多Agent并行干活上下文怎么不打架:子Agent隔离和共享记忆怎么配

AI Agent记忆层实践:从共享记忆到多Agent协作的工程化指南 在AI Agent应用落地中,上下文窗口的物理限制、跨会话遗忘与多Agent状态分散,是制约复杂系统稳定性的核心痛点。记忆管理作为连接模型推理与工程实践的枢纽,正从单实例的存储功能演变为独立的服务化记忆层。其底层依赖向量检索技术实现语义召回,结合元数据过滤与分层存储模型,支撑跨Agent的共享读写、权限隔离与生命周期治理。LangChain等主流框架已提供标准化接入方式,使多Agent协作场景下信息沉淀与复用成为可能。针对记忆串号、冲突覆盖和隐私控制等工程难题,可围绕命名空间隔离、时间戳策略与先查再写原则构 阅读详情

场景:三个 Agent 同时改一个仓库,跑到一半有人失忆、有人重复劳动、有人把别人的改动覆盖掉。
结论:多 Agent 协作的瓶颈不在模型,在上下文——把探索塞进子 Agent 隔离、把状态写到外部文件、把记忆当代码版本化,三件事做好就不打架。
承诺:本文给出上下文预算参数表、一份可落地的协作骨架、三个必踩的坑,照着做能让长任务不飘。
📌 全文 6 节 · 主线:先认清上下文是有限资源,再搭隔离与记忆机制,最后用版本化兜底。

🎯 一、问题现场

一个多 Agent 改代码的任务:主 Agent 负责规划,一个子 Agent 读代码库定位问题,一个子 Agent 写测试,一个子 Agent 改文档。跑到第 20 分钟开始出问题——主 Agent 忘了最初的目标,写测试的子 Agent 重复实现了别人做过的功能,文档 Agent 把代码 Agent 刚改的接口写成了旧版。

这类问题难查在于每个 Agent 单独看都「在正常干活」,错误发生在交接处。根因是上下文窗口是有限资源:随着对话变长,模型对其中信息的使用能力会下降(称为 context rot),再多的 token 不等于更好的结果。三个 Agent 如果把读到的所有东西都往主上下文里堆,主线程很快就淹没在噪音里。

🔢 二、关键参数

参数典型值/范围影响什么出处
上下文窗口有限资源,随填充质量下降长任务准确性[官方] 上下文工程共识
压缩触发时机接近窗口上限时做 compaction保留决策、丢弃探索噪音[官方] 长任务实践
中间摘要频率每 3 步写一次结构化摘要避免临时抱佛脚压缩[推算] 工程经验
子 Agent 返回物只回结论摘要,不回全量保持主线程上下文干净[官方] 子 Agent 隔离原则
共享记忆载体外部文件(如 SUMMARY.md)跨会话/跨重置存活[官方] 结构化笔记法
记忆版本化每次改动 git 提交一次 diff可追溯、可回滚[官方] 上下文即代码
项目记忆文件CLAUDE.md / AGENTS.md自动加载的规范与命令[官方] 开放标准
检索 vs 硬塞给轻量引用,按需拉取上下文预算效率[官方] just-in-time 检索

怎么读这张表:这是一套「省上下文」的组合拳。子 Agent 隔离和结构化笔记是主力,压缩和 JIT 检索是辅助。最关键的是「记忆版本化」那一行——模型输出不确定,但共享记忆的每次变更是确定的,谁能改、改了什么都可查,这是长会话可靠性的真正地基。

💻 三、最小可运行实现

下面是一份多 Agent 协作的项目骨架(以通用 Agent 框架的调用序列示意,非特定产品 API,未实机验证):

<!-- AGENTS.md:每个 Agent 自动加载,把不重复的规范写在这里 -->
## 项目
嵌入式固件仓库,C + CMake。
## 命令
- 构建:cmake --build build
- 测试:ctest --test-dir build   # 每次改动后必跑
## 约定
- 不要改 /generated 下的构建产物
- 数据库改动需迁移脚本,禁止手改 schema
## 记忆
- 进度写 progress.md,每次关键步骤后更新
-  submodule 改动先在 SUMMARY.md 记一句再动手
# 主 Agent 的任务调度伪代码(示意)
for 子任务 in [定位问题, 写测试, 更新文档]:
    result = spawn_subagent(
        task=子任务,
        instructions="只返回结论摘要,不要返回你读过的全部文件内容",
        context=精简引用   # 给文件路径,不给全量内容
    )
    # 每个关键步骤后写结构化摘要到外部文件
    append(progress.md, f"[{子任务}] 完成:{result.summary}")
    commit(progress.md)   # 记忆当代码版本化,一次改动一次提交
# 上下文接近上限时:compaction——保留决策/待办/未解问题,丢弃探索噪音

放在哪:AGENTS.md 放仓库根目录自动加载;progress.md、SUMMARY.md 作为共享记忆进版本库。怎么触发:每个子 Agent 只拿精简引用,返回摘要;主 Agent 每步写进度并提交。预期输出:主上下文始终只保留高信号信息,任何时刻新开一个 Agent 读 progress.md 就能接上进度,跑偏时 git 回滚到上一版记忆即可。

⚠️ 四、三个必踩的坑

坑 1:共享记忆不版本化,改动被覆盖无从追溯。 现象:两个 Agent 同时改 SUMMARY.md,后写的覆盖先写的,任务跑偏却查不出谁改的。原因:模型输出不确定,多人写同一文件必有冲突 [官方]。规避动作:把记忆文件纳入 git,每次改动提交一次 diff,跑偏时直接回滚到上一版,而不是从头重跑整条链路。

坑 2:子 Agent 把全量内容倒回主上下文。 现象:主 Agent 上下文迅速膨胀,几轮后开始「失忆」、重复劳动。原因:子 Agent 阅读文件后如果把全部内容返回,主线程被噪音淹没(context rot)[官方]。规避动作:明确要求子 Agent 只回紧凑摘要;探索、读文件、追引用这类脏活在子 Agent 自己的上下文里烧掉,主线程只做协调。

坑 3:等上下文快爆了才压缩。 现象:临近上限时一次性 compaction,丢掉了关键决策或遗留 bug,接不上进度。原因:临时压缩难以判断什么该留 [推算]。规避动作:每 3 步主动写一次中间摘要,把已完成的事压成几句话、原始细节归档;把缓存命中率、上下文膨胀速度当生产指标监控。

📋 五、上手核对清单

  • 在仓库根目录建 AGENTS.md(或 CLAUDE.md),写清命令与约定
  • 建立外部进度文件 progress.md / SUMMARY.md,并纳入版本库
  • 每个子任务明确要求「只返回结论摘要」
  • 主 Agent 给子 Agent 文件路径等轻量引用,而非全量内容
  • 每完成一个关键步骤写一次结构化摘要并提交
  • 配置压缩机制,保留决策/待办/未解问题的优先级
  • 用 just-in-time 检索替代一次性全量加载

💡 六、结论与边界

结论:多 Agent 不打架的关键是把上下文当稀缺预算管理——探索隔离到子 Agent、状态落到外部文件、记忆进版本库,三者缺一不可。以上原则来自公开的上下文工程实践与多 Agent 协作经验,压缩阈值、每 3 步摘要等为工程推算值;具体频率需按任务长度和框架调整,本文为方法论拆解,未绑定特定产品实测。

Pi中配方案:从单Agent到多Agent共享技术栈的工程实践 在人工智能应用开发中,Agent的智能化水平并非唯一瓶颈,真正决定项目长期价值的是其背后的技术栈复用能力。许多开发者从提示词工程起步,能快速实现单个Agent对话,但当涉及多任务协作时,上下文管理、工具调用、任务编排与错误恢复等公共模块的重复建设便成为主要障碍。共享Agent技术栈正是为解决这一问题而生,它将模型接入、记忆管理、工具注册、技能包等能力下沉为可复用的底座,让不同业务Agent在统一运行时上各司其职。这种中配方案强调“够用优先”,适配本地或单机部署,支持5至20个常用工具,兼顾稳定性与维护成本。 阅读详情

相关推荐

OpenViking:为多Agent系统构建语义化共享记忆基础设施

在多Agent系统中,‘记忆’并非简单数据存储,而是支撑协同决策的认知基座。传统KV存储或数据库缺乏对Agent身份、业务域和时效版本的原生支持,导致信息孤岛、语义歧义与快照混乱。OpenViking通过三层记忆路由——Agent集群注册(身份治理)、记忆域隔离(空间管控)、上下文快照(时间锚定)——将记忆抽象为可寻址、可追溯、可协同的语义资源。它不替代大模型,而是让OpenClaw等轻量级Agent框架具备类人类小组的共享认知能力,在金融风控、电商客服、工业运维等场景中显著提升条款交叉验证效率、首次解决率

weixin_31236101的博客 245

上下文不等于记忆:从单Agent到多Agent协作,记忆系统是关键

这篇文章是我对视频和博客以及之前自己零散的理解做的一次梳理,如果你也对memory有些困惑,希望这篇文章可以给你一些帮助~😊

2401_82469710的博客 751

多Agent共享记忆实战:MCP协议与持久化存储设计

在AI Agent工程化实践中,模型能力往往不是瓶颈,如何管理多智能体协作中的上下文状态才是核心挑战。上下文窗口本质上是短期工作区,而真正的记忆需要解决持久化、共享、结构化、可接入四类问题。MCP(Model Context Protocol)作为标准化工具接入协议,将记忆能力封装为即插即用的服务,让不同Agent能跨会话读取决策记录与任务状态。与RAG侧重外部知识召回不同,共享记忆更关注状态同步与写入更新,向量数据库则负责提供底层相似度检索能力。在落地路径上,应遵循最小闭环原则:先验证写入-读取-重启恢复

weixin_28678151的博客 284

上下文不等于记忆:从单Agent到多Agent协作!

首先,你需要区分,可见性与持久性。其次,记忆必须通过模式来设计流程和评估循环。再者,只有当记忆系统可靠且有用时,智能体本身才能变得可靠且有用。AI 的未来,不仅仅在于更强的模型,更在于更强的记忆。它让Agent拥有了时间感,拥有了经验,更拥有了与小伙伴们并肩作战的信任基础。👥。

h1453586413的博客 745

OpenViking+OpenClaw多Agent共享记忆架构实战

多Agent系统中的上下文一致性是人机协同落地的核心挑战,其本质是分布式执行单元间的语义化状态同步问题。传统缓存或向量数据库难以兼顾确定性检索、角色感知与低延迟同步三大刚性需求。OpenViking作为专为Agent协作设计的语义化记忆中枢,通过角色图谱索引、语义锚点提取和时效衰减机制,实现带因果链、可追溯、低延迟的记忆管理。它与OpenClaw主从架构深度集成,支撑科研辅助、企业知识管家等需长期上下文连贯性的场景,显著降低任务重述率与协作轮次。

weixin_31423955的博客 349

MCP协议下多Agent共享持久化记忆实战:从概念到落地

AI Agent在执行复杂任务时,上下文窗口有限且无法跨会话保留信息,导致每个智能体都像“金鱼”一样失忆。MCP(模型上下文协议)作为AI应用连接外部工具的标准开放协议,为记忆的标准化访问提供了全新思路。Memento正是基于MCP构建的共享持久化记忆中间件,它通过实体、关系、观察三层数据模型,将散落的上下文沉淀为可检索的知识图谱,让多个Agent能够共同维护和复用团队级记忆。本文从记忆分层原理出发,讲解MCP的Tools、Resources、Prompts核心机制,并给出完整的Python实战示例,演示如

weixin_29061425的博客 270

收藏|上下文≠记忆:从单Agent到多Agent协作,记忆系统才是破局关键

首先,你需要区分,可见性与持久性。其次,记忆必须通过模式来设计流程和评估循环。再者,只有当记忆系统可靠且有用时,智能体本身才能变得可靠且有用。AI 的未来,不仅仅在于更强的模型,更在于更强的记忆。它让Agent拥有了时间感,拥有了经验,更拥有了与小伙伴们并肩作战的信任基础。👥。

AI大模型的博客 1195

基于MCP协议的多Agent共享持久记忆服务实现

多智能体协作中,记忆断层是影响系统效率的关键瓶颈。单个Agent的上下文窗口有限,多Agent之间又缺乏共享机制,导致重复询问与任务中断频发。MCP(模型上下文协议)作为AI应用与外部工具间的开放通信标准,为记忆服务提供了统一的接入方式。通过持久化存储层设计,将Agent的长期记忆从上下文中剥离,实现跨会话、跨Agent的知识复用。本文以Memento为例,解析如何基于MCP构建共享记忆层,涵盖数据模型、工具接口设计、SQLite存储实现及多Agent接入实践。适用于LLM应用开发者与多Agent系统设计者

weixin_29038155的博客 350

Paperclip 多 Agent 共享记忆实战指南:用 Hindsight 让整个 Agent 舰队共享同一套长期记忆

本指南围绕 `@vectorize-io/hindsight-paperclip` 插件讲解如何在 Paperclip 实例中构建"安装一次、全员共享"的 Agent 记忆体系:通过 `dynamicBankId` / `bankId` / `bankGranularity` 三个配置项,你可以自由选择让所有 Agent 汇聚到同一个记忆库(institutional bank),还是按公司、Ag

gitblog_00834的博客 223

知识点15:LangChain Memory 与多Agent共享记忆

在本节课中,我们学习了LangChain的Memory组件以及如何实现多Agent之间的共享记忆。首先,我们详细讲解了会话记忆(ConversationBufferMemory),它是LangChain中最基础的记忆类型,用于存储和管理对话历史。ConversationBufferMemory简单易用,但不适合长期保存大量对话历史。然后,我们学习了全局记忆(外部数据库),它通过将记忆内容存储在外部数据库中,实现了记忆的持久化存储和多Agent之间的共享。我们以Redis为例,展示了如何实现全局记忆组件。

lpfasd123的博客 1050

SAP ABAP MIGO增强实战:自定义页签与字段的完整实现指南

本文详细介绍了SAP ABAP中MIGO增强的实战指南,包括自定义页签与字段的完整实现步骤。通过BADI增强技术,开发者可以快速满足企业个性化需求,如添加供应商批次号等特殊字段。文章涵盖数据存储结构设计、BADI框架实现、核心方法编写及数据持久化方案,帮助用户高效完成MIGO屏幕增强开发。

study的专栏 779

多个AI智能体并行干活如何不打架?Hermes Agent多智能体协作与任务分配完整指南

想象一个翻车现场:你让 4 个 AI 智能体同时推进一个大任务,结果两个智能体同时改同一个文件,第三个干完了却没人把成果递给下一个,最后整件事烂尾——而且没人能指出是哪个环节的错。这不是假设,而是多智能体协作最常见的死法。 Hermes Agent(一句口号:The agent that grows with you)把这个混乱场景当成了一等公民来设计:它有明确的任务分配流程、给每个子智能体的独

gitblog_00687的博客 486

利用eds editor生成CANOPEN 设备eds文件

通过以上步骤,您可以根据实际设备的功能特性,自动生成一份符合CANopen协议标准的电子数据表(EDS文件),该文件可以被上位机软件或其他CANopen主站设备用于识别、配置和控制您的CANopen从站设备。使用CANopen EDS Editor生成CANOPEN设备的EDS文件是一个系统化的过程,它涉及将设备的具体技术参数和功能映射到CANopen规范定义的对象字典中。

weixin_38604759的博客 6464

当 5 个 Agent 共享一份记忆:多 Agent 协作的上下文难题

拿"用户管理模块的业务规则"来说——代码审查 Agent 需要知道实现约束,客户支持 Agent 需要知道功能边界,文档 Agent 需要知道 API 细节,数据分析 Agent 需要知道指标含义,项目管理 Agent 需要知道负责人和进度。Workspace 的权限配置在 Agent 数量多的时候会变得复杂——5 个 Agent 还好管理,如果是 20 个 Agent,权限矩阵的设置和维护成本会明显上升。你可以设这样的规则:代码审查 Agent 对"技术知识库"有读写权限,对"客户知识库"只有只读权限。

Database_Cool_的博客 171

pe卸载win10更新补丁_禁用Win10系统更新

众所周知,最近WIN10的强制更新导致了很多问题。如:(部分专业软件系统更新后无法使用,硬件中键盘、鼠标、指纹之类的硬件,更新补丁后失灵等问题)。而之前的禁用WindowsUpdate的方法已经失效。下面我们另辟蹊径,利用系统权限的方法使Win10无法更新,达到禁用更新的目的。1.计算机管理-服务中禁用Windows Update服务。2.打开C:\Windows\softwareDistribu...

weixin_39702479的博客 1万+

用 ST02 看懂 ABAP 系统内存:Tune Summary 中的内存资源监控实战

摘要:ST02是SAP ABAP应用服务器内存监控的核心工具,提供实例级内存快照,重点关注Extended Memory(EM)、Heap Memory(PRIV)等关键指标。与ST06、SM50等工具联动使用,可有效诊断内存瓶颈问题。ST02特别适用于多实例系统的分布式分析,通过观察EM的Max.use是否接近上限、工作进程是否频繁进入PRIV模式等,判断内存配置是否合理。其Mode List功能还能定位具体用户会话的内存占用情况,区分系统级与程序级问题。该工具应纳入日常巡检清单,尤其在高并发场景下对预防

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1560

learn-claude-code s06 Subagent:给子任务一段独立上下文,用嵌套 Agent Loop 实现上下文隔离与委派

本篇基于 learn-claude-code 教程的新版主线第 s06 章 [s06_subagent/README.zh.md](https://link.gitcode.com/i/a782bef48fb751e6ca33c9b501d5451b),讲清 Subagent(子代理)机制:当父 Agent 需要追踪调用链、通读一批文件时,中间产物会持续堆在父循环的 `messages[]` 里;

gitblog_01183的博客 802

华为MetaERP Oracle EBS OM(订单管理)模块详解作为ERP财务解决方案架构师,理解OM模块的业务全景和数据模型至关重要。OM是EBS分销链路的核心引擎,贯穿“订单到收款“(Orde

Oracle EBS OM模块是管理销售订单全生命周期的核心模块,涵盖客户管理、订单执行、发运开票、定价及信用控制等功能。其标准流程包括订单录入、预订、发放、发运确认和自动开票等环节,核心数据表涉及订单、客户、发运和定价等业务对象。OM模块与库存、应收、发运等模块深度集成,架构师需重点设计订单类型、信用控制策略和自动开票接口等关键环节,确保业务流程高效流转。

金牌架构师 365

Git Worktree隔离上下文,实现多AI Agent并行开发实战

在多任务并行开发中,AI编程助手常因上下文污染和变更边界模糊而效率低下。版本控制系统的分支机制天然提供了变更隔离能力,而Git Worktree进一步将分支与独立工作目录绑定,让每个工作目录拥有独立的索引、提交历史与文件状态。这种机制使得每个Agent会话能在各自的工作树中专注单一任务,共享同一对象库却互不干扰。通过合理的任务拆分与分支对话设计,团队可以在同一仓库中同时驱动多个Agent完成接口开发、缺陷修复等独立模块,并在合并阶段集中验证。本文结合真实示例,展示如何利用Git Worktree构建多Age

weixin_42529328的博客 231

SAP 系统和银行系统通过 SM2 加密算法进行集成

SM2 是基于椭圆曲线离散对数问题(ECDLP)的一种公钥密码算法。椭圆曲线加密的核心原理,是利用了一个数学难题:在椭圆曲线群上,已知曲线上两点的运算结果,逆向推导出这两个点的具体信息是非常困难的。这样的复杂度使得基于椭圆曲线的密码体制比传统的 RSA 更加难以破解。在 SM2 加密中,公钥和私钥的生成与传统的椭圆曲线加密类似。选择一个椭圆曲线和一个基点 P。使用私钥 d,计算公钥 P’ = d * P。私钥 d 保密,而公钥 P’ 可公开分发,用于加密数据。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1216

vue3:实现ECharts3D地图详细示例,echarts实现3D地图map3D,vue3如何利用echarts绘制3d地图立体城市省市地区分布,可视化数据大屏3D炫酷中国地图(复制源码,开箱即用)

echarts实现中国地图记录篇之3D地图,Echarts地图之——如何让地图显示出3d感,【3d地图】vue中使用echarts geo3D,echarts实现某个市3D地图展示,vue3中使用echarts实现中国地图,3D地图图表,echarts实现3D地图——map3D,数据大屏3d地图,vue3+echarts绘制中国地图,3D地图,省、市、县,【3d地图】vue3中使用echarts geo3D,echarts实现某个市3D地图展示,ECharts3D地图(详细示例——附有具体注释),echar

✅ 精选推荐文章 3680

笔记即记忆:用MCP为Agent构建共享上下文空间

大语言模型本身不具备跨会话记忆,Agent在真实工作流中常因上下文断层而反复需要人工补充背景。MCP(模型上下文协议)为此提供了一条标准化路径,它像USB接口一样连接外部数据源,让笔记应用可以成为Agent的外部记忆。基于这一思路,笔记软件不再只是给人回顾的工具,而是人与多个Agent共同维护的共享上下文空间。通过将项目背景、决策记录和避坑清单整理为结构化笔记,并经由MCP暴露给Agent,能显著降低上下文重建成本,增强多Agent协作的连续性。这种“笔记即记忆”的轻量方案,适合个人开发者与小团队快速构建可

weixin_34310369的博客 376

微信小程序 “net::ERR_CONNECTION_REFUSED” 报错大揭秘与破解之道

在微信小程序开发与运行过程中,“net::ERR_CONNECTION_REFUSED” 报错是开发者常遇难题。该错误意味着小程序与服务器连接建立失败,会导致功能无法使用、数据加载异常等问题,严重影响用户体验和业务运转。本文系统剖析此错误,从网络环境不佳、服务器异常、小程序配置有误等常见触发场景入手,提供网络、服务器、配置、代码等多维度排查步骤,给出针对性解决策略,如修复网络、处理服务器故障、修正配置与代码错误,还提出开发与运维阶段的预防措施,助力开发者高效解决该报错问题。

邓邓子的博客 6151

多Agent系统实战指南:主从模式、子代理与共享记忆设计解析

大语言模型驱动的智能体应用正从单一个体向群体协作演进。多Agent系统让多个具备独立推理能力的子代理协同工作,其核心架构常见为主从模式:主Agent负责请求路由与任务拆解,子代理则被设计成可调用的“智能工具”,需要明确职责边界、上下文输入和结果格式。协作过程中,共享记忆作为公共黑板,借助向量数据库与置信度机制,确保信息检索的准确性与可追溯性。这种技术能够提升复杂任务的处理效率与可控性,尤其适合产品研发、自动化测试、情报分析等需要多角色协作的AI应用场景。结合清华多Agent课堂的启发与实战经验,可从中掌握如

weixin_28235513的博客 336

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

TencentDB Agent Memory:构建多Agent团队级共享记忆中心

在AI Agent应用中,上下文管理是决定协作效率的关键。Agent Memory(代理记忆)作为持久化记忆管理机制,将运行状态与历史决策沉淀到数据库层,帮助多个Agent实现团队级共享与隔离。TencentDB Agent Memory基于云数据库能力,提供了统一的存储、检索与生命周期管理方案。结合向量检索技术,它支持语义级的历史记忆召回,让智能客服、自动化运营等场景中的Agent能够跨会话复用知识。从单机缓存到数据库级记忆中枢,这一架构演进解决了多Agent协作中的数据一致性问题。

anjichan4261的博客 496

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

多Agent协作利器:Atlas如何打通Claude Code与Codex的共享记忆

在AI编码工具日益普及的今天,Claude Code与Codex等编码Agent已成为开发者日常工作中的得力助手。然而,多代理协作的痛点也随之浮现:每个Agent各自维护独立封闭的上下文,导致关键决策、技术约束和项目状态无法在它们之间自动同步,重复劳动与决策冲突频繁发生。共享记忆层作为一种系统化解决方案,通过统一存储和检索机制,让不同Agent在同一个项目上实现记忆互通。依托MCP协议这一标准化接入方式,Atlas工具在不修改Agent内核的前提下,为Claude Code与Codex提供了公共记忆空间,支

weixin_28678151的博客 284

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

上一篇: RT-Thread线程栈给多大:list_thread三成使用率怎么救回RAM
下一篇: 多个STM32跑micro-ROS互相掉线:DDS端口按唯一ID怎么分
嵌入式单片机实验室
嵌入式单片机实验室 优质创作者: 嵌入式与硬件开发技术领域 优质创作者: 嵌入式与硬件开发技术领域
博客等级 码龄11年 4万+粉丝 639原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

嵌入式单片机实验室

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址