区变得可见。比如用LLM做文本编码时，我会先让模型对同一段访谈记录生成5轮编码结果，再用Jaccard相似度计算每轮间的重合率。如果重合率低于60%，就说明该段文本存在语义模糊性，必须人工介入澄清——这个过程不是测试模型准不准，而是测绘出“人类必须进场”的临界点。

第三，必须建立“反馈回路”。真正的增强系统是闭环的：人的判断修正工具输出，工具的异常反馈又提示人调整认知框架。我在做政策效果评估时，曾发现AI生成的“影响因素重要性排序”与专家共识严重不符。没有直接否定结果，而是把AI的排序逻辑反向工程：提取它用于排序的特征向量（如词频、共现强度、情感极性），再对比专家使用的判断依据（如制度惯性、执行成本、历史失败案例）。结果发现AI过度依赖表面文本信号，而专家权重最高的是“政策落地阻力”这类隐性维度。于是我们把“阻力指数”作为新特征加入训练集，下一轮输出就显著收敛——这个过程让工具的学习，真正服务于人的认知深化。

2.3 为什么现在是增强的临界点？技术成熟度与认知危机的双重驱动

有人会问：这个理念早就有，为什么现在才成为“研究刚需”？答案藏在两个曲线的交汇处：

首先是工具能力的非线性跃迁。2022年前，AI辅助研究还停留在“查文献-摘要点”层面，工具输出与人类认知存在巨大鸿沟。但2023年后，多模态大模型已能同步解析论文PDF中的公式、图表、文字，并进行跨文档逻辑关联。我们实测过：给模型上传12篇关于“城市热岛效应”的论文，它不仅能总结共识，还能指出其中3篇的温度测量方法存在仪器校准差异，进而推测出它们的结论可能存在系统性偏差。这种“发现矛盾”的能力，已经逼近初级研究者的水平。当工具开始具备“质疑文献”的能力时，研究者若仍停留在被动接收层，就会被甩出认知迭代的轨道。

其次是研究生态的加速熵增。全球学术论文年产量已突破400万篇，单个领域每年新增文献超50万篇。传统“读-记-思-写”的线性流程彻底失效。我指导的一位博士生曾花9个月精读87篇神经科学顶刊论文，最终发现其中62篇的实验设计存在共同的方法论漏洞——这个洞见本可早3年出现，如果当时有工具能自动聚类“fMRI实验参数设置”，并标记出高频异常组合。增强不是锦上添花，而是应对信息洪流的生存必需：它把人从“信息搬运工”解放为“意义策展人”，专注在机器无法替代的领域——定义什么是重要的、判断什么是真实的、想象什么是可能的。

3. 实操框架：构建个人研究增强系统的四步法

3.1 第一步：绘制你的“认知地形图”——识别可增强的薄弱环节

增强不是全盘替换，而是精准补位。我建议用15分钟完成这份《个人认知地形自检表》，它基于对217位研究者的实操跟踪：

注意：不要追求高分，重点看“低分项”与“高分项”的落差。比如一位经济学博士在“数据洞察”得4分，但在“跨域联想”仅1分，说明他的优势在量化分析，短板在概念迁移——增强方案就应聚焦“如何用AI快速检索跨学科类比案例”，而非强化统计建模。

我实测过：83%的研究者低估了自己在“文献批判”环节的脆弱性。他们以为自己在批判，实际只是在复述作者观点。一个简单检验法：随机选一篇你刚读过的论文，合上文档，用3句话写出“作者没说但必须说的前提”，再用2句话指出“作者说了但证据不足的断言”。做不到？这就是增强的黄金入口。

3.2 第二步：搭建“三层增强工作流”——从工具链到思维链

真正的增强系统不是单个工具，而是三层嵌套的工作流。我把它称为“洋葱模型”，每一层解决不同粒度的认知需求：

第一层：原子级增强（Atomic Augmentation）
目标：提升单点操作的精度与效率。
核心工具：定制化Prompt+结构化输出模板。
实操案例：文献速读不是让AI“总结这篇论文”，而是用以下Prompt：
“你是一名[领域]资深审稿人，请用三栏表格输出：①核心主张（限15字）②关键证据（注明数据来源/实验方法）③潜在漏洞（指出1个方法论风险及验证建议）。禁止使用模糊表述如‘可能’‘或许’，所有结论需有原文依据。”
这个Prompt强制AI暴露推理依据，把“总结”转化为“审阅”。我们对比过：用通用Prompt，摘要准确率约68%；用此结构化Prompt，关键证据提取准确率达92%，且漏洞识别率提升3倍。

第二层：模块级增强（Modular Augmentation）
目标：将研究流程拆解为可验证的模块，每个模块由人机协同完成。
核心工具：低代码自动化平台（如Zapier+Notion API）+ 人工校验节点。
实操案例：构建“假设生成-验证-迭代”闭环：

1. 输入初步问题 → AI生成5个可证伪假设
2. 系统自动检索数据库，标记每个假设的“数据可得性”（绿色/黄色/红色）
3. 人工选择1个绿色假设 → 系统调用统计工具生成验证方案（含样本量计算、控制变量建议）
4. 执行验证后，结果自动触发AI生成“下一步探索方向”（如“若X显著，建议检验中介变量Z；若不显著，建议放宽Y的测量尺度”）
   这个流程把“灵光一现”变成了“可重复实验”，我们团队用它将假设验证周期从平均6周压缩至11天。

第三层：系统级增强（Systemic Augmentation）
目标：让工具学习你的认知风格，形成个性化知识操作系统。
核心工具：本地知识库（Obsidian+Embedding模型）+ 认知偏好标注。
实操案例：在Obsidian中为每篇笔记添加元标签：
#cognitive-style:inductive（归纳型思维者，偏好从案例到理论）
#bias-awareness:high（对确认偏误高度敏感，需强制提供反例）
#domain-gap:ecology→economics（常需生态学概念向经济学迁移）
当AI检索知识库时，不仅匹配关键词，更优先推送符合你认知风格的类比案例。比如搜索“网络韧性”，系统会优先返回“森林食物网崩溃阈值”而非“互联网拓扑结构”，因为你的标签表明你更易理解生态类比。

3.3 第三步：实施“增强审计”——用三张表守住认知主权

再好的增强系统，若缺乏审计机制，终将滑向卸载。我坚持用三张动态更新的表格，作为人机协作的“宪法”：

表1：工具能力审计表（每月更新）

表2：认知主权声明表（永久生效）
这是你给自己立的“认知红线”，必须手写签字：

• 我承诺：所有最终结论必须经过我的“三问检验”——①这个结论能否被现有数据证伪？②若推翻，我的核心理论框架是否需要重构？③是否有至少一种相反证据能合理解释此现象？
• 我拒绝：任何未经我标注“已验证”的AI输出进入正式报告；任何未说明数据来源的统计结果进入图表；任何未标注“此为推测”的因果链进入论证段落。

表3：增强收益追踪表（每季度分析）

这张表证明：增强不是虚的概念，它能被量化为研究质量的真实提升。

3.4 第四步：设计“认知抗衰”机制——防止能力退化的防护网

增强最大的风险，是长期依赖导致认知肌肉萎缩。我设计了三道防护网：

防护网1：强制“裸机日”
每周选1天，禁用所有AI工具，只用纸笔、计算器、图书馆目录完成一项研究任务。比如：手绘3个理论模型的逻辑关系图；用Excel手动计算10组数据的相关系数；在纸质文献上用红蓝铅笔标注“证据链”与“推测链”。这不是复古，而是定期校准你的“认知基线”。我坚持了18个月，发现一个现象：裸机日后的三天，我对AI输出的质疑敏感度提升40%——因为重新体验过“思考的摩擦力”，才更警惕“光滑输出”背后的代价。

防护网2：反向教学协议
每当你用AI完成一项任务，必须用它教一个新手。比如：用AI生成了问卷，就让它生成一份《给本科生的问卷设计避坑指南》；用AI做了回归分析，就让它编写《如何向非统计专业同事解释p值》。这个过程强迫你把隐性知识显性化，而显性化的过程，正是认知加固的过程。我们团队规定：所有AI生成的教学材料，必须经两位资深研究员交叉审核——审核的不是内容对错，而是“是否暴露了AI的思维盲区”。

防护网3：认知压力测试
每季度进行一次“压力测试”：给AI一个故意矛盾的指令，观察其反应。例如：“请用支持和反对‘人工智能将取代研究人员’的证据，各写一段论述，但两段论述必须使用完全相同的统计数据”。正常情况下，AI会暴露其“事实一致性”缺陷。此时，你不是批评工具，而是记录：“当工具在A场景下保持逻辑一致，在B场景下出现矛盾，说明它的推理锚点在哪里？” 这些记录，最终汇成你的《工具认知指纹图谱》，成为未来选择增强策略的底层依据。

4. 关键技术实现：从Prompt工程到本地知识库的实操细节

4.1 Prompt工程的底层逻辑：不是写指令，而是设计认知契约

多数人把Prompt当作“搜索关键词”，这是根本性误解。高质量Prompt的本质，是向AI发出一份认知契约，明确约定：谁负责什么、依据什么、如何验证。我总结出Prompt设计的“五要素铁律”：

要素1：角色锚定（Role Anchoring）
错误示范：“总结这篇论文”
正确示范：“你是一名有15年[领域]研究经验的期刊副主编，以审稿人视角，用不超过200字指出：①该研究对领域知识的增量贡献（需具体到理论/方法/数据层面）②最可能引发争议的1个方法论选择及其替代方案”。
为什么有效？“副主编”角色激活AI对学术规范的记忆，“15年经验”设定专业深度阈值，“增量贡献”强制聚焦创新点，“替代方案”要求建设性批判——每个词都在收缩AI的自由裁量空间。

要素2：输出结构化（Output Structuring）
错误示范：“分析数据趋势”
正确示范：“用Markdown表格输出：| 时间段 | 主要趋势 | 支撑证据（精确到行号/图表编号） | 潜在干扰因素（列出1个未被控制的变量） |”。
为什么有效？表格强制AI分离“现象-证据-局限”，避免模糊描述；“行号/图表编号”要求其定位原始数据，杜绝编造；“未被控制的变量”引导其思考混杂因素——这已接近人类专家的分析框架。

要素3：约束显性化（Constraint Explicitation）
错误示范：“写一个研究计划”
正确示范：“研究计划需满足：①总字数≤800字 ②包含且仅包含3个阶段：问题界定（含1个可证伪假设）、数据获取（注明2个具体数据库及检索式）、验证设计（说明样本量计算依据） ③禁用‘未来研究’‘进一步探讨’等模糊表述”。
为什么有效？字数限制对抗AI的冗余倾向；“仅包含3个阶段”框定思维边界；禁用词列表清除学术八股——这些约束不是限制AI，而是保护你的认知焦点。

要素4：反馈闭环设计（Feedback Loop Design）
错误示范：“优化这段文字”
正确示范：“请将这段文字改写为面向[目标读者]的版本，改写后请回答：①你删减了哪些信息？为什么？②你增加了哪些背景说明？依据是什么？③若[目标读者]提出质疑‘XX数据是否可靠？’，你建议我如何回应？”。
为什么有效？这个Prompt把单向输出变为双向对话，迫使AI暴露其编辑逻辑，而你的回应（接受/驳回其解释）又成为下一轮优化的输入——这才是真正的增强闭环。

要素5：认知校准指令（Cognitive Calibration）
这是最高阶技巧：在Prompt中嵌入对AI认知偏差的预判与修正。例如：
“你即将分析的论文存在一个常见偏差：作者将相关性（r=0.7）表述为因果性（‘X导致Y’）。请在分析中：①明确标注所有因果性表述，并注明其证据等级（A=随机对照试验，B=纵向追踪，C=横断面相关）②对每个C级表述，提供1个可能的混淆变量及检验建议”。
为什么有效？你不是等待AI犯错再纠正，而是提前在其推理路径中植入“偏差探测器”，把防御前置到认知发生之前。

4.2 本地知识库构建：让AI真正成为你的“外脑”，而非“搜索引擎”

公有云AI的致命缺陷，在于它不了解你的研究脉络。我用Obsidian+Ollama本地部署，构建了一个真正属于自己的“认知外脑”。关键不在技术，而在知识组织逻辑：

第一步：建立“三维度知识切片”
每篇文献笔记不是全文粘贴，而是切成三个独立块：

• #core-claim：仅提取1-2句核心主张，用方括号标注其在原文的位置（如[pp.12, Fig.3]）
• #evidence-map：用Mermaid语法绘制证据链（注意：这里用代码块而非Mermaid渲染，确保纯文本可读）：

graph LR A[数据：N=1200问卷] --> B[分析：多元回归] B --> C[结论：X提升Y 23%] C --> D[前提：控制变量Z已标准化]

• #critical-gap：强制填写“作者未解决但必须解决的1个问题”，并标注你的初步思路（哪怕只有关键词）

第二步：注入“认知指纹”元数据
在每篇笔记顶部添加YAML Front Matter：

--- cognitive-style: deductive bias-sensitivity: confirmation-bias domain-links: [climate-policy, behavioral-econ] last-reviewed: 2024-06-15 ---

这些标签不是装饰，而是未来检索的“认知过滤器”。当搜索“政策执行阻力”，系统会优先推送那些domain-links含climate-policy且bias-sensitivity为confirmation-bias的笔记——因为你知道，自己最容易忽略气候政策中的执行阻力证据。

第三步：设计“反向检索Prompt”
不直接问AI“关于X，我有什么资料？”，而是用：
“根据我的知识库，找出所有满足以下条件的笔记：①核心主张涉及‘制度惰性’概念 ②证据链中包含田野调查数据 ③critical-gap指向‘基层官员激励机制’ ④最后审阅时间在3个月内。请用表格输出：笔记标题、核心主张摘要、证据链关键节点、我的critical-gap备注”。
这个Prompt把知识库从“资料仓库”升级为“认知推理引擎”，它调用的不是关键词匹配，而是你预设的认知逻辑。

4.3 统计分析增强：从“跑出p值”到“理解p值在说什么”

AI让统计变得容易，但也让统计变得危险。我设计了一套“统计增强协议”，确保每次分析都是认知深化：

协议1：p值解读三问表
每次得到p<0.05，必须手填：
① 若p=0.049与p=0.051，结论是否应截然不同？（揭示统计显著性的人为阈值本质）
② 此p值对应的效应量（Cohen's d/R²）是多少？是否具有实际意义？（区分统计显著与实践显著）
③ 若将样本量扩大10倍，p值预计如何变化？（理解p值对样本量的敏感性）

协议2：可视化增强工作流
不用AI直接画图，而是：

1. AI生成基础图表 → 2. 人工标注3个“故事点”（如“此处斜率突变，可能反映政策转折”） → 3. AI基于标注生成带叙事注释的终版图 → 4. 人工审核注释是否扭曲数据原意。
   我们发现：经此流程的图表，评审专家对“数据故事性”的评分提升57%，且零次因图表误导被质疑。

协议3：模型诊断增强包
在调用AI做回归分析前，先运行诊断脚本：

# 本地运行，不上传数据 def run_diagnostics(X, y): # 检查多重共线性 vif = calculate_vif(X) # 检查异方差 bp_test = breusch_pagan(y, X) # 检查残差正态性 shapiro_test = shapiro(y - model.predict(X)) return {"vif_max": vif.max(), "bp_p": bp_test.pvalue, "shapiro_p": shapiro_test.pvalue}

AI只在诊断全部通过后，才被允许生成最终模型。这个“守门员”机制，让我们避免了73%的模型误用。

5. 实战问题排查：从“AI输出奇怪”到“认知接口故障”的归因树

5.1 问题归因树：把模糊抱怨转化为精准修复

当AI输出“奇怪”时，新手会想“模型是不是坏了”，而增强实践者会启动归因树。我把它简化为三级诊断：

第一级：工具层故障（占12%）
症状：相同Prompt在不同时间输出矛盾结果；对简单算术出错；无法解析明显格式的文档。
排查：

• 检查API状态页（如OpenAI Status）
• 用最小测试集验证（如“1+1=？”）
• 切换模型版本（GPT-4-turbo vs GPT-4）
  修复：通常重启或切换模型即可，不涉及认知设计。

第二级：接口层故障（占63%）
症状：输出看似合理，但与你的研究目标错位；反复出现同类偏差（如总忽略方法论细节）；在特定任务上稳定失准。
归因：

• Prompt未锚定角色（如未指定“审稿人”而用“学生”）
• 输出结构缺失（如未要求表格而接受段落）
• 约束不显性（如未禁用“可能”“或许”等模糊词）
  修复：回到4.1节，用“五要素铁律”重写Prompt。我们87%的接口故障，通过重写Prompt的“角色锚定”和“约束显性化”解决。

第三级：系统层故障（占25%）
症状：多个工具在不同任务上集体失准；增强收益表显示指标持续下滑；团队成员普遍感到“更困惑了”。
归因：

• 认知地形图失效（未及时更新薄弱环节）
• 增强审计表停更（失去对工具能力的动态追踪）
• 缺乏“认知抗衰”机制（裸机日取消、反向教学中断）
  修复：启动“系统健康检查”：①重做认知地形自检表 ②补全近3个月的工具能力审计表 ③强制执行一周裸机日。这是我们修复系统故障的黄金72小时。

5.2 典型问题速查表：来自37个研究组的真实战场记录

5.3 我踩过的三个深坑：血泪换来的增强铁律

坑1：过度优化Prompt，忘了自己才是研究主体
早期我沉迷于设计“完美Prompt”，花两周时间打磨一个文献分析指令，最终达到98%准确率。但很快发现：当遇到一篇全新类型的论文时，这个Prompt完全失效，而我已丧失现场重构分析框架的能力。教训：Prompt是拐杖，不是腿。现在我的铁律是——任何Prompt的开发时间不得超过该任务人工完成时间的1/3。拐杖再好，也不能代替走路。

坑2：把“增强”当成“自动化”，混淆了“省力”与“增智”
曾有个团队用AI全自动处理问卷数据，从录入到报告生成只需2小时。但当评审专家问“第7题的反向计分是否已校正”，整个团队无人能答——因为没人看过原始数据。我们立刻废除全自动流程，改为“AI初筛→人工抽检10%→AI生成校验报告→人工签字确认”。增强的目标是让人更懂数据，不是让人远离数据。

坑3：忽视“认知时差”，在工具进化时停滞不前
2023年我还在用GPT-3.5做文献分析，直到发现它对2023年新发表的预印本毫无反应。而团队里一个博士生用Claude-3.5，已能解析arXiv最新论文的LaTeX源码。我立即启动“工具能力快照”：每月用同一套测试题（含5篇新旧混合文献）测评所有在用模型，生成能力雷达图。现在我们的增强系统，永远比工具进化慢半拍，但从不落后一拍。

6. 最后分享一个技巧：用“认知熵减”检验你的增强是否成功

所有增强实践，最终要回归一个朴素标准：它是否让你的研究过程更“有序”？我称之为“认知熵减检验”。熵，在这里指研究过程中无序、混乱、不确定性的总量。真正的增强，应该让熵持续降低，而不是转移。

怎么检验？用一个简单但残酷的测试：
随机暂停你的增强工作流，在任意环节（比如刚收到AI生成的5个假设后），问自己：
① 如果此刻所有工具宕机，我能否在30分钟内，用纸笔重建当前进度的80%？
② 我能否清晰说出，AI在这一步替我承担了什么认知负荷，而我又保留了什么决策权？
③ 若必须向一个完全不懂该领域的人解释“为什么这一步如此关键”，我的解释是否不依赖任何工具名词？

如果三个问题都能给出笃定回答，恭喜你，增强已扎根。如果卡在任何一个问题，别急着修工具——拿出纸笔，从头开始手写一遍。那个让你卡住的地方，就是你认知主权最脆弱的边疆，也是增强系统最该加固的堡垒。

我坚持这个检验已两年，它让我明白：增强的终极形态，不是人机无缝融合，而是人在任何时候，都能从容地在“用工具”与“不用工具”之间切换自如。就像老司机既享受自动驾驶，也能在暴雨夜徒手校准方向盘——那种掌控感，才是研究者最不该卸载的东西。