nf-core 管道部署实战指南基于 nextflow-development 技能的 RNA-seq、变异检测与 ATAC-seq 全流程【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins本文以 knowledge-work-plugins 仓库中 bio-research/skills/nextflow-development/SKILL.md 为核心骨架系统讲解如何在本地或公共测序数据GEO/SRA上运行 nf-core 生物信息学管道从环境检查、管道选择、测试运行、samplesheet 生成到基因组配置、正式运行与结果验证。读完本文你可以掌握一条可复现、可排错的六步部署流程并理解仓库配套脚本的底层实现逻辑直接用于 RNA-seq 差异表达、WGS/WES 变异检测与 ATAC-seq 染色质可及性分析。技能定位为无生信背景的科学家而设计nextflow-development是 bio-research 领域的一个 Claude Cowork 技能Skill位于 bio-research/skills/nextflow-development/其 SKILL.md 的 frontmatter 定义了触发语义当用户提到 nf-core、Nextflow、FASTQ 分析、变异检测、基因表达、差异表达、GEO 重分析、GSE/GSM/SRR 编号或 samplesheet 创建时该技能被激活。它的目标用户是没有专业生信培训的湿实验室科学家和研究人员帮助他们在不深入 Nextflow 语法细节的情况下完成三类大规模组学分析数据类型nf-core 管道锁定版本分析目标RNA-seqrnaseq3.22.2基因表达定量与差异表达WGS/WESsarek3.7.1变异检测germline/somaticATAC-seqatacseq2.1.2染色质可及性与 peak calling技能采用检查清单驱动的工作流每一步都有明确的门禁gate环境检查必须通过、测试 profile 必须通过任何一步失败都不应继续从而把管道运行的经验门槛固化为可执行的流程。六步工作流总览- [ ] Step 0: Acquire data (if from GEO/SRA) - [ ] Step 1: Environment check (MUST pass) - [ ] Step 2: Select pipeline (confirm with user) - [ ] Step 3: Run test profile (MUST pass) - [ ] Step 4: Create samplesheet - [ ] Step 5: Configure run (confirm genome with user) - [ ] Step 6: Verify outputs其中 Step 0 仅在数据来自 GEO/SRA 时需要若用户已有本地 FASTQ直接进入 Step 1。Step 2、Step 5 明确标注为DECISION POINT决策点要求先与用户确认管道与参考基因组再继续避免错误参数导致数小时的计算浪费。Step 0从 GEO/SRA 获取公共数据当需要重分析已发表数据集、验证研究结论或与公共队列比对时数据获取是第一关。完整流程见 references/geo-sra-acquisition.md核心工具是 scripts/sra_geo_fetch.py。先获取研究信息info# 1. Get study info python scripts/sra_geo_fetch.py info GSE110004输出包含研究标题与摘要、物种含自动建议的参考基因组、样本与 run 数量、数据类型RNA-Seq/ATAC-seq 等、预估下载体积以及建议的 nf-core 管道。也可用-o study_info.json保存为 JSON 供后续程序化处理python scripts/sra_geo_fetch.py info GSE110004 -o study_info.jsonDECISION POINT拿到研究信息后必须先与用户确认两点——① 在多数据类型研究中下载哪个样本子集② 建议的基因组与管道。确认后再继续。查看样本分组与运行列表groups / list混合数据类型的研究如同一 GEO 条目里既有 paired-end 又有 single-end RNA-seq可用groups查看按数据类型与布局组织的分组python scripts/sra_geo_fetch.py groups GEO_ID示例输出会按组列出数量、布局、GSM 范围和预估体积例如Sample Group Count Layout GSM Range Est. Size -------------------------------------------------------------------------------- RNA-Seq 42 PAIRED GSM2879618...(42 samples) 87.4 GB RNA-Seq 7 SINGLE GSM2976181-GSM2976187 4.5 GB -------------------------------------------------------------------------------- TOTAL 49 91.9 GBlist可列出每个独立 run并支持按数据类型过滤python scripts/sra_geo_fetch.py list GSE110004 python scripts/sra_geo_fetch.py list GSE110004 --filter RNA-Seq:PAIRED下载 FASTQdownload下载默认走ENA欧洲核苷酸档案库通常比 SRA 更快python scripts/sra_geo_fetch.py download GEO_ID -o OUTPUT_DIR选项说明默认-o, --output输出目录必填—-i, --interactive交互式选择要下载的样本分组关-s, --subset按数据类型过滤如RNA-Seq:PAIRED—-p, --parallel并行下载数4-t, --timeout单个下载超时秒600多数据类型研究推荐使用-i交互模式会弹出分组选择菜单[1] RNA-Seq (paired)、[2] RNA-Seq (single)、[0] Download ALL非交互环境可直接用--subset指定例如python scripts/sra_geo_fetch.py download GSE110004 -o ./fastq \ --subset RNA-Seq:PAIRED --parallel 6下载会自动跳过已存在的文件中断后重跑同一命令即可续传。生成 samplesheet 并衔接主流程python scripts/sra_geo_fetch.py samplesheet GEO_ID \ --fastq-dir FASTQ_DIR \ -o samplesheet.csv选项说明默认-f, --fastq-dir已下载 FASTQ 所在目录必填—-o, --outputsamplesheet 输出路径samplesheet.csv-p, --pipeline目标管道未指定则自动检测—脚本输出目标管道所需格式的 samplesheet、建议的参考基因组 key以及一条可直接执行的 nf-core 命令例如酵母数据会建议--genome R64-1-1 -profile docker。之后回到主 SKILL 工作流的 Step 1环境检查继续。完整示例重分析 GSE110004GSE110004 是酵母Saccharomyces cerevisiaeRNA-seq 的 SuperSeries 数据集脚本会自动识别其 SuperSeries 身份、定位关联 BioProjectPRJNA432544并拉取全部 SRA run# 1. Get study info and sample groups python scripts/sra_geo_fetch.py info GSE110004 # 2. Download with interactive selection python scripts/sra_geo_fetch.py download GSE110004 -o ./fastq -i # Select option [1] for RNA-Seq paired-end samples # 3. Generate samplesheet python scripts/sra_geo_fetch.py samplesheet GSE110004 \ --fastq-dir ./fastq \ -o samplesheet.csv # 4. Run nf-core/rnaseq (continue with main workflow) nextflow run nf-core/rnaseq \ --input samplesheet.csv \ --outdir results \ --genome R64-1-1 \ -profile docker数据获取的边界情况ENA 下载失败回退到 SRA 工具链用conda create -n sra_tools -c bioconda sra-tools创建环境再prefetch SRR6357070fasterq-dump SRR6357070 -O ./fastq。info显示 Runs: 0该 GEO 数据集可能只有 processed 数据而没有 SRA 原始测序 reads无法用于 nf-core 管道。基因组未识别用 scripts/manage_genomes.pylist查看可用 iGenomes key或直接给管道传自定义参考--fasta /path/to/genome.fa --gtf /path/to/genes.gtf。运行前提需要 Python 3.8、requests与pyyaml库pip install requests pyyaml以及到 NCBI 与 ENA 的网络访问。支持的数据类型与生物体映射管道-数据类型映射与物种-基因组映射均配置在 scripts/config/genomes.yamlLibrary Strategy建议管道支持程度RNA-Seqnf-core/rnaseq完整配置 samplesheet 文档ATAC-seqnf-core/atacseq完整WGS/WXSnf-core/sarek完整ChIP-seqnf-core/chipseq手动配置Bisulfite-Seqnf-core/methylseq手动配置miRNA-Seqnf-core/smrnaseq手动配置Ampliconnf-core/ampliseq手动配置常见物种的基因组建议完整列表见 genomes.yaml人 GRCh38、小鼠 GRCm39、酵母 R64-1-1、果蝇 BDGP6、线虫 WBcel235、斑马鱼 GRCz11、拟南芥 TAIR10、大鼠 Rnor_6.0。每个条目还携带 NCBI taxid 与别名如hg38、mm39便于按别名解析。Step 1环境检查必须先通过管道无法在不通过环境检查的情况下运行。直接执行python scripts/check_environment.py该脚本实现在 scripts/check_environment.py用dataclass定义了CheckResultname/passed/message/details/fix与EnvironmentReportready/checks/recommendations两类结构共执行5 项检查L363-L389 的run_all_checksDockercheck_docker先查docker是否在 PATH随后运行docker info15 秒超时对 stderr 做关键字判别——permission denied提示权限问题、cannot connect/is the docker daemon running提示 daemon 未启动并分别给出修复建议。Nextflowcheck_nextflow正则解析nextflow -version要求版本≥ 23.04major 23 or (major 23 and minor 4)否则建议nextflow self-update。Javacheck_java从java -version的 stderr 提取主版本号要求≥ 11。系统资源check_resourcesLinux 下读/proc/meminfo、macOS 下用sysctl获取内存CPU 4、内存 8GB、磁盘 50GB 时给出对应建议如--max_cpus、--max_memory并提示人类样本管道通常需要约 100GB 磁盘。网络check_network带nf-core-helper/1.0User-Agent 探测 Docker Hub 与 nf-co.re 连通性。判定逻辑是关键三项Docker、Nextflow、Java必须全部通过L374-L375资源与网络作为警告或建议输出。--json参数可输出机器可读报告进程退出码为0就绪/1未就绪。常见问题的修复速查Docker 问题问题修复未安装按 Docker 官方文档安装权限被拒sudo usermod -aG docker $USER后重新登录daemon 未运行sudo systemctl start dockerNextflow 问题问题修复未安装curl -s https://get.nextflow.io \| bash mv nextflow ~/bin/版本 23.04nextflow self-updateJava 问题问题修复未安装 / 版本 11sudo apt install openjdk-11-jdk任何一项未通过都不得继续。HPC/Singularity 环境的处理见 references/troubleshooting.md。首次环境搭建installation.md 摘要完整步骤见 references/installation.md# Nextflow curl -s https://get.nextflow.io | bash mv nextflow ~/bin/ export PATH$HOME/bin:$PATH # Verify nextflow -version java -version # Requires 11DockerLinuxsudo apt-get update sudo apt-get install docker.io、sudo systemctl enable --now docker、sudo usermod -aG docker $USER注销重登生效验证命令docker run hello-world。SingularityHPCsudo apt-get install singularity-container或conda install -c conda-forge singularity并配置缓存export NXF_SINGULARITY_CACHEDIR$HOME/.singularity/cache mkdir -p $NXF_SINGULARITY_CACHEDIR echo export NXF_SINGULARITY_CACHEDIR$HOME/.singularity/cache ~/.bashrcnf-core tools可选pip install nf-core常用命令nf-core list列出可用管道、nf-core launch rnaseq交互式参数选择、nf-core download rnaseq -r 3.14.0离线下载。验证安装nextflow run nf-core/demo -profile test,docker --outdir test_demo。常见坑Java 版本不对时export JAVA_HOME/path/to/java11Nextflow 找不到时把$HOME/bin写入~/.bashrc。Step 2选择管道DECISION POINT必须与用户确认。根据数据类型选择管道数据类型管道版本目标RNA-seqrnaseq3.22.2基因表达WGS/WESsarek3.7.1变异检测ATAC-seqatacseq2.1.2染色质可及性三个管道的完整参数、输出与注意事项分别见 references/pipelines/rnaseq.md、references/pipelines/sarek.md、references/pipelines/atacseq.md。自动检测原理若不清楚数据类型可运行python scripts/detect_data_type.py /path/to/datascripts/detect_data_type.py 的检测机制calculate_pipeline_scoresL80-L172对三个管道分别打分遍历 config/pipelines/ 下每个 YAML 的detection_hints文件名命中 10 分目录名命中 15 分输入类型兼容FASTQ/BAM/CRAM各 5 分sarek 加分文件名含 tumor/normal 指示词tumor、tumour、cancer、met、primary / normal、germline、blood、control20 分含 DNA 相关词wgs、wes、exome、variant、snp、indel10 分rnaseq 加分含 RNA 相关词rna、mrna、expression、transcript、counts15 分atacseq 加分含 ATAC 相关词atac、chromatin、accessibility、peak、macs20 分。最终取最高分管道作为推荐L199。若目录中没有任何 FASTQ/BAM/CRAM 文件则直接报错退出L192-L194。输出会打印各管道得分与命中原因并附带下一步建议环境检查、测试命令、samplesheet 生成。--json可输出结构化结果。Step 3运行测试 Profile必须先通过用小型测试数据验证环境正式数据之前必须通过nextflow run nf-core/pipeline -r version -profile test,docker --outdir test_output管道测试命令预期时长rnaseqnextflow run nf-core/rnaseq -r 3.22.2 -profile test,docker --outdir test_rnaseq~15 分钟sareknextflow run nf-core/sarek -r 3.7.1 -profile test,docker --outdir test_sarek~20 分钟atacseqnextflow run nf-core/atacseq -r 2.1.2 -profile test,docker --outdir test_atacseq~15 分钟每个管道的测试命令、成功指标与日志模式都固化在其 YAML 配置的test_profile段如 rnaseq.yaml 中success_indicators: [test_rnaseq/multiqc/multiqc_report.html]、log_pattern: Pipeline completed successfully。验证成功ls test_output/multiqc/multiqc_report.html grep Pipeline completed successfully .nextflow.log若测试失败参照 references/troubleshooting.md 排错解决后再继续。Step 4创建 Samplesheet自动生成python scripts/generate_samplesheet.py /path/to/data pipeline -o samplesheet.csvscripts/generate_samplesheet.py 会依次完成对应 L74-L160 的generate_samplesheet主流程发现文件调用 utils/file_discovery.py 的discover_files与detect_input_type自动识别 FASTQ/BAM/CRAM 输入--input-type可覆盖支持auto|fastq|bam|cram配对 R1/R2调用 utils/sample_inference.py 的match_read_pairs推断样本元数据提取 sample、patient、lane 等信息管道专属处理sarek 推断 tumor/normal 状态atacseq 分配 replicate 编号写入前校验调用 utils/validators.py 的validate_samplesheet不通过时可交互确认是否强制写入默认拒绝。R1/R2 配对的源码细节sample_inference.py中定义了带置信度权重的正则模式表L14-L30如_R1_001权重 10、_R1./.R1.权重 8、_1.权重 5等对每个文件分别计算 R1/R2 最高得分得分更高者决定归属无任何模式命中时按 R1 处理。样本 key 由extract_sample_info清洗文件名得到去除扩展名、lane 标记与 R1/R2 后缀多 lane 数据会拼上 lane 后缀避免冲突_get_sample_keyL185-L194。sarek 的 tumor/normal 推断infer_tumor_normal_statusL131-L153用TUMOR_KEYWORDStumor、tumour、metastasis、met、primary、cancer、malignant、-T-/-T1等与NORMAL_KEYWORDSnormal、germline、blood、pbmc、control、healthy、matched、-N-/-N1等正则匹配样本名命中返回1tumor或0normal。未识别的样本在交互模式下逐个询问Enter 默认 normal非交互模式统一默认 normal。写入前_validate_sarek_specific还会检查每个 patient 的配对情况有 tumor 无 normal 时给出警告。atacseq 的 replicate 处理_process_atacseq_samples先尝试从文件名提取 replicate正则模式如_rep1、_replicate1、_R1_、sample_1见 atacseq.yaml 的replicate_patterns提取失败则按样本内出现顺序自动编号。校验规则validators.py必填列缺失、路径文件不存在、枚举值非法如strandedness不在auto/forward/reverse/unstranded内、R2 有而 R1 无、重复样本名警告、atacseq 重复 replicate 编号错误、atacseq 缺 R2错误因为必须双端、少于 2 个 replicate警告影响 consensus peaks等。校验已有 samplesheetpython scripts/generate_samplesheet.py --validate samplesheet.csv pipeline通过输出✓ Samplesheet is valid for pipeline否则打印错误、警告与建议并以退出码 1 结束。注意samplesheet 中必须使用绝对路径这是 No such file 类错误的最常见来源。三种管道格式rnaseq列sample,fastq_1,fastq_2,strandednesssample,fastq_1,fastq_2,strandedness SAMPLE1,/abs/path/R1.fq.gz,/abs/path/R2.fq.gz,autostrandedness取值auto推荐从数据推断、forwardTruSeq Stranded、dUTP 方案、reverse连接法方案、unstranded非链特异性。sarek列patient,sample,lane,fastq_1,fastq_2,statuspatient,sample,lane,fastq_1,fastq_2,status patient1,tumor,L001,/abs/path/tumor_R1.fq.gz,/abs/path/tumor_R2.fq.gz,1 patient1,normal,L001,/abs/path/normal_R1.fq.gz,/abs/path/normal_R2.fq.gz,0status0normal1tumor对体细胞变异检测至关重要。sarek 还支持 BAM/CRAM 输入列变为patient,sample,lane,bam,bai,status由--input-type bam|cram触发。atacseq列sample,fastq_1,fastq_2,replicatesample,fastq_1,fastq_2,replicate CONTROL,/abs/path/ctrl_R1.fq.gz,/abs/path/ctrl_R2.fq.gz,1同一样本条件的多个生物学重复共享sample名、replicate递增管道据此计算 consensus peaks。Step 5配置与运行5a. 检查并管理参考基因组python scripts/manage_genomes.py check genome # If not installed: python scripts/manage_genomes.py download genomescripts/manage_genomes.py 内置 iGenomes 索引IGENOMES字典L25-L195覆盖人类GRCh38/GRCh37、小鼠GRCm39/GRCm38、酵母 R64-1-1、果蝇 BDGP6、线虫 WBcel235、斑马鱼 GRCz11/GRCz10、大鼠 Rnor_6.0、拟南芥 TAIR10、鸡 GRCg6a、狗 CanFam3.1、猪 Sscrofa11.1 等每个条目含物种、别名如hg38、mm39、sacCer3以及 fasta/gtf/bwa/STAR 索引在 S3 上的路径。常用命令python manage_genomes.py list # 列出全部基因组--installed 只看已装 python manage_genomes.py check GRCh38 # 检查是否已本地安装 python manage_genomes.py download GRCh38 # 从 iGenomes 下载需要 awscli python manage_genomes.py download GRCh38 --components fasta gtf star_index python manage_genomes.py params GRCh38 # 输出可直接使用的 Nextflow 参数实现要点缓存目录为$NF_CORE_GENOME_CACHE或默认~/.nf-core/genomesL198-L204已安装的判定是genome.fa存在L222-L229下载通过aws s3 cp --no-sign-request匿名访问公开桶L339-L346未安装 awscli 时会给出pip install awscli或改用管道--genome自动下载的提示L290-L300。params命令很实用本地已装则输出--fasta/--gtf本地路径否则回退输出--genome keyL363-L395。5b. 决策点与用户确认Genome用哪个参考基因组常见GRCh38 人、GRCh37 旧版人、GRCm39 小鼠、R64-1-1 酵母、BDGP6 果蝇。管道专属选项rnaseq--aligner选star_salmon推荐差异表达标准方案、star_rsem需要 isoform 定量时、hisat2低内存、更快sarek--tools选 germlinehaplotypecaller,snpeff还是 somaticmutect2,strelka,snpeff以及是否启用 DeepVarianthaplotypecaller,deepvariant,snpeff需 GPUWES 数据需--wes --intervals BEDatacseq--read_length50、75、100 或 150需与实际测序读长一致、--narrow_peak默认 truehistone mark 或更宽区域用 false 选 broad peaks。这些选项的完整约束默认值、允许值、推荐理由都固化在各管道 YAML 的decision_points段例如 sarek.yaml 的tools决策点会根据是否检测到 tumor-normal 配对推荐不同工具组合。5c. 运行管道nextflow run nf-core/pipeline \ -r version \ -profile docker \ --input samplesheet.csv \ --outdir results \ --genome genome \ -resume关键参数-r version锁定管道版本保证可复现-profile docker使用 Docker 容器HPC 上改用singularity--genome keyiGenomes 的基因组 key也可用--fasta/--gtf传自定义参考-resume从断点继续失败重跑不浪费已完成任务。各管道的完整运行模板含管道专属参数见对应 YAML 的run_command段。资源限制按需添加--max_cpus 8 --max_memory 32.GB --max_time 24.h各管道 YAML 还给出了资源基线resources段rnaseq/atacseq 最低 8GB 内存、4 CPU推荐 32GB/8 CPU、100GB 磁盘sarek 最低 16GB推荐 64GBWGS 建议 128GB 内存、16 CPU、500GB 磁盘。WGS 数据务必预留充足磁盘与内存。Step 6验证输出检查完成状态ls results/multiqc/multiqc_report.html grep Pipeline completed successfully .nextflow.log各管道关键输出rnaseqresults/star_salmon/salmon.merged.gene_counts.tsv— 基因 counts 矩阵供 DESeq2/edgeR 做差异表达results/star_salmon/salmon.merged.gene_tpm.tsv— TPM 归一化表达值results/star_salmon/*.bam— 比对后的 BAM 文件。差异表达下游见 references/pipelines/rnaseq.mdlibrary(DESeq2) counts - read.delim(salmon.merged.gene_counts.tsv, row.names1) coldata - data.frame( condition factor(c(control, control, treatment, treatment)) ) dds - DESeqDataSetFromMatrix( countData round(counts), colData coldata, design ~ condition ) dds - DESeq(dds) res - results(dds, contrast c(condition, treatment, control))sarekresults/variant_calling/*/— VCF 变异调用文件results/preprocessing/recalibrated/— BQSR 后的 analysis-ready BAMresults/annotation/snpeff/*.ann.vcf.gz— 注释后的变异snpeff 工具组合时。atacseqresults/macs2/narrowPeak/— peak callsBED 格式含consensus_peaks.bed跨重复一致性峰results/bwa/mergedLibrary/bigwig/— 供基因组浏览器查看的覆盖度轨道results/bwa/mergedLibrary/*.mLb.mkD.sorted.bam— 过滤去重后的比对。atacseq 还内置了 QC 阈值atacseq.yaml 的quality_metricsmapped reads 80%60-80% 可接受、线粒体 reads 20%、重复率 30%、FRiP 30%、TSS enrichment 6可在 MultiQC 报告中对照检查。故障排查速查完整清单见 references/troubleshooting.md。退出码资源类问题代码原因修复137内存不足OOM--max_memory 32.GBWGS 用64.GB143内存不足同上104, 134, 139, 247内存不足增大--max_memory1一般错误检查.nextflow.log定位详情多数管道失败前会自动用2 倍、3 倍资源重试。HPC/Singularityexport NXF_SINGULARITY_CACHEDIR$HOME/.singularity/cache mkdir -p $NXF_SINGULARITY_CACHEDIR nextflow run nf-core/pipeline -profile singularity ...管道失败容器拉取失败检查网络尝试-profile singularity离线环境用nf-core download pipeline -r version预下载。No such file 错误samplesheet 必须用绝对路径先ls /path/to/file确认存在。resume 不生效检查ls -la work/工作目录需要干净重启时会丢失缓存rm -rf work/ .nextflow*后重跑。各管道特定问题RNA-seqSTAR index 失败--max_memory 64.GB或提供预构建--star_index /path/to/star/低比对率确认基因组与物种匹配、用 FastQC 检查接头污染、换--aligner hisat2链特异性检测失败显式指定--strandedness reverse取值forward|reverse|unstranded。SarekBQSR 失败检查基因组是否有 known sites非标准参考可--skip_bqsrMutect2 无变异核对 samplesheet 的status列0normal1tumor与 tumor/normal 配对WGS 内存不足--max_memory 128.GB --max_cpus 16DeepVariant GPU 问题配置 NVIDIA Docker runtime或退回 CPU 模式更慢。ATAC-seq低 FRiP检查plotFingerprint/的文库复杂度可能提示转座过度峰过少--macs_qvalue 0.1放宽阈值或--narrow_peak false用 broad peaks高重复率低起始量样本属正常现象管道默认去重可考虑加深测序。资源检查# CPUs nproc # Memory free -h # Disk df -h .引用与许可发表结果时请引用所用 nf-core 管道各管道仓库的CITATIONS.md提供标准引文格式。许可方面nf-core 管道为 MIT LicenseNextflow 为 Apache License 2.0NCBI SRA Toolkit 为 Public Domain。该技能本身作为原型示例发布用于演示将 nf-core 管道集成进 Claude Cowork / Claude Code 的自动化分析流程当前完整支持 rnaseq、sarek、atacseq 三个管道社区可在此基础上扩展至更完整的 nf-core 管道集。它面向教学与研究用途投入生产前请结合你的具体场景做验证并对计算结果按生信标准流程复核。【免费下载链接】knowledge-work-pluginsOpen source repository of plugins primarily intended for knowledge workers to use in Claude Cowork项目地址: https://gitcode.com/GitHub_Trending/kn/knowledge-work-plugins创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考