AI涌入全球教育领域，帮忙还是添乱？｜国际证据地图

01  前言

02  为什么现在关注AI+教育？

03  AI+教育干预，哪些有效？来自海外的证据

01

 前言 

如今，我们似乎越来越难想象一种没有AI工具介入的教育场景了。

批改语文作文的老师，可以将评分标准与写作要求输入AI，飞速生成多份范文；练习英语口语的孩子，最容易找到的语伴是AI语音助手；被数学作业难住的学生，只需要上传题目照片，就可以获得详细解答与同类型题目推荐……

关于这一切究竟会把教育带向何方，人们莫衷一是：乐观者相信，AI能够让每个孩子都拥有专属的智能学伴，甚至让教育公平变得更加可及；审慎者则担忧，没有经历有效思考就获取的知识，压根不会被长期记忆，学得再快也是在做无用功。

那么，AI技术究竟能否有效地、可持续地促进教育质量提升？

作为一家致力于探索社会问题最优解的公益研究与咨询机构，益盒还想在此基础上继续追问：

AI技术能否为中国教育资源匮乏地区的学生和教师，带来可衡量的收益？如果能，捐赠人可以为此做些什么？

我们希望用两篇扎实的研究文章来回应上述问题。

具体来说，本文将提供一份“AI+教育”国际证据地图，系统梳理海外干预研究成果（以2023年至2025年为主），让分散的证据聚拢起来，帮助读者判断哪些干预路径已被验证有效，它们在什么条件下成立。

下篇则将聚焦中国本土情境，呈现国内AI教育应用的现状分析，并基于两篇文章的研究发现，分析“AI+教育”公益领域的机遇与风险。

如果你希望用最短时间把握本文的核心结论，只需跳转第三部分，即可在“本节概览”中用30秒获取国际证据地图的核心发现。不过，我们依然更欢迎你完整地阅读前述章节——在AI能够一键生成摘要的当下，共享思维过程、梳理逻辑链条，或许才是阅读中最有趣的部分。

02

 为什么现在关注AI+教育？ 

本节概览

• 交互革命：AI不同于以往的录播课或电子白板，它第一次有可能改变教学交互结构，突破单向信息传递，提供“智能学习伙伴”式的个性化支持。

• 规模化潜力：AI能以接近零的边际成本，模拟高成本的一对一辅导模式（实时诊断、动态调整、无限耐心）。

• 政策导向：中国政策已进入规范化推进阶段，支持“人机协同”和“智能学伴”，为公益干预提供了合法操作空间。

• 当前瓶颈：与技术和政策的快速发展相比，该领域的证据积累仍明显滞后。

讨论AI+教育在当下为何值得关注，意味着我们需要依次审视如下四个问题：

AI在教育领域中的应用，是否真的具有颠覆性的潜力？相关技术是否拥有规模化的发展可能性？政策环境是否提供了合适的进入窗口？现有的研究证据是否充分？

先由第一个问题谈起。

1. 我们倾向于认为，AI不同于过往的多媒体教室等常规技术升级，其独特性在于能够切入此前的教育技术都未能解决的瓶颈。

比如，一对一辅导虽然已经被反复验证具有显著正向作用，但它同时也是最不可扩展的教育干预方式：没有任何教育系统能够负担得起为每一个学生配备一位全职的高水平私人教师。而这正是AI可能带来根本性改变的地方。

当一个AI辅导系统可以做到以下几件事——实时诊断每个学生当前的知识掌握状态、动态调整讲解难度和路径、在学生犯错的瞬间提供有针对性的反馈、以无限的耐心反复解释直到学生真正理解——它实质上是在以接近零的边际成本，模拟一对一人类辅导中最有价值的核心要素。

如果这一能力被验证为有效并被规模化部署，便能带来深远影响：一个甘肃农村初中的学生，就有可能获得与北京海淀区顶尖学校学生同等质量的个性化学习支持。如今，这已不再是科幻畅想——后文即将提到的加纳Rori项目[1]和尼日利亚Microsoft Copilot辅导项目[2]，已经在发展中国家的真实学校环境中初步验证了这一方向的可行性。

此前的教育技术——无论是录播课、MOOC还是电子白板——本质上都是在“内容分发”层面做文章：把原来的纸质教材变成数字的，把一堂课分发至一千间线上教室。它们改变了内容触达的方式，但没有改变教学的基本模型——学生仍然在被动地接受统一的教学内容，差异只是传输介质的不同。

而AI的不同之处在于，它第一次有可能改变教学交互的基本结构：从“一名教师对多位学生的单向传递”，变为“每位学生都能拥有一个理解其状态、适应其节奏的智能学习伙伴”。

2. 从技术可行性来看，AI已经开始在教育的多个关键环节中落地，并且有潜力改善教育公平问题。

以个性化学习为例，AI可以基于学生当前水平提供分层讲解、即时反馈和动态调整的练习路径，这一能力在优质师资不足的地区，具有补充教学资源、提高教学质量的现实意义。

例如，在中国，腾讯云在学习侧推出了一系列应用，包括自适应学习路径推荐、学情分析和智能问答等，用于提供个性化学习支持；在国际上，可汗学院（Khan Academy）推出的AI助手Khanmigo，尝试以“苏格拉底式提问”方式引导学生思考和推理，而非直接提供答案[3]。整体来看，这类应用的共同机制是：通过持续的诊断与反馈循环，使教学模式摆脱统一进度，走向个体匹配。

值得注意的是，AI的介入正在模糊“教育”与“学习”之间的传统边界。在经典的教育场景中，学习过程高度依赖教师的组织和引导——教师决定教什么、按什么顺序教、如何检验掌握程度。但一部分AI应用（如个性化辅导系统）使学生不再需要等待教师的讲解或反馈，可以按自己的节奏随时向AI寻求指导。

这引出了一个值得讨论的问题：在AI介入后，教师的角色是否仍然不可或缺？

目前的国际证据倾向于支持“人机协同”而非“AI替代教师”的结论——例如，Tutor CoPilot等工具的核心设计是增强教师的辅导能力[4]；而无引导地直接使用GPT-4的实验则显示出显著的负面效果[5]（详见下文的“海外证据地图”）。

不过，这一问题的答案可能随着技术的快速迭代而演变，因此，我们在后续的证据扫描中会同时关注“有教师参与的AI辅助教学”和“学生直接使用AI进行自主学习”两类场景，以便为不同的干预模式提供更完整的判断基础。

3. 从政策环境看，中国对“AI+教育”已从鼓励探索进入到规范化推进阶段。

目前，国家层面已经将“人工智能+”纳入重点发展方向，并在教育领域提出“智能学伴”“智能教师”等应用路径。教育部近两年发布的一系列政策文件，既明确支持AI进入教学、评价与管理场景，也设定了清晰的伦理边界，包括数据隐私保护、分年龄使用限制，以及防止学生过度依赖等要求。

整体来看，政策信号较为一致：支持应用，但强调人机协同与审慎落地。这意味着AI教育干预具备政策倡导的空间，但具体应用仍依赖于更高质量的设计与评估。

4. 然而，与技术和政策的快速发展相比，该领域的证据积累仍明显滞后。

尽管已有一定数量的评估研究表明AI可以提升短期学习表现，但整体证据仍存在几个关键局限：

• 国内高质量因果证据（如系统综述、元分析和RCT）数量有限，尤其缺乏AI在K-12阶段和弱势群体中的应用研究；

• 结果指标多集中于短期成绩或任务表现，对长期能力（如自主学习能力、批判性思维）的影响缺乏跟踪；

• 不同应用路径之间差异显著，但缺乏统一框架下的比较，难以判断哪些干预机制更值得公益资源投入。

换言之，明确“哪些路径在什么条件下真正有效”，是当前AI教育干预的关键瓶颈。

因此，若想要思考关于“AI+教育”的公益投入方式，需要首先对现有的干预路径进行全面的证据扫描、并评估不同AI工具在各类场景和群体中的应用效果与边界——而这正是本文下一节将要做的事。

参考文献（上划查看）

[1] Henkel et al. 2024：https://arxiv.org/abs/2402.09809

[2] De Simone et al. 2025：https://documents.worldbank.org/en/publication/documents-reports/documentdetail/099548105192529324

[3] J-PAL 2023：https://www.povertyactionlab.org/initiative-project/ai-powered-tutoring-unleashing-full-potential-personalized-learning-khanmigo

[4] Wang et al. 2025：https://edworkingpapers.com/ai24-1054

[5] Bastani et al. 2025：https://www.pnas.org/doi/10.1073/pnas.2422633122#abstract

03

 AI+教育干预，哪些有效？

 来自海外的证据 

本节概览

本节呈现了一份“AI+教育”国际证据地图，旨在将分散的教育干预与技术应用证据放入同一分析框架中进行比较。

我们将AI界定为一种“嵌入式的工具变量”：它嵌入在既有的教育干预链条中，充任诊断、决策、交付与反馈环节的效果放大器。因此，本节不讨论泛化的AGI（Artificial General Intelligence，通用人工智能）愿景，或缺乏应用场景的概念性设想，仅关注有明确评估结果或具备明确使用情境的AI教育干预。

本节引用的证据大多基于2023年至2025年间开展的研究。考虑到大语言模型（LLM）的能力在这一时期经历了极为快速的跃升——例如，从GPT-3.5到GPT-4再到GPT-4o及后续模型，其推理能力、多语言支持和教学适配性均有显著提升——我们需要意识到，基于较早期模型的评估结论，在一定程度上可能低估了当前最先进AI工具的潜力。

因此，在阅读下文的证据地图时，我们建议关注两个层面的信息：

1

一是“方向性判断”——即哪些干预机制（如结构化反馈、分步引导、教师辅助）在多项研究中一致地展现出正向效果，这类结论的持久性较强，不太可能因底层模型升级而失效；

2

二是“具体效应量”——某个特定工具在特定实验中的效果大小，这类数据更容易受技术迭代影响，应被视为参考区间而非精确预测。

总体而言，技术的快速进步意味着我们看到的证据更可能是AI教育潜力的下限而非上限，这也使得持续的效果追踪和评估更新变得尤为重要。

在呈现方式上，证据地图沿三条主线展开：

首先，按AI工具的服务对象（学生、教师、管理）划分应用场景；其次，区分证据的效果类型与强度，以界定结论的可靠性；最后，对每一项干预进行结构化标注，尽可能详细地呈现出其实施方案、样本特征与关键效果量，以支持横向比较。

基于上述分类梳理，本证据地图致力于回答一个具有行动指向性的问题：在什么条件下、通过何种机制，AI可以提升哪些方面的教育成果，以及这些成果是否稳健、在多大程度上可迁移。

需要补充说明的是，本文旨在为捐赠人、公益从业者、教育实践者等提供一个针对不同干预措施的比较框架，而非对AI教育领域进行系统性综述。为此，益盒的研究成员主要对J-PAL、世界银行、EdTech Hub等机构的公开研究成果进行了集中梳理与整合，而非穷尽该领域的所有证据。欢迎感兴趣的读者将文中的原始文献视作进一步检索的起点。

01

学生端

AI在学生端的应用主要集中于个性化辅导与即时反馈场景，但现有证据显示，学生在AI辅助下的任务表现提升，并不等同于其独立学习能力的真正增长。

一方面，生成式AI聊天机器人、AI辅导工具与自动反馈系统（如Rori[1]、ALEKS[2]等）已积累较为稳健的正向证据，尤其在中低收入国家中对基础技能提升效果显著。

大量实验与准实验研究发现，AI工具能够显著提升学生在练习、作业与即时评估中的表现，并降低完成复杂任务时的认知负荷*，从而提高学习参与度与主观体验。

另一方面，这类提升在工具移除后的持续性较弱，甚至在部分情境下出现负迁移或成绩下降，表明学生可能更多习得的是“AI工具使用策略”，而非可迁移的底层知识与推理能力。

AI对信息检索、组织与初步分析过程的代劳，可能削弱学生的元认知发展与高阶思维训练。因此，提供“苏格拉底式”引导（即通过提问启发学生自主思考）或分步提示的AI辅导工具，相较于直接给出答案的通用模型，更有可能支持深度学习。不过，当前其效果仍高度依赖具体教学设计与使用情境。

此外，AI在评估、翻译及情感支持等场景中也展现出了潜力，但相关证据仍处于早期阶段，尤其在心理健康与人机关系方面存在伦理风险。

总体而言，当前的证据基础支持这样一个结论：AI作为“学习支架”在结构化、受监督的环境中具有显著价值，但其对长期学习、认知能力发展及教育公平的影响，仍有赖于更系统的因果研究与跨情境验证。

*备注：“认知负荷”指学习过程中大脑需要投入的“思考资源”。AI可以通过自动检索、整理信息来减少不必要的思考负担（如查资料、整理步骤），以释放认知资源、进行更深入的学习。然而，它也可能减少对理解信息所必需的有效思考，这些具有挑战性的思考（有时被称为“理想难度”）通常更有利于长期记忆和知识迁移。

参考文献（上划查看）

[1] Henkel et al. 2024：https://arxiv.org/abs/2402.09809

[2] Angel-Urdinola et al. 2023：https://openknowledge.worldbank.org/entities/publication/547575bc-3f12-47d3-b993-7932aaf5e8d1

[3] Angel-Urdinola et al. 2023：https://openknowledge.worldbank.org/entities/publication/547575bc-3f12-47d3-b993-7932aaf5e8d1

   附1：学生端AI教育干预国际证据地图   

• 绿色底色：高强度，有高质量元分析、系统综述、随机对照实验（RCT）或准实验效果评估数据

• 黄色底色：中强度，有一定效果数据（如观察性研究、前后测对比），但仍需进一步验证

• 灰色底色：低强度，暂无效果评估，但有一定应用场景或理论基础

1. 有效证据

参考文献（上划查看）

[1] 钱莉 et al. 2025：https://mp.weixin.qq.com/s/VMVNgOicipml3Zr5jDGtxg

[2] Yi et al. 2025：https://link.springer.com/article/10.1007/s10763-024-10499-7

[3] Angel-Urdinola et al. 2023：https://openknowledge.worldbank.org/entities/publication/547575bc-3f12-47d3-b993-7932aaf5e8d1

[4] Henkel et al. 2024：https://arxiv.org/abs/2402.09809

[5] De Simone et al. 2025：https://documents.worldbank.org/en/publication/documents-reports/documentdetail/099548105192529324

[6] Vanzo et al. 2024：https://arxiv.org/abs/2409.15981

[7] Ferman et al. 2021：https://www.povertyactionlab.org/sites/default/files/research-paper/working-paper_5806_Artificial-Intelligence-Teacher-Tasks-Pedagogy_Brazil_Feb2021_0.pdf

[8] Degen et al. 2025：http://arxiv.org/pdf/2508.05116v1

[9] Page & Gehlbach 2017：https://sage.cnpereading.com/paragraph/article/?doi=10.1177/2332858417749220

[10] Becker et al. 2025：https://arxiv.org/pdf/2508.06254v1

2. 无效 / 部分有效 / 存在情境依赖或风险证据

参考文献（上划查看）

[1] Kaliisa et al. 2025：https://www.tandfonline.com/doi/full/10.1080/01443410.2025.2553639?src=exp-la#abstract

[2] Stadler et al. 2024：https://www.sciencedirect.com/science/article/pii/S0747563224002541?via%3Dihub=

[3] Chen et al. 2025：https://arxiv.org/abs/2509.16778

[4] Blasco & Charisi 2025：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5040921

3. 有害证据

参考文献（上划查看）

[1] Bastani et al. 2025：https://www.pnas.org/doi/10.1073/pnas.2422633122#abstract

[2] Kosmyna et al. 2025：https://arxiv.org/pdf/2506.08872v2

[3] Kreijkes et al. 2025：https://www.sciencedirect.com/science/article/pii/S0360131525002829

4. 未知证据

参考文献（上划查看）

[1] J-PAL 2023：https://www.povertyactionlab.org/initiative-project/ai-powered-tutoring-unleashing-full-potential-personalized-learning-khanmigo

[2] UNICEF 2025：https://www.unicef.org/innocenti/can-ai-help-bridge-gap-inclusive-education

[3] Rocket Learning：https://rocketlearning.org/

[4] Ardington et al. 2025：https://ai-for-education.org/wp-content/uploads/2025/08/EGRA-AI-case-study.pdf

02

教师端

AI在教师端的应用主要体现在自动化教学反馈与辅导、课程计划与内容生成、教师专业发展与能力建设三个方面。

1

教学反馈与辅导：AI驱动的课堂观察与实时反馈系统（如TeachFX[1]、Tutor CoPilot[2]）能够分析教师话语模式和学生互动，提供个性化建议，从而改善教学策略、提高学生参与度和学习成果。相关研究显示，这类反馈对经验不足或评分较低的教师尤其有效，可提高学生掌握课程主题的概率达4%-9%。

2

课程计划与内容生成：AI工具能够结合课程标准和学生需求，快速生成结构化、可定制的教学材料，并为教师提供课程设计建议，同时保留其专业自主性。例如，美国的MagicSchool.ai[3]工具可支持项目式学习和评估生成，节省教师备课时间，并增强课程的针对性与吸引力。

3

教师专业发展：AI教师教练和职业指导系统（如Quiero Ser Profe[4]）能够为新教师和在职教师提供个性化培训、模拟教学和职业指导，增强教师自我效能感，并可能改善招聘与留任结果。AI也在简化行政和日常任务方面表现出优势，包括作业自动评分、学生数据整合、沟通和记录管理，能够减少教师负担，使其释放更多时间用于高价值教学活动。

总体而言，教师端AI的应用显示出极高的潜力：既可提升教学效率和学生成果，又可支持教师专业成长和减轻工作负荷。然而，其有效性依赖于适当的培训及上下文适应，仍需进一步通过长期、跨地域的因果研究验证其规模化影响。

参考文献（上划查看）

[1] Demszky et al. 2025：https://www.sciencedirect.com/science/article/abs/pii/S0360131524001970

[2] Wang et al. 2025：https://edworkingpapers.com/ai24-1054

[3] MagicSchool.ai：https://www.bing.com/ck/a?!&&p=ce1457312749456c812b802dd27d0da6ae7e400a643e75383cbf8a35cd7ba5b6JmltdHM9MTc3MzYxOTIwMA&ptn=3&ver=2&hsh=4&fclid=38977fb2-ac8a-6689-16ca-6d83ad58674e&u=a1aHR0cHM6Ly93d3cubWFnaWNzY2hvb2wuYWkv

[4] Ajzenman et al. 2023：https://publications.iadb.org/en/humans-versus-chatbots-scaling-behavioral-interventions-reduce-teacher-shortages

   附2：教师端AI教育干预国际证据地图   

• 绿色底色：高强度，有高质量元分析、系统综述、随机对照实验（RCT）或准实验效果评估数据

• 黄色底色：中强度，有一定效果数据（如观察性研究、前后测对比），但仍需进一步验证

• 灰色底色：低强度，暂无效果评估，但有一定应用场景或理论基础

1. 有效证据

参考文献（上划查看）

[1] Demszky et al. 2025：https://www.sciencedirect.com/science/article/abs/pii/S0360131524001970

[2] Demszky et al. 2023：https://edworkingpapers.com/sites/default/files/ai23-759-v2.pdf

[3] Wang et al. 2025：https://edworkingpapers.com/ai24-1054

[4] LearnLM Team, Google & Eedi 2025：https://storage.googleapis.com/deepmind-media/LearnLM/learnLM_nov25.pdf

[5] Kim et al. 2021：https://journals.sagepub.com/doi/full/10.1177/00222437211050351

[6] Holstein et al. 2018：https://link.springer.com/chapter/10.1007/978-3-319-93843-1_12

[7] Roy et al. 2024：https://d2tic4wvo1iusb.cloudfront.net/production/documents/projects/chatgpt_in_lesson_planning_-_evaluation_report.pdf?v=1757424786

[8] Ajzenman et al. 2023：https://publications.iadb.org/en/humans-versus-chatbots-scaling-behavioral-interventions-reduce-teacher-shortages

[9] Kochmar et al. 2022：https://link.springer.com/article/10.1007/s40593-021-00267-x

2. 无效 / 部分有效 / 存在情境依赖或风险证据

参考文献

[1] Aslam et al. 2025：https://docs.edtechhub.org/lib/XKIEQVIQ?referrer=/lib

3. 未知证据

参考文献（上划查看）

[1] Education Endowment Foundation 2025：https://educationendowmentfoundation.org.uk/projects-and-evaluation/projects/aila-teacher-choices-trial

[2] Hough 2025：https://www.gse.harvard.edu/ideas/ed-magazine/25/09/math-giving-you-problems-it-may-not-be-numbers

[3] MagicSchool.ai：https://www.bing.com/ck/a?!&&p=ce1457312749456c812b802dd27d0da6ae7e400a643e75383cbf8a35cd7ba5b6JmltdHM9MTc3MzYxOTIwMA&ptn=3&ver=2&hsh=4&fclid=38977fb2-ac8a-6689-16ca-6d83ad58674e&u=a1aHR0cHM6Ly93d3cubWFnaWNzY2hvb2wuYWkv

[4] UmmIA：http://ummia.ai/

[5] J-PAL：https://www.povertyactionlab.org/initiative-project/using-large-language-models-scale-teacher-guides

[6] Somos Profes, Somos Educadores：https://somosprofesyeducadores.cl/

03

管理端

AI在教育管理端的应用主要集中于数据驱动资源分配决策、早期风险预警、行政流程自动化三类核心功能。

1

资源分配：AI通过优化算法提升教育资源分配的效率与公平性。例如，在分班与课程推荐中，算法预测可显著提高学生进入更高阶课程的概率，同时相较传统考试表现出更高的准确性与公平性[1]；此外，向学生提供基于算法的录取概率反馈，可显著改善升学申请策略，从而提升匹配质量与系统整体效率[2]。

2

早期预警系统：AI能够通过对出勤、成绩与行为数据的实时分析，识别辍学风险学生并触发针对性干预。来自乌拉圭的实践表明，当EWS与教育管理信息系统（EMIS）实现系统对接，并能够获得高频、可靠的数据输入时，能够更及时地识别学生风险，并显著提高后续干预的成效[3]。

3

行政与运营：AI助手（如对话式系统与规划平台）通过自动化注册、排课、沟通及数据管理等流程，显著降低事务性成本，并提升服务的响应速度与个性化程度。初步应用结果表明，这类系统可提高资源利用效率与用户满意度，但其长期效果仍缺乏独立因果评估。

总体而言，管理端AI已显示出在提升系统效率、决策质量与资源公平配置方面的潜力，但其实际效果依赖于高质量的数据基础设施，以及与制度能力相匹配的实施环境。未来仍需开展更多评估与追踪研究，以验证其系统性影响。

参考文献（上划查看）

[1] Bergman et al. 2023：https://www.nber.org/papers/w28948

[2] Elacqua et al. 2022：https://publications.iadb.org/en/potential-smart-matching-platforms-teacher-assignment-case-ecuador

[3] Queiroga et al. 2022：https://www.mdpi.com/2078-2489/13/9/401

   附3：管理端AI教育干预国际证据地图   

• 绿色底色：高强度，有高质量元分析、系统综述、随机对照实验（RCT）或准实验效果评估数据

• 黄色底色：中强度，有一定效果数据（如观察性研究、前后测对比），但仍需进一步验证

• 灰色底色：低强度，暂无效果评估，但有明确应用场景或理论基础

1. 有效证据

参考文献（上划查看）

[1] Arteaga et al. 2022：https://www.christopher-neilson.com/work/documents/Warnings/AKNZ_2022.pdf

[2] Bergman et al. 2023：https://www.nber.org/papers/w28948

[3] Arteaga et al. 2022：https://publications.iadb.org/en/can-information-school-attributes-and-placement-probabilities-direct-search-and-choice-evidence

[4] Adnot et al. 2016：https://www.nber.org/papers/w21922

[5] Elacqua et al. 2023：https://publications.iadb.org/en/covid-19-exodus-parent-preferences-public-schools-peru

[6] Elacqua et al. 2022：https://publications.iadb.org/en/potential-smart-matching-platforms-teacher-assignment-case-ecuador

[7] Queiroga et al. 2022：https://www.mdpi.com/2078-2489/13/9/401

2. 未知证据

参考文献（上划查看）

[1] J-PAL：https://www.povertyactionlab.org/initiative-project/algorithmic-approach-reducing-gender-discrimination-evidence-large-scale

[2] DRUID：https://www.druidai.com/conversational-ai-higher-education

[3] Uplanner：https://uplanner.com

如上，既然国际证据已经回答了“AI+教育干预的哪些方向可能有效”，那么，我国目前有哪些行动主体正在实践？ta们做得怎么样？相关公益领域面临的核心机遇与挑战是什么？

——对于公益实践者与捐赠人们最为关心的这些问题，我们将在下一篇研究文章中给出具备实操参考价值的解答。敬请期待！

作者：Jiayu、安九

编辑：灵毓、厶予

排版：Chelsea

审校：灵毓、厶予