资产管理与基金审计
围绕近期融资价格校准,生成公式可追溯的估值底稿、重点项目清单与离线 HTML 复核报告。
进入案例 05 →以金融行业审计工作为主线,把编程智能体(Code Agent)带进资产管理与基金估值、 银行 ECL、保险赔案与准备金等真实工作语境。课程先用四个通用案例建立数据处理与审计护栏, 再用三个行业综合案例练习如何让 AI 做整理、复算与报告,让审计师保留规则、判断和签认。
打开案例 → 前往下载课程不把 AI 当作孤立工具,而是把它放进金融审计的完整工作链:先控制输入, 再执行规则与复算,随后形成异常清单和可追溯结果,最后由审计师完成专业判断。
建立输出契约、控制总数、异常留痕与人工质量门,适用于各类金融机构审计。
开场用的宏观图景,全部来自德勤对金融服务业的调研——不是泛泛的科技问卷。 它讲的故事是:工具的可得性已经解决,能力还没有。
金融服务业员工获得机构许可 AI 工具的比例,一年内从三成升至逾六成——"没有工具"已不再是理由。
德勤《State of AI in the Financial Services Industry: The untapped edge》,2026 年 3 月,N=573 位金融服务业领导者仅 24% 的机构将 40% 以上的 AI 实验投入生产——大多数试点停在终点线之前。
同上浪潮下个季度就到,准备好没有都会到。
同上四成从业者只在表面用 AI,底层流程几乎没变——用了,但没用上。
同上84% 的机构没有围绕 AI 重新设计工作方式,而"员工技能不足"被列为整合的第一大障碍——瓶颈是能力,不是牌照。
同上仅 31% 的董事会把 AI 列入议程,66% 的董事自认 AI 知识有限——能展示"受控使用 AI"的团队,正填上一个看得见的缺口。
德勤 Global Boardroom Program《Governance of AI》第 2 版,2025 年,n=695(56 个国家/地区)德勤 2026 年 7 月发布《Banking on trust》——对 16 个国家/地区 135 家大型银行 AI 治理实况的指数化调研。结论不舒服但有用:政策写完了,问责、监测和人还没建起来。 银行是金融业 AI 治理的高密度样本,而留痕、复核、判断不外包同样适用于保险、资产管理与基金审计。
仅 13% 达到"优化"层级;与此同时银行员工的每周 AI 使用率一年翻倍至 63%——采用跑在了控制前面。
德勤《Banking on trust: AI governance for growth, resilience and scale》,2026 年 7 月,n=13572% 的银行有过半 AI 用例未进入中央登记册——没有台账的东西,既无法治理,也无法审计。
同上德勤点名"人与技能"是最弱支柱之一——缺口在人,不在流程。你现在坐在这间教室里,就是在补这个缺口。
同上IAASB 技术立场与 ISA 540(修订)的挑战者逻辑指向同一件事:责任不可委托给机器。AI 可以准备估计与分析——签字的仍是审计师。(IAASB technology position statement · iaasb.org)
财会〔2024〕11 号/12 号自 2025 年起施行,会计核算与电子凭证走向机器可读——这是 AI 辅助结账与全量测试赖以运转的底层。(mof.gov.cn)
第 4 条要求部署方对员工采取 AI 素养措施——只要"使用"第三方 AI 系统即受约束,不限于开发者。(Regulation (EU) 2024/1689, Art. 4)
按"功能 · 流程 · 治理"三层框定风险,把人工复核与独立验证列为核心缓释——同样适用于编制方。(frc.org.uk)
《关于银行业保险业人工智能安全开发应用的指导意见》:全生命周期管理、风险分类分级、点名高风险领域、强制人工监督与高风险用途的人工最终决策、定期算法审计。(nfra.gov.cn,2026-06-18)
两大支柱:机构级治理 + 全生命周期管理;实践 10 要求人工监督随系统自主性同步升级。(fsb.org,2026-06-10)
把时钟连起来读,各法域正收敛于同三件事: 给风险分级、把人留在决策里、留下可审计的轨迹。一个本来就这样工作的审计团队,不是在应对监管——是已经走在监管要求的方向上。
本页所有数字均出自德勤出版物或监管一手文件;调研数字描述其样本,不指向任何单一机构。今天全程使用的不是聊天机器人,而是能动手的智能体:授权它一个文件夹, 它自己读文件、写代码、跑出结果、向你汇报。三步心智模型:
用大白话说清你要的结果——"要什么",不是"怎么点"。
智能体列出步骤、写代码、在你的文件夹里跑出结果——过程你全程可见。
读它的计划与回执、核关键数字。你的工作从"做"变成"定义与验收"。
桌面应用、中文界面;安装后授权一个本地文件夹即可开工。本次培训的默认工具。
免费 AI IDE,国内版内置豆包 / DeepSeek 模型;适合想在开发环境里进一步折腾的学员。
命令行 / 桌面形态,能力上限最高;可把跑通的流程沉淀成可复用的 Skill——团队资产化的方向。
同类国际工具还有 Cursor、OpenAI Codex CLI、Gemini CLI 等——形态略异(IDE / 命令行),心智模型完全相同:学会一个,就学会了全部。
Cowork 不是某个软件,而是一种工作组织方式:给智能体一个工作目录,像给新同事布置任务一样下达目标与验收标准; 它交付结果和"做了什么"的回执,你验收、追问、改需求。团队的下一步,是让多个专业智能体协同—— 编排、证据、估值复核、银行减值、保险准备金和报告起草各司其职,审计师在关键节点复核签认。 今天的 7 个案例,就是金融行业审计团队与智能体的第一次结对办公。
智能体直接在你授权的文件夹里创建、修改文件——这是它和聊天机器人的本质区别。
它只能看到你授权的目录。课堂用模拟数据随便授权;真实数据先过所内政策。
动手前列计划、做完后给回执。读计划,是你在错误发生前拦住它的机会。
代码报错它自己改自己重跑;真卡住了,把任务拆成两半重发——拆解是技能,不是妥协。
同一句话两次产出可能略有差异——所以验收清单和自查数字才是你的锚。
难的它常做对,简单的(格式、符号)反而会翻车——这正是审计师必须在环上的原因。
拿到智能体不等于会用。技能拆成三门学科:把目标说准(Prompt)、把上下文喂对(Context)、 给产出装上护栏(Harness)——七个案例,每个都在练全部三门。
"分析一下这个数据。"
得到的是它猜你想要什么。
"按四条红旗规则对全部 42 个项目做全量扫描,输出红旗清单(编号、企业、红旗类型、一句话说明——写清差异金额或滞后月数)……最后用中文汇报关键发现。"
得到的是可以进底稿的工作成果。
本站全部数据虚构、固定种子可复现——可放心交给任何 AI 工具。
客户数据只进所内合规许可的工具与环境;能脱敏则脱敏,不确定先问。
每个 AI 产出都连同异常清单/回执一起交付——悄无声息的修复比脏数据更可怕。
数字对回控制总数、判断逐句过目——与 IAASB/FRC 立场一致:责任不可委托给机器。
案例 1–4 是金融审计共通基础:拆分、勾稽、清洗、筛查,每个案例明确一组可迁移的 Best Practice; 案例 5–7 是 Group Study 行业综合应用:资产管理/基金近期融资校准与 HTML 报告、银行 ECL、保险赔案与准备金。 案例正文即学员版原文;数据从“下载”区获取,做完对照“完成后自查”。所有阈值均为虚构教学参数, AI 负责整理与复算,方法、风险、错报/发现分类及签认仍由专业人员完成。
每组领取案例 5、6、7 中的一个案例,先独立形成分析思路,再使用 AI 协助处理数据与验证结果。 小组需提交:分析路径、关键要点、AI 可以完成的工作、必须由人判断的事项,并用 5 分钟分享结论和一项人工验证。 学生材料不提供现成 Prompt;讲师会在各组形成初步思路后进行引导和点评。
| 项目 | 说明 |
|---|---|
| 业务场景 | 基金年审开工:投资组合明细分派 |
| 核心操作 | 数据拆分(一张大表 → 多张子表 / 多个文件) |
| 难度 | ⭐(热身) |
| 预计时长 | 25 分钟(Part 1 ≈ 10′ · Part 2 ≈ 10′ · 对比 ≈ 5′) |
| 原始数据 | 案例01_原始数据_投资组合明细表.xlsx(1 个工作表,45 行) |
本案例及后续所有案例中的基金、企业与数字均为虚构的模拟教学数据,如有雷同纯属巧合。
启衡三号基金的年审进场了。这支基金期末持有 45 个投资项目,横跨 8 个行业、9 种估值技术。开工第一件事是分工:按估值技术拆一套(同类方法集中做底稿),按项目负责人拆一套(每人一份分派清单)。
以前的做法:筛选 → 复制 → 新建表 → 粘贴 → 重命名,循环二十几遍,手一抖就漏一行。
今天这个问题你要解决两次,用两种方式——因为这一对比教给你的,比任何一种单独教都多:
Part 1 的方法今天之后你可能再也不用。但看过一次机器内部,Part 2 在你眼里就不再是魔法——这会改变你敢把多重要的活交给它。本次培训从案例 2 起全部使用智能体。
工作表 投资组合明细(45 行 × 11 列):
| 列 | 字段 | 说明 |
|---|---|---|
| A–B | 序号 / 项目编号 | P001–P045,全基金唯一 |
| C–F | 企业名称 / 所属行业 / 投资日期 / 投资类型 | 8 个行业 |
| G–H | 期末成本(元) / 期末公允价值(元) | 2025-12-31 口径 |
| I | 公允价值层次 | 第一/二/三层次 |
| J | 估值技术 | 拆分维度①(9 种) |
| K | 项目负责人 | 拆分维度②(5 人) |
数据本身是干净的——热身案例不埋坑。
Part 1 —— 看机器内部(AI 写 VBA)
Part 2 —— 同一件事,用智能体
完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。
| 项目 | 说明 |
|---|---|
| 业务场景 | 公允价值审定:审计测算 vs 管理层估值 vs 上期审定 |
| 核心操作 | 数据合并(按编号关联多表 + 差异计算 + 缺口检查) |
| 难度 | ⭐⭐ |
| 预计时长 | 20 分钟 |
| 原始数据 | 案例02_原始数据_底稿勾稽三表.xlsx(3 个工作表) |
估值底稿的灵魂是双轨制:管理层(客户)有一套估值结果,审计师(DTT)独立测算一套,两边对比,差异超门槛的逐项跟进——这是每个基金审计底稿里"估值计算复核"那一段做的事。
现在三份数据分别躺在三个工作表里:项目组自己整理的本期投资明细(含 DTT 测算值)、客户交来的管理层估值表(PBC)、去年的上期审定数。以前靠一列列 VLOOKUP,拉完还要肉眼找 #N/A。今天:一句话,让 AI 把三表并成一张审定汇总表,差异、变动、缺口全部自动算出来。
| 工作表 | 行数 | 关键列 |
|---|---|---|
| 本期投资明细 | 42 | 项目编号、被投资企业名称、所属行业、期末成本(元)、公允价值-DTT测算(元) |
| 管理层估值表 | 40 | 项目编号、被投资企业名称、公允价值-管理层(元) |
| 上期审定数 | 43 | 项目编号、被投资企业名称、上期公允价值(元) |
复核差异Diff(元) = 公允价值-DTT测算 − 公允价值-管理层公允价值变动(元) = 公允价值-DTT测算 − 上期公允价值勾稽状态:差异在门槛内,通过 / 差异超门槛,需跟进 / 管理层估值表缺失,需向客户催要完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。
| 项目 | 说明 |
|---|---|
| 业务场景 | 接收客户资料(PBC)后的第一步:台账治理 |
| 核心操作 | 数据清洗(去重、去空行、格式统一、口径标准化) |
| 难度 | ⭐⭐⭐ |
| 预计时长 | 25 分钟 |
| 原始数据 | 案例03_原始数据_客户投资台账.xlsx(1 个工作表,50 行) |
向基金管理人要的投资台账终于来了。打开一看,熟悉的味道:
2024年3月15日、2024/3/15、2024.3.15,还有一串神秘数字 45678;¥1,200.00,有的带"万元"两个字;8.25%、8.25、0.0825 三种口径混着来;这张表不洗干净,后面的勾稽、分析全是白搭。以前手工洗半天,现在让 AI 来——但洗完必须能说清"洗了什么",这是审计底稿的留痕要求。
工作表 投资台账(50 行 × 10 列):
| 列 | 字段 | 已知"味道" |
|---|---|---|
| A | 序号 | — |
| B | 被投资企业名称 | 全称/简称混用,部分前后有空格 |
| C | 投资轮次 | 天使轮 – Pre-IPO |
| D | 投资日期 | 5 种写法 |
| E | 投资金额(万元) | 数字/文本/带符号/带单位混杂 |
| F | 股权比例 | 三种口径 |
| G | 估值方法 | 写法不统一 |
| H | 基金对接人 | 部分带空格 |
| I | 联系电话 | 三种格式 |
| J | 备注 | — |
另有整行空白与整行重复,数量自己找。
YYYY-MM-DD;完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。
| 项目 | 说明 |
|---|---|
| 业务场景 | 公允价值审定前的组合复核:全量风险筛查与定向跟进 |
| 核心操作 | 数据分析(分组聚合 + 规则扫描 + 可视化) |
| 难度 | ⭐⭐⭐⭐ |
| 预计时长 | 30 分钟 |
| 原始数据 | 案例04_原始数据_估值复核明细.xlsx(组合估值明细 42 行 + 红旗规则) |
以前复核估值,常先从组合中挑重点项目。现在 AI 让全量风险筛查成为可行的前置步骤——每个项目都跑一遍规则,可疑的自动跳出来,审计师据此更新风险判断并设计后续测试。全量筛查扩大覆盖面,但不自动替代抽样或其他必要审计程序。
项目组沉淀了四条估值红旗规则(见数据文件"红旗规则"工作表):
| 编号 | 红旗 | 判定标准 |
|---|---|---|
| R1 | 估值滞后 | 用最近融资价格法(含沿用),但定价日期距基准日 2025-12-31 超过 24 个月——价格还能代表公允价值吗? |
| R2 | 疑似减值 | 公允价值-DTT 低于成本 × 60%——减值计提是否充分? |
| R3 | 复核差异超门槛 | DTT 与管理层差异绝对值 > 500 万——差在哪? |
| R4 | 集中度偏高 | 单项目占组合公允价值 > 10%——披露与敏感性要重点关注 |
你的任务:让 AI 把规则落到数据上,并把结果画成"一眼能看懂"的图。
工作表 组合估值明细(42 行 × 13 列):项目编号、被投资企业名称、所属行业、投资日期、估值技术、定价基准日期、期末成本(元)、上期公允价值(元)、本期公允价值-管理层(元)、本期公允价值-DTT(元)、持股比例、公允价值层次、项目负责人。
工作表 红旗规则:上表四条规则的原文。
完成后请对照"自查"清单检查结果。如有疑问,可向讲师索取参考答案。
把 11 个项目的结构化融资参数,一次生成公式可追溯的估值复核底稿、重点项目清单和可离线打开的 HTML 报告;AI 负责整理、复算、筛查和起草,人负责方法与结论。
| 项目 | 说明 |
|---|---|
| 业务场景 | 基金投资估值:近期融资价格校准与底稿生成 |
| 核心操作 | 参数读取、批量底稿、检查点、HTML 报告 |
| 难度 | 综合案例 ⭐⭐⭐⭐ |
| 建议用时 | 45 分钟(35 分钟分析与制作 + 10 分钟整理汇报) |
| 输入 | 案例05_原始数据_近期融资校准参数.xlsx(11 个项目) |
| 交付 | 1 个 Excel 底稿工作簿 + 1 个 HTML 复核报告 |
全部名称和数字均为虚构教学数据。案例阈值用于课堂筛查,不代表准则硬门槛或审计重要性。
本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:
本讲义不提供现成指令。请根据任务、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。
项目组已把 11 个本年融资项目的协议要素、股份权利、持股数据和管理层公允价值整理成参数表。手工编制时,每张底稿都要重复抄写事实、拼接叙述、做“价格 × 持有注册资本”的计算,并在报告中再次汇总。
本案例把流程改成:
输入控制 → 公式复算 → 代表性筛查 → 逐项目底稿 → HTML 报告 → 人工签认
需特别注意:融资日期较近、金额较大或有新投资者参与,可能提高交易价格的证据权重,但都不能单独证明该价格在估值基准日仍代表公允价值。
读取 底稿参数表,确认:
若项目数或关键字段不一致,应先停止结论并说明缺口。
保留以下 Excel 公式:
投后估值 = 每元注册资本价格 × 融资后全部注册资本融资规模占比 = 本轮融资金额 ÷ 投后估值DTT 复算公允价值 = 每元注册资本价格 × 本基金持有注册资本差异 = DTT 复算公允价值 − 管理层公允价值按可见规则表筛查:
这些只是定位需人工复核事项的案例参数。不得自动写成“方法不适用”“确定错报”或“必须改用其他方法”。
生成一个新工作簿:
底稿汇总;用同一份数据生成 近期融资校准复核报告.html,要求:
#REF!、#VALUE!、#DIV/0!、#N/A本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:
本讲义不提供现成指令。请根据任务、规则与口径、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。
你是某虚构银行 2026 年中审计项目组成员。管理层提供了 48 笔信贷资产明细及一套简化 ECL 参数。项目组希望先用智能体完成控制总数、分期信号扫描、简化 ECL 复算和资料缺口整理,再由审计师决定进一步程序。
本案例不要求建立完整 ECL 模型,也不允许智能体替项目组作最终分期或错报判断。
案例06_原始数据_银行ECL复核.xlsx
重点工作表:
贷款明细:48 笔虚构贷款及管理层 ECL;ECL参数:按产品和阶段设置的简化 PD、LGD、折现因子;规则与口径:案例规则及人工判断边界;来源与口径:来源 ID、单位、基准日和方法论锚点。核对并回报:
若输入控制总数无法勾稽,应停止后续结论并说明原因。
按 规则与口径 中的 B-01 扫描管理层阶段与案例风险信号是否一致:
请输出管理层阶段、扫描阶段、触发事实和来源 ID。30/90 天是可反驳信号,其他触发项为本案例项目参数;不得写成唯一强制规则或最终审计结论。
按以下教学公式复算:
简化复算 ECL = EAD × PD × LGD × 折现因子
参数应按“产品类型 + 扫描阶段”从 ECL参数 工作表取数。将管理层 ECL 与复算结果比较,并列出绝对差异不少于 1,000,000 元的项目。
检查担保物评估日期和最近评级复核日期是否缺失。不得推断或补造日期;应形成单独缺口清单。
请生成一个新的 Excel 文件,至少包含:
复核汇总;复核明细;分期异常;拨备差异;缺失资料;控制检查;来源与口径。所有计算保留 Excel 公式;所有异常保留来源 ID 和规则编号。
以下事项必须由审计师完成:适用政策解释、SICR/违约判断、管理层模型与叠加调整评价、审计重要性、错报分类、进一步程序及底稿签认。
如果只能保留三项人工检查点,你会选择哪三项?为什么?
MAX(预计最终赔付-累计已赔-预计追偿,0)只检查赔案台账与管理层个案准备金,不能代表完整 IFRS 17 已发生赔款负债计量。本案例由一个小组独立完成。建议分为业务口径、智能体操作、结果复核和汇报四个角色;人数较少时可合并角色。小组需要形成并展示以下内容:
本讲义不提供现成指令。请根据任务、规则与口径、数据字段和验收标准,自行组织与智能体的交互,并保留关键检查回执。
你是某虚构财产保险公司 2026 年中审计项目组成员。管理层提供了 54 笔赔案明细、按分公司和产品汇总的准备金表以及总账余额。项目组希望用智能体完成赔案控制总数、RBNS 算术复算、异常扫描、准备金桥接和总账勾稽。
本案例不要求建立完整 IFRS 17 计量模型,也不替代精算专家对方法、假设和估计不确定性的评价。
案例07_原始数据_保险赔案与准备金.xlsx
重点工作表:
赔案明细:54 笔虚构财险赔案;精算准备金汇总:按分公司与产品汇总的 RBNS、IBNR 和理赔费用准备金;总账余额:按分公司列示的未决赔款准备金余额;规则与口径:案例筛查规则及审计边界;来源与口径:来源 ID、单位、基准日和方法论锚点。核对并回报:赔案笔数、累计已赔、预计最终赔付、预计追偿和管理层个案准备金总额。
对每笔赔案按以下教学公式复算:
复算 RBNS = MAX(预计最终赔付-累计已赔-预计追偿, 0)
将管理层个案准备金与复算 RBNS 比较,列出绝对差异不少于 500,000 元的项目。
按案例规则识别:
一笔赔案可以触发多条规则;异常清单应保留规则编号、来源 ID、事实和金额。
请生成一个新的 Excel 文件,至少包含:
复核汇总;复核明细;异常清单;准备金桥接;总账勾稽;控制检查;来源与口径。所有金额复算和桥接保留 Excel 公式。
赔案状态定义、重开案和付款政策、估损合理性、IBNR 方法和假设、理赔费用口径、风险调整、折现、估计不确定性、审计重要性、错报评价、专家结论及底稿签认均由人完成。
如果总账已经勾稽一致,为什么仍不能得出准备金合理的结论?
案例示范 Prompt 与值得带走的启示,分两级解锁: 基础篇(案例 1–4)凭据课上公布;综合篇(案例 5–7)凭据完成课堂案例后另行公布。 Group Study 阶段请先完成小组分析,不要提前解锁;复盘时再对照示范指令。 技能是描述你的目标,不是背诵别人的指令。
请输入课堂公布的访问凭据
需单独解锁:凭据在完成课堂案例后公布
全部数据为模拟数据、固定随机种子——你的自查合计会与讲义印的预期数字完全一致。 课前:把数据拷到本机新建文件夹,并授权给你的智能体。
德勤审计合伙人 · CPA · MSF
扫码添加讲师微信,课后交流与答疑
Tom 是德勤审计合伙人,十六年横跨加拿大、美国与中国的大型会计师事务所与企业财务咨询经历。 他的职业生涯就泡在这次培训要自动化的那些工作里——金融机构审计、季末年末结账、难估值投资的公允价值复核—— 现在他把这些经验整合成面向资产管理、银行和保险审计团队的 AI 实操训练,让机械工作交给智能体,控制权仍留在人手中。
每一场培训都同一个做法:先对团队自己的流程、数据形态与合规工具做结构化摸底,再把案例写成团队自己的样子—— 让学员在第一分钟就认出“这就是我的文件”。
教学立场来自审计,而不是技术推销:AI 产出在被验证之前只是草稿;每个交付物都带着异常清单;判断永远不外包给机器。 这也是审计、风控与财务团队信任这套材料的原因。
北京大数据研究院研究员 · 人工智能应用专家顾问
David 现任北京大数据研究院研究员、人工智能应用专家顾问,拥有十五年在四大咨询公司、头部评估公司及全球知名舆情分析公司的财务咨询、估值建模、市场研究、大数据分析与人工智能产品研发经验,主要服务金融与 TMT 行业客户。
他主导开发了基于人工智能与深度神经网络的数据资产价值挖掘、经济与行业分析、股票走势预测等产品与模型,并参与多项人工智能应用相关发明专利与软件著作权的研发。
David 毕业于英国格拉斯哥大学,拥有理学硕士学位;持有量化金融分析师(CQF)、金融风险管理师(FRM)、资产评估师(CPV)等专业资格,并取得工信部 AIGC 应用工程师(高级)、CFA 协会投资数据分析、职业 Python 程序员(PCPP)等认证。
德勤金融服务业高级审计师 · CICPA
杨扬是德勤金融服务业高级审计师,持有中国注册会计师(CICPA)资格,拥有六年私募基金团队工作经验,专注于私募基金审计及非上市股权估值服务,具备丰富的估值项目经验和扎实的财务会计专业能力。
他擅长运用 Excel VBA、Python 及生成式人工智能等工具开发自动化、智能化的财务与估值模型,优化数据处理、审计及估值分析流程,提升项目执行效率与交付质量。
作为 AI 技术赋能的积极实践者,杨扬自主开发了多款 AI 效率工具,持续推动人工智能在财务审计、估值分析及日常业务流程中的落地应用。