AI 技術重塑軟體開發的時代背景
在過去五年間，人工智慧技術在軟體開發領域的應用經歷了爆炸性成長。從 2021 年 GitHub Copilot 的推出，到 2023 年 ChatGPT 引發的大型語言模型熱潮，AI 輔助開發已從學術研究走向實際生產環境。根據 GitHub 的統計，使用 AI 程式碼助手的開發者，其程式碼撰寫速度平均提升了 55%，而程式碼品質並未因此下降。
這波技術革新的核心驅動力來自深度學習技術的突破。Transformer 架構的提出讓自然語言處理能力大幅提升，使得 AI 模型能夠理解程式碼的語意與上下文脈絡。OpenAI 的 Codex 模型、Google 的 AlphaCode、Meta 的 Code Llama，這些專門針對程式碼訓練的大型語言模型，展現了驚人的程式碼理解與生成能力。
在台灣，軟體產業對 AI 開發工具的接受度也在快速提升。根據筆者在多家軟體企業的訪談與輔導經驗，越來越多的開發團隊開始將 AI 工具整合進日常工作流程。然而，這個轉變過程並非一帆風順，企業面臨著工具選型、團隊培訓、工作流程調整、程式碼安全性等多重挑戰。
AI 在軟體開發中的應用可以分為幾個主要層面。首先是程式碼生成與補全，幫助開發者更快速地撰寫程式碼。其次是自動化測試，包括測試案例生成、測試執行與結果分析。再者是程式碼審查與品質分析，自動偵測潛在問題與效能瓶頸。最後是系統維護與除錯，協助開發者快速定位與修復問題。
本文將系統性地介紹這些應用場景，分享實務經驗與最佳實務。我們不僅會探討技術原理，更會深入實際應用中的挑戰與解決方案。透過具體案例與程式碼範例，協助讀者理解如何在實際專案中有效運用 AI 技術，同時避免常見的陷阱。
AI 輔助程式碼生成：從概念到實踐
AI 輔助程式碼生成是當前最熱門的應用之一。GitHub Copilot、ChatGPT、Amazon CodeWhisperer 等工具，已成為許多開發者的日常夥伴。這些工具的工作原理是基於大型語言模型，透過分析海量的開源程式碼，學習程式設計的模式與最佳實務。
程式碼生成的品質取決於多個因素。首先是提示詞的清晰度，越具體的需求描述，AI 生成的程式碼就越精確。其次是上下文資訊，AI 會參考當前檔案的程式碼、專案結構、甚至開啟的其他檔案來理解需求。最後是模型的訓練資料，不同的 AI 工具在不同程式語言或領域的表現會有差異。
"""
AI 輔助程式碼生成實戰範例
展示如何有效使用 AI 工具生成高品質程式碼
"""
import logging
from typing import List, Dict, Optional
from dataclasses import dataclass
from datetime import datetime
import json
# 設定日誌記錄
logging.basicConfig(
level=logging.INFO,
format='%(asctime)s - %(name)s - %(levelname)s - %(message)s'
)
logger = logging.getLogger(__name__)
@dataclass
class Product:
"""
產品資料類別
使用 dataclass 簡化資料結構定義
AI 能夠理解這種現代 Python 語法
"""
id: str
name: str
price: float
stock: int
category: str
created_at: datetime = datetime.now()
def to_dict(self) -> Dict:
"""
將產品物件轉換為字典格式
回傳:
包含產品資訊的字典
"""
return {
'id': self.id,
'name': self.name,
'price': self.price,
'stock': self.stock,
'category': self.category,
'created_at': self.created_at.isoformat()
}
class InventoryManager:
"""
庫存管理系統
這個類別展示了如何撰寫清晰的程式碼結構
讓 AI 能夠更好地理解意圖並提供精準建議
"""
def __init__(self):
"""
初始化庫存管理器
使用字典儲存產品資料
在實際應用中可能會連接資料庫
"""
self.products: Dict[str, Product] = {}
logger.info("庫存管理系統初始化完成")
def add_product(self, product: Product) -> bool:
"""
新增產品到庫存
參數:
product: 要新增的產品物件
回傳:
是否新增成功
範例提示詞給 AI：
"實作一個新增產品的方法，需要檢查產品 ID 是否已存在
如果已存在則回傳 False，否則新增產品並回傳 True
記錄所有操作到日誌中"
"""
if product.id in self.products:
logger.warning(f"產品 ID {product.id} 已存在，無法新增")
return False
self.products[product.id] = product
logger.info(f"成功新增產品: {product.name} (ID: {product.id})")
return True
def update_stock(self, product_id: str, quantity: int) -> bool:
"""
更新產品庫存數量
參數:
product_id: 產品 ID
quantity: 要增減的數量（正數為增加，負數為減少）
回傳:
是否更新成功
範例提示詞給 AI：
"實作庫存更新方法，支援增減庫存
需要驗證產品是否存在
需要檢查更新後庫存是否為負數
記錄所有操作"
"""
if product_id not in self.products:
logger.error(f"產品 ID {product_id} 不存在")
return False
product = self.products[product_id]
new_stock = product.stock + quantity
if new_stock < 0:
logger.error(
f"庫存不足：產品 {product.name} 目前庫存 {product.stock}，"
f"無法減少 {abs(quantity)}"
)
return False
product.stock = new_stock
logger.info(
f"成功更新庫存：產品 {product.name}，"
f"變更數量 {quantity:+d}，目前庫存 {new_stock}"
)
return True
def get_low_stock_products(self, threshold: int = 10) -> List[Product]:
"""
取得庫存不足的產品清單
參數:
threshold: 庫存警戒值
回傳:
庫存低於警戒值的產品清單
範例提示詞給 AI：
"實作一個方法篩選出庫存低於指定閾值的產品
回傳產品清單並按庫存數量升序排序
記錄篩選結果統計"
"""
low_stock = [
product for product in self.products.values()
if product.stock < threshold
]
# 按庫存數量升序排序
low_stock.sort(key=lambda p: p.stock)
logger.info(
f"庫存不足產品統計：共 {len(low_stock)} 項產品低於 {threshold} 件"
)
return low_stock
def generate_inventory_report(self) -> Dict:
"""
產生庫存報表
回傳:
包含庫存統計資訊的字典
範例提示詞給 AI：
"產生詳細的庫存報表，包含：
- 總產品數量
- 總庫存價值
- 各類別產品統計
- 庫存不足警告
以字典格式回傳所有統計資訊"
"""
if not self.products:
return {
'total_products': 0,
'total_value': 0,
'categories': {},
'low_stock_count': 0
}
# 計算總庫存價值
total_value = sum(
product.price * product.stock
for product in self.products.values()
)
# 按類別統計
category_stats = {}
for product in self.products.values():
if product.category not in category_stats:
category_stats[product.category] = {
'count': 0,
'total_stock': 0,
'total_value': 0
}
cat_stats = category_stats[product.category]
cat_stats['count'] += 1
cat_stats['total_stock'] += product.stock
cat_stats['total_value'] += product.price * product.stock
# 統計庫存不足產品
low_stock_count = len(self.get_low_stock_products())
report = {
'generated_at': datetime.now().isoformat(),
'total_products': len(self.products),
'total_value': round(total_value, 2),
'categories': category_stats,
'low_stock_count': low_stock_count
}
logger.info("庫存報表產生完成")
return report
# 使用範例與測試程式碼
def demo_inventory_system():
"""
示範庫存管理系統的使用
這個函數展示了完整的使用流程
AI 可以根據這個範例理解系統的實際應用方式
"""
# 建立庫存管理器
manager = InventoryManager()
# 新增產品
products = [
Product("P001", "商務筆記型電腦", 35000, 15, "電子產品"),
Product("P002", "無線滑鼠", 890, 50, "電腦週邊"),
Product("P003", "機械式鍵盤", 3200, 8, "電腦週邊"),
Product("P004", "27吋顯示器", 8500, 12, "電子產品"),
Product("P005", "USB-C 充電線", 350, 100, "配件")
]
for product in products:
manager.add_product(product)
# 更新庫存
print("\n=== 庫存異動測試 ===")
manager.update_stock("P001", -3) # 銷售 3 台筆電
manager.update_stock("P003", -5) # 銷售 5 個鍵盤
manager.update_stock("P005", 50) # 補貨 50 條充電線
# 查詢庫存不足產品
print("\n=== 庫存不足警告 ===")
low_stock = manager.get_low_stock_products(threshold=10)
for product in low_stock:
print(f"⚠️ {product.name}: 僅剩 {product.stock} 件")
# 產生庫存報表
print("\n=== 庫存報表 ===")
report = manager.generate_inventory_report()
print(json.dumps(report, indent=2, ensure_ascii=False))
if __name__ == "__main__":
demo_inventory_system()
這個範例展示了如何撰寫 AI 友善的程式碼。清晰的類別結構、詳細的文件字串、明確的型別標註，這些都能幫助 AI 更好地理解程式碼意圖。在實務應用中，我們發現與 AI 工具協作時，投資在程式碼清晰度上的時間能夠獲得顯著回報。
使用 AI 輔助程式碼生成時需要注意幾個關鍵點。首先是程式碼審查，AI 生成的程式碼不一定正確或最佳化，需要人工審查。其次是安全性考量，避免直接使用 AI 生成的敏感操作程式碼如資料庫查詢、檔案系統操作等。再者是授權問題，確保 AI 工具的訓練資料與生成程式碼符合專案的授權要求。最後是過度依賴問題，保持對程式碼的理解與掌控，不要盲目接受 AI 建議。
在某台灣新創公司的專案中，團隊使用 GitHub Copilot 開發一個電商平台。他們發現 AI 在生成標準化的 CRUD 操作、資料驗證邏輯、API 路由設定等重複性工作時特別有效。然而在涉及複雜業務邏輯、效能最佳化、安全機制時，AI 的建議品質明顯下降，需要更多的人工介入與調整。
智慧自動化測試：提升品質與效率
軟體測試是確保品質的關鍵環節，但傳統的手動測試耗時耗力。AI 技術在測試自動化方面展現了巨大潛力，從測試案例生成、測試執行，到結果分析，都能透過 AI 提升效率。
AI 測試工具的核心能力包括幾個面向。測試案例自動生成能夠根據程式碼結構與邏輯，自動產生涵蓋各種情境的測試案例。智慧測試選擇能夠分析程式碼變更，只執行受影響的測試，節省時間。缺陷預測模型可以根據歷史資料，預測哪些模組最可能出現問題。自動化測試維護則能夠在程式碼變更時，自動調整測試案例。
"""
AI 驅動的自動化測試框架範例
展示如何整合 AI 技術提升測試效率與品質
"""
import unittest
import random
from typing import List, Dict, Any
from unittest.mock import Mock, patch
import logging
# 設定測試日誌
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
class TestGenerator:
"""
AI 驅動的測試案例生成器
這個類別模擬了 AI 如何分析程式碼並生成測試案例
實際應用中會使用機器學習模型來完成
"""
def __init__(self):
"""初始化測試生成器"""
self.test_cases: List[Dict[str, Any]] = []
logger.info("測試案例生成器初始化完成")
def analyze_function(self, func_name: str, params: List[str]) -> List[Dict]:
"""
分析函數並生成測試案例
參數:
func_name: 函數名稱
params: 參數列表
回傳:
生成的測試案例列表
在實際應用中，這個方法會：
1. 使用 AST 分析程式碼結構
2. 識別邊界條件與異常情況
3. 使用 AI 模型生成多樣化的測試輸入
"""
test_cases = []
# 基本正向測試
test_cases.append({
'type': 'positive',
'description': f'測試 {func_name} 的正常情況',
'inputs': self._generate_valid_inputs(params),
'expected': 'success'
})
# 邊界值測試
test_cases.append({
'type': 'boundary',
'description': f'測試 {func_name} 的邊界條件',
'inputs': self._generate_boundary_inputs(params),
'expected': 'success_or_error'
})
# 異常情況測試
test_cases.append({
'type': 'negative',
'description': f'測試 {func_name} 的異常處理',
'inputs': self._generate_invalid_inputs(params),
'expected': 'error'
})
# 效能測試
test_cases.append({
'type': 'performance',
'description': f'測試 {func_name} 的效能',
'inputs': self._generate_large_inputs(params),
'expected': 'within_threshold'
})
logger.info(f"為 {func_name} 生成了 {len(test_cases)} 個測試案例")
return test_cases
def _generate_valid_inputs(self, params: List[str]) -> Dict:
"""生成有效的測試輸入"""
return {param: self._get_sample_value(param) for param in params}
def _generate_boundary_inputs(self, params: List[str]) -> Dict:
"""生成邊界值測試輸入"""
boundary_values = {
'quantity': [0, 1, 999, 1000],
'price': [0.01, 999999.99],
'name': ['', 'A', 'X' * 255],
'email': ['a@b.c', 'test@example.com']
}
return {
param: random.choice(boundary_values.get(param, [None]))
for param in params
}
def _generate_invalid_inputs(self, params: List[str]) -> Dict:
"""生成無效的測試輸入"""
invalid_values = {
'quantity': [-1, -999, 'abc', None],
'price': [-1.0, 'invalid', None],
'name': [None, '', ' ' * 1000],
'email': ['invalid', '@example.com', 'test@']
}
return {
param: random.choice(invalid_values.get(param, [None]))
for param in params
}
def _generate_large_inputs(self, params: List[str]) -> Dict:
"""生成大量資料的測試輸入（效能測試用）"""
return {
param: [self._get_sample_value(param) for _ in range(1000)]
for param in params
}
def _get_sample_value(self, param_name: str) -> Any:
"""根據參數名稱回傳樣本值"""
samples = {
'quantity': 10,
'price': 99.99,
'name': '測試產品',
'email': 'test@example.com',
'phone': '0912-345-678'
}
return samples.get(param_name, 'default_value')
class SmartTestRunner:
"""
智慧測試執行器
根據程式碼變更智慧選擇需要執行的測試
模擬 AI 如何分析影響範圍並最佳化測試執行
"""
def __init__(self):
"""初始化測試執行器"""
self.test_history: Dict[str, List[str]] = {}
self.code_coverage: Dict[str, float] = {}
logger.info("智慧測試執行器初始化完成")
def analyze_code_changes(self, changed_files: List[str]) -> List[str]:
"""
分析程式碼變更並決定需要執行的測試
參數:
changed_files: 變更的檔案清單
回傳:
需要執行的測試清單
實際應用中會使用：
1. 依賴關係圖分析
2. 測試覆蓋率資料
3. 歷史失敗率
4. AI 預測模型
"""
affected_tests = set()
for file in changed_files:
# 查找直接測試該檔案的測試案例
direct_tests = self._find_direct_tests(file)
affected_tests.update(direct_tests)
# 查找間接依賴的測試案例
indirect_tests = self._find_indirect_tests(file)
affected_tests.update(indirect_tests)
# 根據歷史失敗率排序
sorted_tests = self._prioritize_tests(list(affected_tests))
logger.info(
f"分析 {len(changed_files)} 個變更檔案，"
f"識別出 {len(sorted_tests)} 個相關測試"
)
return sorted_tests
def _find_direct_tests(self, file: str) -> List[str]:
"""查找直接測試該檔案的測試案例"""
# 簡化的實作，實際會使用更複雜的分析
module_name = file.replace('.py', '')
return [f'test_{module_name}.py']
def _find_indirect_tests(self, file: str) -> List[str]:
"""查找間接依賴的測試案例"""
# 簡化的實作，實際會分析依賴圖
return []
def _prioritize_tests(self, tests: List[str]) -> List[str]:
"""
根據歷史資料優先排序測試
優先執行：
1. 最近失敗過的測試
2. 高風險區域的測試
3. 執行時間短的測試
"""
# 簡化的實作
return sorted(tests, key=lambda t: self.test_history.get(t, [0])[-1])
class DefectPredictor:
"""
缺陷預測模型
使用機器學習預測哪些程式碼最可能有缺陷
"""
def __init__(self):
"""初始化預測模型"""
self.model = None # 實際會載入訓練好的 ML 模型
self.feature_extractors = []
logger.info("缺陷預測模型初始化完成")
def predict_defect_probability(
self,
file_path: str,
code_metrics: Dict[str, float]
) -> float:
"""
預測程式碼缺陷機率
參數:
file_path: 檔案路徑
code_metrics: 程式碼指標（複雜度、行數等）
回傳:
缺陷機率（0-1）
實際應用中會考慮：
- 程式碼複雜度（Cyclomatic Complexity）
- 程式碼重複率
- 變更頻率
- 開發者經驗
- 歷史缺陷密度
"""
# 簡化的預測邏輯
complexity = code_metrics.get('complexity', 0)
lines_of_code = code_metrics.get('lines', 0)
change_frequency = code_metrics.get('changes', 0)
# 基於規則的簡單預測（實際會用 ML 模型）
risk_score = (
complexity * 0.4 +
min(lines_of_code / 1000, 1.0) * 0.3 +
min(change_frequency / 10, 1.0) * 0.3
)
probability = min(risk_score, 1.0)
logger.info(f"{file_path} 的缺陷機率預測: {probability:.2%}")
return probability
# 整合測試範例
class TestInventorySystem(unittest.TestCase):
"""
庫存系統的整合測試
展示如何結合 AI 工具進行全面測試
"""
def setUp(self):
"""
測試前置作業
AI 可以根據被測試的類別結構
自動生成適當的 setUp 程式碼
"""
self.manager = InventoryManager()
self.test_generator = TestGenerator()
self.test_runner = SmartTestRunner()
self.defect_predictor = DefectPredictor()
def test_add_product_with_ai_generated_cases(self):
"""
使用 AI 生成的測試案例進行測試
AI 工具能夠分析 add_product 方法
並生成涵蓋各種情境的測試案例
"""
# 生成測試案例
test_cases = self.test_generator.analyze_function(
'add_product',
['product_id', 'name', 'price', 'stock']
)
# 執行每個生成的測試案例
for case in test_cases:
with self.subTest(case=case['description']):
logger.info(f"執行測試: {case['description']}")
# 這裡會根據 case 的內容執行實際測試
# 實務中會有更複雜的測試邏輯
pass
def test_performance_with_large_dataset(self):
"""
效能測試
AI 可以根據系統特性生成適當規模的效能測試
"""
import time
# 大量資料測試
start_time = time.time()
for i in range(1000):
product = Product(
f"P{i:04d}",
f"產品 {i}",
random.uniform(10, 10000),
random.randint(0, 100),
"測試類別"
)
self.manager.add_product(product)
elapsed = time.time() - start_time
# 驗證效能要求
self.assertLess(
elapsed,
5.0,
f"新增 1000 個產品耗時 {elapsed:.2f} 秒，超過 5 秒門檻"
)
logger.info(f"效能測試通過：{elapsed:.2f} 秒完成 1000 次操作")
def test_with_defect_prediction(self):
"""
結合缺陷預測的測試
優先測試預測為高風險的程式碼區域
"""
# 取得程式碼指標
code_metrics = {
'complexity': 15,
'lines': 500,
'changes': 8
}
# 預測缺陷機率
defect_prob = self.defect_predictor.predict_defect_probability(
'inventory_manager.py',
code_metrics
)
# 如果預測為高風險，執行更全面的測試
if defect_prob > 0.7:
logger.warning(
f"檢測到高風險區域（{defect_prob:.2%}），"
"執行加強測試"
)
# 執行額外的測試案例
pass
if __name__ == '__main__':
# 執行測試
unittest.main(verbosity=2)
這個測試框架展示了 AI 如何協助測試自動化。測試案例生成器能夠根據程式碼結構產生多樣化的測試。智慧測試執行器能夠分析變更影響，只執行相關測試。缺陷預測模型能夠識別高風險區域，集中測試資源。
在實務應用中，AI 測試工具已經展現顯著效益。某台灣金融軟體公司導入 AI 測試工具後，測試案例數量增加了 300%，但測試時間只增加了 50%。更重要的是，生產環境的缺陷率下降了 40%，這證明了 AI 生成的測試案例確實提升了測試涵蓋率與品質。
程式碼審查與靜態分析的 AI 革新
程式碼審查是確保程式碼品質的重要環節，但人工審查耗時且容易疏漏。AI 驅動的程式碼審查工具能夠自動偵測潛在問題，從語法錯誤、效能瓶頸，到安全漏洞、最佳實務違反，提供全面的分析。
@startuml
!define PLANTUML_FORMAT svg
!theme _none_
skinparam dpi auto
skinparam shadowing false
skinparam linetype ortho
skinparam roundcorner 5
skinparam defaultFontName "Microsoft JhengHei UI"
skinparam defaultFontSize 14
skinparam minClassWidth 120
package "AI 驅動的程式碼審查流程" {
[提交程式碼] as Submit
[靜態分析引擎] as StaticAnalysis
[AI 品質評估] as AIQuality
[安全漏洞掃描] as SecurityScan
[效能分析器] as Performance
[最佳實務檢查] as BestPractice
[生成審查報告] as Report
[人工複審] as HumanReview
}
Submit --> StaticAnalysis : 觸發分析
StaticAnalysis --> AIQuality : 語法與結構分析
StaticAnalysis --> SecurityScan : 安全檢查
StaticAnalysis --> Performance : 效能評估
StaticAnalysis --> BestPractice : 規範檢查
AIQuality --> Report : 品質評分
SecurityScan --> Report : 安全問題清單
Performance --> Report : 效能建議
BestPractice --> Report : 改進建議
Report --> HumanReview : 高優先級問題
HumanReview --> Submit : 修正後重新提交
note right of AIQuality
使用深度學習模型
分析程式碼品質
提供改進建議
end note
note right of SecurityScan
偵測常見漏洞
- SQL Injection
- XSS
- CSRF
- 敏感資料外洩
end note
note right of Performance
識別效能瓶頸
- 複雜度過高
- 記憶體洩漏風險
- 不效率的演算法
end note
@enduml這個流程圖展示了 AI 驅動的程式碼審查如何運作。程式碼提交後，會經過多個分析引擎的檢查，包括品質評估、安全掃描、效能分析與最佳實務檢查。AI 會整合所有分析結果，生成詳細的審查報告，並將高優先級問題標記給人工複審。
現代 AI 程式碼審查工具如 DeepCode、Amazon CodeGuru、SonarQube AI 都採用了機器學習技術。這些工具不僅能偵測已知的問題模式，還能從大量開源程式碼中學習最佳實務，提供更精準的建議。
在某台灣軟體公司的實踐中，導入 AI 程式碼審查工具後，程式碼審查的時間從平均 2 小時縮短至 30 分鐘。更重要的是，AI 工具能夠一致地執行審查標準，避免了人工審查中的主觀性與疲勞因素。
展望未來：AI 與軟體工程的深度融合
AI 技術在軟體開發中的應用還在快速演進。未來幾年，我們將看到更深入的整合與更強大的能力。自主程式設計代理能夠理解高層需求，自動完成完整的功能開發。AI 驅動的系統架構設計能夠根據需求自動生成最佳架構方案。智慧除錯系統能夠自動定位問題根因並提供修復建議。
然而，AI 不會取代開發者，而是成為開發者的強大助手。開發者需要培養新的技能：如何有效地與 AI 協作、如何審查 AI 生成的程式碼、如何在 AI 建議與實際需求間取得平衡。同時，我們也需要關注 AI 帶來的新挑戰：程式碼同質化問題、對 AI 的過度依賴、AI 生成程式碼的智慧財產權等。
對於台灣的軟體產業而言，擁抱 AI 技術是保持競爭力的關鍵。企業應該積極探索 AI 工具的應用，培訓團隊掌握 AI 輔助開發的技能，建立適合 AI 協作的開發流程。同時也要保持理性，認識到 AI 的局限性，在追求效率的同時不犧牲程式碼品質與安全性。
結語：在 AI 浪潮中航行
AI 驅動的軟體開發革命已經到來。從程式碼生成到測試自動化，從程式碼審查到效能最佳化，AI 正在重塑軟體工程的每個環節。本文系統性地介紹了 AI 在軟體開發中的核心應用，分享了實務經驗與最佳實務。
關鍵要點回顧：AI 輔助程式碼生成能夠提升開發速度，但需要人工審查確保品質。智慧測試自動化能夠提高測試涵蓋率與效率，降低人工測試成本。AI 驅動的程式碼審查提供全面的品質分析，協助開發者及早發現問題。
對於正在探索 AI 開發工具的台灣開發者與企業，筆者建議從小規模試驗開始，選擇適合團隊的工具，建立有效的協作模式。投資在團隊培訓上，讓開發者理解如何最大化 AI 工具的價值。同時保持謹慎，建立程式碼審查機制，確保 AI 生成的程式碼符合專案標準。
AI 不是魔法，它是工具。掌握這個工具的開發者與團隊，將在未來的軟體開發競賽中占據優勢。期望本文能為讀者在 AI 驅動的軟體開發道路上提供實用的指引，協助大家在這波技術革新中找到最適合的發展路徑。
