这条视频讲的是一个被反复混用、但对 AI 落地非常关键的问题：Agent 和 Workflow 的本质区别到底是什么？

视频表面上是在做概念科普，真正有价值的地方不是给两个名词下定义，而是把 AI 项目落地时最容易犯的错讲清楚了：很多团队一上来就喊 Agent，实际上只是把大模型塞进固定流程；也有一些团队一听 Agent 很热，就想让 AI 接管一切，结果把本来应该稳定、可控、低容错的流程搞成了不可预测的黑箱。

我对这条视频的一句话定性是：它不是在争论“Agent 和 Workflow 谁更高级”，而是在讲 AI 应用设计里的控制权分配问题。

Workflow 的核心是人把路径预设好，让模型在固定轨道里完成局部任务；Agent 的核心是 AI 拿到一定决策权，能根据目标、上下文、工具状态和中间结果动态调整下一步。前者像流水线，优势是稳定、可审计、可控；后者像一个能干活的智能员工，优势是能处理不确定、能自己补步骤、能在模糊任务里推进结果。

这条视频值得深扒，是因为它切中了我们现在做 AI 助理、内容生产、业务自动化时最底层的分歧：到底是把 AI 当“流程节点”，还是把 AI 当“任务代理人”。这不是名词之争，而是系统设计、组织分工、产品体验和商业交付方式都会被影响。

原视频来自抖音作者「AI大模型学习」，视频简介是「Agent与Workflow的本质区别是什么？15分钟讲清楚」。视频时长约 15 分钟，形式是 PPT/文档录屏加旁白，核心信息通过四段推进：概念辨析、执行路径差异、决策权范式、业务选型指南。

一、先把核心判断说透：区别不在“有没有大模型”，而在“谁拥有决策权”

很多人判断一个系统是不是 Agent，会看它有没有接大模型、有没有调用工具、有没有多轮对话。这个判断方式很容易误伤。

一个报销流程里嵌了大模型，让模型帮你识别发票、提取金额、判断字段是否完整，它仍然可能只是 Workflow。因为流程怎么走、什么时候进下一个节点、异常怎么处理、谁来审批、失败怎么回滚，这些关键判断仍然是人类提前写死的。

反过来，一个 Agent 不一定看起来多花哨。它的关键不是界面上写了“Agent”，而是它有没有被允许围绕目标做动态决策：先拆任务，再选工具，执行后观察结果，失败时换路线，必要时向人请求授权，最后把目标闭环。

视频里举了一个很直观的例子：你让系统查五一去上海的天气，顺便筛三家评分 4.9 以上的酒店，把价格整理好，再同步到手机日历里。如果是普通聊天机器人，它只能回答你一段话，或者等你一步一步指挥。如果是 Workflow，它可以按提前设计好的路径跑：天气 API、酒店 API、排序、写日历。但一旦没有 4.9 分酒店、API 报错、日历权限不足，流程就会卡在预设之外。真正的 Agent 会自己判断：没有 4.9 分，是否降到 4.8 分并说明原因；天气 API 不通，是否换搜索工具；日历权限不足，是否向用户请求授权。

所以这条视频最重要的判断不是“Agent 更智能，Workflow 更传统”。更准确的说法是：

Workflow 是把不确定性提前消化在设计阶段；Agent 是把不确定性留到执行阶段动态处理。

这句话对 AI 落地非常关键。很多业务失败不是因为模型不够强，而是把本该提前设计的确定流程丢给 Agent，把本该动态判断的模糊任务硬塞进 Workflow。前者会失控，后者会僵硬。

二、视频内容主线：从定义，到执行路径，再到业务选型

视频的结构很清楚，基本是一个四段式讲解。

第一段是概念辨析。作者先反驳一个常见误解：Agent 不会彻底取代 Workflow，因为二者不是同一层东西。视频引用了 OpenAI 与 Anthropic 对 Agent / Workflow 的定义方向，强调 Agent 的关键词是“独立完成任务”和“自主性”，Workflow 的关键词是“人类提前画好路线图”。这一段的价值在于把争论从“新旧工具”拉回到“控制权归属”。

第二段是用日常工具做类比。传统聊天机器人像算盘，你拨一下它动一下；Agent 像一个会自己推进任务的同事。这里的视频表达很有效，因为它没有直接抛抽象概念，而是用“查天气、筛酒店、同步日历”把自主性拆成三个可感知动作：理解目标、选择工具、处理中间状态。

第三段进入开发落地的差异。Workflow 像搭乐高，哪怕是可视化拖拽，你也要懂条件分支、异常处理、扩展函数；Agent 更像雇了一个有经验的向导，你用自然语言讲清目标，它自己边走边找路。视频里还用了“查天气推荐穿衣”的例子说明：Workflow 需要提前把 API 报错、格式异常、需求变更都穷举；Agent 则可以在工具失败时尝试网页搜索，或者根据结果调整下一步。

第四段是最有落地价值的业务选型。视频没有走到“Agent 万能论”，而是明确说 Workflow 短期不会消失。原因很现实：企业系统复杂，OA、CRM、财务、权限、审计、合规这些东西，不可能让通用 Agent 随便闯；垂直领域里很多任务容错率极低，定制化 Workflow 仍然比通用 Agent 稳定。最终结论是：现阶段很多所谓 Agent 产品，其实是 Workflow 骨架加局部自主性。这个判断很重要，也很接近真实商业世界。

这一点我认为是整条视频最值得保留的地方：真正成熟的 AI 系统，不是纯 Workflow，也不是纯 Agent，而是把确定性流程和自主性模块接在一起。

三、【1】开头钩子：反常识纠偏，把“热门词混用”变成学习焦虑

视频开头的钩子是典型的反常识纠偏：

“很多人搞不懂 Agent 和 Workflow 到底有什么区别，还总觉得 Agent 要彻底取代工作流。其实这根本不是一回事。”

这个开头不是靠情绪爆破，也不是靠夸张数字，而是抓住了一个高频认知混乱：大家都在聊 Agent，但很多人分不清 Agent、Workflow、Chatbot、Tool Calling 的边界。它的受众不是完全小白，而是已经听过这些词、正在做 AI 落地或想转 AI 开发的人。对这群人来说，最怕的不是没听过概念，而是跟风用了一个词，却在项目里选错技术路线。

钩子的底层逻辑是“先指出你可能混用了概念，再承诺一次性讲清楚”。这比单纯说“15分钟讲清 Agent”更有效，因为它把学习理由从“多学一个知识点”变成“避免做错项目判断”。

评分：四星。

强点在于定位精准，开场 3 秒就筛出了目标人群：AI 产品、开发、转行学习者、企业 AI 落地负责人。弱点是画面冲击力一般，因为视频是文档录屏加旁白，没有强视觉场景，留存主要靠话题本身和开场文案。

可复制的钩子模板是：

“很多人把 [概念A] 和 [概念B] 混在一起，还以为 [错误判断]。其实这根本不是一回事。一个是 [A 的本质]，一个是 [B 的本质]。如果你正在做 [目标场景]，千万别再混用了。”

这个模板适合讲 AI 概念、商业模式、工具选型、组织管理。它的关键不是喊“颠覆认知”，而是明确告诉观众：你混用概念会付出代价。

四、【2】人设 & 声音：技术科普型老师，靠“替你避坑”建立信任

这个账号的人设是技术科普型、教学型、偏产品落地视角的老师。它不是强个人故事号，也不是娱乐化 AI 资讯号，而是“我帮你把一个复杂 AI 概念拆到能做判断”的角色。

声音风格有几个特点。

第一，语速偏快，但结构清晰。作者不断用“先从概念辨析入手”“接着深入执行路径”“然后聊范式革命”“最后给业务选型指南”来给观众导航。15分钟视频如果没有这种导航，很容易变成散讲。

第二，口吻是“纠偏 + 降维解释”。比如把 Chatbot 比作算盘，把 Workflow 比作焊死路线，把 Agent 比作有经验的向导。这些类比虽然不新奇，但能降低理解门槛。

第三，它的专业感不是来自堆术语，而是来自能把术语翻译成业务后果。比如不是只说“Agent 有自主性”，而是讲“工具失败会不会自己换路”“需求变更是不是要重新排研发”“业务团队能不能通过提示词自闭环调整”。这就把技术概念变成了业务判断。

适合的受众画像很明确：第一类是正在做 AI 产品或自动化项目的人；第二类是想从传统开发转向 AI 应用开发的人；第三类是企业里想用 AI 提效但不知道该买 Agent 还是做 Workflow 的业务负责人。

这类人设最值得借鉴的是：不要只做概念解释者，要做选型判断者。今天 AI 内容已经不缺“这是什么”，缺的是“遇到我的场景该怎么选”。当一个账号能持续给出选型判断，它就从信息号升级成决策辅助号。

五、【3】信息密度 & 节奏：15分钟长讲解，用四段结构降低理解负担

这条视频约 902 秒，也就是 15 分钟左右。放在抖音里，这已经是偏长的视频，所以它不能靠短平快刺激留存，而要靠结构感留存。

它的信息密度偏高，但不是乱密。节奏大概可以拆成四个段落：

0 到 70 秒：开场纠偏，说明 Agent 和 Workflow 不是替代关系，并预告四段内容。

70 到 287 秒：讲 Agent 的核心定义和自主性，用 Chatbot、查天气酒店日历、Coding Agent、Deep Research 等案例把概念具体化。

288 到 511 秒：讲执行路径差异，用开发门槛、任务方式、维护成本做对比，再用天气穿衣场景推演 Workflow 和 Agent 的执行差异。

512 到 687 秒：上升到范式革命，核心是“决策权到底归谁”。Workflow 是人写死逻辑，Agent 是 AI 动态决策。

688 到 895 秒：回到现实业务，解释 Workflow 为什么不会消失，并给出“低容错选 Workflow，创新和不确定性选 Agent”的选型建议。

这条视频的节奏设计是“概念刺激 -> 案例消化 -> 对比刺激 -> 业务落地”。每次抽象概念之后都会放一个生活例子或开发例子，这一点很重要。AI 概念视频最容易犯的错，是连续堆抽象词：自主性、工具调用、多智能体、记忆、规划、反思。观众听完每个词都懂，连起来不知道怎么用。

它的不足也在这里：15分钟全程 PPT/文档录屏，视觉变化偏少。虽然有表格、流程图、章节标题，但如果观众不是强学习动机，很容易中途跳走。这个视频更适合作为“收藏后认真看”的知识视频，不是靠娱乐性冲爆的短视频。

可迁移判断：长视频讲复杂概念时，不能只提高信息密度，还要提高“路标密度”。每隔一段就要告诉观众：我们讲到哪里了、为什么讲这一步、下一步要解决什么问题。

六、【4】讲解结构：它真正用的是“概念澄清 -> 场景推演 -> 范式升维 -> 选型收束”

这条视频不是简单的“定义 A、定义 B、对比表”。

它的结构更像一套咨询式说明：

第一步，先清除错误认知。Agent 不会简单取代 Workflow，二者不是同一种东西。

第二步，建立判断标准。判断一个系统是不是 Agent，关键看自主性，而不是看有没有大模型。

第三步，用场景推演验证标准。查天气、筛酒店、写日历这些任务，让观众看到“自主性”在执行中是什么样。

第四步，用对比表抽象成方法。开发技能、任务方式、维护成本三个维度，分别对应技术门槛、执行弹性、迭代速度。

第五步，上升到范式。Workflow 是人把逻辑写死，Agent 是 AI 根据情况动态拍板。本质是决策权转移。

第六步，收回现实。不是所有场景都该转移决策权，企业系统、财务报销、低容错流程仍然需要 Workflow。

这个结构的好处是不会让视频陷入概念空转。很多 AI 科普讲 Agent，会讲规划、记忆、工具、反思、环境感知，但观众听完还是不知道项目里该怎么判断。这条视频把每个概念都拉回业务后果：维护成本、异常处理、需求变更、权限接入、稳定性。

最有说服力的一句话，我认为不是“Agent 有自主性”，而是“Workflow + AI 不等于 Agent”。因为这句话直接戳穿了很多包装型产品。一个固定流程里插了一个大模型节点，最多是 AI-enhanced workflow，不自动变成 Agent。只有当系统把目标拆解、路径选择、工具调用和异常处理的一部分决策权交给模型，它才开始进入 Agent 范式。

这也是我们做 AI 产品最该警惕的地方：不要为了追热点把 Workflow 改名叫 Agent。用户最终不关心你叫什么，用户关心的是遇到新情况能不能处理，出错能不能解释，结果能不能稳定交付。

七、【5】金句 & 记忆点：这条视频的可传播点在“火车轨道 vs 动态探路”

这条视频里最适合二次传播的不是某个定义，而是几组对照。

第一组：Workflow 是固定流程，Agent 是智能员工。

这句话适合给小白解释。它把两个技术概念转成组织角色：一个是流水线，一个是员工。流水线追求稳定重复，员工负责判断变化。

第二组：Workflow 的路线是人工焊死的，Agent 是听懂目标后自己找路。

这句话适合给产品和开发解释。它强调的不是模型能力，而是路径生成方式。路径是事前写死，还是事中生成，这就是系统设计的分界线。

第三组：Workflow + AI 不等于 Agent。

这句话最适合做判断卡。它能防止团队被“我们已经接入大模型，所以我们有 Agent”这种说法骗过去。接入模型只是能力组件，控制权转移才是架构变化。

第四组：低容错、强审计、确定流程，优先 Workflow；高不确定、强探索、目标导向，才考虑 Agent。

这是我从视频里提炼出的业务选型金句。它比“Agent 适合复杂任务”更可执行，因为复杂不是唯一标准，容错率和审计要求同样重要。

画面记忆点方面，视频主要靠 PPT 表格和流程图：Workflow 的固定节点、Agent 的动态路径、开发技能/任务方式/维护成本对比表。这类视觉不华丽，但对知识视频够用。它的视觉目标不是娱乐，而是帮助观众截图和复习。

如果要把这条视频的金句模板化，可以写成：

“判断 [新技术概念]，不要看它有没有 [热门组件]，要看 [关键权力/关键变量] 有没有变化。”

套到这里就是：判断 Agent，不要看它有没有大模型，要看决策权有没有从人写死的流程转移到 AI 动态执行。

八、【6】收尾 & CTA：不是强转化，而是用选型指南完成价值闭环

这条视频的收尾没有强硬卖课，也没有明显私信引流，更像知识视频的自然收束：什么时候该用 Workflow 求稳，什么时候该上 Agent 求新。

CTA 的本质不是“关注我”，而是“拿这套判断去做项目选型”。这类结尾比喊收藏更高级，因为它把视频价值从听懂概念推进到实际决策。

收尾最好的地方，是没有把 Workflow 贬低成落后技术。很多 AI 内容为了制造情绪，会把旧工具说成马上被淘汰，把新概念说成唯一未来。但这条视频明确承认 Workflow 短期不会消失，尤其在企业 OA、CRM、财务报销、权限管理这些场景里，Workflow 仍然是更现实的方案。

这让内容可信度提高了。因为真正做过业务的人都知道，最难的不是让 AI 跑一个 demo，而是让它接入组织现有系统、遵守权限、稳定处理异常、留下审计记录、可回滚、可解释。没有这些，Agent 再酷也很难进核心流程。

如果要优化 CTA，我会建议加一个评论沉锚：

“你现在做的 AI 项目，更像 Workflow，还是 Agent？可以按这三个问题判断：路径是不是预设的？异常是不是提前穷举的？下一步是谁决定的？”

这个 CTA 会比“点赞关注”更容易引发高质量评论，因为它让观众把自己的项目代入进去。

九、【7】可复制文案骨架：适合讲任何被混用的新技术概念

这条视频可以抽成一套非常好用的“概念纠偏 + 业务选型”文案骨架：

[开头钩子 - 反常识纠偏]
很多人把 [概念A] 和 [概念B] 混在一起，
还以为 [常见错误判断]。
其实这根本不是一回事。
一个是 [A 的本质]，一个是 [B 的本质]。
如果你正在做 [目标场景]，千万别再混用了。

[建立判断标准]
判断它是不是 [概念A]，不要看它有没有 [表层特征]，
而要看 [核心变量] 有没有发生变化。

[场景推演]
比如你要完成 [一个具体任务]。
如果用 [概念B/旧方式]，你需要先 [步骤1]、[步骤2]、[步骤3]，
一旦遇到 [异常情况]，就必须提前写好分支。
但如果用 [概念A/新方式]，你只需要给出目标，
它会根据 [上下文/工具/结果] 自己决定下一步。

[范式升维]
所以这不是 [组件差异]，而是 [权力/流程/交互方式] 的变化。
[旧方式] 是 [谁] 预设逻辑，
[新方式] 是 [谁] 动态决策。

[现实收束]
但这不代表 [旧方式] 会消失。
在 [低容错/强审计/确定流程] 场景，仍然应该优先 [旧方式]；
在 [不确定/探索/目标导向] 场景，才适合引入 [新方式]。

[收尾 CTA]
你可以用三个问题判断自己的项目：
路径是不是预设的？
异常是不是提前穷举的？
下一步到底是谁决定的？

适用场景：AI Agent vs Workflow、RAG vs Fine-tuning、MCP vs API、自动化 vs 智能体、私域运营 vs 公域投放、传统咨询 vs AI 咨询。

最适合博主类型：技术科普号、AI 产品号、ToB 服务号、企业培训号、工具教程号。

预估完播率：中等偏高。它不是靠强娱乐留存，而是靠“我不听完可能会选错”的学习压力留存。前提是开头必须把代价讲清楚，中段必须不断用案例降抽象。

十、三条可迁移判断：别把 AI 项目做成名词工程

判断一：先问容错率，再问要不要 Agent

很多团队讨论 Agent，第一反应是“这个任务复不复杂”。复杂当然重要，但更重要的是容错率。

如果一个任务错一次就会造成财务损失、合规风险、客户投诉、权限越界，那即便它很复杂，也不能轻易交给高自主 Agent。正确做法往往是 Workflow 控制主链路，Agent 做局部辅助，比如资料读取、字段解释、异常建议、审批意见草拟。

如果一个任务错了可以重试、可以人工确认、结果本来就需要探索，比如调研、内容生产、线索分析、创意生成、方案初稿，那 Agent 的价值就会大很多。

所以判断顺序应该是：容错率 -> 审计要求 -> 不确定性 -> 自主性等级。不要一上来就问“能不能上 Agent”。

判断二：Workflow 不是落后，它是把风险前置管理

Workflow 的缺点是僵硬，但它的优点也是僵硬。固定路径意味着可预测、可复现、可审计。对企业来说，这不是落后，而是风险管理。

一个财务报销流程，谁提交、谁审批、金额多少走哪条线、票据不完整怎么退回，这些东西就应该写死。你可以用模型辅助识别发票，也可以让模型解释规则，但不一定应该让模型自己决定审批链路。

这条判断对我们做业务很重要。AI 落地不是“把所有流程智能化”，而是把该稳定的地方稳定住，把该弹性的地方弹起来。

判断三：Agent 的价值不是少写代码，而是少穷举未知情况

视频里说 Agent 可以用自然语言驱动业务逻辑，这容易让人误解成“以后不用开发了”。我觉得更准确的说法是：Agent 减少的不是所有代码，而是减少人类提前穷举未知情况的成本。

天气 API 挂了怎么办、酒店评分不够怎么办、搜索结果互相矛盾怎么办、用户目标表达含糊怎么办，这些情况如果全靠 Workflow 写分支，会迅速爆炸。Agent 的价值是让模型在执行中观察、判断、调整。

但这也意味着 Agent 需要边界：它能调整哪些步骤，不能碰哪些权限；哪些结果必须人工确认；失败几次要停止；怎么记录每一步。这些不是可有可无的工程细节，而是 Agent 能不能进入真实业务的前提。

判断四：未来主流形态会是“Workflow 骨架 + Agent 肌肉”

纯 Agent 很酷，纯 Workflow 很稳，但真实业务里大概率会长期混合。

Workflow 负责主路径、权限、状态机、审计、回滚；Agent 负责理解模糊目标、补齐步骤、调用工具、生成内容、处理异常建议。换句话说，Workflow 是骨架，Agent 是肌肉和神经。没有骨架，系统会软；没有肌肉，系统会僵。

这也是为什么很多所谓 Agent 产品看起来仍然有流程编排。不要因为它混合就否定它，关键要看混合得是否合理：确定性部分有没有被流程控制，自主性部分有没有真正带来弹性。

十一、四角度反思

1. 对我们做的事：不要用 Agent 的名义逃避流程设计

我们现在做微信助理、抖音学习、内容深扒、博客发布、知识库沉淀，本质上就是一个混合系统。

有些环节必须 Workflow：拿到链接后下载、转写、视觉分析、生成正文、发布、部署验证、写回 worker_replies，这些步骤不能靠 Agent 想到哪做哪。因为这里有明确契约，漏一步就会让上游 pipeline 误判失败。

但有些环节必须 Agent：如何判断视频的真正价值，怎样从逐字稿里提炼迁移判断，哪些内容该写进博客，哪些只适合放判断卡，遇到视觉接口失败时该如何降级。这些不是固定规则能完全写死的。

所以我们自己的系统设计也应该承认：主链路要 Workflow 化，判断与写作要 Agent 化。越是重要的交付，越不能让 Agent 自由散跑；越是需要洞察的环节，越不能把它压成死模板。

2. 对橙子自己能力：要从“执行步骤”升级到“判断控制权”

橙子如果只是按步骤跑脚本，那只是自动化助手；如果能判断什么时候该停、什么时候该降级、什么时候不能把错误当成功、什么时候需要把素材变成可迁移判断，才开始接近 Agent。

这条视频给橙子的提醒是：能力不只是“我能调用多少工具”，而是“我知道哪些决定该自己做，哪些决定必须交还给老大或系统契约”。

例如视觉接口失败，不能硬写“视觉分析完成”；发布后不能不验证就报 done；知识库不能搬运全文，而要沉淀判断。这些都是控制权意识。真正的助理不是永远自己拍板，也不是永远等待指令，而是知道不同风险等级下的决策边界。

3. 对老大机构业务：AI 产品包装要从“智能”回到“可控交付”

机构业务里，客户未必真的关心 Agent 这个词。客户关心的是线索能不能跟进、咨询能不能转化、履约能不能稳定、员工能不能少犯错、管理者能不能看见过程。

如果给机构讲“我们做 Agent”，很容易变成概念销售。更好的打法是把 Agent/Workflow 拆成客户听得懂的交付语言：

确定流程，比如预约、回访、资料收集、付款提醒，用 Workflow 保证不漏、不乱、可追踪。

模糊判断，比如客户意向分层、咨询话术生成、异议处理建议、内容选题分析，用 Agent 提供弹性和判断。

这样卖的就不是“AI 很先进”，而是“关键流程可控，模糊场景有人替你判断”。这对机构老板更有杀伤力，因为它对应的是经营确定性，而不是技术炫技。

4. 对未来发展：Agent 普及后，稀缺的不是工具，而是授权结构

未来模型会越来越强，工具调用会越来越标准，MCP、浏览器控制、代码执行、企业系统接口都会更成熟。到那个时候，真正稀缺的不是“能不能做 Agent”，而是“你敢给 Agent 多大授权，以及你如何设计授权边界”。

谁能审批？谁能付款？谁能发消息？谁能改客户状态？谁能删除数据？谁能对外承诺？这些问题决定 Agent 能不能从 demo 进入真实业务。

所以 Agent 的未来不是单纯模型能力竞赛，而是授权结构、审计结构、组织流程的重新设计。模型越强，越需要清楚地规定它可以在哪些地方自主，在哪些地方必须请求人类确认。

这也意味着未来的 AI 产品经理、业务架构师、运营负责人，都要学会一种新能力：不是写死每一步，而是设计“可控自主性”。

十二、最后的判断卡

这条视频真正该留下的不是“Agent 等于自主，Workflow 等于流程”这么简单的定义，而是一张可复用判断卡：

判断一个 AI 系统该用 Workflow 还是 Agent，问五个问题：

第一，任务路径是否高度确定？高度确定，优先 Workflow；路径经常变化，考虑 Agent。

第二，错误成本是否很高？错误成本高，Workflow 控主链路；错误可重试，Agent 空间更大。

第三，异常是否能提前穷举？能穷举，写进流程；不能穷举，让 Agent 在边界内动态处理。

第四，结果是否需要审计和回滚？需要强审计，Workflow 必须在场；Agent 的每一步要记录。

第五，业务人员是否需要快速调整？如果每次改动都要研发排期，Agent 或自然语言配置能显著提升迭代速度。

用这五个问题看，Agent 和 Workflow 就不是谁取代谁，而是谁负责哪一段。

真正成熟的 AI 落地，不是把所有东西都 Agent 化，而是把控制权分配清楚：确定的交给流程，不确定的交给智能；高风险的先锁住，低风险的放开试；可审计的留下记录，可探索的允许试错。

这才是 Agent 与 Workflow 这组概念对我们最大的价值。