Inferring Comprehensive Cohort Causal Effects in the Presence of Unmeasured Confounding and Missing Outcomes¶
作者: Shiyao Xu, Razieh Nabi, Martin Underwood, Daniel Scharfstein
主题: 因果推断
相关性: 9/10
链接: https://arxiv.org/abs/2606.28741
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是因果推断中的数据融合(data fusion),具体而言是:当研究者同时拥有一个随机对照试验(RCT)和一个平行的观察性研究(OBS)时,如何利用两者的信息来估计一个更广泛人群(即"综合队列")上的因果效应。这个问题的根本困难在于:RCT 内部效度高但外部效度(代表性)可能不足;OBS 代表性更好但存在未测混杂。此外,两类研究都可能存在结局缺失。该方向的成熟度处于"方法快速发展但尚未收敛"的阶段——已有多种识别策略(如加权、外推、敏感性分析),但如何在同时处理未测混杂和结局缺失的框架下进行半参数有效推断,仍是开放问题。
发展脉络¶
-
奠基工作:综合队列设计(CCS)的提出与早期分析。CCS 设计由 Olschewski and Scheurlen (1985) 提出,其核心思想是让符合条件的患者自行选择进入 RCT 或 OBS,从而同时获得随机化证据和更广泛人群的观察性数据。早期工作(如 Schmoor et al., 1999; Brooks et al., 2000)主要分别分析两个臂,或简单合并,未系统处理选择偏差。
-
主要进展:从"分别分析"到"统一估计"。Lu et al. (2019) 首次系统定义了综合队列因果效应(CCCE),并给出在"可解释的选择进入 RCT/OBS"(explainable selection)和"OBS 无未测混杂"两个识别条件下的半参数有效估计。Dahabreh et al. (2019, 2021) 将问题置于"从试验外推到目标人群"的框架下,提出了基于交换性假设的加权估计量。Parikh et al. (2025) 进一步引入双重机器学习(DML)方法,允许用机器学习估计 nuisance 函数,并给出 falsification test 来检验外部效度假设。
-
当前 frontier:敏感性分析框架的系统化。Nabi et al. (2024) 将 Robins et al. (2000) 的敏感性分析思想推广到半参数框架,用非识别参数 γ 刻画 OBS 中未测混杂的强度,并推导出目标参数作为 γ 的函数。Dahabreh et al. (2026) 则从另一个角度出发,假设 RCT 与 OBS 在给定 X 下可交换(即 R⊥Y(t)|X),并围绕这一假设建立敏感性分析。本文的位置是:将 Nabi et al. (2024) 的敏感性分析框架与 Dahabreh et al. (2026) 的交换性框架统一起来,并同时处理结局随机缺失(MAR)。
子线索聚类¶
- 线索 A:CCS 设计下的效应估计(Olschewski & Scheurlen, 1985; Schmoor et al., 1999; Lu et al., 2019)。核心问题:如何定义和识别"综合队列"上的因果效应?主要工具:逆概率加权、G-computation、半参数效率理论。
- 线索 B:RCT 结果的外推与泛化(generalizability/transportability)(Stuart et al., 2011; Dahabreh et al., 2019, 2021; Colnet et al., 2024)。核心问题:如何将 RCT 内部效应推广到更广泛的目标人群?主要工具:交换性假设、加权估计、双重稳健估计。
- 线索 C:未测混杂的敏感性分析(Robins et al., 2000; Nabi et al., 2024; Dahabreh et al., 2026)。核心问题:当 OBS 存在未测混杂时,结论如何随混杂强度变化?主要工具:偏差公式、半参数效率理论、全局/局部敏感性分析。
- 线索 D:缺失数据的因果推断(Nabi et al., 2022; Scharfstein & Irizarry, 2003)。核心问题:结局缺失时如何识别和估计因果效应?主要工具:缺失机制假设(MAR/MNAR)、加权估计、多重填补。
本文的贡献在于将线索 C 和线索 D 结合:在 CCS 设计中,同时允许 OBS 存在未测混杂(用 γ 参数化)和两臂结局随机缺失(MAR),并给出半参数有效推断。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:现有 CCS 分析方法要么假设 OBS 无未测混杂(如 Lu et al., 2019),要么假设 RCT 与 OBS 可交换(如 Dahabreh et al., 2026),但两者都未同时处理结局缺失。作者声称其贡献是"第一个"在 CCS 设计中同时允许未测混杂和结局缺失、并给出半参数有效估计量的框架。作者还强调其敏感性分析框架与 Dahabreh et al. (2026) 的框架是互补的:前者锚定在 OBS 的未测混杂上,后者锚定在 RCT/OBS 交换性上,而本文证明了二者可以通过 γ 与 γ′ 的映射关系联系起来(Lemma 10)。
值得研究者去查的问题:作者声称的"第一个同时处理未测混杂和结局缺失"是否属实?Nabi et al. (2022) 的缺失数据因果推断工作是否已经隐含了类似框架?Dahabreh et al. (2026) 的敏感性分析是否也可以扩展到缺失结局?这些需要去读原文确认。
张力¶
- 未见明显对立引用:被引工作之间没有直接矛盾。但存在一个方法选择上的张力:Lu et al. (2019) 和 Parikh et al. (2025) 依赖"可解释选择 + 无未测混杂"的识别假设,而 Dahabreh et al. (2026) 依赖"RCT/OBS 交换性"假设。这两类假设在实证中可能同时不成立,而本文的敏感性分析框架正是为了应对这一困境——但代价是结论依赖于无法从数据验证的 γ。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号(逐个点名):
| 符号 | 含义 | 类型 |
|---|---|---|
| \(X\) | 入组前测得的协变量向量 | 可观测随机变量 |
| \(R\) | 研究类型指示:\(R=1\) 表示进入 RCT,\(R=0\) 表示进入 OBS | 可观测随机变量 |
| \(T\) | 二值治疗指示(\(T\in\{0,1\}\)) | 可观测随机变量 |
| \(Y\) | 结局(计划观测) | 潜在可观测随机变量 |
| \(M\) | 结局缺失指示:\(M=1\) 表示 \(Y\) 被观测,\(M=0\) 表示缺失 | 可观测随机变量 |
| \(Y(t)\) | 反事实结局:若 \(T=t\) 时的结局 | 潜在(counterfactual)量,不可观测 |
| \(T(r)\) | 反事实治疗:若进入研究类型 \(r\) 时的治疗 | 潜在量,不可观测 |
| \(F_{t,r}(y\|x)\) | \(P(Y\le y\|T=t, R=r, X=x)\) | 可观测分布的累积分布函数 |
| \(\tilde F_{t,r}(y\|x)\) | \(P(Y\le y\|T=t, R=r, X=x, M=1)\) | 可观测(但仅限 \(M=1\) 子样本) |
| \(\mu_{t,r}(h(Y);x)\) | \(E[h(Y)\|T=t, R=r, X=x]\) | 由 \(F_{t,r}\) 诱导的泛函 |
| \(\tilde\mu_{t,r}(h(Y);x)\) | \(E[h(Y)\|T=t, R=r, X=x, M=1]\) | 由 \(\tilde F_{t,r}\) 诱导的泛函 |
| \(\pi_{t,r}(x)\) | \(P(T=t\|R=r, X=x)\) | 倾向得分(OBS 中需估计) |
| \(g_r(x)\) | \(P(R=r\|X=x)\) | 研究类型选择概率 |
| \(\eta_m(x,r,t)\) | \(P(M=m\|X=x, R=r, T=t)\) | 缺失机制 |
| \(\gamma_t\) | 敏感性参数(非识别) | 刻画 OBS 中未测混杂强度 |
| \(\psi_t(\tilde P;\gamma_t)\) | \(E[Y(t)]\),目标 estimand | 参数(依赖 \(\gamma_t\)) |
模型(数据生成机制):
-
研究类型选择:\(R \sim \text{Bernoulli}(g_1(X))\),即个体以概率 \(g_1(X)\) 进入 RCT,否则进入 OBS。\(g_1(X)\) 可依赖 \(X\),但不依赖潜在结局(即 \(R \perp \{Y(0),Y(1),T(0),T(1)\} \mid X\),这是 CCS 设计的核心假设——选择进入哪种研究只取决于可观测的 \(X\))。
-
RCT 臂(\(R=1\)):\(T\) 由随机化决定,\(T \perp \{Y(0),Y(1)\} \mid R=1\)(甚至 \(T \perp X \mid R=1\),但作者允许 \(T\) 依赖 \(X\) 以调整偶然不平衡)。
-
OBS 臂(\(R=0\)):\(T\) 由个体偏好决定,可能存在未测混杂 \(U\) 同时影响 \(T\) 和 \(Y(t)\)。关键识别假设 (A4):
\[dF(y(t)|T=1-t, R=0, X) = \frac{dF(y(t)|T=t, R=0, X) \times \exp\{\gamma_t s_t(y(t))\}}{\mu_{t,0}(\exp\{\gamma_t s_t(Y)\};X)}\]其中 \(s_t(\cdot)\) 是预指定函数,\(\gamma_t\) 是敏感性参数。当 \(\gamma_t=0\) 时,\(Y(t) \perp T \mid X, R=0\)(即 OBS 无未测混杂);\(\gamma_t \neq 0\) 时,\(T\) 与 \(Y(t)\) 在给定 \(X\) 下仍相关。 -
缺失机制 (A5):\(M \perp Y \mid X, R, T\)(结局随机缺失,MAR)。这意味着给定 \(X,R,T\),缺失与否与结局值无关。
可观测数据:\(\tilde O = (X, R, T, M, Y\cdot \mathbb{I}(M=1))\),即 \(n\) 个 i.i.d. 样本。注意:\(Y\) 仅在 \(M=1\) 时被观测;\(Y(t)\) 对所有个体都不可观测(反事实)。
目标 estimand:\(\psi_t(\tilde P;\gamma_t) = E[Y(t)]\),即综合队列(RCT + OBS 全体)在治疗 \(t\) 下的平均潜在结局。CCCE 定义为 \(\psi_1(\tilde P;\gamma_1) - \psi_0(\tilde P;\gamma_0)\)。
第二步:最小内核¶
剥掉所有一般性假设后,本文的核心数学问题是什么?
考虑最简情形:没有协变量 \(X\)(或 \(X\) 为常数),没有缺失(\(M=1\) 恒成立),RCT 中 \(T\) 完全随机(\(\pi_{t,1}=1/2\))。此时:
- RCT 臂直接识别 \(E[Y(t)|R=1]\),因为随机化保证 \(E[Y|T=t, R=1] = E[Y(t)|R=1]\)。
- OBS 臂中,\(E[Y(t)|R=0]\) 无法直接识别,因为 \(T\) 与 \(Y(t)\) 可能相关(未测混杂)。识别公式 (3) 简化为:
\[\psi_t(\tilde P;\gamma_t) = E[Y(t)|R=1] \cdot P(R=1) + \left\{ E[Y|T=t, R=0] \pi_{t,0} + \frac{E[Y e^{\gamma_t s_t(Y)}|T=t, R=0]}{E[e^{\gamma_t s_t(Y)}|T=t, R=0]} \pi_{1-t,0} \right\} \cdot P(R=0)\]其中第一项由 RCT 数据识别,第二项中括号内由 OBS 数据识别(注意 \(E[Y e^{\gamma s(Y)}|T=t, R=0]\) 和 \(E[e^{\gamma s(Y)}|T=t, R=0]\) 都是可观测的)。
这个最简问题的本质是:OBS 臂中,\(T=1-t\) 的个体(即"未接受治疗 \(t\)"的人)的潜在结局 \(Y(t)\) 无法直接观测,但通过敏感性假设 (A4),可以将 \(Y(t)\) 在 \(T=1-t\) 子群中的分布"扭曲"回 \(T=t\) 子群的分布,扭曲的幅度由 \(\gamma_t\) 控制。当 \(\gamma_t=0\) 时,\(E[Y(t)|T=1-t, R=0] = E[Y|T=t, R=0]\),即无混杂;当 \(\gamma_t \neq 0\) 时,需要用一个指数倾斜(exponential tilting)来校正。
证明的核心难点:推导 \(\psi_t(\tilde P;\gamma_t)\) 的有效影响函数(EIF),并证明一步估计量在 nuisance 函数以 \(n^{-1/4}\) 速率估计时仍达到 \(\sqrt{n}\) 收敛。EIF 的推导涉及对 \(\psi_t\) 关于观测数据分布求 Gateaux 导数,其中 \(\psi_t\) 是 \(\tilde F_{t,r}\)、\(\pi_{t,r}\)、\(\eta_1\) 的复合泛函。关键技巧是将 \(\psi_t\) 分解为 RCT 部分和 OBS 部分,分别求 EIF,再按 \(P(R=1)\) 和 \(P(R=0)\) 加权组合(这正是文中公式 (4) 的结构)。
为什么这个最小内核能撑起整篇论文:一旦有了 EIF,就可以构造一步估计量、证明 \(\sqrt{n}\) 正态性、构造置信区间。所有额外的复杂性(协变量 \(X\)、缺失 \(M\)、灵活建模)都是在为这个核心 EIF 加上"壳"——通过 nuisance 函数的估计(GAM、单指标模型)来处理高维 \(X\),通过逆概率加权处理缺失。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在综合队列研究(CCS)设计中,当 OBS 臂存在未测混杂(用敏感性参数 \(\gamma_t\) 刻画)且两臂结局随机缺失(MAR)时,如何估计综合队列因果效应(CCCE)并进行半参数有效推断。
- 核心方法:基于半参数效率理论,推导 CCCE 的有效影响函数(EIF),构造一步偏差校正估计量,允许用 GAM、单指标模型等灵活方法估计 nuisance 函数,并证明在 nuisance 估计误差的乘积项为 \(o_p(n^{-1/2})\) 时估计量达到 \(\sqrt{n}\) 收敛。
- 主要结论:在 TOIB 研究中,无论 \(\gamma_t\) 取何值(在 \([-2,2]\) 范围内),口服与外用布洛芬对 12 个月 WOMAC 疼痛评分的影响均落在等效性边界(±10 分)内,结论对未测混杂稳健。
关键设定与假设¶
- 识别假设:
- (A1) 一致性:观测结局等于实际治疗下的潜在结局(\(Y = Y(T)\))。
- (A2) 积极性:在 RCT 和 OBS 中,给定 \(X\) 后,\(P(T=t|R=r,X)>0\)。
- (A3) RCT 随机化:\(T \perp \{Y(0),Y(1)\} \mid R=1\)(甚至 \(T \perp X \mid R=1\))。
- (A4) OBS 敏感性模型:公式 (1),用 \(\gamma_t\) 刻画未测混杂。\(\gamma_t=0\) 对应无混杂。
-
(A5) 结局随机缺失(MAR):\(M \perp Y \mid X, R, T\)。
-
建模假设(用于估计 nuisance):
- \(\pi_{t,r}(X)\) 和 \(\eta_1(X,r,t)\) 用 GAM(logistic link)估计,收敛速率 \(O_p(n^{-2/5})\)。
- \(F_{t,r}(y|X)\) 用单指标模型估计,同样 \(O_p(n^{-2/5})\)。
-
这些速率满足 \(n^{-1/4}\) 条件,因此一步估计量达到 \(\sqrt{n}\) 收敛。
-
相比已有工作的变化:
- 相比 Lu et al. (2019):放松了 OBS 无未测混杂的假设,允许 \(\gamma_t \neq 0\)。
- 相比 Nabi et al. (2024):增加了结局缺失(MAR)的处理,且将敏感性分析从纯观察性研究推广到 CCS 设计。
- 相比 Dahabreh et al. (2026):锚定在 OBS 未测混杂而非 RCT/OBS 交换性,并证明了两种框架通过 γ-γ′ 映射等价(Lemma 10)。
主要结果¶
- 定理 1:给出 \(\psi_t(\tilde P;\gamma_t)\) 的非参数 EIF(公式 4-6),并证明其是有效的(即达到半参数效率界)。
- 定理 2:在 nuisance 估计满足 \(L_2\) 收敛速率 \(o_p(n^{-1/4})\) 的条件下,一步截断估计量 \(\hat\psi^\dagger_t(\gamma_t)\) 满足 \(\sqrt{n}(\hat\psi^\dagger_t - \psi_t) \Rightarrow N(0, E[\phi_t^2])\)。
- 定理 4:证明估计量对 \(\pi_{t,r}\) 和 \(\eta_1\) 的误设具有稳健性(即只要结局模型正确,即使倾向得分或缺失模型误设,估计量仍一致)。
- 引理 5:在 \(\pi_{t,r}\) 和 \(\eta_1\) 误设但结局模型以 \(o_p(n^{-1/2})\) 速率估计时,估计量仍 \(\sqrt{n}\) 收敛(但可能不是半参数有效)。
- 引理 10:证明 \(\psi_t(\tilde P;\gamma_t)\) 和 \(\psi'_t(\tilde P;\gamma'_t)\) 之间存在单调映射,即两种敏感性参数化方式可以互相转换。
证明路线与技术技巧¶
整体路线(从假设到结论的 5 步):
- 识别:利用 (A3) 识别 RCT 部分的 \(E[Y(t)|R=1]\);利用 (A4) 的指数倾斜公式,将 OBS 部分的 \(E[Y(t)|R=0]\) 表示为可观测泛函(公式 3)。
- EIF 推导:对 \(\psi_t\) 关于观测数据分布求 Gateaux 导数。关键技巧是将 \(\psi_t\) 分解为 \(\psi_{t,1}\)(RCT 部分)和 \(\psi_{t,0}\)(OBS 部分),分别求 EIF,再按 \(P(R=1)\) 和 \(P(R=0)\) 加权。OBS 部分的 EIF 涉及对 \(\tilde F_{t,0}\) 的变分,需要处理指数倾斜项 \(\exp\{\gamma_t s_t(y)\}/\tilde\mu_{t,0}(\exp\{\gamma_t s_t(Y)\};x)\) 的导数。
- 一步估计:用样本分割(sample splitting)避免过拟合,构造一步估计量 \(\hat\psi^\dagger_t = \frac{1}{K}\sum_k \hat\psi^{(k)\dagger}_t\),其中每折用其余折估计 nuisance。
- 截断:对 EIF 中的权重项(如 \(1/\hat\pi_{t,r}(X)\)、\(1/\hat\eta_1(X,r,t)\))进行截断,避免极端值导致方差爆炸。
- 渐近分析:将 \(\sqrt{n}(\hat\psi^\dagger_t - \psi_t)\) 分解为"经验过程项 + nuisance 估计误差项",利用样本分割使 nuisance 误差项与经验过程项独立,再通过 Cauchy-Schwarz 和乘积误差结构证明 nuisance 项为 \(o_p(1)\)。
关键技术技巧:
- 样本分割:将数据分成 \(K\) 折,每折用其余折估计 nuisance,避免 Donsker 条件,允许使用灵活的机器学习方法。
- 乘积误差结构:剩余项可表示为 nuisance 估计误差的乘积(如 \((\hat\pi - \pi)(\hat\mu - \mu)\)),因此只要每个误差为 \(o_p(n^{-1/4})\),乘积为 \(o_p(n^{-1/2})\)。
- 截断(Huberization):对 EIF 中的逆概率权重进行截断,保证估计量的矩条件,同时不损失渐近有效性。
- 单指标模型:对 \(\tilde F_{t,r}(y|X)\) 用单指标模型(\(X'\beta\))降维,避免高维核估计的维数灾难,同时达到 \(n^{-2/5}\) 的收敛速率。
真实例子与应用¶
TOIB 研究:一项比较口服与外用布洛芬治疗老年慢性膝痛的 CCS 研究,包含 273 名 RCT 参与者和 290 名 OBS 参与者。12 个月时 19.9% 的参与者结局缺失。
如何应用本文方法: 1. 估计 nuisance:用 GAM 估计 \(P(T=t|R=r,X)\)(OBS 中的倾向得分)和 \(P(M=1|X,R,T)\)(缺失概率);用单指标模型估计 \(\tilde F_{t,r}(y|X)\)。 2. 敏感性分析:对 \(\gamma_t\) 在 \([-2,2]\) 范围内取不同值,计算 \(\hat\psi_t(\gamma_t)\) 和 CCCE 估计。 3. 结果:当 \(\gamma_t=0\) 时,CCCE 估计为 -0.24(95% CI: -4.28, 3.81),落在等效边界内。随着 \(|\gamma_t|\) 增大,估计值变化不大,说明结论对未测混杂稳健。 4. 辅助分析:通过 γ-γ′ 映射(Lemma 10),将结果与 Dahabreh et al. (2026) 的交换性敏感性分析框架进行对比,发现两种框架给出的结论一致。
这个例子想说明什么:① 方法在实际 CCS 数据中的可行性;② 敏感性分析如何帮助研究者评估结论对未测混杂的稳健性;③ 两种敏感性参数化(OBS 未测混杂 vs. RCT/OBS 交换性)在实证中如何互相印证。
🔎 结论是否比证明窄¶
- 定理 2 的证明假设了 nuisance 估计的 \(L_2\) 收敛速率,但实际中 GAM 和单指标模型的收敛速率依赖于平滑性假设(如 Hölder 光滑性),这些假设在文中没有明确陈述。作者在附录 B.5 中给出了条件,但正文中没有强调这些条件的不可验证性。
- 定理 4 的稳健性结论只针对 \(\pi_{t,r}\) 和 \(\eta_1\) 的误设,没有覆盖 \(\tilde F_{t,r}\) 的误设。作者在正文中承认"正确设定 \(\tilde F_{t,r}\) 是必要的",但没有讨论 \(\tilde F_{t,r}\) 误设时的偏差方向或大小。
- Lemma 10 的单调映射依赖于 \(s_t(\cdot)\) 是单调函数且 \(Y\) 有界。如果 \(s_t(\cdot)\) 不是单调的(例如非单调的效用函数),映射可能不唯一。作者在正文中没有讨论这一限制。
- 模拟研究只覆盖了 \(\gamma_t\) 的离散取值(-2, -1.5, ..., 2),没有覆盖连续变化或极端值(如 \(\gamma_t \to \pm\infty\))的情况。作者在正文中承认"极端 \(\gamma_t\) 值可能导致数值不稳定",但没有给出具体的诊断方法。
四、开放问题¶
-
\(\tilde F_{t,r}\) 误设的敏感性分析:本文的稳健性只覆盖了 \(\pi_{t,r}\) 和 \(\eta_1\),但 \(\tilde F_{t,r}\) 的误设(如单指标模型的链接函数错误)会如何影响 \(\hat\psi_t\) 的偏差?能否将 \(\gamma_t\) 的敏感性分析扩展到 \(\tilde F_{t,r}\) 的误设?(扎根于定理 4 的证明和正文第 3.2 节的讨论)
-
非单调 \(s_t(\cdot)\) 的识别:Lemma 10 的单调映射依赖于 \(s_t(\cdot)\) 单调。如果 \(s_t(\cdot)\) 非单调(例如 U 型效应),γ 与 γ′ 的映射是否仍然唯一?此时敏感性分析的结论如何解读?(扎根于 Lemma 10 的证明条件)
-
极端 \(\gamma_t\) 的数值行为:当 \(|\gamma_t|\) 很大时,指数倾斜 \(\exp\{\gamma_t s_t(Y)\}\) 可能导致 \(\tilde\mu_{t,0}(\exp\{\gamma_t s_t(Y)\};X)\) 接近 0 或无穷,估计量方差急剧增大。是否存在更稳定的参数化或正则化方法?(扎根于模拟研究中 \(\gamma_t\) 取值的有限范围)
-
缺失机制误设的扩展:本文假设 MAR,但实际中缺失可能与未测混杂 \(U\) 相关(即 MNAR)。能否将 \(\gamma_t\) 的敏感性分析扩展到同时刻画未测混杂和缺失机制?(扎根于第 7 节讨论中提到的 Scharfstein & Irizarry, 2003 的扩展方向)
-
多重处理或连续治疗的扩展:本文只考虑二值治疗。当 \(T\) 为多值或连续时,敏感性模型 (A4) 如何推广?EIF 的形式会如何变化?(扎根于第 7 节的未来工作讨论)
提醒:要确认上述开放问题是否是真 gap,建议去读以下近期工作的引言部分(各约 5 篇):(1) 关于"数据融合 + 敏感性分析"的文献(如 Dahabreh et al. 2026 的后续工作);(2) 关于"缺失数据 + 因果推断"的文献(如 Nabi et al. 2022 的后续工作);(3) 关于"半参数效率 + 灵活 nuisance 估计"的文献(如 Kennedy 2023 的综述)。如果多个独立工作的引言都指向同一个问题,那大概率是真 gap;如果只有一篇提到,可能是作者自己的 agenda。
Maintained by 陈星宇 · Homepage · Source on GitHub