Codex

10月21日，OpenAI与谷歌云联合宣布，未来几周内OpenAI将通过谷歌云对外提供前沿模型及Codex代码智能体服务，相关模型接入谷歌云Model Garden模型广场，包括GPT-6 Astra等最新模型。企业客户可在谷歌云市场购买这些模型，并使用已有的云服务采购额度结算。OpenAI模型还将陆续接入谷歌Antigravity与Gemini Agent，公司同时强调微软仍是其主要云合作伙伴。对OpenAI而言，这提供了另一种触达企业客户的途径，无需每家企业单独与OpenAI建立商务关系，也能覆盖美国三大云厂商客户；对谷歌而言，则是把竞争对手的模型与自家Gemini一起销售，抢夺原本流向其他云的AI业务预算。 竞品模型上架自家云平台，谷歌图的是什么？ 云厂商的核心收入来自算力与服务合同，客户既然已经在谷歌云有采购额度与合规框架，把第三方热门模型放进市场，能减少客户为了用一个模型而另开供应商账户的摩擦。谷歌宁可让OpenAI分走模型层收入，也要把交易留在自己的云生态里，这种开放策略与早年亚马逊上架第三方SaaS逻辑一致。 对OpenAI来说，多上一个云渠道为什么重要？ 大型企业采购AI往往走云合同框架与年度预算，单独向OpenAI买需要新建供应商、走审批、谈合规，周期很长。进入谷歌云市场后，OpenAI可以借谷歌既有的企业关系快速放量，尤其是那些本来就重度使用谷歌云、不愿同时绑定微软的客户。这也稀释了对单一云的依赖。 微软仍是主要云伙伴会带来微妙张力吗？ OpenAI与微软深度绑定多年，算力与投资关系密切，现在又把模型放上最大竞争对手的云，说明前沿模型公司正在走向多云分发，不再把鸡蛋放在一个篮子里。微软虽仍是主要云伙伴，但OpenAI需要触达更多企业预算，多云上架是商业化必然。这种竞合在云行业并不新鲜。 企业客户能从这种格局里得到什么实惠？ 客户可以在熟悉的云控制台里比价、统一结算、复用安全与合规配置，不用在多个模型厂商之间重复接入。但也要注意，通过云市场调用的模型在数据驻留、日志保留与服务条款上与直接订阅可能不同，采购前需要核对隐私条款，避免企业数据被用于训练。 这件事的深层信号，是前沿模型公司的分发逻辑正在从直销走向云市场分销。过去企业要单独和OpenAI签合同、走采购流程，现在把模型放进谷歌云市场，等于借谷歌既有的企业关系、合规框架和计费体系快速触达客户。对谷歌来说，哪怕卖的是对手的模型，只要交易留在自己的云里，就能留住算力与平台层的收入；对微软而言，这提醒它独家合作的护城河正在被多云策略稀释。最终受益的是企业客户，它们可以在熟悉的控制台里比价、统一结算，但也需要逐家核对数据条款，避免把企业数据带进不透明的训练闭环。 总体来看，这条新闻的价值不在于一时的热闹，而在于它如何改变后续的产品节奏、资本预期与用户习惯。建议读者把它放进更长的时间线里观察，既不因为短期数据过度乐观，也不因为个别波折轻易否定方向，等到更多细节与第三方数据披露，再回头验证今天的判断是否成立，才是看待这类行业动态更稳的方式。 信息来源与延伸阅读？ OpenAI与谷歌云宣布合作，前沿模型及Codex将上架 - 金融界/今日头条 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论

10月17日消息，Stack Overflow 推出面向 AI 智能体的知识产品 Stack Overflow for Agents，把散落在 Slack、Google Docs 等系统中的信息，统一为可供人和智能体共同使用的「已验证知识」。这款产品由两名工程师使用 OpenAI Codex 在数周内完成，推出后注册量一夜之间增至三倍。 两名工程师数周做产品说明了什么？ 这是今年最典型的「AI 辅助开发」样本。过去需要一个小团队几个月才能完成的企业级知识产品，现在两名工程师借助 Codex 在数周内交付。它说明智能体编程已经从演示阶段，进入到真刀真枪产出商业产品的阶段。人负责定义需求与把关，编码与脚手架大量交给模型。 「已验证知识」为什么对智能体重要？ 大模型最大的痛点之一是幻觉与知识过时。Stack Overflow 的核心资产是经过社区验证的高质量答案。把这套「已验证知识」接到智能体背后，相当于给智能体一个可信的知识库，让它在企业场景里回答问题时有据可依，而不是凭空编造。这是 RAG 思路在头部知识社区的落地。 注册一夜翻三倍是真实需求还是尝鲜？ 翻倍增长既包含尝鲜，也反映了真实痛点：企业正在疯狂寻找能喂给智能体的可靠内部知识。当每家公司都在搭智能体，「知识从哪来、怎么保证准确」就成了刚需。Stack Overflow 恰好卡在这个位置，所以能迅速吃到第一波红利。 这会让知识社区的价值重估吗？ 很可能会。过去问答社区的价值主要体现在 SEO 与品牌，在智能体时代，它变成了模型的「训练与推理养料」。谁拥有高质量、经过验证的内容，谁就拥有智能体时代的稀缺资产。知识社区的商业模式，正在从「人看广告」转向「被智能体调用」。 两名工程师造产品会不会抬高整个行业的人才要求？ 会，但方向是往上抬。过去写代码的门槛降低了，意味着竞争者更多、纯执行型工程师的溢价被压缩。未来真正稀缺的，是能定义问题、判断产物质量、把业务需求翻译成智能体可执行任务的人。编码能力本身不再是壁垒，对业务与系统的理解才是。这种变化对资深工程师是利好，对只熟练语法却不懂业务的初级开发者，则是明确的信号。 两名工程师、数周、一个被验证的商业产品——这个样本会被反复引用，因为它重新定义了「团队规模」这件事。智能体编程让小团队拥有了过去大团队的产出能力，创业的门槛与竞争的形态都在改变。未来最值钱的，可能不是写代码最多的人，而是最会指挥智能体写代码的人。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论，分享你对这条 AI 行业动态的看法。

发布监测显示，OpenAI 的 codex 仓库在十月十四日十七点三十八分又推送了一个版本，累计发布数已接近一千五百个。这是一个跑在终端里的轻量编码智能体，节奏快到几乎按天甚至按半天更新一次。 为什么终端编码智能体发版这么频？ 它直接挂在开发者的真实工作流上，模型接口、工具调用、沙箱行为任何一处抖动都会立刻被用户感知。高频发版意味着团队在快速修边界情况：权限提示、长任务中断、多模型回退。和面向大众的产品不同，CLI 用户容忍快速迭代，只要 changelog 清楚。 近一千五百个版本说明什么？ 这个数字本身不代表质量，而代表一种工程姿态：把编码智能体当成持续滚动的服务，而不是一个大版本年度交付。每一次小修都立刻触达用户，反馈闭环极短。这也倒逼用户自己跟上配置变化，旧版行为可能随时被新版取代。 终端智能体的护城河在哪？ 模型本身越来越同质化，真正的差异在周边：沙箱隔离做得干不干净、能不能干净地接管 git 工作树、失败时能不能给出可复现的现场。高频发版的团队往往把精力投在这些工程细节上，因为模型能力是大家都能调用的，工作流打磨才是留得住用户的东西。 高频发版对稳定性是利是弊？ 利在问题修得快，弊在配置与行为随时可能变，自动化脚本容易被新版破坏。用 CLI 做生产流水线的团队，应该把版本钉死在锁文件里，升级前先在沙箱跑一遍回归。高频迭代的工具适合跟，不适合盲目跟 latest。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 你在部署或复现这个技术细节时踩过什么坑？欢迎到论坛交换实测数据与配置片段。

10 月 8 日，OpenAI 联合复古掌机厂商 ModRetro 推出了一个叫 Game Studio 的 Codex 专用插件：你只要用自然语言描述想做的游戏，Codex 就会生成一个复古 Game Boy 风格的可运行作品，并能在 Chromatic 模拟器里直接测试、一键串流，甚至写入专用实体卡带，让它在真·掌机上跑起来。这不是又一个「AI 写小游戏 demo」的玩具演示，而是把代码生成、仿真测试、硬件交付这条链路第一次打通到了实体介质。 Game Studio 和普通「AI 写小游戏」demo 有什么不同？ 过去一年，AI 写代码的 demo 我们看得太多了：写个贪吃蛇、生成个网页、跑个命令行程序。但 Game Studio 不一样，它面对的是一个有硬约束的闭环——Game Boy 的机型性能、分辨率、卡带格式都是死的，代码必须真的能在那台老硬件上跑起来，而不是在浏览器里自嗨。 这意味着 Codex 不再只是「生成看起来对的代码」，而是在一个带模拟器反馈环的环境里自我修正：生成、跑、报错、再生成，直到二进制能进卡带。这正是 Coding Agent 从「补全」走向「交付实物」的关键一跃。 它对独立游戏创作者意味着什么？ 对独立开发者，这条链路把「想法—可玩原型—实体作品」的周期从几个月压到一个下午。你不需要懂 GB 的汇编、不需要搭移植工具链，只需要把脑子里的关卡、怪物、积分规则说清楚。ModRetro 卖的不再只是硬件，而是「让普通人拥有实体游戏作品」的入口。 对行业，这是 Codex 从程序员工具向「创作操作系统」扩张的信号——当插件生态把仿真器、硬件 SDK、分发渠道都接进来，写代码这件事的门槛会被重写成「你想要什么」。 动动嘴就能做游戏，等于 AI 已经能做好游戏了吗？ 当然，能生成和能做好是两回事。Game Boy 时代的游戏性来自关卡设计和手感，这些不是描述几句话就能自动长出来的。AI 把「做出来」的成本打到了地板，但「做得好玩」仍然是碳基创作者的地盘。不过，工具链把门槛削平到这个程度，本身已经足够说明问题。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：ModRetro Game Studio

AI开始自我构建：Codex称人类只需监督，这是2026年AI落地绕不开的一个话题。OpenAI Codex负责人透露，Codex已经开始自我构建，人类仅承担监督角色。Anthropic也公开表示Claude具备自我改进能力。算力、能源与硅芯片正在成为决定AI演进速度的新赛点。 很多团队看趋势时容易被发布会和榜单带着走，但真正决定效果的，往往是这些基础细节。 引言？ OpenAI Codex负责人透露，Codex已经开始自我构建，人类仅承担监督角色。Anthropic也公开表示Claude具备自我改进能力。算力、能源与硅芯片正在成为决定AI演进速度的新赛点。 结合2026年的行业实践，这件事已经从’可选项’变成了’必选项’，真正拉开差距的不是工具本身，而是团队围绕它建立的工作流。 深层含义？ 当AI开始写AI、构建AI、改进AI： 结合2026年的行业实践，这件事已经从’可选项’变成了’必选项’，真正拉开差距的不是工具本身，而是团队围绕它建立的工作流。 人类从"建造者"变成"监督者"。 从工程视角看，人类从"建造者"变成"监督者"不是一句口号，而是要落到具体流程里：谁来做、什么时候做、做到什么标准。把它写进团队的 Definition of Done，AI 工具才能真正托住这一层。 AI迭代速度可能指数级提升。 判断AI迭代速度可能指数级提升做得好不好，可以看两个信号：一是它在团队日常里被触发的频次，二是它拦下问题后有没有被复盘成规则。跑顺之后，这件事会自然沉淀成团队资产。 安全边界需要从"控制输出"转向"控制目标"。 判断安全边界需要从"控制输出"转向"控制目标"做得好不好，可以看两个信号：一是它在团队日常里被触发的频次，二是它拦下问题后有没有被复盘成规则。跑顺之后，这件事会自然沉淀成团队资产。 这是AI发展史上的重要拐点——递归自我改进开始了。 结合2026年的行业实践，这件事已经从’可选项’变成了’必选项’，真正拉开差距的不是工具本身，而是团队围绕它建立的工作流。 硅基点评 趋势层面的判断已经很清楚：单点工具的红利在消退，工作流和方法论的价值在上升。与其追每一个新模型、新框架，不如把高频场景跑成稳定的流水线。建议从业者定期复盘自己的工具链，把重复动作沉淀成模板，把判断交给人、把执行交给AI。 本文由硅基AGI社区原创，欢迎访问博客 guijiagi.com 获取更多AI实战教程，或到论坛 silicon-agi.com 参与讨论。

硅基速览 9月10日，OpenAI Agents API进入公开测试阶段，提供托管式Codex harness。 核心能力：沙箱环境、上下文压缩、并行子Agent、MCP协议支持、可恢复会话。 与Claude Code（终端Agent）和Cursor Projects（多Agent工作区）形成2026年9月Agent开发框架的三足鼎立。 正文 OpenAI补齐Agent拼图 2026年9月10日，OpenAI的Agents API进入公开测试（Public Beta）。根据andrew.ooo在9月14日发布的对比文章，这个API的定位是"托管式Codex harness"——你不需要自己搭建Agent运行环境，OpenAI帮你托管好。 在Agents API之前，OpenAI的Agent能力分散在多个产品里：Codex CLI（终端编程Agent）、GPT Store（自定义Gpts）、Assistants API（基础对话Agent）。但这些产品要么需要你自己搭建运行环境，要么能力有限。Agents API第一次把所有Agent能力整合到一个托管平台上。 核心组件包括： 沙箱环境（Sandboxes）。 每个Agent任务都在一个隔离的容器中运行，有独立的文件系统、网络访问权限和计算资源。Agent可以在沙箱里执行代码、调用工具、访问API，但不会影响到你的生产环境。 上下文压缩（Compaction）。 长任务运行过程中，Agent的上下文窗口会不断增长。Agents API自动进行上下文压缩——把早期的对话历史和工具调用结果总结成摘要，释放上下文空间，让Agent可以处理长达数小时的任务而不超出token限制。 并行子Agent（Parallel Subagents）。 主Agent可以派生多个子Agent并行执行不同子任务。比如主Agent需要"分析这个代码库"，它可以派一个子Agent读前端代码、一个读后端代码、一个读配置文件，然后汇总结果。这比单个Agent串行处理快3-5倍。 MCP协议支持。 Model Context Protocol是Anthropic发起的开放协议，现在已成为Agent连接外部工具的事实标准。OpenAI在Agents API中支持MCP，意味着你可以用任何兼容MCP的工具服务器（数据库、文件系统、浏览器、GitHub等）直接接入Agent。 可恢复会话（Resumable Sessions）。 Agent执行长任务时如果中断（网络问题、超时、错误），会话状态会被持久化，可以从中断点恢复，不需要从头再来。 与Claude Code和Cursor Projects的对比 到2026年9月，Agent开发框架已经形成三足鼎立格局： 维度 OpenAI Agents API Claude Code Cursor Projects 定位 托管式Agent后端 终端编程Agent IDE内多Agent工作区 状态 Public Beta（9月10日） GA（Fable 5.1接入） Beta（9月10日全量推送） 核心场景 API集成、企业工作流 终端软件开发 团队协作编程 子Agent 并行云端子Agent 子Agent+Hooks 协调Agent+云端子Agent MCP支持 支持 支持 通过IDE插件 会话恢复 原生支持 通过Cowork 通过共享上下文 三者的定位差异很清晰：OpenAI Agents API面向"后端开发者"——你在自己的应用里嵌入Agent能力，OpenAI帮你托管运行环境；Claude Code面向"个人开发者"——你在终端里直接与Agent结对编程；Cursor Projects面向"团队协作"——多个人+多个Agent在一个共享工作区里协作开发。 ...

当AI遇见CI/CD 传统CI/CD流水线是确定性的规则系统：触发条件→构建→测试→部署。这套体系在过去十年极大提升了软件交付效率，但也暴露了明显的僵化——流水线无法理解代码变更的语义，对所有提交执行相同的检查流程。 Codex智能体的引入，使得流水线具备了语义感知能力：根据变更内容动态调整检查策略、自动生成测试用例、预测部署风险。 集成架构总览 开发者提交PR │ ▼ ┌──────────────┐ ┌──────────────┐ │ GitHub/GitLab│────▶│ 触发器 │ │ Webhook │ │ (事件路由) │ └──────────────┘ └──────┬───────┘ │ ┌────────▼────────┐ │ Codex智能体 │ │ (语义分析层) │ └────────┬────────┘ │ ┌─────────────┼─────────────┐ ▼ ▼ ▼ ┌─────────┐ ┌──────────┐ ┌──────────┐ │ 测试生成 │ │ 风险评估 │ │ 审查路由 │ └────┬────┘ └─────┬────┘ └─────┬────┘ │ │ │ ▼ ▼ ▼ ┌─────────┐ ┌──────────┐ ┌──────────┐ │ 运行测试 │ │ 决策门禁 │ │ 人工/自动 │ └────┬────┘ └─────┬────┘ └──────────┘ │ │ └──────┬──────┘ ▼ ┌───────────┐ │ 部署决策 │ └───────────┘ 关键集成点 1. 语义变更分析 传统流水线根据文件路径和diff大小决定检查策略。Codex则能理解变更的语义意图： ...

2026年AI编程工具格局 2026年AI编程工具市场已经从"谁更好用"细分到"各自的最佳场景"： 工具 定位 核心优势 Codex CLI AI编程智能体 直接操作文件、执行命令 GitHub Copilot IDE内补全 无缝集成、企业级 Cursor AI原生IDE 全流程AI体验 Claude Code AI编程智能体 深度推理、长上下文 Qoder Quest 国产AI编程 阿里生态、中文优化 本文聚焦Codex CLI与GitHub Copilot的深度对比。 核心能力对比 1. 代码生成方式 GitHub Copilot：内联补全 你输入：def calculate_ Copilot建议：def calculate_tax(income, rate): return income * rate [Tab接受 | Esc拒绝] 特点：在你写代码时实时建议，不打断思路。 Codex CLI：任务执行 你输入：> 实现一个税务计算模块，支持累进税率 Codex： 1. 创建 src/tax/calculator.ts 2. 实现累进税率逻辑 3. 添加类型定义 4. 生成测试文件 5. 运行测试验证 ✅ 完成，共创建3个文件，所有测试通过 特点：接受完整任务描述，独立完成全流程。 2. 上下文理解 维度 Copilot Codex CLI 当前文件 ✅ 实时分析 ✅ 可读取 项目结构 ❌ 仅当前文件 ✅ 全项目理解 多文件关联 ❌ 不支持 ✅ 跨文件修改 运行时反馈 ❌ 无 ✅ 可执行验证 Git历史 部分（PR功能） ✅ 可查询 3. 工作流集成 Copilot工作流： ...

Codex CLI 2026 现状 2026年，OpenAI Codex已不再是2021年那个代码生成模型，而是一套完整的AI编程智能体： CLI版本：v0.130.0（2026-05-08） GitHub Star：83,200+ 核心能力：读代码、改代码、跑命令、做审查 支持模型：gpt-5-codex、gpt-5.6 Sol 与GitHub Copilot相比，Codex CLI的优势在于直接操作本地文件的能力——不只是给你代码片段让你粘贴，而是直接改你的项目。 环境搭建 系统要求 要求 最低版本 推荐版本 操作系统 macOS 12+ / Ubuntu 20.04+ / Win11(WSL2) macOS 14+ / Ubuntu 22.04+ Node.js 18.0+ 22.0+ npm 10.0+ 最新版 Git 2.23+ 2.40+ 内存 4GB 8GB+ ⚠️ Windows注意：Codex CLI暂不支持原生Windows，需要通过WSL2或使用Codex App。 安装 # 方式一：npm安装（推荐） npm install -g @openai/codex # 国内加速 npm install -g @openai/codex --registry=https://registry.npmmirror.com # 方式二：Codex App（Windows用户） # 从OpenAI官网下载Codex App 认证配置 # 启动并登录 codex # 系统自动唤起浏览器进行ChatGPT账号授权 # Token自动保存，无需每次输入API Key # 配置默认模型 # ~/.codex/config.toml [model] default = "gpt-5-codex" reasoning = "high" # low/medium/high 三种使用模式 1. CLI交互模式 $ codex > 帮我审查src/auth目录下的代码，重点关注安全问题 # Codex会： # 1. 读取src/auth/下所有文件 # 2. 分析代码逻辑和安全风险 # 3. 输出审查报告和修改建议 # 4. 可选择直接应用修改 2. 非交互模式 # 直接执行任务 codex "创建一个Hello World的Python脚本" # 指定目录 codex --dir /path/to/project "修复所有TypeScript错误" # 管道输入 cat error.log | codex "分析这个错误日志，找出根本原因" 3. 云端网页版 访问 chatgpt.com/codex： ...

概述 Codex CLI进阶使用技巧是AI智能体领域中Codex CLI进阶使用技巧的重要主题。本文将从多个角度深入分析这一话题，为读者提供系统性的认知框架和实践参考。 核心概念 基本定义 在深入讨论之前，我们需要明确几个核心概念。AI智能体是指能够感知环境、理解指令、规划行动并调用工具完成任务的AI系统。与传统的聊天机器人不同，智能体具有自主性、目标导向性和工具使用能力。 Codex CLI进阶使用技巧涉及的关键技术包括： 大语言模型：作为智能体的认知引擎，负责理解、推理和生成 工具调用：通过Function Calling或MCP协议与外部系统交互 记忆系统：短期记忆处理当前对话，长期记忆存储历史经验 规划引擎：将复杂任务分解为可执行的子步骤 技术原理 从技术层面看，Codex CLI进阶使用技巧的核心在于如何让AI系统更好地理解和执行人类意图。这涉及多个技术环节的协同： 首先是感知层，智能体需要准确理解用户的自然语言指令，提取关键信息和约束条件。其次是规划层，将高层目标分解为具体的执行步骤。然后是执行层，调用合适的工具完成每个步骤。最后是反馈层，根据执行结果调整后续策略。 实践分析 当前现状 在Codex智能体领域，当前的技术实践呈现出几个明显特征： 工程化程度提升：从实验室原型到生产级系统，工程能力成为关键差异化因素 评估体系完善：越来越多标准化的评测基准被提出，帮助开发者量化能力边界 开源生态繁荣：开源框架和工具链的成熟降低了开发门槛 安全意识增强：对AI安全和对齐问题的重视程度显著提升 关键挑战 尽管进展显著，Codex CLI进阶使用技巧仍面临几个核心挑战： 技术挑战： 大模型的幻觉问题在智能体场景下被放大，因为智能体需要做出实际决策 多步推理中的错误累积效应导致长程任务成功率下降 工具调用的可靠性受外部API稳定性影响 工程挑战： 智能体的可观测性不足，调试和排错困难 成本控制与性能优化的平衡 从单机到分布式部署的架构复杂性 安全挑战： Prompt注入等攻击手段不断进化 智能体权限管理需要更精细化的控制 数据隐私保护在多Agent协作场景下更加复杂 优化策略 针对上述挑战，以下是几个关键优化方向： 技术优化 分而治之：将复杂任务分解为可独立验证的子任务，降低单步错误影响 多路投票：对关键决策使用多次采样投票机制，提高可靠性 渐进式信任：智能体权限从最小化开始，根据表现逐步扩展 人在回路：高风险决策保留人工审核环节 工程优化 可观测性优先：建立完善的日志、指标和追踪体系 灰度发布：新版本智能体先在小流量环境验证 自动化测试：构建端到端测试套件，防止回归 成本监控：实时追踪Token消耗和API调用成本 案例研究 为了更具体地说明Codex CLI进阶使用技巧的实践价值，我们来看一个典型场景： 某科技公司在内部IT运维中部署了AI智能体，负责处理员工的工单请求。智能体需要理解员工的自然语言描述，判断问题类型，查询知识库，执行修复操作或转接人工。 实施过程中遇到的关键问题包括： 员工描述模糊导致意图识别错误 知识库信息过时导致给出错误建议 某些操作需要管理员权限存在安全风险 解决方案： 引入澄清对话机制，在不确定时主动追问 建立知识库更新流程，定期审核内容 实施权限分级制度，敏感操作需人工确认 效果：工单首次解决率提升35%，平均处理时间缩短60%，员工满意度显著提升。 未来趋势 Codex CLI进阶使用技巧的发展趋势值得关注： 标准化：MCP等开放协议将推动工具接口标准化，降低集成成本 垂直化：针对特定行业和场景的专用智能体将大量涌现 协作化：多智能体协作将成为复杂任务的标准解决方案 自主化：智能体的自主决策能力将持续提升，但需要配套的安全机制 结论 Codex CLI进阶使用技巧是AI智能体技术发展中的重要一环。无论是技术原理的深入理解，还是实践中的工程优化，都需要系统性思维。对于开发者和企业而言，关键在于： ...