基于Spring AI与本地大模型构建跨工具AI Agent工作流

在实际工作中，Office、Obsidian、Zotero 和 Chrome 浏览器是我们处理文档、构建知识体系、管理文献和获取信息的主要工具。然而，这些工具之间的数据往往是孤立的：你在 Zotero 里读到的论文观点，需要手动复制到 Obsidian 的笔记里；在 Chrome 中浏览到的关键网页，其核心信息难以直接沉淀为结构化的知识；Office 文档里的内容更新后，相关的笔记和文献引用可能无法同步。这种割裂感降低了知识工作的效率。有没有一种方式，能让一个具备理解能力的智能体“住进”这些工具，自动感知上下文、处理信息并执行任务，从而打通这些孤岛？这正是 AI Agent 技术可以探索的方向。

本文不会讨论任何具体的、可能涉及版权或合规风险的破解、激活工具或第三方下载渠道。我们将聚焦于一个纯粹的技术构想：如何利用开源 AI 大模型（如 Spring AI 集成的模型或本地部署的模型）与浏览器扩展、脚本工具相结合，设计一套名为 “Innate” 的 AI 辅助工作流。这套工作流旨在安全、合规地提升在 Office 文档处理、Obsidian 笔记管理、Zotero 文献整理和 Chrome 信息收集场景下的智能化水平。我们将从核心概念入手，逐步构建一个可运行的原型系统，并详细解释其架构、关键配置和排查路径。

1. 理解 “Innate”：基于上下文的 AI 辅助工作流核心设计

“Innate” 不是一个现成的软件，而是一个技术架构概念。它的核心思想是创建一个本地的、可配置的 AI 代理（Agent），这个代理能够通过插件、脚本或 API 与上述工具进行交互，理解用户当前的操作上下文，并提供智能辅助。

1.1 什么是 AI Agent 在工作流中的角色？

在工作流场景中，AI Agent 不是一个简单的聊天机器人。它是一个具备一定自主性的程序，可以：

1. 感知（Perception）：通过浏览器扩展捕获当前网页的标题、选中文本、URL；通过文件系统监听或插件 API 获取当前打开的文档、笔记或文献条目信息。
2. 规划（Planning）：根据预设的目标（如“总结内容”、“关联笔记”、“提取参考文献格式”）和感知到的上下文，决定需要执行哪些步骤。
3. 行动（Action）：调用工具执行任务，例如调用本地 AI 模型进行文本分析、向 Obsidian 库中插入内容、格式化 Zotero 引用、或操作 Office 文档（通过宏或 COM 接口，需谨慎）。
4. 学习（Learning）：根据用户反馈（确认、修改、忽略）优化其行为模式（在简单原型中，可先实现为规则配置）。

1.2 为什么选择本地模型与 Spring AI 框架？

使用云端 AI API（如 OpenAI）虽然方便，但存在数据隐私、网络依赖和成本问题。对于处理个人文档、笔记和文献，本地部署模型是更安全、可控的选择。

• Spring AI：是一个用于 Java 应用集成 AI 功能的项目。它提供了统一的 API 来接入多种 AI 模型（包括 OpenAI、Azure OpenAI、本地部署的 Ollama、LM Studio 等）。使用 Spring AI 可以让我们用相对一致的代码，后端服务可以灵活切换不同的模型提供商，便于开发和测试。
• 本地模型：如通过 Ollama 运行的 Llama 2、Mistral 等开源模型。它们完全在本地运行，所有数据处理不出本地环境，满足了隐私和安全的核心需求。

1.3 “Innate” 工作流设想

用户在不同工具中触发一个动作（如快捷键、按钮点击），该工具侧的插件将当前上下文（文本、元数据）发送给本地的一个中央服务（即 “Innate” 核心服务）。该服务利用 Spring AI 与本地模型交互，分析请求，执行逻辑，并将结果返回给插件，由插件完成在宿主工具中的最终操作。

2. 构建 “Innate” 核心服务：环境与依赖

我们将首先搭建一个 Spring Boot 应用作为核心服务，它负责接收请求、调用 AI 模型并返回处理结果。

2.1 基础环境准备

确保你的开发环境满足以下要求：

安装 Ollama：

1. 访问 Ollama 官网（请自行搜索）下载对应操作系统的安装包。
2. 安装后，打开终端（命令行），运行ollama run llama2:7b或ollama run mistral来拉取并运行一个基础模型。首次运行会下载模型，需要一定时间。保持此终端运行，模型服务默认在http://localhost:11434提供 API。

2.2 创建 Spring Boot 项目并配置依赖

使用 Spring Initializr 创建一个新项目，选择：

• Project: Maven
• Language: Java
• Spring Boot: 3.2.x
• Dependencies:Spring Web,Spring AI(如果 Initializr 未提供，需手动添加)

生成的pom.xml中需要确保包含以下依赖（Spring AI 的 BOM 和 Starter）：

<?xml version="1.0" encoding="UTF-8"?> <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 https://maven.apache.org/xsd/maven-4.0.0.xsd"> <modelVersion>4.0.0</modelVersion> <parent> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-parent</artifactId> <version>3.2.5</version> <!-- 使用最新稳定版 --> <relativePath/> </parent> <groupId>com.example</groupId> <artifactId>innate-core</artifactId> <version>0.0.1-SNAPSHOT</version> <name>innate-core</name> <description>Core service for Innate AI workflow</description> <properties> <java.version>17</java.version> <spring-ai.version>0.8.1</spring-ai.version> <!-- 检查最新版本 --> </properties> <dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-bom</artifactId> <version>${spring-ai.version}</version> <type>pom</type> <scope>import</scope> </dependency> </dependencies> </dependencyManagement> <dependencies> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency> <!-- Spring AI Ollama 集成 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-ollama-spring-boot-starter</artifactId> </dependency> <!-- 测试依赖 --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-test</artifactId> <scope>test</scope> </dependency> </dependencies> <build> <plugins> <plugin> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-maven-plugin</artifactId> </plugin> </plugins> </build> </project>

2.3 配置应用连接本地模型

在src/main/resources/application.yml中配置 Spring AI 连接本地 Ollama 服务：

spring: application: name: innate-core # Spring AI Ollama 配置 spring.ai: ollama: base-url: http://localhost:11434 # Ollama 服务地址 chat: options: model: mistral # 你通过 `ollama run` 下载的模型名称，如 llama2:7b, mistral 等 temperature: 0.7 # 创造性，0-1，值越高回答越随机

这个配置告诉 Spring AI，当需要调用 AI 模型时，去连接本机 11434 端口的 Ollama 服务，并使用mistral模型。

3. 实现核心 AI 交互与任务处理逻辑

核心服务需要提供 RESTful API 供客户端（如浏览器扩展、Obsidian 插件）调用，并内置一些常见的任务处理逻辑。

3.1 创建 AI 服务层

首先创建一个服务类，封装与 AI 对话的逻辑。这里我们使用 Spring AI 提供的ChatClient接口。

package com.example.innatecore.service; import org.springframework.ai.chat.ChatClient; import org.springframework.ai.chat.ChatResponse; import org.springframework.ai.chat.prompt.Prompt; import org.springframework.ai.chat.prompt.PromptTemplate; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.stereotype.Service; import java.util.Map; @Service public class AIService { private final ChatClient chatClient; @Autowired public AIService(ChatClient chatClient) { this.chatClient = chatClient; } /** * 通用对话方法 * @param userMessage 用户消息 * @return AI 回复内容 */ public String chat(String userMessage) { Prompt prompt = new Prompt(userMessage); ChatResponse response = chatClient.call(prompt); return response.getResult().getOutput().getContent(); } /** * 专用任务：总结文本 * @param text 待总结的文本 * @return 总结后的内容 */ public String summarizeText(String text) { // 使用 PromptTemplate 构建更结构化的提示词 PromptTemplate promptTemplate = new PromptTemplate(""" 请用中文对以下文本进行简洁总结，保留核心事实和观点，总结长度控制在原文的30%以内。 文本： {text} """); Prompt prompt = promptTemplate.create(Map.of("text", text)); ChatResponse response = chatClient.call(prompt); return response.getResult().getOutput().getContent(); } /** * 专用任务：提取关键词 * @param text 待分析的文本 * @return 逗号分隔的关键词列表 */ public String extractKeywords(String text) { PromptTemplate promptTemplate = new PromptTemplate(""" 从以下文本中提取5-8个最关键的中文关键词或短语，用逗号分隔。 文本： {text} """); Prompt prompt = promptTemplate.create(Map.of("text", text)); ChatResponse response = chatClient.call(prompt); return response.getResult().getOutput().getContent(); } /** * 专用任务：将网页内容转换为 Markdown 笔记格式 * @param title 网页标题 * @param url 网页链接 * @param content 网页主要内容或选中文本 * @return 格式化的 Markdown 字符串 */ public String convertToMarkdownNote(String title, String url, String content) { PromptTemplate promptTemplate = new PromptTemplate(""" 你是一个知识管理助手。请将以下网页信息整理成一份结构清晰的 Obsidian Markdown 笔记。 要求： 1. 以“# {title}”作为一级标题。 2. 在标题下添加一个“源链接: [{url}]({url})”的段落。 3. 对提供的 `content` 进行梳理，使其条理清晰，可以适当添加二级、三级标题。 4. 在笔记末尾添加“## 思考与关联”部分，提出几个基于此内容可深入思考的问题。 5. 使用纯 Markdown 格式，不要输出任何解释性文字。 网页标题：{title} 网页链接：{url} 网页内容： {content} """); Map<String, Object> variables = Map.of( "title", title, "url", url, "content", content ); Prompt prompt = promptTemplate.create(variables); ChatResponse response = chatClient.call(prompt); return response.getResult().getOutput().getContent(); } }

3.2 创建 REST API 控制器

接下来，创建控制器来暴露 API 端点，供外部工具调用。

package com.example.innatecore.controller; import com.example.innatecore.service.AIService; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.web.bind.annotation.*; @RestController @RequestMapping("/api/ai") public class AIController { private final AIService aiService; @Autowired public AIController(AIService aiService) { this.aiService = aiService; } @PostMapping("/chat") public String chat(@RequestBody ChatRequest request) { return aiService.chat(request.getMessage()); } @PostMapping("/summarize") public String summarize(@RequestBody TextRequest request) { return aiService.summarizeText(request.getText()); } @PostMapping("/keywords") public String keywords(@RequestBody TextRequest request) { return aiService.extractKeywords(request.getText()); } @PostMapping("/to-markdown") public String toMarkdown(@RequestBody WebContentRequest request) { return aiService.convertToMarkdownNote(request.getTitle(), request.getUrl(), request.getContent()); } // 内部请求类定义 public static class ChatRequest { private String message; // getter and setter public String getMessage() { return message; } public void setMessage(String message) { this.message = message; } } public static class TextRequest { private String text; // getter and setter public String getText() { return text; } public void setText(String text) { this.text = text; } } public static class WebContentRequest { private String title; private String url; private String content; // getters and setters public String getTitle() { return title; } public void setTitle(String title) { this.title = title; } public String getUrl() { return url; } public void setUrl(String url) { this.url = url; } public String getContent() { return content; } public void setContent(String content) { this.content = content; } } }

3.3 运行与验证核心服务

1. 确保 Ollama 服务正在运行（终端中ollama run mistral进程存在）。
2. 在 IDE 中启动InnateCoreApplication（Spring Boot 主类）。
3. 服务默认启动在http://localhost:8080。
4. 使用curl或 Postman 等工具测试 API。

测试总结功能：

curl -X POST http://localhost:8080/api/ai/summarize \ -H "Content-Type: application/json" \ -d '{"text": "人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的容器。"}'

预期会得到一个关于人工智能定义的简洁中文总结。

测试转换为 Markdown 笔记功能：

curl -X POST http://localhost:8080/api/ai/to-markdown \ -H "Content-Type: application/json" \ -d '{ "title": "关于Spring AI的初步介绍", "url": "https://example.com/spring-ai-intro", "content": "Spring AI 是一个旨在简化人工智能功能集成的Spring项目。它提供了统一的API，让开发者能够更容易地将大语言模型(LLM)集成到Java应用中。主要特性包括支持多种模型提供商、Prompt模板、输出解析等。" }'

预期会得到一份结构化的 Markdown 文本，包含标题、源链接、整理后的内容和思考部分。

4. 连接外部工具：构建客户端插件与脚本

核心服务就绪后，我们需要为各个工具创建“客户端”，它们负责捕获上下文并向核心服务发送请求。

4.1 Chrome 浏览器扩展

创建一个简单的 Chrome 扩展，用于将当前网页或选中文本发送到 “Innate” 服务。

项目结构：

chrome-extension/ ├── manifest.json ├── popup.html ├── popup.js └── background.js (可选)

1.manifest.json：扩展的配置文件。

{ "manifest_version": 3, "name": "Innate AI Assistant", "version": "1.0", "description": "Send page content to local Innate AI service for processing.", "permissions": ["activeTab", "scripting"], "host_permissions": ["http://localhost:8080/"], "action": { "default_popup": "popup.html", "default_icon": "icon.png" }, "icons": { "128": "icon.png" } }

注意：host_permissions中配置了本地服务地址，这是扩展能与本地localhost:8080通信的关键。

2.popup.html：扩展弹出窗口的界面。

<!DOCTYPE html> <html> <head> <style>button { margin: 5px; padding: 10px; }</style> </head> <body> <button id="summarizePage">总结本页</button> <button id="sendSelection">处理选中文本</button> <div id="result" style="margin-top:10px; white-space: pre-wrap;"></div> <script src="popup.js"></script> </body> </html>

3.popup.js：弹出窗口的逻辑。

document.getElementById('summarizePage').addEventListener('click', async () => { const [tab] = await chrome.tabs.query({ active: true, currentWindow: true }); // 注入脚本获取页面内容（简化版，实际需处理复杂页面） chrome.scripting.executeScript({ target: { tabId: tab.id }, func: () => document.body.innerText.substring(0, 5000) // 限制长度 }, async (injectionResults) => { const pageContent = injectionResults[0]?.result || ''; const title = tab.title; await sendToAI('/api/ai/summarize', { text: `标题：${title}\n内容：${pageContent}` }); }); }); document.getElementById('sendSelection').addEventListener('click', async () => { const [tab] = await chrome.tabs.query({ active: true, currentWindow: true }); chrome.scripting.executeScript({ target: { tabId: tab.id }, func: () => window.getSelection().toString() }, async (injectionResults) => { const selectedText = injectionResults[0]?.result; if (!selectedText) { document.getElementById('result').textContent = '请先选中一些文本。'; return; } // 这里可以弹出对话框让用户选择任务：总结、提取关键词、转笔记等 await sendToAI('/api/ai/keywords', { text: selectedText }); }); }); async function sendToAI(endpoint, data) { const resultDiv = document.getElementById('result'); resultDiv.textContent = '处理中...'; try { const response = await fetch(`http://localhost:8080${endpoint}`, { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify(data) }); if (!response.ok) throw new Error(`HTTP error! status: ${response.status}`); const result = await response.text(); resultDiv.textContent = `AI 回复：\n${result}`; } catch (error) { console.error('Error:', error); resultDiv.textContent = `请求失败：${error.message}\n请确保 Innate 核心服务正在运行 (http://localhost:8080)。`; } }

4. 加载扩展：

1. 打开 Chrome，进入chrome://extensions/。
2. 开启右上角的“开发者模式”。
3. 点击“加载已解压的扩展程序”，选择包含上述文件的chrome-extension文件夹。
4. 扩展图标会出现在工具栏。点击图标，即可使用“总结本页”或“处理选中文本”功能。

4.2 Obsidian 插件（概念与脚本）

为 Obsidian 开发完整插件涉及 TypeScript 和 Obsidian API，较为复杂。一个更快的切入点是使用Templater插件和QuickAdd插件配合自定义脚本。

思路：

1. 在 Obsidian 中安装Templater和QuickAdd插件。
2. 编写一个 JavaScript 脚本（可被 QuickAdd 调用），该脚本获取当前笔记或选中内容，通过 HTTP 请求发送到本地Innate服务，并将返回结果插入笔记。
3. 在 QuickAdd 中配置一个宏（Macro），绑定快捷键，触发这个脚本。

示例脚本 (innate-processor.js)可放在 Obsidian 库的某个目录下：

// 需要 Obsidian 安装 QuickAdd 插件并启用 User Scripts // 此脚本通过 QuickAdd 的 `quickAddApi` 调用 module.exports = async (params) => { const { quickAddApi, variables } = params; const notice = params.app.plugins.plugins['quickadd'].app.plugins.plugins['obsidian-notice']; const editor = quickAddApi.getActiveEditor(); // 获取当前编辑器 if (!editor) { new notice('请先打开一个笔记文件。'); return; } const selectedText = editor.getSelection(); // 获取选中文本 const contentToProcess = selectedText || editor.getValue(); // 如果没有选中，则处理全文 if (!contentToProcess.trim()) { new notice('没有找到可处理的文本内容。'); return; } // 让用户选择任务类型 const task = await quickAddApi.suggester(['总结', '提取关键词', '转换为 Zotero 引用笔记'], ['summarize', 'keywords', 'zotero-note']); if (!task) return; let endpoint, requestBody; switch(task) { case 'summarize': endpoint = '/api/ai/summarize'; requestBody = { text: contentToProcess }; break; case 'keywords': endpoint = '/api/ai/keywords'; requestBody = { text: contentToProcess }; break; case 'zotero-note': // 假设有一个处理 Zotero 引用的端点 endpoint = '/api/ai/zotero-note'; requestBody = { text: contentToProcess }; break; default: return; } new notice('正在发送请求到 AI 服务...'); try { const response = await fetch(`http://localhost:8080${endpoint}`, { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify(requestBody) }); if (!response.ok) throw new Error(`HTTP ${response.status}`); const result = await response.text(); // 将结果插入到光标位置或替换选中文本 editor.replaceSelection(`\n\n---\n**AI 处理结果 (${task})**:\n${result}\n---\n`); new notice('处理完成！'); } catch (error) { console.error('Innate 服务调用失败:', error); new notice(`处理失败: ${error.message}. 请确保 Innate 核心服务正在运行。`); } };

然后在 QuickAdd 设置中，添加一个 “User Script” 类型的 Choice，并指向这个 JS 文件。之后就可以为这个 Choice 分配快捷键，在笔记中快速调用。

4.3 Zotero 与 Office 的集成思路

• Zotero：Zotero 提供了丰富的 JavaScript API（通过Zotero对象）供插件开发。可以开发一个 Zotero 插件，在右键菜单添加“AI 总结”或“生成阅读笔记”选项，将选中文献的标题、摘要、标签等信息发送到Innate服务，并将返回的 Markdown 笔记保存到 Zotero 的笔记字段或生成一个独立的 Markdown 文件到指定目录（如 Obsidian 库）。这需要熟悉 Zotero 插件开发。
• Office (Word)：对于桌面版 Office，可以通过VBA 宏或Office JS Add-ins实现。VBA 宏可以获取当前选中的文本，通过 HTTP 请求（需启用MSXML2.XMLHTTP）发送到本地服务，并将返回结果插入文档。这种方式功能强大但受限于用户的安全设置。Office JS Add-ins 是更现代、跨平台的方式，但开发部署稍复杂。一个更轻量的替代方案是使用Power Automate Desktop或AutoHotkey脚本，监听剪贴板变化或特定快捷键，将选中的文本发送到Innate服务并替换。

5. 常见问题排查与优化

在搭建和运行这套工作流时，你可能会遇到以下问题。

5.1 核心服务启动与连接问题

5.2 客户端插件问题

5.3 性能与生产环境考量

当前原型仅为本地学习和开发设计。若想更稳定地使用，需要考虑以下几点：

1. 服务化与自启动：将 Spring Boot 应用打包为 JAR，并配置为系统服务（如 systemd 或 launchd），实现开机自启。
2. 错误处理与重试：在客户端脚本和服务端代码中加入更完善的错误处理、超时设置和重试逻辑。
3. 请求队列与限流：如果并发请求多，需要在服务端引入队列机制，防止模型过载。
4. 模型管理：可以集成多个模型，并根据任务类型（总结、翻译、代码）路由到不同的模型。
5. 上下文管理：对于需要多轮对话的场景，需要在服务端维护会话状态（Session），这可以通过数据库或缓存实现。
6. 安全加固：虽然服务在本地，但仍建议为 REST API 添加简单的认证（如 API Key），防止本地其他恶意软件随意调用。

6. 扩展方向与最佳实践

基于这个基础框架，你可以从以下几个方向进行扩展，使其更贴合“让 AI 住进你的工具”这一愿景。

6.1 扩展更多 AI 功能端点

在AIService和AIController中，可以不断增加新的专用端点：

• /api/ai/translate：翻译文本。
• /api/ai/code-explanation：解释代码片段。
• /api/ai/zotero-citation：根据文献信息生成特定格式的引用（如 APA, MLA）。
• /api/ai/office-outline：根据 Word 文档内容生成大纲。
• /api/ai/obsidian-link：分析当前笔记内容，建议应链接到的其他笔记。

6.2 实现更智能的上下文感知

目前的上下文（如网页内容、选中文本）是由客户端简单捕获的。可以增强为：

• Chrome 扩展：除了选中文本，还可以捕获整个 DOM 结构，通过 Readability 类似的算法提取正文，过滤广告和导航。
• Obsidian 插件：可以获取当前笔记的前后文、链接到的笔记、标签等，作为 Prompt 的一部分，使 AI 的回答更贴合你的知识库。
• Zotero 插件：可以获取文献的作者、期刊、年份、标签、关联笔记，生成更高质量的阅读报告。

6.3 设计统一的任务编排与历史记录

构建一个简单的任务编排引擎，允许用户定义工作流。例如：“在 Zotero 中选中一篇论文 -> 自动生成阅读笔记 -> 将笔记保存到 Obsidian 指定文件夹 -> 在笔记中插入文献的 PDF 链接”。这需要引入一个轻量级的工作流引擎（如 Camunda 或简单的状态机）和任务队列。

同时，记录每一次 AI 交互的请求和响应，便于回顾和优化 Prompt。可以将这些历史记录存储到本地 SQLite 数据库中。

6.4 最佳实践清单

在进一步开发和使用这套系统时，请遵循以下实践：

• Prompt 工程是核心：AI 的输出质量极大依赖于 Prompt。将你的 Prompt 模板化、参数化，并不断迭代优化。可以为不同工具和任务创建独立的 Prompt 模板文件。
• 本地模型优先：始终优先考虑使用本地模型处理敏感或个人数据。只有在处理公开、非敏感信息且需要更强能力时，才考虑配置使用云端 API（并在代码中做好开关和提示）。
• 模块化设计：将核心服务、各客户端插件、AI 功能模块清晰地分离。这样便于单独维护和升级，例如更换 AI 模型提供商时，只需修改AIService的实现。
• 用户可控：所有自动化操作都应提供“预览”和“确认”步骤。AI 生成的内容在插入文档、笔记前，最好能让用户审阅和编辑。
• 资源监控：本地运行大模型会消耗大量 CPU/GPU 和内存。在客户端添加状态提示，或在服务端提供简单的监控端点，告知用户当前模型负载情况。

通过以上步骤，你便构建起了一个打通 Office、Obsidian、Zotero 和 Chrome 的本地 AI 辅助工作流原型。它不是一个开箱即用的产品，而是一个高度可定制化的技术方案起点。你可以根据自己的具体需求，选择性地深化某一客户端的集成，或增加更复杂的 AI 任务，最终让 AI 真正融入你的个人工作流，成为得力的效率助手。