如何評(píng)價(jià) 2025 年 7 月 22 日的《寶可夢(mèng)直面會(huì)》?
一口氣速刷！大學(xué)所有黑話、潛規(guī)則！大學(xué)規(guī)劃
本文聚焦于AB測(cè)試中的幾個(gè)關(guān)鍵技術(shù)策略：分層實(shí)驗(yàn)設(shè)計(jì)、長(zhǎng)期效果評(píng)估（側(cè)重留存率）、以及基于統(tǒng)計(jì)與業(yè)務(wù)雙重顯著性的決策流程與置信度評(píng)估模型，旨在為產(chǎn)品經(jīng)理提供一套可落地的、嚴(yán)謹(jǐn)?shù)腁B測(cè)試框架。
構(gòu)建和持續(xù)優(yōu)化大型AI推薦系統(tǒng)，是一個(gè)高度依賴數(shù)據(jù)驅(qū)動(dòng)決策的工程，AB測(cè)試是不可或缺的核心環(huán)節(jié)。它直接決定了產(chǎn)品經(jīng)理能否科學(xué)、客觀地評(píng)估不同推薦策略的效果，進(jìn)而做出高質(zhì)量的迭代決策。
分層實(shí)驗(yàn)設(shè)計(jì)（特別是正交分層和嚴(yán)謹(jǐn)?shù)挠脩舴滞埃┦侵未笠?guī)模、高效并行測(cè)試的技術(shù)骨架，解決了策略間的干擾難題。長(zhǎng)期效果評(píng)估，尤其是對(duì)用戶留存率的深度分層觀測(cè)和歸因分析，揭示了推薦策略的長(zhǎng)期價(jià)值與用戶粘性變化，是避免短視決策的關(guān)鍵?；诮y(tǒng)計(jì)顯著性與業(yè)務(wù)顯著性雙重檢驗(yàn)的決策流程圖和策略迭代置信度評(píng)估模型，為產(chǎn)品經(jīng)理提供了從海量實(shí)驗(yàn)數(shù)據(jù)中提煉有效洞察、做出科學(xué)上線決策的系統(tǒng)化方法論。
一、分層實(shí)驗(yàn)設(shè)計(jì)
在大型推薦系統(tǒng)中，業(yè)務(wù)需求往往要求同時(shí)測(cè)試多個(gè)變量（如新算法、UI改版、內(nèi)容類型權(quán)重調(diào)整等）。簡(jiǎn)單的全局AB測(cè)試無(wú)法解決策略間的相互干擾問(wèn)題。分層實(shí)驗(yàn)設(shè)計(jì)，特別是正交分層，是解決這一挑戰(zhàn)的關(guān)鍵技術(shù)。
正交分層設(shè)計(jì)原理
核心目標(biāo)：實(shí)現(xiàn)不同實(shí)驗(yàn)變量在用戶群體上的獨(dú)立測(cè)試，避免交叉影響污染實(shí)驗(yàn)結(jié)果。
實(shí)現(xiàn)機(jī)制：將整體用戶流量空間劃分為多個(gè)邏輯上獨(dú)立的層（Layer）。每個(gè)層對(duì)應(yīng)一個(gè)特定的實(shí)驗(yàn)維度（例如：Layer1–核心推薦算法，Layer2–信息流UI布局，Layer3–冷啟動(dòng)策略）。
正交性保證：每個(gè)用戶在每個(gè)層都會(huì)被獨(dú)立地、隨機(jī)地分配到一個(gè)實(shí)驗(yàn)桶（Bucket）。關(guān)鍵在于，用戶在一個(gè)層中的分桶結(jié)果，與其他層中的分桶結(jié)果完全獨(dú)立且無(wú)關(guān)。這通常通過(guò)為每個(gè)層使用獨(dú)立的、基于用戶標(biāo)識(shí)符（如UserID）的隨機(jī)哈希函數(shù)來(lái)實(shí)現(xiàn)。
技術(shù)優(yōu)勢(shì)：
高并行性：產(chǎn)品經(jīng)理可以同時(shí)在多個(gè)層上發(fā)起不同的實(shí)驗(yàn)，極大加速策略探索速度。例如，測(cè)試新版深度學(xué)習(xí)模型（Layer1）的同時(shí)，可以并行測(cè)試信息流卡片的新展示樣式（Layer2）。
結(jié)果無(wú)偏：由于層間正交，評(píng)估Layer1中算法AvsB的效果時(shí)，Layer2上的實(shí)驗(yàn)影響會(huì)在實(shí)驗(yàn)組和對(duì)照組中均勻分布，其效果被“抵消”，從而得到算法差異的純凈度量。
用戶分桶
分桶的目標(biāo)是將用戶公平、隨機(jī)、穩(wěn)定地分配到不同實(shí)驗(yàn)組（如A組、B組、對(duì)照組C），確保組間用戶特征分布可比。
核心分桶原則：
隨機(jī)性：這是AB測(cè)試的黃金法則。必須使用不可預(yù)測(cè)的、均勻分布的隨機(jī)方法（如基于UserID的加密哈希函數(shù)）決定用戶歸屬哪個(gè)桶。任何非隨機(jī)分桶都會(huì)引入系統(tǒng)性偏差，導(dǎo)致結(jié)果不可信。
均勻性：不僅要求各桶用戶數(shù)量大致相等，更要確保關(guān)鍵用戶維度（如地域、活躍度、新老用戶比例、歷史興趣標(biāo)簽分布）在組間保持平衡。這通常通過(guò)哈希后均勻映射到固定數(shù)量的桶位（例如1000桶）來(lái)實(shí)現(xiàn)。實(shí)驗(yàn)啟動(dòng)前的AA測(cè)試（兩組都使用當(dāng)前策略）是驗(yàn)證均勻性的重要步驟。
穩(wěn)定性：用戶一旦被分配到某個(gè)桶，在實(shí)驗(yàn)周期內(nèi)應(yīng)保持不變。頻繁切換用戶所屬實(shí)驗(yàn)組會(huì)破壞實(shí)驗(yàn)的連續(xù)性，混淆行為數(shù)據(jù)歸屬，增加分析噪聲。這要求在用戶首次滿足實(shí)驗(yàn)條件（如首次啟動(dòng)APP）時(shí)就確定其分桶并持久化存儲(chǔ)。
常用分桶方法：
UserID分桶：最主流、最可靠的方式。對(duì)用戶唯一標(biāo)識(shí)符（UserID）進(jìn)行哈希（如MurmurHashSHA256的一部分），再對(duì)總桶數(shù)取模。保證同一用戶在不同時(shí)間、不同設(shè)備上訪問(wèn)，只要UserID不變，就進(jìn)入同一個(gè)實(shí)驗(yàn)組。
DeviceID分桶：適用于需要按設(shè)備維度評(píng)估策略效果（如Pad端與手機(jī)端體驗(yàn)差異大），或UserID未登錄時(shí)（如游客模式）。邏輯同UserID分桶，但基于設(shè)備標(biāo)識(shí)符。需注意同一用戶多設(shè)備帶來(lái)的樣本關(guān)聯(lián)問(wèn)題。
時(shí)間分桶：主要用于分析策略效果隨時(shí)間（如工作日/周末、節(jié)假日/平日）的波動(dòng)。將用戶按首次觸發(fā)實(shí)驗(yàn)的時(shí)間戳（如天/周）分桶。需謹(jǐn)慎使用，易受外部事件（如熱點(diǎn)新聞）干擾，通常不作為核心實(shí)驗(yàn)層。
二、留存率長(zhǎng)期效果評(píng)估
推薦系統(tǒng)的價(jià)值不僅在于即時(shí)反饋（如點(diǎn)擊率CTR），更在于能否長(zhǎng)期留住用戶。留存率是衡量用戶粘性和系統(tǒng)長(zhǎng)期價(jià)值的關(guān)鍵核心指標(biāo)。
留存率的核心價(jià)值
直接反映用戶對(duì)推薦內(nèi)容價(jià)值的持續(xù)認(rèn)可度和產(chǎn)品的整體滿意度。
高留存用戶是產(chǎn)品活躍度和商業(yè)價(jià)值（如廣告曝光、付費(fèi)轉(zhuǎn)化）的主要貢獻(xiàn)者。
評(píng)估推薦策略的長(zhǎng)期效應(yīng)，避免短期指標(biāo)（如CTR）提升但損害長(zhǎng)期體驗(yàn)的陷阱（如標(biāo)題黨內(nèi)容初期點(diǎn)擊高，但用戶很快厭倦流失）。
系統(tǒng)化的留存率觀測(cè)方案
精確定義留存用戶：定義必須清晰、可度量、與業(yè)務(wù)目標(biāo)一致。常見(jiàn)定義包括：
第N日留存：新用戶在注冊(cè)/首次使用后的第N天（N=1371430）是否再次活躍（如啟動(dòng)APP、瀏覽內(nèi)容）。反映新用戶激活和早期留存。
滾動(dòng)留存/周留存/月留存：統(tǒng)計(jì)在某個(gè)時(shí)間窗口（如過(guò)去7天、30天）內(nèi)至少活躍X天的用戶比例。反映成熟用戶的粘性。
行為深度留存：不僅要求活躍，還要求達(dá)到一定行為門檻（如瀏覽≥5篇內(nèi)容、完成1次搜索）。更能體現(xiàn)推薦的實(shí)際價(jià)值。
分層觀測(cè)策略：
用戶類型分層：新用戶留存率重點(diǎn)看推薦系統(tǒng)對(duì)新用戶的吸引力和引導(dǎo)效率（冷啟動(dòng)效果）。老用戶留存率則反映系統(tǒng)對(duì)用戶長(zhǎng)期興趣演進(jìn)的捕捉能力和內(nèi)容生態(tài)的持續(xù)吸引力。必須分開(kāi)分析，策略影響可能迥異。
實(shí)驗(yàn)組分層：這是AB測(cè)試評(píng)估的核心。精確追蹤和比較不同實(shí)驗(yàn)組（如A組-新算法，B組-舊算法/對(duì)照組）用戶在相同時(shí)間點(diǎn)（如第7日、第30日）的留存率。需計(jì)算差異的絕對(duì)值和相對(duì)提升比例。
長(zhǎng)期跟蹤與歸因分析：
1）建立持續(xù)監(jiān)控：留存率分析不是一次性的。需要建立自動(dòng)化數(shù)據(jù)流水線，定期（如每日/每周）計(jì)算各實(shí)驗(yàn)組、各用戶分層的留存率數(shù)據(jù)。
2）可視化分析：使用趨勢(shì)圖（如各實(shí)驗(yàn)組第N日留存率隨時(shí)間變化）、對(duì)比柱狀圖等工具直觀展示差異和趨勢(shì)。
3）結(jié)合行為數(shù)據(jù)歸因：?jiǎn)渭兛戳舸媛蕯?shù)字不夠。需要深入分析導(dǎo)致留存差異的用戶行為：
留存提升的組：用戶是否瀏覽了更多內(nèi)容？互動(dòng)（點(diǎn)贊、收藏、分享）是否增加？?jī)?nèi)容多樣性/新穎性是否更好？用戶探索行為是否更活躍？
留存下降的組：是否存在用戶疲勞（如重復(fù)推薦）？是否出現(xiàn)負(fù)面反饋（如“不感興趣”點(diǎn)擊增多）？用戶會(huì)話時(shí)長(zhǎng)是否縮短？
4）考慮外部因素：市場(chǎng)活動(dòng)、季節(jié)性、競(jìng)品動(dòng)態(tài)、重大新聞事件等都可能影響留存。分析時(shí)需要?jiǎng)冸x這些噪音。
融入策略迭代置信度評(píng)估
留存率是評(píng)估策略長(zhǎng)期置信度的核心輸入。
統(tǒng)計(jì)顯著性檢驗(yàn)：使用針對(duì)留存率的統(tǒng)計(jì)檢驗(yàn)方法（如生存分析Log-RankTest，或比較特定時(shí)間點(diǎn)留存率的比例檢驗(yàn)），判斷實(shí)驗(yàn)組與對(duì)照組的留存率差異是否顯著超出隨機(jī)波動(dòng)范圍。需要足夠長(zhǎng)的實(shí)驗(yàn)周期和樣本量。
業(yè)務(wù)顯著性評(píng)估：即使統(tǒng)計(jì)顯著，還需評(píng)估提升的業(yè)務(wù)價(jià)值：
絕對(duì)提升幅度有多大？（例如，30日留存率從20%提升到21%，雖然統(tǒng)計(jì)顯著，但業(yè)務(wù)價(jià)值可能有限；從20%提升到23%則價(jià)值顯著）。
提升的成本如何？（如新算法計(jì)算資源消耗是否劇增？）
是否與其他關(guān)鍵指標(biāo)（如人均觀看時(shí)長(zhǎng)、商業(yè)變現(xiàn)指標(biāo)）正相關(guān)？
只有同時(shí)滿足統(tǒng)計(jì)顯著和業(yè)務(wù)顯著的留存率提升，才能為推薦策略的長(zhǎng)期有效性提供高置信度證據(jù)，支持全量上線和長(zhǎng)期應(yīng)用。
三、科學(xué)決策流程
產(chǎn)品經(jīng)理需要清晰的決策框架來(lái)解讀AB測(cè)試結(jié)果。一個(gè)基于數(shù)據(jù)的決策流程圖至關(guān)重要。
實(shí)驗(yàn)設(shè)計(jì)階段
錨定核心目標(biāo)：明確本次實(shí)驗(yàn)要解決的核心業(yè)務(wù)問(wèn)題（提升留存？增加CTR？?jī)?yōu)化冷啟動(dòng)？）。目標(biāo)必須可量化（指標(biāo)化）。
精確定義變量：明確要測(cè)試的單一或少數(shù)幾個(gè)關(guān)鍵改動(dòng)點(diǎn)（實(shí)驗(yàn)變量）。避免一次測(cè)試過(guò)多變量導(dǎo)致歸因困難。
嚴(yán)謹(jǐn)方案設(shè)計(jì)：
選擇合適的分層（Layer）。
確定分桶方法（UserID為主）和桶大小/流量分配比例。
科學(xué)計(jì)算樣本量：基于預(yù)期效果提升幅度（MinimumDetectableEffect-MDE）、統(tǒng)計(jì)顯著性水平（α，通常0.05）、統(tǒng)計(jì)功效（Power，通常≥80%）計(jì)算所需最小樣本量和實(shí)驗(yàn)時(shí)長(zhǎng)。忽略此步易導(dǎo)致實(shí)驗(yàn)無(wú)效（檢測(cè)不出真實(shí)效果）或周期過(guò)長(zhǎng)。
規(guī)劃長(zhǎng)期觀測(cè)窗口：特別是評(píng)估留存等長(zhǎng)期指標(biāo)時(shí)，實(shí)驗(yàn)周期需覆蓋關(guān)鍵留存點(diǎn)（如7日、30日）。
數(shù)據(jù)收集與清洗
完備數(shù)據(jù)采集：確保日志系統(tǒng)能準(zhǔn)確、完整地記錄實(shí)驗(yàn)桶標(biāo)記（BucketID）和所有相關(guān)用戶行為事件（曝光、點(diǎn)擊、瀏覽時(shí)長(zhǎng)、互動(dòng)、留存觸發(fā)點(diǎn)等）。
嚴(yán)格數(shù)據(jù)清洗：
剔除測(cè)試流量（如內(nèi)部員工、機(jī)器人賬號(hào)）。
處理異常值（如極短或超長(zhǎng)會(huì)話）。
驗(yàn)證分桶正確性和流量分配均勻性（AA測(cè)試）。
確保數(shù)據(jù)在實(shí)驗(yàn)組和對(duì)照組中的定義和采集方式完全一致。
數(shù)據(jù)分析階段
核心指標(biāo)統(tǒng)計(jì)檢驗(yàn)：
比例型指標(biāo)（CTR、轉(zhuǎn)化率、留存率）：常用Z檢驗(yàn)、卡方檢驗(yàn)。
均值型指標(biāo)（人均時(shí)長(zhǎng)、人均觀看數(shù)）：常用T檢驗(yàn)（需驗(yàn)證方差齊性）或非參數(shù)檢驗(yàn)（如Mann-WhitneyUTest）。
留存率/時(shí)間事件分析：強(qiáng)烈推薦使用生存分析，特別是Kaplan-Meier曲線和Log-RankTest。它能處理用戶觀察期不同（未流失用戶）的問(wèn)題，提供更全面和穩(wěn)健的評(píng)估。
報(bào)告P值和置信區(qū)間。P值
多維度業(yè)務(wù)洞察：
分析實(shí)驗(yàn)效果在不同用戶分群（新/老、高/低活、不同興趣群體）上的表現(xiàn)是否一致？是否存在異質(zhì)性效果？
檢查實(shí)驗(yàn)對(duì)其他關(guān)鍵指標(biāo)（包括可能負(fù)向影響的指標(biāo)，如跳出率、負(fù)面反饋率、商業(yè)指標(biāo)）的影響。進(jìn)行綜合收益評(píng)估。
評(píng)估效果的業(yè)務(wù)顯著性：提升幅度是否達(dá)到或超過(guò)預(yù)設(shè)的MDE？是否具有實(shí)際的用戶價(jià)值和商業(yè)價(jià)值？
決策階段
基于統(tǒng)計(jì)顯著性和業(yè)務(wù)顯著性的組合判斷：
高置信度采納：效果統(tǒng)計(jì)顯著，且提升幅度具有明確的業(yè)務(wù)價(jià)值，綜合評(píng)估收益大于潛在風(fēng)險(xiǎn)（如資源消耗、對(duì)其他指標(biāo)的輕微負(fù)面影響）。決策：全量上線，納入長(zhǎng)期策略。
需深入研究：效果統(tǒng)計(jì)顯著，但提升幅度微?。ㄎ催_(dá)MDE）或伴隨不可接受的負(fù)面效果（如留存下降、商業(yè)指標(biāo)受損）。決策：深入分析原因（變量設(shè)計(jì)問(wèn)題？指標(biāo)定義問(wèn)題？副作用過(guò)大？），可能需要調(diào)整方案重新實(shí)驗(yàn)或放棄。
需延長(zhǎng)/擴(kuò)大實(shí)驗(yàn)：效果未達(dá)統(tǒng)計(jì)顯著（P值>0.05），但從趨勢(shì)和業(yè)務(wù)邏輯上看可能有潛力（如點(diǎn)估計(jì)為正且置信區(qū)間包含有業(yè)務(wù)意義的提升值）。通常原因是樣本量不足或?qū)嶒?yàn)周期不夠長(zhǎng)（尤其對(duì)留存率）。決策：延長(zhǎng)實(shí)驗(yàn)時(shí)間或擴(kuò)大流量比例，收集更多數(shù)據(jù)再評(píng)估。
低置信度放棄：效果既不統(tǒng)計(jì)顯著，點(diǎn)估計(jì)也顯示無(wú)提升或負(fù)向，且業(yè)務(wù)邏輯上也無(wú)亮點(diǎn)。決策：放棄當(dāng)前策略，探索其他方向。
四、策略迭代置信度評(píng)估模型
產(chǎn)品經(jīng)理最終需要一個(gè)量化的信心分?jǐn)?shù)來(lái)支持決策。策略迭代置信度評(píng)估模型將統(tǒng)計(jì)推斷與業(yè)務(wù)判斷緊密結(jié)合。
統(tǒng)計(jì)顯著性
目的：量化實(shí)驗(yàn)結(jié)果不是由隨機(jī)波動(dòng)引起的概率。
方法：通過(guò)假設(shè)檢驗(yàn)（見(jiàn)第三節(jié)）計(jì)算P值。當(dāng)P值小于預(yù)設(shè)的顯著性水平α（如0.05），我們拒絕原假設(shè)（認(rèn)為實(shí)驗(yàn)組與對(duì)照組無(wú)差異），接受差異真實(shí)存在。但P值大小本身不代表效果大小。
置信區(qū)間補(bǔ)充：報(bào)告效果估計(jì)值（如留存率提升2%）及其95%置信區(qū)間（如[0.5%,3.5%]）比單純看P值更有信息量。區(qū)間不包含0也說(shuō)明統(tǒng)計(jì)顯著，且能看出效果的可能范圍。
業(yè)務(wù)顯著性
目的：評(píng)估觀察到的、統(tǒng)計(jì)顯著的差異是否對(duì)業(yè)務(wù)目標(biāo)產(chǎn)生實(shí)際有意義的影響。
評(píng)估維度：
效果規(guī)模：絕對(duì)提升值（如留存率提升2個(gè)百分點(diǎn)）和相對(duì)提升比例（如提升10%）是否達(dá)到或超過(guò)實(shí)驗(yàn)前設(shè)定的最小可檢測(cè)效應(yīng)(MDE)？MDE應(yīng)基于業(yè)務(wù)目標(biāo)和資源投入來(lái)確定。
核心指標(biāo)一致性：該策略是否同時(shí)提升或至少不損害其他核心指標(biāo)（如留存率提升的同時(shí)，人均時(shí)長(zhǎng)也增長(zhǎng)或保持穩(wěn)定）？
用戶價(jià)值與商業(yè)價(jià)值：提升是否帶來(lái)可感知的用戶體驗(yàn)改善？是否能轉(zhuǎn)化為商業(yè)收益（如增加用戶生命周期價(jià)值LTV、提高廣告收入）？
成本收益分析：策略實(shí)施的成本（計(jì)算資源、工程復(fù)雜度、內(nèi)容運(yùn)營(yíng)成本）是否遠(yuǎn)低于其帶來(lái)的收益？
風(fēng)險(xiǎn)可控性：策略是否存在潛在的重大風(fēng)險(xiǎn)（如用戶流失風(fēng)險(xiǎn)、內(nèi)容安全風(fēng)險(xiǎn)、系統(tǒng)穩(wěn)定性風(fēng)險(xiǎn)）？是否可控？
模型構(gòu)建與應(yīng)用
模型核心：該模型不是一個(gè)單一公式，而是一個(gè)決策框架，強(qiáng)制要求產(chǎn)品經(jīng)理同時(shí)審視統(tǒng)計(jì)結(jié)果和業(yè)務(wù)影響。
輸入：統(tǒng)計(jì)檢驗(yàn)結(jié)果（P值、置信區(qū)間、效果量估計(jì)）、業(yè)務(wù)指標(biāo)變化數(shù)據(jù)（核心指標(biāo)、輔助指標(biāo)、成本數(shù)據(jù)）、預(yù)設(shè)的業(yè)務(wù)目標(biāo)（MDE）。
輸出：一個(gè)定性的置信度等級(jí)（如：高–可全量；中–需小流量觀察或深入分析；低–放棄）或一個(gè)結(jié)合統(tǒng)計(jì)顯著性和業(yè)務(wù)影響程度的量化評(píng)分（需自定義權(quán)重）。
應(yīng)用要點(diǎn)：
統(tǒng)計(jì)顯著是必要非充分條件：沒(méi)有統(tǒng)計(jì)顯著，業(yè)務(wù)顯著性無(wú)從可靠談起（可能是噪音）。但僅有統(tǒng)計(jì)顯著遠(yuǎn)遠(yuǎn)不夠。
業(yè)務(wù)判斷需量化支撐：盡可能用數(shù)據(jù)說(shuō)明業(yè)務(wù)影響（如“留存提升帶來(lái)預(yù)計(jì)X%的DAU增長(zhǎng)，價(jià)值Y萬(wàn)元”）。避免純主觀判斷。
權(quán)衡取舍：當(dāng)不同指標(biāo)出現(xiàn)沖突（如CTR升但留存降），需要產(chǎn)品經(jīng)理基于業(yè)務(wù)優(yōu)先級(jí)進(jìn)行量化權(quán)衡（如留存率每提升1%的價(jià)值遠(yuǎn)高于CTR提升1%）。
迭代更新：置信度評(píng)估不是一次性的。全量上線后仍需監(jiān)控長(zhǎng)期效果（尤其是留存），根據(jù)實(shí)際表現(xiàn)動(dòng)態(tài)調(diào)整策略置信度。
【逗比萌獸+強(qiáng)強(qiáng)虐渣復(fù)仇+相愛(ài)相殺+1v1雙潔+團(tuán)寵+反團(tuán)寵】她是天生的瞎子 被同胞親姐剖心挖靈根， 丟下萬(wàn)丈深淵 身死之際， 漫天的雷光中， 藍(lán)星第一玄術(shù)師鳳瑤重生而來(lái)， 替她在地獄之中睜開(kāi)了眼。 天生的瞎子 開(kāi)玩笑， 那可是曠古決絕的鴻蒙紫瞳 被挖靈根？ 沒(méi)關(guān)系， 挖掉了廢的那一半， 她還有一根完整的極品靈根！ 被剖了心？ 一顆凡心而已， 上古妖龍的龍心了解下！ 在鳳瑤的字典里報(bào)仇不過(guò)夜， 低調(diào)謙虛見(jiàn)鬼吧！ 虐渣， 搶資源， 斗極品， 手刃仇人！ 至此， 鳳瑤在九重天開(kāi)始譜寫她的絕世傳奇。 只是， 不管走到那里， 總有一個(gè)邪魅妖異的恐怖男人追著找他要心！ 起初是要心， 后面追著追著畫(huà)風(fēng)就變成了 求圓房！ 還有這幾個(gè)稀奇古怪的強(qiáng)悍妖寵， 說(shuō)好的軟萌可愛(ài)呢， 怎么畫(huà)風(fēng)一個(gè)比一個(gè)古怪清奇
