Java工程师的AI落地实战：Spring AI与RAG工程化指南-北京尧图网络

1. 项目概述这不是一门“JavaAI”的拼盘课而是一条从工程根系长出的AI落地路径“星课IT-慕课网Java AI从Java工程到AI落地的专业解析”——这个标题里藏着三个被多数人忽略的关键信号“Java工程”是起点而非背景板“AI落地”是终点而非技术秀“专业解析”指向的是真实产线里的决策逻辑不是Demo跑通就完事的幻灯片式教学。我带过二十多个Java后端团队也亲手把RAG系统嵌进过银行信贷审批、医疗问诊辅助、工业设备知识库三类完全不同的生产环境最深的体会是90%的AI项目失败不是败在模型调不好而是败在Java工程师没搞懂——AI能力不是插件它必须长在Spring Boot的生命周期里、活在MyBatis的事务边界中、扛得住Dubbo服务降级时的熔断压力。这门课真正拆解的是当一个Java老手第一次面对LangChain4j文档时脑子里闪过的那七个致命问题我该用Spring AI还是自己封装OpenFeignRAG检索结果怎么塞进DTO不破坏领域模型向量库选Milvus还是用PostgreSQL的pgvector知识库更新时如何避免索引重建导致服务抖动Spring Boot Actuator监控面板里怎么给LLM调用链打上业务标签百炼Qwen3.7的流式响应怎么和WebFlux的Server-Sent Events对齐还有最现实的——上线后发现CPU飙升40%到底是Embedding模型太重还是Redis缓存没设好TTL这些不是理论题是凌晨两点告警群里刷屏的真实日志。所以这门课的价值不在于教你写十行LangChain4j代码而在于让你看清当Java的严谨性撞上AI的不确定性中间那条缝里到底该填什么材料、打多厚的胶、用几号螺丝刀拧紧。2. 核心设计思路为什么必须从Java工程视角切入AI落地2.1 拒绝“AI先行”的幻觉Java生态的约束才是真实世界的地基很多AI课程一上来就讲Transformer原理、微调LoRA、Prompt Engineering仿佛只要模型够强Java只是个搬运工。但我在某省电力调度系统的RAG改造中踩过最痛的坑团队用HuggingFace Pipeline封装了Qwen3.7本地测试完美一上生产就OOM。查下来发现根本不是模型问题——Spring Boot默认堆内存8G而Qwen3.7的Embedding模型加载后占5.2G剩下2.8G要跑Tomcat、MyBatis、Redis客户端、Kafka消费者……最后连GC都触发不了。这时候你翻LangChain4j文档它不会告诉你“请在application.yml里加spring.main.allow-bean-definition-overridingtrue”因为它的作者默认你用的是纯Java SE环境。但真实世界里Java工程师的第一反应永远是这个Bean能不能被Spring管理它的Scope是Singleton还是Prototype销毁时会不会泄露Native Memory所以本课程所有AI组件的接入都强制绑定Spring生命周期EmbeddingModel Bean必须实现DisposableBean接口在context.close()时显式释放ONNX RuntimeRAG的Retriever必须声明Primary确保Autowired时不会因多Bean冲突导致启动失败甚至LLM调用的RetryTemplate都得继承自Spring Retry的RetryCallback才能复用公司统一的熔断配置中心。这不是炫技是让AI能力真正成为Spring Boot应用的一个可运维、可监控、可灰度的模块而不是游离在外的黑盒进程。2.2 Spring AI不是LangChain4j的Java版而是Java工程思维的AI翻译器网络热词里频繁出现“Spring AI 2.0连接百炼Qwen3.7”但很少有人指出Spring AI的核心价值根本不是简化API调用而是把AI能力翻译成Java工程师熟悉的工程语言。举个典型例子LangChain4j的ChatModel接口方法签名是ResponseAiMessage generate(ListChatMessage messages)返回值里AiMessage包含content、toolCalls、functionCall等字段——这对Python开发者很自然但Java后端看到第一反应是“这个Response怎么序列化成JSONAiMessage的toolCalls字段类型是MapString, ObjectJackson反序列化时会不会丢精度”而Spring AI的ChatClient直接返回ChatResponse其getResults()方法返回ListChatResponse.ChatResult每个ChatResult里getOutput()返回ChatResponse.ChatOutput而ChatOutput又明确区分getText()字符串、getToolCalls()List 、getFunctionCall()FunctionCall——所有类型都是强契约化的POJO。这意味着你可以用Lombok的Builder生成器构造测试数据不用手写Map嵌套MyBatis的TypeHandler能直接处理ToolCall列表存进MySQL的JSON字段Spring Validation的NotBlank能校验getText()是否为空避免空指针最关键的是当百炼Qwen3.7升级API返回格式时Spring AI团队会发布新版本通过Spring Boot Starter自动适配你只需改一行pom.xml依赖不用重写整个ChatModel封装层。这就是“工程思维翻译器”的本质它不降低AI复杂度而是把复杂度封装在Spring约定里让你用写Service层的习惯去写AI逻辑。2.3 RAG不是知识库搜索而是Java领域模型的动态延伸热搜词里“RAG知识库能存储图片吗”暴露了一个认知偏差很多人把RAG当成高级版Elasticsearch。但在我参与的制造业设备维修知识库项目中真正的瓶颈从来不是向量检索速度而是如何让RAG结果无缝融入现有Java业务流。比如维修工APP提交故障描述“泵体异响压力表读数跳变”RAG返回三篇PDF文档。如果直接把PDF文本塞进Response前端要自己解析Markdown、渲染图片、处理表格——这违背了前后端分离原则。我们的解法是在RAG Pipeline里插入自定义Node将PDF解析后的结构化数据故障现象、可能原因、处理步骤、关联零件图号转换成标准Java DTOpublic class RepairSuggestion { private String faultCode; // 对应ERP系统零件编码 private ListString symptoms; // 故障现象列表 private ListCauseAndSolution causes; // 原因与解决方案 private ListString relatedPartImages; // 图片URL列表已上传至CDN }这个DTO由Spring MVC的HttpMessageConverter自动序列化前端直接消费。更关键的是faultCode字段能触发后续调用ERP系统的RestTemplate查询库存状态——RAG不再是信息孤岛而是成了领域模型的“活血”节点。所以课程里所有RAG实战都强制要求知识库预处理阶段必须输出结构化Schema用Apache Tika提取PDF元数据用正则匹配设备型号Retrieval阶段用Multi-Query策略生成3个语义变体但每个变体的Embedding向量必须存入同一张MySQL表用document_id query_type作联合主键方便审计Generation阶段用FreeMarker模板组装Prompt模板文件放在src/main/resources/templates/rag-prompt.ftl支持热更新——这比硬编码String.format安全十倍。3. 核心细节解析Java工程师必须死磕的五个落地卡点3.1 Embedding模型选型别被“开源免费”忽悠看透JVM内存账本LangChain4j支持HuggingFace、Ollama、本地ONNX等多种Embedding源但Java工程师选型时必须算清三笔账第一笔内存常驻成本。ONNX Runtime加载Qwen3.7-Embedding模型后常驻内存约3.8G实测JDK17G1GC而HuggingFace的Transformers库在Java里需通过Py4J调用Python进程每次请求都开新进程内存峰值更高且不可控。我们最终选ONNX但做了两件事用OrtSessionOptions设置setOptimizationLevel(OrtSessionOptions.OptimizationLevel.ORT_ENABLE_EXTENDED)开启图优化在Spring Boot启动时用PostConstruct预热模型执行一次空输入Embedding避免首请求延迟。第二笔线程安全账。ONNX Runtime的OrtSession是线程安全的但OrtSession.SessionOptions不是。我们封装成单例Bean时必须确保每个请求使用独立的OrtSession.SessionOptions实例否则并发下会报IllegalStateException: Session is closed。第三笔更新成本账。模型升级时不能简单替换.onnx文件——ONNX Runtime有缓存机制需在PreDestroy里调用ortEnvironment.close()彻底释放资源否则旧模型句柄残留导致内存泄漏。这些细节LangChain4j文档只字未提但线上事故单里全是它们。3.2 RAG检索增强多路召回不是堆算法是Java并发控制的艺术“Langchain4j 多路召回”是热搜高频词但多数教程只教你怎么写MultiQueryRetriever。真实场景里多路召回的致命陷阱在于并发控制失当。比如某电商知识库要求同时召回向量相似度Milvus关键词BM25Elasticsearch规则匹配正则引擎匹配SKU前缀如果用CompletableFuture.allOf()并行拉取三个服务响应时间分别是200ms、80ms、15ms但整体耗时却是200ms——这浪费了85%的CPU时间。我们的解法是用CompletableFuture.supplyAsync()为每个召回源分配独立线程池new ThreadPoolExecutor(2,4,60L,TimeUnit.SECONDS,new LinkedBlockingQueue(100))避免IO线程阻塞设置超时向量召回设300msBM25设100ms规则匹配设20ms超时即返回空结果结果合并时用Stream.concat()拼接但按score * weight加权排序权重由A/B测试确定向量0.6、BM25 0.3、规则0.1。最关键的是这个多路召回Bean必须声明Scope(ConfigurableBeanFactory.SCOPE_PROTOTYPE)因为每个用户请求的权重配置可能不同VIP用户向量权重更高Singleton Bean会导致线程安全问题。3.3 Spring AI Agent不是智能体编排是Java服务编排的AI化升级“Spring AI Agent”常被误解为“让AI自己调API”。但Java工程师的Agent本质是用AI决策替代硬编码的if-else路由。比如客服对话系统传统做法是if (text.contains(退款)) { return refundService.handle(text); } else if (text.contains(物流)) { return logisticsService.track(text); }这种代码维护成本极高。Spring AI Agent的正确用法是定义Tool接口每个Tool对应一个Service方法用Tool注解标记Agent的Prompt明确指定“仅当用户明确要求退款时才调用refundTool若用户问‘我的订单到哪了’调用logisticsTool”关键是Tool的参数必须是POJO比如refundTool(RefundRequest request)其中RefundRequest含orderId、reason字段由Spring AI自动从用户文本中抽取并填充——这比正则匹配鲁棒得多。我们实测发现Agent的稳定性取决于Tool的幂等性设计refundTool必须先查订单状态若已退款则返回友好提示而不是重复扣款。所以课程里所有Agent案例都强制要求Tool方法加Transactional和Retryable注解这才是Java工程师该关心的“智能”。3.4 知识库图片存储RAG不存图但Java服务必须管图“RAG知识库能存储图片吗”这个问题本身就有陷阱。RAG的向量库如Milvus、PGVector只存文本Embedding图片本身存在对象存储如阿里云OSS。但Java工程师的职责是确保图片URL在RAG结果里绝对可靠。我们在医疗知识库项目中曾因图片URL过期导致AI生成错误诊断。解决方案分三层存储层上传图片时用OSSClient.putObject()生成带30天过期时间的签名URL存入MySQL的knowledge_image表检索层RAG返回的Markdown文本里图片链接格式为![设备图](https://xxx.com/img/{imageId}.png?Expires{timestamp})其中{imageId}是数据库主键服务层写一个ImageProxyController接收/proxy/image/{imageId}请求查数据库获取原始URL验证签名有效性再用RestTemplate转发——这样前端永远看到/proxy/image/123后端可随时切换OSS Bucket或加防盗链。这个设计让RAG专注文本检索Java服务专注资源治理各司其职。3.5 百炼Qwen3.7集成不是API密钥配置是Java HTTP客户端的极限压测“Spring AI 2.0 连接百炼 Qwen3.7”看似简单但生产环境要过三关第一关连接池爆炸。百炼API默认超时30秒若Java用默认HttpClient100并发下会创建100个TCP连接瞬间打爆服务器文件描述符。解法自定义HttpClient用PoolingHttpClientConnectionManager设最大连接数20每个路由最大20RequestConfig设setConnectionRequestTimeout(5000)、setConnectTimeout(10000)、setSocketTimeout(30000)Spring AI的OpenAiChatModel构造时传入此HttpClient。第二关流式响应解析。百炼的SSE流式响应Java端要用WebClient而非RestTemplate且必须用FluxServerSentEvent接收手动解析data:字段。我们封装了QwenSseParser工具类用String.split(\\n)分割事件块用正则^data:\\s*(.*)$提取JSON再用ObjectMapper.readValue()转DTO——这比直接用WebClient的bodyToMono()可靠。第三关Token计费陷阱。百炼按输入输出Token总和计费但Spring AI默认把System Prompt也计入输入。我们重写ChatRequest构建逻辑把System Prompt存入Redis缓存每次请求只传User Prompt后台用AOP拦截ChatClient.call()动态注入缓存的System Prompt——实测单次调用节省120 Token月省3万费用。4. 实操全流程从零搭建一个可上线的Java RAG服务4.1 环境准备与依赖锁定拒绝“mvn clean install”式灾难第一步不是写代码是锁死所有可能漂移的环节。我们用Spring Boot 3.2.0JDK17、LangChain4j 0.25.0、Spring AI 0.25.0、PostgreSQL 15启用pgvector扩展、Redis 7.2。关键操作pom.xml里用dependencyManagement锁定所有BOM版本尤其spring-boot-dependencies和langchain4j-bom必须同版本PostgreSQL安装pgvectorCREATE EXTENSION vector;建表语句必须含embedding vector(1024)字段Qwen3.7-Embedding维度Redis配置maxmemory-policy allkeys-lru避免缓存雪崩JDK参数加-XX:UseG1GC -XX:MaxGCPauseMillis200 -Xmx4g防止GC停顿影响AI响应。提示不要用Docker Compose一键启所有服务必须分步启动先启PostgreSQL执行psql -c CREATE EXTENSION vector;再启Redis最后启Spring Boot应用。否则应用启动时连不上pgvector报ERROR: type vector does not exist新手常在此卡2小时。4.2 知识库构建用Java批处理代替Python脚本网上教程全用Python解析PDF但Java团队必须用Java。我们用Apache PDFBox 3.0.1// 解析PDF核心逻辑 PDDocument document PDDocument.load(file); PDFTextStripper stripper new PDFTextStripper(); String text stripper.getText(document); // 提取标题用正则匹配^\d\.\s[^\n] ListString titles Pattern.compile(^\\d\\.\\s[^\n], Pattern.MULTILINE) .matcher(text).results().map(MatchResult::group).collect(Collectors.toList()); // 分块按标题切分每块不超过512字符 ListTextChunk chunks new ArrayList(); for (int i 0; i titles.size(); i) { String content text.substring(text.indexOf(titles.get(i)), (i titles.size() - 1) ? text.length() : text.indexOf(titles.get(i 1))); chunks.addAll(splitByLength(content, 512)); }关键点splitByLength方法必须保留标点符号完整性不能在句号中间切每个TextChunk对象存title、content、sourceFile、pageNo字段用JdbcTemplate.batchUpdate()批量插入PostgreSQL插入前用pgvector的to_vector()函数生成EmbeddingSQL写成INSERT INTO knowledge_chunk (title, content, embedding) VALUES (?, ?, to_vector(?));这样避免Java端加载大模型全部在数据库内完成。4.3 RAG Pipeline编码五步法构建可调试流水线Pipeline不是黑盒必须每步可监控。我们定义RagPipeline接口public interface RagPipeline { // 步骤1查询改写 ListString rewriteQuery(String userQuery); // 步骤2多路召回 ListKnowledgeChunk retrieve(ListString queries); // 步骤3重排序 ListKnowledgeChunk rerank(ListKnowledgeChunk candidates, String userQuery); // 步骤4Prompt组装 String buildPrompt(ListKnowledgeChunk context, String userQuery); // 步骤5LLM调用 String generate(String prompt); }实操要点rewriteQuery用Spring AI的ChatClient调用Qwen3.7Prompt固定为“将以下问题改写成3个语义等价但关键词不同的问题用换行分隔{userQuery}”retrieve用JdbcTemplate.query()查PostgreSQLSQL含ORDER BY embedding to_vector(?) LIMIT 5rerank不用复杂模型用BM25公式重算相关性得分score tf * idf / (tf k1 * (1 - b b * dl / avgdl))k11.5, b0.75buildPrompt用FreeMarker模板模板里#list context as chunk${chunk.title}${chunk.content}/#listgenerate用Spring AI的ChatClient但ChatRequest里addUserMessage()前先log.info(RAG Prompt length: {}, prompt.length())——这是线上排查超长Prompt导致超时的关键日志。4.4 Spring Boot集成让AI成为可运维的Spring Bean所有AI组件必须纳入Spring容器Configuration public class AiConfig { Bean Primary public ChatModel chatModel(RestTemplate restTemplate) { return new OpenAiChatModel( https://dashscope.aliyuncs.com/compatible-mode/v1, // 百炼Endpoint sk-xxx, // API Key restTemplate, OpenAiChatModel.DEFAULT_MODEL_NAME, // qwen-max 0.7 // temperature ); } Bean public EmbeddingModel embeddingModel() { return new OnnxRuntimeEmbeddingModel( classpath:qwen3.7-embedding.onnx, OrtSessionOptions.builder().build() ); } Bean public RagPipeline ragPipeline(ChatModel chatModel, EmbeddingModel embeddingModel) { return new DefaultRagPipeline(chatModel, embeddingModel); } }关键约束chatModelBean必须注入自定义RestTemplate含连接池配置不能用RestTemplateBuilder默认实例embeddingModelBean加Scope(ConfigurableBeanFactory.SCOPE_PROTOTYPE)因ONNX模型加载耗时避免单例阻塞启动ragPipelineBean加ConditionalOnProperty(name ai.rag.enabled, havingValue true)方便灰度开关。启动后访问/actuator/health能看到aiRag健康检查项失败时返回{status:DOWN,details:{aiRag:{status:DOWN,details:{error:Embedding model load failed}}}}——这才是可运维的AI。4.5 上线前压测用JMeter模拟真实流量不压测就上线等于埋雷。我们用JMeter做三轮测试第一轮单接口压测线程组100用户Ramp-up 60秒循环10次HTTP请求调/api/rag/queryBody为{query:如何更换水泵轴承}聚合报告看90%Line是否≤1.5秒错误率是否0.1%。第二轮混合场景压测加入/api/order/list查订单和/api/user/profile查用户接口比例7:2:1目标验证AI调用不影响核心交易链路CPU使用率≤70%。第三轮故障注入压测用chaos-mesh随机杀PostgreSQL Pod验证RagPipeline的retrieve方法是否触发降级返回空列表走兜底Prompt检查Retryable是否生效重试3次后是否记录告警日志。压测报告必须包含JVM堆内存曲线、PostgreSQL慢查询日志log_min_duration_statement 1000、Redis命中率INFO keyspace。没有这份报告运维团队有权拒接上线。5. 常见问题与避坑指南那些没人告诉你的深夜告警真相5.1 “RAG检索不到结果”——90%是Embedding维度错配现象知识库明明有“轴承更换步骤”但搜“换轴承”返回空。根因Qwen3.7-Embedding输出1024维向量但PostgreSQL的vector(768)字段只存768维。排查查knowledge_chunk表SELECT embedding::text FROM knowledge_chunk LIMIT 1看括号内数字查pgvector扩展版本SELECT extversion FROM pg_extension WHERE extname vector确保≥0.5.0修复ALTER TABLE knowledge_chunk ALTER COLUMN embedding TYPE vector(1024);注意ALTER COLUMN TYPE会锁表必须在低峰期执行且提前备份。5.2 “Spring AI调用超时”——其实是DNS解析卡住现象chatModel.generate()偶发超时日志显示Read timed out。根因百炼Endpoint域名dashscope.aliyuncs.com在K8s集群内DNS解析慢/etc/resolv.conf里nameserver顺序不对。排查在Pod里执行nslookup dashscope.aliyuncs.com看耗时检查/etc/resolv.conf确认nameserver 10.96.0.10CoreDNS在首位临时修复echo options timeout:1 attempts:2 /etc/resolv.conf。终极方案在RestTemplate里用InetSocketAddress.createUnresolved()绕过DNS直连IP需百炼提供SLB IP。5.3 “CPU飙升40%”——罪魁祸首是Logback日志级别现象上线后CPU持续40%jstack看全是ch.qos.logback.core.encoder.LayoutWrappingEncoder线程。根因LangChain4j默认日志级别为DEBUG每条Embedding向量都打印1024个浮点数Logback格式化耗CPU。修复logback-spring.xml里加logger namedev.langchain4j levelWARN/ logger nameorg.springframework.ai levelWARN/验证curl -X POST http://localhost:8080/actuator/loggers/dev.langchain4j返回{configuredLevel:WARN}。5.4 “图片URL失效”——OSS签名URL过期时间单位错现象RAG返回的图片链接点击403。根因生成签名URL时Date expiration new Date(System.currentTimeMillis() 30 * 60 * 1000)但OSS SDK要求expiration是java.time.Instant用Date会导致时区偏移。修复Instant expiration Instant.now().plus(Duration.ofDays(30)); String signedUrl ossClient.generatePresignedUrl(bucketName, objectName, expiration).toString();提示OSS控制台的“签名URL”功能生成的URL过期时间单位是“秒”而SDK是“毫秒”务必核对。5.5 “Agent反复调用同一Tool”——Prompt指令模糊导致LLM幻觉现象用户问“订单12345物流”Agent连续三次调用logisticsTool。根因Prompt里写“若用户问物流请调用logisticsTool”但LLM把“订单12345物流”理解为“查询订单12345的物流”而logisticsTool参数是String trackingNo没传参就报错重试。修复Prompt明确写“仅当用户消息含物流单号12位纯数字时才调用logisticsTool否则返回‘请提供物流单号’”logisticsTool方法加NotNull校验throw new IllegalArgumentException(trackingNo is required)Agent的ChatResponse解析逻辑捕获IllegalArgumentException并转成用户友好的提示。6. 工程师的终极清醒AI不是新语言是Java的新API写完这篇我想起上周和一位十年Java架构师的对话。他盯着我画的RAG架构图沉默很久说“原来AI工程师就是把以前写if-else的地方换成调ChatClient把以前写DAO的地方换成写Retriever把以前写定时任务的地方换成写KnowledgeUpdater。” 这话糙理不糙。Spring AI、LangChain4j、RAG框架本质上就是Java生态的又一次API升级——就像当年Hibernate把JDBC封装成ORMSpring Security把Filter链封装成注解一样。它们没消灭Java而是让Java工程师用更少的代码解决更复杂的业务问题。所以别焦虑“AI会不会取代Java”真正该焦虑的是当你的同事用50行Spring AI代码搞定智能客服而你还在写200行正则匹配时你的竞争力在哪这门课的价值就是帮你把AI从“新技术”变成“新API”像用ArrayList一样自然地用ChatClient像写Transactional一样习惯性加Retryable。最后分享个小技巧在IDEA里把LangChain4j的ChatModel、EmbeddingModel、Retriever三个接口拖进收藏夹每天打开项目先看一眼——不是为了背API而是提醒自己这些接口的每一个方法签名背后都站着一个Java工程师必须守护的契约线程安全、内存可控、异常明确、可观测。守住这些AI落地就不是冒险而是水到渠成。

Java工程师的AI落地实战：Spring AI与RAG工程化指南

相关推荐

Product-Manager-Skills 技能分类目录全解析：Component、Interactive、Workflow 三大类型与 77 个技能的检索实战

Tushare 期货历史分钟行情 ft_mins 接口实战指南：从分钟K线拉取到主力合约序列构建

AI Agent Harness工程实战：从能跑到能扛的稳定性设计

更多资讯

Sapling 的 Indexed Log：一份从 Revlog 到 Append-Only 索引存储的设计解析

CouchDB 集群内部 RPC 机制深度解析：rexi 分布式调用框架的原理、源码与配置

PufferLib Bat 环境耳方向性（Ear Directivity）研究：从蝙蝠声学生物学到低成本 per-ear 增益模型的实现指南

12.【Linux系统编程】动静态库制作与使用

Webiny event-handler-aws 的 AwsLambdaContext 与 AwsLambdaEvent：基于 DI 的 Lambda 运行时抽象实战指南

现代 JavaScript 教程实战：用 cubic-bezier 让 CSS 尺寸动画“跳脱“边界（飞机缩放回弹动画）

今日更新

PHP htmlentities()函数用法讲解

AI Agent工程实战：从七要素到七个决策点的系统设计指南

AI入局芯片设计验证：验证收敛50倍加速的真相与应对

本周精选

CMOS设计三大物理效应：体效应、沟道长度调制与亚阈值导电

微信小程序在线阅读毕设全解析：Java后端+MySQL+避坑实战

Android音频问题五层分析法：从App到Codec的系统化诊断

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？