AI局部改图工具实操：告别效果图反复渲染，从单图修改到批量工作流

“这版还是不对，把左边的窗户改成落地窗，沙发换个颜色，重新渲一张吧。”——这句话在效果图行业里，几乎是每天都会出现的声音。如果你做过室内设计、建筑表现、电商场景合成，甚至只是帮朋友改过一张海报，你一定经历过这种循环：改需求、改模型、重新渲图、等十几分钟甚至几十分钟，跑完一看，新问题又出来了。然后继续改、继续渲，一天就耗在“返工”里了。

风暴 AI 图像编辑器这类工具，就是想把这个循环砍掉。它做的是局部改图，也就是不动全局，只改画面里的某一个区域。听着很像 Photoshop 的局部修复，但真正用下来你会发现，它解决的问题其实比“改一个区域”更深一层：它让“改图”从渲染循环里分离出来，变成独立的一步操作。这篇教程我会按自己实际用的流程来写，从启动工具开始，到单区域修改、多区域修改、参数调整、批量处理、排查问题都过一遍。中间也会写清楚哪些地方容易踩坑，以及为什么不能一上来就把它当 Photoshop 用。

1. 先说清楚：AI 局部改图真正解决的是什么

在进入操作步骤之前，得先对齐一个认知。很多人第一次看到 AI 图像编辑器时，习惯性拿它和“重新生成一张图”比，但这两件事的逻辑完全不同。整体生成是从噪声里凭空“画”出一张图，它追求的是构图、光影、氛围的整体合理性；而局部改图追求的是“只改该改的，其他完全不动”。

1.1 为什么效果图返工这么频繁

效果图行业有一个长期存在的痛点：渲染成本高，反馈链路长。你给客户看一张图，客户说“卧室衣柜想换个颜色”“客厅地板改成大理石”“外立面幕墙想换成浅色玻璃”。这些需求在模型里改，工程量不大不小，但改完之后必然要走一遍渲染，而渲染一张高分辨率效果图少则十几分钟，多则几十分钟甚至更久。更麻烦的是，客户看到新图之后大概率又会有新意见。

整体生成式 AI 图像工具没法直接解决这个问题，因为你重新生成一张图，整个画面都会变，原本确认过的构图、结构、材质全都会跑偏。这时候 AI 图像编辑器的价值就出来了，它是在原图上做局部重绘，只替换选定区域的内容，保住原图其他区域，保住已经确认下来的视觉效果。用技术语言说，这叫 image-guided editing，核心约束是“编辑局部，保持整体”。

1.2 它和“局部重绘”不是完全一样的用法

如果你接触过 Stable Diffusion WebUI 里的局部重绘 Inpaint，会发现风暴 AI 图像编辑器这类工具和它思路其实同源。常规局部重绘的流程是：抠出蒙版区域、填提示词、设置重绘幅度、再生成。但风暴这类工具做了两件很关键的事。

第一件，把复杂的蒙版操作变得更接近日常修图习惯。板绘笔刷直接在图上涂抹就行，不需要进入图层面板去手动建立蒙版，也不需要理解 Inpaint 的遮罩通道。第二件，它在“局部改图”的上层加了一个自然语言指令的入口。你可以直接说“把背景里的草地换成浅绿色塑胶跑道”“把画面左下角杂物去掉”“这个人衣服改成深蓝色西装”，它会理解指令和涂选区域之间的关系，而不是只靠提示词去猜。

所以这篇文章讲的流程，本质上是一个更偏产品化的局部重绘工具使用指南。理解这一点很重要，因为当你后面遇到效果不满意的情况，排查方向就会完全不同。

1.3 先跑通第一次修图，再研究高级用法

不管你是用什么方式安装的这工具，第一件事都不是去研究一堆参数，而是先跑通一个最小闭环。我这边的建议是准备一张结构简单的图，最好是主体清晰、区域界限明确的实拍图，不要一上来就上复杂效果图。然后按下面这个顺序做一次局部修改。

第一步，把图片拖进编辑器。第二步，用工具栏里的笔刷工具，把想要修改的区域涂满，涂得稍微覆盖目标区域就可以，不用特别精细。第三步，在指令输入框里写一句具体的话，比如“把画面中杯子的颜色改成红色”。第四步，点击执行生成。跑完之后，对比一下原图，看改动区域是否准确，其他区域有没有发生漂移。

这一步跑通之后，你才算真正理解这个工具的使用逻辑：局部改图 = 涂区域 + 给指令 + 等待输出。后面的所有复杂用法，其实都是在这个基础上加条件、加约束、加批量策略。

2. 拆开看：AI 局部改图编辑器的核心逻辑

很多人上手之后会有一个感觉：为什么有时候只改了一小块，结果整张图的光影都变了？为什么有时候同一个区域、同一句指令，连续跑几次结果却不太一样？要回答这些问题，需要先理解这类工具内部到底在做什么。

2.1 涂选区域到底意味着什么

你涂选的那个区域，系统大概率会把你的笔刷笔触转换成一个蒙版，英文叫 mask。这个蒙版不是简单的“选中区 / 未选中区”两个值，它通常包含边缘过渡信息。你画上去的笔触中心区域，修改权重最高；越靠近边缘，模型在生成时对原图保留的比例就越高。这也是为什么不需要把选区画得特别精细。

但这里有一个很多人忽略的细节：蒙版区域并不只是“要重画的地方”，它还是模型的“操作范围约束”。在 Unet 或者 Diffusion Transformer 类模型的采样过程里，蒙版外的区域会被强制用原图 latent 特征替换回来。蒙版内的区域，每一步都在进行去噪重绘。如果某一个区域你本来只想微调颜色，但它落在了蒙版中心，工具就会认为你是想重画这个区域，于是连带材质、形状、纹理都可能发生改变。

所以在涂选区时，不是越往目标物中心涂越准，而是应该根据你想改的属性来定：

• 只想改颜色，可以只涂目标物主体，但别把边缘卡得太死。
• 想改材质或纹理，最好把目标物体完整涂上。
• 想移除某个对象，那就把它以及它产生的阴影、残留痕迹一起涂上。
• 想增加一个新物体，就要把“将要出现的位置”涂出来，并留出一定的交互空间。

这个知识听起来有点偏底层，但它直接决定了你第一次修改的成功率。

2.2 区域指令提示词怎么写才有效

AI 图像编辑器不是靠你涂个区域就能自动理解你要干嘛的，它还需要接收一段语义指令。常见的使用方式有几种：直接输入提示词、通过预设动作按钮触发、甚至对话式的指令。但无论哪一种，核心都是要让模型知道“你希望这个区域生成什么样的内容”。

这里有一个长期实践中总结出来的写法参考，在多数工具上都适用：

• “把……改成……”：适合改颜色、材质、样式、身份属性。
• “删除/移除……”：适合去掉水印、杂物、行人、瑕疵。
• “在……添加/插入……”：适合新增物体、人物、灯光、家具。
• “修复/补齐……”：适合补全残缺部分、修复裂痕、恢复细节。
• “将……替换为……”：适合整体换成另一个对象。

对于电脑配置普通的人，提示词建议控制在 30 个词以内并重点描述目标物和变化点，不用描述光影、画质和画面风格。比如“把图中沙发换成浅灰色布艺沙发”就比“一张高清质感的浅灰色布艺沙发，柔和光线，极简风格，真实摄影”效果稳定得多。过分强调画质风格，反而可能让模型往整体重绘方向跑偏。

2.3 为什么多轮修改比一次改到位更可靠

我见过不少人拿到工具后，想把一张图里所有要改的地方一次性处理完：左沙发改色、右墙面换材质、桌面加花瓶、窗外换风景。结果往往是一轮生成本来就多、成功率下降，还很容易出现区域之间风格不统一。更合理的做法是分步治理。

每一轮修改后，系统会在原图的基础上叠加生成结果，你相当于一直在用“最新的确认图”作为下一步编辑的基准。这样做的价值在于：上一轮已经确认的效果不会被新一轮生成破坏。因为每一轮都是局部蒙版重绘，蒙版外的内容基本保持不动。如果你把所有需求都塞进一轮里，蒙版区域会交叉，生成结果相互影响，最后的图大概率要返工。

所以我的建议流程是：

1. 先处理主体对象改动，比如家具换色、墙体材质替换这类影响视觉重心的地方。
2. 再处理环境细节，比如背景光照、装饰品、地板纹理。
3. 最后处理微小型瑕疵，比如小水印、小杂物、边角缺漏。

每一轮修改最好生成 2 到 3 次，从中挑一张最好的作为下一轮的底图。不要第一版结果稍微有缺陷就直接下一轮，因为后一轮也未必能救回来，反而可能越积越多。

3. 保姆级实操：从启动到第一次成功修改

理论部分讲完之后，接下来进入具体操作。这里我会尽量把流程写得细一点，给你一条可以直接跟着走的路径。需要提醒一下的是，不同版本的界面布局会有差异，但核心操作逻辑基本一致。

3.1 启动和准备工作

先看图软件能不能正常启动、显存是否足够。这类 AI 图像编辑工具跟传统修图软件不一样，它至少要跑一个扩散模型，对显存有要求。如果你是用本地版本，通常 6GB 以上显存才能比较流畅地修改常见分辨率图片。如果显存不够，比较容易出现的现象是：界面能打开、图能加载，但点执行生成后一直卡住、崩溃，或者报 CUDA out of memory。

准备工作可以按这个清单过一遍：

• 确认启动后的软件版本和模型文件是否匹配。
• 确认图片导入格式支持，常见 JPG、PNG、WEBP 基本都没问题。
• 确认工作目录有干净空间，生成图片默认保存在原图同目录或指定输出文件夹。
• 第一次使用时先把所有参数保持默认，不调整任何高级滑块。

如果你在云端或用在线版本，显存压力不存在，但网络稳定性会影响生成速度，任务提交后不要立刻反复点击执行。

3.2 最小示例：修改一件家具的颜色

我拿一个最常见场景举例：一张客厅效果图，客户想把三人位沙发从原来的墨绿色改成浅灰色。原图本身构图完整，我不希望画面里的茶几、灯具、墙面、地板出现任何变化。

第一步，加载原图。点击“打开”或直接将图片拖入画布区域。图加载后，先把显示比例缩放适合，确认细节能看到。

第二步，选择“局部修改”或“区域编辑”工具，笔刷大小调到适中，不要太小太细。你只需要把沙发主体的几个坐垫和靠背涂满，不用勾到缝隙里，也不用精确避开抱枕，边缘稍微覆盖过去一点就可以。真正影响结果是让你选中的范围大致落在目标物上，而不是像抠图一样逐像素描边。

第三步，在指令输入框中输入：“把沙发换成浅灰色布艺沙发”。如果你不想改变材质，只是换颜色，就写“把沙发的颜色改成浅灰色”。两个写法结果会有差异，“浅灰色布艺沙发”不仅会改变颜色，还可能会改变布料纹理。

第四步，点击执行。模型会先在蒙版区域重新采样，逐步生成，整个过程可能持续 10 秒到 1 分钟，取决于你的显卡和图片分辨率。生成完成后，画布上会显示修改后的结果，你通常还能看到原图缩略图或历史记录。

仔细观察结果，重点看三点：沙发颜色是否接近目标色、沙发轮廓是否变形严重、沙发之外的区域是否保持原样。哪个点不满足，下一轮修哪里，这样每一步都很明确。

3.3 修改失败时怎么办，先别急着重跑

如果第一次结果不理想，建议先不要直接重跑，而是检查三个点。

第一，选区是否太集中。如果你只涂了沙发的一小块区域，模型不知道沙发完整形状是什么样的，它就会只重绘那一小块的像素，结果很容易出现“一小块颜色变了，但边缘生硬、光影断层”。

第二，提示词是否“过度描述”。比如你把“改成浅灰色布艺沙发”写成了“换成一把看起来非常高级、适合北欧风格、搭配暖色灯光、有氛围感的浅灰色布艺沙发”，模型在蒙版区域外也会受到氛围词扰动，背景就会跟着变。

第三，生成参数是否被调过。如果你之前动过“重绘幅度”或“强度”这类的参数，把它先调回默认值，再重新生成。这类参数不是越高越好，后面我会专门写。

检查完这些问题后，你可以试着把选区范围扩大一点，或者把提示词改精简，再重新执行。这里有一个经验：多数失败不是工具不稳定，而是输入的表达不够准确。

4. 参数和边界：不要把编辑器当“万能橡皮擦”

AI 图像编辑器上手不算难，但要用出稳定效果，你必须理解它和传统修图工具在“边界感”上的差别。传统工具里，你选中一个区域，所有操作都只作用于这个区域；AI 编辑器则不是一个精确的像素级工具，它会引入采样随机性和模型判断。

4.1 常见参数怎么理解

不同产品叫法不一样，但下面这几个参数基本都会出现：

我最先建议你先动的是重绘幅度。如果改出来的区域“换了但不像原图画风”，大概率是重绘幅度偏高。如果改出来“几乎没变化”，那大概率是偏低。每次调幅度不超过 0.1，一点点看变化。不要一次从 0.5 拉到 0.9，那基本等于局部区域完全重新画。

4.2 什么样的图适合局部改图，什么样的不适合

这类工具在真实工作流里解决的是“局部微调 + 结构不变”的任务。它不适合的场景至少有三类：

第一类，原图分辨率太低。如果你导入的图只有 800×600，你想改其中一个物件，模型在蒙版区域采样时没有足够的像素信息参考，生成出来的细节很容易模糊。建议原图至少是 1024×1024 或者 1920×1080 的常见工作分辨率。

第二类，画面中存在复杂几何结构或文字。比如要改一个产品包装上的字，AI 局部重绘生成的文字通常很难保证完全正确。它也许能生成出“看起来像字”的几条线，但要精确到品牌字样，概率很低。这就是为什么电商详情页里的商品文字通常还是回归到设计软件里改。

第三类，蒙版区域太大，几乎覆盖了整张图。当蒙版区域大到接近全局时，工具就等价于一次重绘，此时再谈“局部保持”已经没有意义了。如果你确实想重画整张图，不如直接用文生图工具。

适合的典型场景是什么？我给几个判断标准：

• 目标物体边界自然，比如墙面、家具、地板、天空。
• 修改后不需要对细节纹理做精确还原，比如大理石换木地板、白墙换暖色墙。
• 你想改变的是视觉属性，而不是像素级结构元素。
• 你对原图的构图满意，只是想探索不同搭配方案。

4.3 为什么说单张改图只是第一步

如果你只是偶尔改一两张效果图，前面的内容已经够用了。但你要是想把 AI 局部改图真正放进项目流程里，就会遇到另一个问题：效率。单张图一张一张地打开、涂选、等生成，一旦方案数量增加，人的精力就会耗在重复操作和等待上。这时候要考虑的已经不是“怎么改得对”，而是“怎么批量地改、可复用、可对比”。

这也是我这篇文章最想让你建立的框架：从“用一次”走向“批量管理”。不要一开始就去研究怎么打包一堆图跑脚本，先把手里的三张效果图按步骤改完，感受一下每一张图的坑在哪里。你会发现一个很实际的规律：同一批项目里，需要修改的区域类型高度相似，提示词也可以高度复用。接下来你要做的，就是把自己的经验变成可复用的工作流。

5. 工程视角：从一张图到批量局部改图

注意，这里就涉及到 AI 图像编辑器跟传统修图软件很大的一个不同：它并不只是一个“给单张图修细节”的工具，当你按一定的工程化方式去组织任务时，它完全可以变成一个批量化内容生产管道。但这需要你在使用方式上有一个范式的转换：每次修改都要被定义成“任务”，而任务必须包含输入图、蒙版、提示词和参数。

5.1 批量处理的常见工作流

如果你用的是带有 API 的版本，那批量改图可以做到脚本化。整体工作流大概是这样：

准备一批输入图片 → 定义每个任务：图 + 区域（box/mask）+ 提示词 + 参数 → 逐个调用生成接口 → 检查输出、记录成功率、保存日志

用 Python 写批量脚本的时候，需要注意编码问题、路径问题、 API 调用超时问题。如果原始版本没有开放的 API，只能通过界面操作，那也可以在软件内部保存每个任务的配置模板，来减少重复输入。

但不管哪种方式，批量改图以前，我建议你先做一次小样本验证。拿 3 张结构类似的图，分别测同一句提示词，观察生成效果。如果 3 张里至少有 2 张结果是正常可用的，再扩大到 20 张、100 张。为什么先小样本？因为提示词对不同图片的敏感性差异很大。一句“把沙发颜色改成浅灰色”在暖色调图片和冷色调图片上的表现可能完全不同。

小样本验证通过之后，大批量执行时，日志比结果更重要。记录每张图是否成功、失败原因、生成耗时、输出文件路径。不要只留下生成后的图片，那不叫日志。等你跑完 50 张图发现有 8 张失败时，没有日志，你只能一张张重新打开排查，那会比单张修改更痛苦。

5.2 版本管理：生成结果也要有“后悔药”

做效果图的工程师大多数有版本管理意识，建模的迭代版本、渲染输出目录、参考图收集都有规则。但到了 AI 编辑器这里，很多人就松懈了，直接覆盖保存。这个习惯放在传统修图软件里还能靠历史记录救一下，在 AI 编辑器里是灾难。因为 AI 生成的结果带有随机性，你调低重绘幅度后重跑一次，不可能得到和上一版完全一样的图。

所以别把每一次编辑结果直接覆盖原图。更稳妥的做法是，每次编辑生成新文件，文件名加上版本号、参数或时间信息。建议的目录结构示例：

projects/product-A/ ├── input/ │ └── render_v1.png ├── edits/ │ ├── render_v1_edit_sofa_gray.png │ ├── render_v1_edit_wall_warm.png │ └── render_v1_final_v2.png └── logs/ └── batch_20250601.csv

这样做的好处不止是后悔药，它还能让你回看到底是哪一步、哪一组参数导致画面变差了。很多时候，第一版修改的效果是好的，但第二版叠加后，风格全变了。没有原始版本对照，你根本说不出问题出在哪一步。

5.3 如何把单条经验沉淀成团队可复用的“改图知识库”

单个用户用 AI 编辑器，很快会遇到一个瓶颈：效率够高，但经验全在自己脑子里。今天调通了一组“沙发改色”提示词，过了两个星期要再用时，又得重新试。如果你只是自己玩，问题不大；但如果是团队协作，就需要把经验沉淀下来。

沉淀的方式不复杂，就是做模板。维护一份表格，把常见修改类型对应的提示词写法、推荐参数、参考示例图放进去。拿效果图这个场景举例：

不要小看这个表格，当你手里的模板积累到 30 条以上，你会发现大部分常规修图需求已经不需要“从零试错”了。你只需要按模板套用、微调，效率提升是很明显的。这也回答了标题里那个问题：AI 图像编辑器不是一次性的“返工终结咒语”，它真正的价值是让改图从“每次重来”变成“有据可查、有模板可用、有流程可走”。

6. 常见问题排查：效果不稳定，先从这四个方向找原因

这部分写给已经跑通过几次、但时不时还是遇到效果不对的人。不管你用的是什么 AI 图像编辑器，常规排查方向基本可以收敛到四类：输入图、蒙版区域、提示词、生成参数。

6.1 现象：改了目标物，旁边也跟着变了

优先检查蒙版边缘是不是已经溢出到背景。如果你的笔刷边缘很软，扩散到了背景区域，模型在生成时会把背景一起重绘。另一个可能原因是提示词里写了很多整图氛围描述，问一下你自己“这句话是在描述要改的区域，还是在描述整张图？”如果是在描述整张图，那结果自然全局漂移。

处理方式：

• 把蒙版笔刷缩小，重新涂，只留下目标物。
• 提示词里去掉“高清、真实、艺术感、氛围感”这类全图属性词。
• 把“边缘过渡”调低一点，限制生成影响范围。

6.2 现象：生成了，但目标物轮廓变了

这通常是重绘幅度偏高导致的。模型在蒙版区域内的去噪强度太大，不再以原图的边缘结构为基础，而是基于白噪声重建。结果自然就是轮廓跑偏。

处理方式：

• 降低重绘幅度，每次降 0.05 到 0.1。
• 如果降到 0.3 还无法生成，那就把蒙版区域缩小一点，分两次改。
• 如果原图的边缘非常复杂，比如人和沙发之间大量重叠，也可以先用“填充”或“扩展”类操作补充细节，再做局部修改。

6.3 现象：结果完全不符合指令

检查提示词是否包含强歧义。比如“把桌子改成玻璃的”，模型可能不知道你说的是桌面玻璃材质还是整个桌子换掉。这时把指令改成“把桌面材质换成玻璃”会更明确。

另外如果你发现一两次生成都不理想，不要在同一蒙版上反复重跑，那样的随机性会消耗时间。更建议的做法是重新涂一下蒙版区域，如果原来是涂正中间的，这次可以从边缘包住整个物体；如果原来只涂表面，这次可以把物体轮廓完整涂一遍。蒙版的形状变化本身，也能带来非常大的生成结果差异。

6.4 现象：生成速度快，但细节很糊

大概率是生成分辨率不够，或者输出图片被压缩。很多在线工具为了处理速度，内部会先降低分辨率做编辑，再放大回原分辨率，这时细节就会丢失。如果你是本地版本，可以先把原图降低到 1024 或 1536，编辑完成后再用专门的放大模型恢复分辨率。这个做法能在速度和细节之间取得平衡。

如果是在线平台版本，注意选择“原图分辨率输出”或“高清模式”选项。没有的话，也可以在编辑后将结果图用外部放大工具处理，不要在低分辨率图上反复修改细节，越改越糊。

6.5 一个完整的排查顺序建议

按照这个顺序来查，别跳步：

1. 先看输入图：分辨率够不够、画面是否严重模糊、主体是否太小。
2. 再看蒙版：区域是否准确、边缘是否溢出、是否覆盖了关键结构。
3. 再看提示词：有没有多余的风格词、是否描述了不想改变的区域。
4. 再看生成参数：重绘幅度、CFG、种子是否有异常设置。
5. 最后看输出设置：分辨率、文件格式、是否压缩。

大多数问题在这一套顺序里都能找到答案。

7. 从尝鲜到长期使用：一个更重要的建议

最后想聊点超出软件操作本身的内容。AI 图像编辑器这类工具，正在改变一个很基本的工作关系：过去，效果图改图是“重新渲染”的低效循环；现在，它变成了“局部编辑”的快速迭代。这意味着，设计师可以把更多时间花在判断方案是否成立上，而不是等图。但这里有一个隐藏的代价：AI 生成的图，不会自己变成可直接交付的版本。

如果你要放进正式项目，有几件事是 AI 编辑器替代不了的：

• 结构逻辑检查：承重墙不能乱拆，管线朝向不能乱改。
• 工程规范校验：家具尺寸比例是否符合人体工学。
• 材质物理表现：有些材质在光追渲染器里表现和 AI 生成结果完全不同。
• 最终交付分辨率：AI 生成图可能需要二次放大和锐化。

所以我对这个工具的定义是：它是“探索方案”的效率工具，而不是“最终交付”的替代方案。设计团队可以用它快速出多方案给客户看、减少返工渲染次数，但最后那张交付图，大概率还是需要走一遍真实渲染或专业修图流程。

7.1 给第一次接触这类工具的人三个建议

第一，先从结构简单、区域清晰的图片开始，不要一上来就挑战复杂效果图。就是先跑通一次“涂区域、给提示词、出结果”的闭环，建立对工具的行为直觉。

第二，每次修改都保存一份原图和参数记录。不要图省事直接覆盖，你会发现这些记录在复盘时非常有用。

第三，把工具当成一个“可以快速做实验的副驾驶”，而不是一个“自动完成一切的主设计”。你依然要做判断，它只是帮你把“试一下这个方案会不会好看”这个动作变得更便宜了。

7.2 什么时候可以真正用 AI 局部改图替代传统返工

如果你所在的流程满足这几个条件，那就可以大胆替换：

• 修改需求属于“视觉层面”的调整，不涉及结构、尺寸、工程逻辑。
• 你手头有多套方案需要快速对比，早出图早决策。
• 团队内部有基础的模板沉淀意识，不是每次从零开始写提示词。
• 渲染等待时间明显长于 AI 编辑等待时间，而且返工频率不低。

反过来讲，如果项目涉及精准尺寸、复杂透视、品牌文字、结构安全，那 AI 局部改图的优势会大幅降低。这时宁可回去改模型重新渲，也不要生成一张“看起来差不多但用不了”的图去交付。

这个边界感，才是 AI 改图工具能不能真正终结返工噩梦的前提。工具没有错，用对场景才是关键。我希望这篇文章不只是让你学会了“怎么点按钮”，而是让你想明白“什么时候值得用它，什么时候不该用”。下次再听到“把沙发改个颜色”这句话时，你可能已经不需要重新渲图了，只需要打开编辑器，涂一下，输入一句“把沙发改成浅灰色”，然后等十几秒。返工循环从那一刻开始变短，但判断权，依然在你自己手里。