读 CS PhD 之前没有工业界经历真的没关系吗？
关于“读 CS PhD 之前没有工业界经历是否真的没关系”，这是一个非常常见且重要的问题，尤其对于有意向攻读博士学位的学生来说。答案是：在大多数情况下，没关系，甚至可以说是普遍现象。但是，这并不意味着工业界经历毫无价值，它在某些方面可以起到重要的补充作用，甚至在特定情况下会是加分项。
为了详细解答这个问题，我们需要从几个维度来分析：
1. CS PhD 的本质和目标
首先，理解 CS PhD 的本质是关键。
研究导向： PhD 的核心目标是培养具有独立研究能力、能够在前沿领域做出原创性贡献的科学家和学者。这意味着你需要能够提出有意义的问题，设计实验，分析数据，并清晰地沟通你的发现。
理论和算法的深度： 很多 CS PhD 项目侧重于计算机科学的理论基础、算法设计、系统构建、人工智能的核心技术等。这些领域更需要深厚的数学功底、严谨的逻辑思维和创新性的算法设计能力，这些能力在学术环境中更容易得到培养和评估。
培养学术人才： PhD 的主要出路是学术界（教授、研究员）或者工业界的研究实验室（Research Scientist）。即使是工业界的研究职位，也往往需要博士级别的深度和原创性思维，而非仅仅是解决工程问题的能力。
2. 招生委员会看重什么？
招生委员会在评估申请者时，主要关注以下几个方面，而工业界经历并非首要或必需的考量因素：
学术成绩 (GPA)： 表明了你在本科或硕士阶段的学习基础和潜力。
标准化考试成绩 (GRE, TOEFL/IELTS)： 是衡量你学术能力和语言能力的基础指标。
研究经历 (Research Experience)： 这是 最关键 的评估指标之一。这包括：
本科/硕士期间的研究项目： 你参与了什么项目？你的具体贡献是什么？你学到了什么研究方法？你是否发表了论文？
教授的推荐信 (Letters of Recommendation)： 尤其是来自与你进行过深入研究的教授的推荐信，能够非常直观地反映你的研究能力、学术潜力和人品。
论文发表 (Publications)： 在有影响力的会议或期刊上发表论文是证明你研究能力和原创性的最直接证据。
个人陈述 (Statement of Purpose SOP)： 阐述你为什么选择这个领域、为什么选择这个学校和导师、你的研究兴趣是什么、你的长远职业规划是什么，以及你的经历如何支撑你完成 PhD。
对导师和研究方向的匹配度： 你对特定导师的研究工作有多了解？你的兴趣是否与导师的研究方向高度契合？
你可以看到，在这些核心评估要素中，并没有明确要求工业界经历。 许多成功的 PhD 申请者，尤其是从优秀本科或硕士项目毕业的学生，可能在毕业时没有或只有很少的工业界实习经历。
3. 为什么说没有工业界经历“没关系”？
学术培养的路径不同： 很多学生在本科或硕士阶段就积极投入科研，参与导师的课题组，甚至有自己的独立研究项目，并通过发表论文来证明自己的研究能力。这条学术路径是完全独立于工业界经历的。
PhD 学习本身就是一种深入的实践： PhD 的三到五年时间，本身就是一种非常深入和集中的“实践”过程，只不过这种实践是围绕着解决一个未解决的研究问题展开的，而不是面向产品或商业目标的。
侧重点不同： 工业界更侧重于将现有技术应用到实际产品中，解决工程上的挑战，注重效率、稳定性和用户体验。而 PhD 更侧重于探索未知、提出新理论、设计新算法、构建新系统，是基础性和前沿性的工作。两者的侧重点不同，对所需技能的要求也不同。
4. 工业界经历在什么情况下会有帮助？（加分项）
虽然不是必需，但如果拥有以下类型的工业界经历，可能会为你的 PhD 申请加分：
研究型实习 (Research Internships)： 如果你在知名科技公司的研究实验室（如 Google Research, Microsoft Research, Meta AI, OpenAI 等）进行了研究型实习，并且有成果（例如，参与的项目有被写进论文，或者你自己能写出高质量的报告来展示你的研究贡献），那么这与学术研究经历有很强的相关性，会被招生委员会高度重视。
能够展示深度技术理解和解决复杂问题的经历： 如果你在公司里承担了具有挑战性的技术项目，并且能够清晰地阐述你在其中扮演的角色、解决的技术难题、使用的创新方法以及最终的成果，这些经历可以用来证明你的技术能力和解决问题的能力，尤其是在你的研究兴趣与该经历相关的情况下。
对工业界实际问题的洞察： 有些学生通过工业界经历，能更清楚地认识到学术界研究的价值和方向，或者发现一些未被解决的、值得深入研究的工业界问题。这种洞察力可以体现在你的 SOP 中，让你的研究兴趣更加具体和有吸引力。
软技能的提升： 工业界经历通常能帮助学生提升沟通、协作、项目管理等软技能，这些技能在博士学习和未来的职业发展中也同样重要。
5. 没有工业界经历，你该如何准备？
如果你在申请 PhD 前没有工业界经历，或者只有一些传统的软件工程实习，这完全不用担心。你应该将精力放在以下几个方面来弥补：
积极参与科研项目： 这是最直接和最有效的方式。主动联系你感兴趣的教授，争取进入他们的课题组，参与实际的研究项目，学习研究方法，争取发表论文。
打好数学和理论基础： 确保你在微积分、线性代数、概率论、离散数学、算法与数据结构等基础课程上成绩优异。这是攻读 CS PhD 的基石。
提升编程和实践能力： 虽然 PhD 侧重研究，但扎实的编程能力是实现研究想法的工具。在学术项目中，你可能需要实现复杂的算法、搭建实验平台等。
精心准备你的 SOP： 重点突出你的研究经历、你从中学到的东西、你的研究兴趣，以及你为什么认为自己适合读博。如果你的研究经历有限，可以多写写你为什么对某个研究领域着迷，你对解决某些问题的渴望。
争取有说服力的推荐信： 如果你参与了研究项目，一定要和你的导师保持良好的沟通，让他们了解你的进步，并请求他们写一封有力的推荐信，强调你的研究潜力和能力。如果你的推荐人是业内资深人士，但他们了解你的学术能力，也可以。
了解你申请的学校和导师的研究方向： 在申请前，仔细阅读你感兴趣的教授的研究论文和项目，思考你的兴趣点在哪里，能否与导师的研究契合。
总结
CS PhD 之前没有工业界经历，对于申请者来说，“真的没关系”。 招生委员会更看重的是你的学术能力、研究潜力和对研究的热情。学术研究经历、论文发表和推荐信是评估这些能力的最主要指标。
然而，如果你能在学术研究之外，通过研究型实习或有深度的技术项目来证明你的技术实力和解决问题的能力，这无疑会成为你申请的有力补充和加分项，尤其是在你申请的领域与你的工业界经验高度相关时。
总而言之，与其纠结于是否有工业界经历，不如把精力放在提升自己的学术和研究能力上，寻找机会参与科研，并清晰地向招生委员会展示你的潜力和热情。 如果你对某个研究领域充满好奇，并且有决心投入大量时间和精力去深入探索，那么缺乏工业界经历并不会成为你获得 CS PhD 的主要障碍。
为了详细解答这个问题，我们需要从几个维度来分析：
1. CS PhD 的本质和目标
首先，理解 CS PhD 的本质是关键。
研究导向： PhD 的核心目标是培养具有独立研究能力、能够在前沿领域做出原创性贡献的科学家和学者。这意味着你需要能够提出有意义的问题，设计实验，分析数据，并清晰地沟通你的发现。
理论和算法的深度： 很多 CS PhD 项目侧重于计算机科学的理论基础、算法设计、系统构建、人工智能的核心技术等。这些领域更需要深厚的数学功底、严谨的逻辑思维和创新性的算法设计能力，这些能力在学术环境中更容易得到培养和评估。
培养学术人才： PhD 的主要出路是学术界（教授、研究员）或者工业界的研究实验室（Research Scientist）。即使是工业界的研究职位，也往往需要博士级别的深度和原创性思维，而非仅仅是解决工程问题的能力。
2. 招生委员会看重什么？
招生委员会在评估申请者时，主要关注以下几个方面，而工业界经历并非首要或必需的考量因素：
学术成绩 (GPA)： 表明了你在本科或硕士阶段的学习基础和潜力。
标准化考试成绩 (GRE, TOEFL/IELTS)： 是衡量你学术能力和语言能力的基础指标。
研究经历 (Research Experience)： 这是 最关键 的评估指标之一。这包括：
本科/硕士期间的研究项目： 你参与了什么项目？你的具体贡献是什么？你学到了什么研究方法？你是否发表了论文？
教授的推荐信 (Letters of Recommendation)： 尤其是来自与你进行过深入研究的教授的推荐信，能够非常直观地反映你的研究能力、学术潜力和人品。
论文发表 (Publications)： 在有影响力的会议或期刊上发表论文是证明你研究能力和原创性的最直接证据。
个人陈述 (Statement of Purpose SOP)： 阐述你为什么选择这个领域、为什么选择这个学校和导师、你的研究兴趣是什么、你的长远职业规划是什么，以及你的经历如何支撑你完成 PhD。
对导师和研究方向的匹配度： 你对特定导师的研究工作有多了解？你的兴趣是否与导师的研究方向高度契合？
你可以看到，在这些核心评估要素中，并没有明确要求工业界经历。 许多成功的 PhD 申请者，尤其是从优秀本科或硕士项目毕业的学生，可能在毕业时没有或只有很少的工业界实习经历。
3. 为什么说没有工业界经历“没关系”？
学术培养的路径不同： 很多学生在本科或硕士阶段就积极投入科研，参与导师的课题组，甚至有自己的独立研究项目，并通过发表论文来证明自己的研究能力。这条学术路径是完全独立于工业界经历的。
PhD 学习本身就是一种深入的实践： PhD 的三到五年时间，本身就是一种非常深入和集中的“实践”过程，只不过这种实践是围绕着解决一个未解决的研究问题展开的，而不是面向产品或商业目标的。
侧重点不同： 工业界更侧重于将现有技术应用到实际产品中，解决工程上的挑战，注重效率、稳定性和用户体验。而 PhD 更侧重于探索未知、提出新理论、设计新算法、构建新系统，是基础性和前沿性的工作。两者的侧重点不同，对所需技能的要求也不同。
4. 工业界经历在什么情况下会有帮助？（加分项）
虽然不是必需，但如果拥有以下类型的工业界经历，可能会为你的 PhD 申请加分：
研究型实习 (Research Internships)： 如果你在知名科技公司的研究实验室（如 Google Research, Microsoft Research, Meta AI, OpenAI 等）进行了研究型实习，并且有成果（例如，参与的项目有被写进论文，或者你自己能写出高质量的报告来展示你的研究贡献），那么这与学术研究经历有很强的相关性，会被招生委员会高度重视。
能够展示深度技术理解和解决复杂问题的经历： 如果你在公司里承担了具有挑战性的技术项目，并且能够清晰地阐述你在其中扮演的角色、解决的技术难题、使用的创新方法以及最终的成果，这些经历可以用来证明你的技术能力和解决问题的能力，尤其是在你的研究兴趣与该经历相关的情况下。
对工业界实际问题的洞察： 有些学生通过工业界经历，能更清楚地认识到学术界研究的价值和方向，或者发现一些未被解决的、值得深入研究的工业界问题。这种洞察力可以体现在你的 SOP 中，让你的研究兴趣更加具体和有吸引力。
软技能的提升： 工业界经历通常能帮助学生提升沟通、协作、项目管理等软技能，这些技能在博士学习和未来的职业发展中也同样重要。
5. 没有工业界经历，你该如何准备？
如果你在申请 PhD 前没有工业界经历，或者只有一些传统的软件工程实习，这完全不用担心。你应该将精力放在以下几个方面来弥补：
积极参与科研项目： 这是最直接和最有效的方式。主动联系你感兴趣的教授，争取进入他们的课题组，参与实际的研究项目，学习研究方法，争取发表论文。
打好数学和理论基础： 确保你在微积分、线性代数、概率论、离散数学、算法与数据结构等基础课程上成绩优异。这是攻读 CS PhD 的基石。
提升编程和实践能力： 虽然 PhD 侧重研究，但扎实的编程能力是实现研究想法的工具。在学术项目中，你可能需要实现复杂的算法、搭建实验平台等。
精心准备你的 SOP： 重点突出你的研究经历、你从中学到的东西、你的研究兴趣，以及你为什么认为自己适合读博。如果你的研究经历有限，可以多写写你为什么对某个研究领域着迷，你对解决某些问题的渴望。
争取有说服力的推荐信： 如果你参与了研究项目，一定要和你的导师保持良好的沟通，让他们了解你的进步，并请求他们写一封有力的推荐信，强调你的研究潜力和能力。如果你的推荐人是业内资深人士，但他们了解你的学术能力，也可以。
了解你申请的学校和导师的研究方向： 在申请前，仔细阅读你感兴趣的教授的研究论文和项目，思考你的兴趣点在哪里，能否与导师的研究契合。
总结
CS PhD 之前没有工业界经历，对于申请者来说，“真的没关系”。 招生委员会更看重的是你的学术能力、研究潜力和对研究的热情。学术研究经历、论文发表和推荐信是评估这些能力的最主要指标。
然而，如果你能在学术研究之外，通过研究型实习或有深度的技术项目来证明你的技术实力和解决问题的能力，这无疑会成为你申请的有力补充和加分项，尤其是在你申请的领域与你的工业界经验高度相关时。
总而言之，与其纠结于是否有工业界经历，不如把精力放在提升自己的学术和研究能力上，寻找机会参与科研，并清晰地向招生委员会展示你的潜力和热情。 如果你对某个研究领域充满好奇，并且有决心投入大量时间和精力去深入探索，那么缺乏工业界经历并不会成为你获得 CS PhD 的主要障碍。
网友意见
先说结论，科研与工程能力培养并不冲突，两者没有前后之分，相反是一个螺旋上升的过程。
没有engineering能力的科研工作者是老板和coauthor的负担，而且也不利于你独立科研并把精力花在学术创新思考上面。而拥有科研能力能让你在工业界的时候提纲挈领看待真实问题的关键，乃至高瞻远瞩的去预测趋势，从而去规划做一些影响力更大的事情，避免成为照着别人的design doc写码的机器。
过去的博士五年我都呆在微软研究院直到最近离开。这是一个介于学术界和工业界之间的“两面派”，一方面可以看到真实生产场景里的系统（比如推荐广告的线上系统，成千上万的GPU构成的生产集群），知道一些业务算法前进的方向（通常来自于Google的paper）和需求（多大规模的数据量、时效性等）；另一方面你的paper的系统实现原型在git repo中可能只有你自己以及至多一两个合作者的commit，也没有design doc/design review/code review等完整的软件工程流程（相信学术界亦是如此），你自己得为自己设计实现的系统负全责。而回过头来，科研并不追求完整的end-to-end system，科研的目标是创造新的知识，为行业发展指明正确的道路，这使得高效的科研工作重在主干系统的构建和发明价值的展现，而应该忽略一些边边角角的问题。在工业界中造一个新的系统会遇到很多dirty work，最基本的就是跟已有系统的数据对接，与上层业务的接口等等，这些琐碎的必须工作并不会对科研工作本身带来任何价值，而你的时间又非常宝贵。另外就是一个对自己负责任的人应该去不断思考自己要的是什么，做高质量开源系统是真的有很大的工业界影响力，同时也耗费巨大的精力，但是很遗憾的是这些并不能真的证明学术水平，或者功利的说，不是大的有创新价值的部分无法写进paper。学术界成就和工业界影响力两者兼得的系统科研工作有，但是少之又少，有一些我是真的很佩服的，比如说UC Berkeley那帮做system的人能不断在科研的同时发布高质量的系统，以及对近几年DL学术和工业界带来深远影响的 @贾扬清 的Caffe和 @陈天奇 的TVM这样的系统。
在过去的五年，我在MSRA认识了很多前来实习的同学，分布于各种年级，从大二到博五。其中有工程能力很强的大四小鲜肉两三个月徒手撸FPGA上的redis最后中SOSP的，也有ddl前老板都得帮着修python代码bug的高年级博士生，你愿意当哪一个呢？所谓博士学位，其实是对于一个人能够独立做科研工作的标签。其目标是产出科研成果，而独立的工程实现能力是基本素养。就题主描述的状态来看，这两个方面都还需进一步的锻炼，所以现在选择做哪一个都不会有错，重点是现在就要行动起来!
很少在知乎上看到要读System或PL的PhD，一点鸡汤不成敬意2333
类似的话题
-
关于“读 CS PhD 之前没有工业界经历是否真的没关系”，这是一个非常常见且重要的问题，尤其对于有意向攻读博士学位的学生来说。答案是：在大多数情况下，没关系，甚至可以说是普遍现象。但是，这并不意味着工业界经历毫无价值，它在某些方面可以起到重要的补充作用，甚至在特定情况下会是加分项。为了详细解答这个............. -
去美国读CS博士（机器人导航、视觉方向）的编程与算法准备指南很高兴为您提供关于去美国攻读机器人导航和视觉方向CS博士的编程与算法准备建议。这是一个充满挑战但也非常有前景的领域。充分的准备将极大地提高您申请的成功率和未来的学习效率。 一、 编程方面准备：打牢基础，精通工具在机器人导航和视觉领域，强大的.............
-
在美国，很多人觉得“读CS才有出路”，这背后确实有一些现实的考量，但绝不是唯一路径。这是一种普遍的认知，尤其是在科技飞速发展的当下，CS（计算机科学）专业的光环确实很耀眼。为什么CS看起来“出路”如此广阔？首先，得承认，CS专业的毕业生在当前的就业市场上确实占有很大优势。原因有很多： 高需求，低.............
-
去美国读计算机科学（CS）硕士，确实有很多隐藏的宝藏学校，它们可能不像斯坦福、MIT那样家喻户晓，但却在教学质量、科研实力和毕业生就业方面表现出色，并且学费相对更亲民，性价比极高。要找到这样的学校，我们需要从几个角度去审视：首先，学术实力和师资力量是核心。虽然不是顶尖名校，但一个优秀的CS项目必然有.............
-
坦白讲，你这个绩点想要申请美国CS专业，确实会有些挑战，但并非完全没有可能。关键在于你能否通过其他方面来弥补绩点的不足，让你的申请材料足够有说服力。首先，我们需要明白美国大学在审核CS专业研究生申请时，通常会关注几个核心要素：学术成绩（包括绩点）、相关的学术背景、科研经历、实习/工作经验、标化考试成.............
-
没问题，来，咱们好好聊聊你这个情况。2022年8月入学，2023年5月毕业，这时间跨度看着确实有点紧，尤其是在美国找CS实习。不过，你说“还有机会找实习吗？”——答案绝对是：有机会，但得抓紧，而且得有策略。咱们一步一步拆解来看：1. 时间线分析：什么时候可以开始找实习？ 入学后立即行动： 理论上.............
-
这绝对是一个让人纠结的决定，尤其是在国内顶尖 CS 博士这条赛道上。站在这个关口，你的思考会非常细致，也很正常。让我试着把你能想到的点，都掰开揉碎了讲讲，尽量像一个过来人，或者和你一样正在经历思考的同学在认真分析，而不是一个冰冷的 AI 给你提供选项。首先，咱们得承认，你身处的是一个非常高的平台。国.............
-
你好！很高兴能为你提供一些关于去澳洲攻读计算机硕士并希望在当地就业的大学选择建议。你的背景非常不错，211院校的CS专业，90+的加权和3.6的GPA，这为你申请澳洲名校打下了坚实的基础。在澳洲，计算机科学硕士是一个非常受欢迎的专业，尤其受到国际学生的青睐。选择一所好的大学不仅能为你提供优质的学术教.............
-
“读博读傻了”这句话，虽然带着些许戏谑和自嘲，但背后隐藏的体验却是复杂而真实的。它不是指真的智商下降，而是指在漫长的博士研究过程中，因为压力、孤独、研究的深入和反复，以及对某些概念的过度沉迷，导致思维方式、情感状态、社交能力甚至是生活习惯发生一系列微妙甚至显著的变化。下面我将从几个维度，尽量详细地描.............
-
在浩瀚的历史长河中，总有一些故事如同璀璨的星辰，穿越时空，触动人心，让我在阅读时不禁潸然泪下，或心潮澎湃。其中，有几个故事尤其让我动容，它们不仅是历史事件的记录，更是人性深处情感的写照。1. 司马迁的《史记》：忍辱负重，终成一家之言司马迁的故事，在我看来，是关于坚韧、勇气和不屈精神的极致体现。想象一.............
-
电气工程（Electrical Engineering，EE）作为一个在现代社会中至关重要的学科，其在全球范围内的需求都非常旺盛。因此，读电气工程学科出国深造，绝对具有显著的优势，而且这种优势体现在多个层面。下面我将从多个角度详细阐述电气工程专业出国留学的优势： 一、 学术和研究优势：1. 接触前.............
-
“读文科真的代表没前途吗？” 这是一个非常普遍，也常常让家长和学生困惑的问题。 答案绝对是否定的，读文科绝不代表没有前途，但前途的“形状”和“路径”与理科可能有所不同。为了更详细地解释这个问题，我们需要从多个角度来剖析：一、 “前途”的定义与多元化：首先，我们需要理解“前途”是什么。如果“前途”狭隘.............
-
“读博真的那么好吗？仅仅从经济效益来看，读博值得吗？” 这是一个非常普遍且重要的问题，尤其是在中国当下这样一个社会环境下。我们来详细地剖析一下这个问题，重点关注经济效益，但也会捎带提及其他角度，因为纯粹的经济效益分析往往是不全面的。 读博，从经济效益角度来看，值不值得？结论先行： 从纯粹的、短期的经.............
-
读史，无论是看文言还是白话文，都有其独特的价值和乐趣，选择哪种方式“更好”取决于你的个人目标、兴趣以及你想要从中获得的深度。下面我将详细分析文言文和白话文在读史方面的优劣，帮助你做出更适合自己的选择。 一、 文言文读史：原汁原味的历史记录与深度体验文言文是古代中国的书面语，古代史籍大多以文言文写成。.............
-
读一个非常冷门的专业，就像是踏入了一个鲜为人知的秘密花园，这里有独特的风景，也有别人难以理解的风景。这种体验，可以说是既孤独又自由，既充满挑战又带来独特的成就感。以下我将从几个方面详细描述这种体验：1. 信息获取的“寻宝”过程： 资料搜寻的艰难: 当你决定进入一个冷门专业时，首先要面对的就是资料.............
-
读博士，这是一个漫长而充满挑战的旅程，它不仅仅是为了获得一个学位，更是对一个人学术能力、研究素养、思维方式、甚至人生观的深刻塑造。最大的收获，我认为可以从以下几个层面来详细阐述：1. 深度与独立的学术能力： 精通一个领域，并能推动知识边界： 这是最直接的收获。博士训练的核心是让你成为某个细分领域.............
-
读博的日子，就像在一条漆黑的隧道里跋涉，身边除了偶尔闪过的微光，更多的是漫无边际的黑暗。压力，并非一朝一夕形成，而是日积月累，像藤蔓一样缠绕，让你喘不过气。首先是学术上的压力。 你不再是那个每天按部就班完成老师布置任务的学生，你成了那个要“开疆拓土”的探索者。文献浩如烟海，但你总觉得没读够；实验一做.............
-
选择哲学专业求学，无论是国内深造还是远赴德国，都各有千秋，关键在于你个人的偏好、目标以及对“哲学”本身的理解。这并非一个简单的非黑即白的问题，而是需要细致考量的一番权衡。在国内读哲学本科：根植于沃土的深度体验在国内攻读哲学本科，最大的优势在于文化根基的契合与学科的本土化发展。 中文语境下的思想启.............
-
行，要说带专是啥体验，那可真是五味杂陈，一股脑儿灌过来，够你品半天的。我尽量给你掰开了揉碎了说，保证不是那种干巴巴的报告。首先得说，一脚踏进带专的校门，那种“哦，我来这儿了”的感觉，就挺微妙的。你不会有那种“哇，名校啊，学霸云集”的肃然起敬，更不会有那种“这是要改变世界”的宏大叙事。它更像是生活的一.............
-
在阅读历史的过程中，遇到令人愤慨的情节时产生激动的情绪是人之常情。杨坚灭绝宇文泰后代的故事确实是一个充满悲剧色彩和政治残酷的事件，足以激起读者强烈的同情和愤怒。如果您因此感到气愤难平，想要“砍死他”，这说明您对弱者和无辜者的遭遇抱有强烈的同情心，以及对不公正行为的厌恶。让我们详细梳理一下这段历史，并.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有