【AI应用进阶之旅】LangChain大语言模型LLM面试题:RAG 知识库

Java开发者LLM应用实战:Spring AI、LangChain4j与RAG Agent路线 大模型应用开发正成为Java后端开发的新方向,如何利用熟悉的技术栈快速构建LLM应用是许多开发者关注的核心问题。Spring AI 与 LangChain4j 为Java生态提供了统一的模型接入与编排能力,让开发者无需深入Python生态即可实现模型对话、工具调用、知识库问答与智能体编排。RAG技术通过检索增强生成,使模型能够基于业务文档给出可靠回答,而Agent则将模型从文本生成器升级为任务执行者,自动规划并调用工具完成多步操作。从环境搭建到最小Demo,从工具调用到知识库检索,再到Agent循环设计,该 阅读详情

本文整理了 LangChain RAG 知识库(中高级) 相关的 20 道重点面试题,内容涵盖 RAG 核心流程、文档加载与解析、Document 数据结构、文本分块、Embedding 向量化、VectorStore 向量存储、Weaviate 集成、Retriever 检索机制、ParentDocumentRetriever 父子文档检索、Metadata Filtering 元数据过滤、Hybrid Search 混合检索以及 Rerank 重排序等核心知识点。

每道题都结合实际 AI 应用开发场景,补充了核心原理、实现思路和必要的 Python 代码示例,帮助开发者深入理解 RAG 知识库的构建过程与检索优化机制,掌握从文档解析、向量存储到精准检索的完整技术链路。

本文适合 AI 应用开发人员学习与复习,建议结合 LangChain、Weaviate 等技术进行实践,加深对 RAG 核心原理的理解,提升项目实战能力与面试应对能力。

一、LangChain 如何实现 RAG?

RAG(Retrieval-Augmented Generation,检索增强生成)是一种将外部知识检索与大语言模型生成结合起来的技术。

它的核心思想是:先从知识库中检索与用户问题相关的文档,再将检索结果作为上下文交给大语言模型生成答案。

使用 LangChain 实现 RAG,主要分为两个阶段:

第一阶段:知识库构建

  1. 使用 Document Loader 加载文档。
  2. 使用 TextSplitter 对文档进行分块。
  3. 使用 Embeddings 将文本转换为向量。
  4. 将向量和文档存储到 VectorStore。

第二阶段:检索与生成

  1. 接收用户问题。
  2. 将问题转换为向量。
  3. 从向量数据库检索相关文档。
  4. 将检索结果和用户问题组合成 Prompt。
  5. 调用大语言模型生成答案。
    在这里插入图片描述

简单代码:

# retriever:知识库检索器
# prompt:提示词模板
# llm:大语言模型

chain = (
    {
   
   
        "context": retriever,
        "question": RunnablePassthrough()
    }
    | prompt
    | llm
    | StrOutputParser()
)

result = chain.invoke("什么是 LangChain?")

二、LangChain 的文档加载器有哪些?

LangChain 提供了 Document Loader(文档加载器),用于从不同的数据源读取内容,并统一转换成 Document 对象。

常见的文档加载器包括:

加载器 作用
PyPDFLoader 加载 PDF 文档
PyMuPDFLoader 使用 PyMuPDF 加载 PDF
TextLoader 加载 TXT 文本
Docx2txtLoader 加载 Word 文档
UnstructuredExcelLoader 加载 Excel 文档
CSVLoader 加载 CSV 文件
WebBaseLoader 加载网页内容
JSONLoader 加载 JSON 数据
DirectoryLoader 批量加载目录中的文件

示例:加载 PDF。

from pypdf import PdfReader
from langchain_core.documents import Document

reader = PdfReader("test.pdf")
documents = []

for page_idx, page in enumerate(reader.pages):
    page_text = page.extract_text()
    if not page_text:
        continue
    doc = Document(
        page_content=page_text,
        metadata={
   
   
            "source": "test.pdf",
            "page": page_idx + 1
        }
    )
    documents.append(doc)

for doc in documents:
    print(doc.page_content)
    print(doc.metadata)

总结:

文档加载器负责将不同格式的数据统一转换为 Document,方便后续进行分块、向量化和检索。

三、什么是 Document?

Document 是 LangChain 中用于表示文档数据的核心数据结构,主要包含两个部分:

  • page_content:文档的实际文本内容。
  • metadata:文档的元数据信息。

示例:

from langchain_core.documents import Document

doc = Document(
    page_content="LangChain 是一个 LLM 应用开发框架。",
    metadata={
   
   
        "source": "langchain.pdf",
        "page": 1
    }
)

print(doc.page_content)
print(doc.metadata)

总结:

Document 用于统一管理文档内容和附加信息,是 LangChain 中文档加载、分块、检索等环节的重要数据结构。

四、Document 中的 page_content 和 metadata 分别是什么?

page_content 和 metadata 是 Document 的两个核心属性。

属性 作用 示例
page_content 存储文档正文 LangChain是一个LLM开发框架
metadata 存储文档附加信息 文件名、页码、知识库ID

示例:

doc = Document(
    page_content="RAG 是检索增强生成技术。",
    metadata={
   
   
        "source": "rag.pdf",
        "page": 3,
        "knowledge_base_id": "kb_001"
    }
)
AI Agent+RAG组合拳:从架构到实战的知识库问答指南 在人工智能应用落地中,RAG(检索增强生成)通过外部知识库为大模型提供事实依据,而AI Agent则赋予模型规划、行动与反思的自主决策能力。二者结合形成的Agentic RAG,不仅能解决传统检索中多跳问题、查询表达不匹配及幻觉等痛点,还能通过多轮检索、查询改写和工具调度,显著提升知识库问答的准确性与可解释性。本文从向量检索、混合召回、Agent编排到Graph RAG与评估体系,系统拆解了实际项目中的完整落地路径,涵盖LangChain、Spring AI等主流技术栈,并给出银行、通信等行业场景的实践经验 阅读详情

相关推荐

【AI应用进阶之旅】LangChain大语言模型LLM面试题:LangChain 基础知识

本文梳理了LangChain基础面试题,涵盖核心组件(如ChatModel、PromptTemplate、OutputParser、Runnable等)、模型调用、提示词管理、消息类型及流式/异步调用机制。通过代码示例解析了从模型调用到流程编排的完整开发流程,强调LCEL与Runnable在现代LangChain应用中的核心地位,助力开发者掌握RAG、Agent等进阶技术的基础能力。

程序员林北北的博客 470

AI应用开发实战:Agent、RAG、LangChain与LangGraph核心架构解析

如果你正在准备AI大模型相关的面试,或者想系统学习如何构建真正可用的AI应用,那么这篇文章就是为你准备的。你可能已经看过很多零散的教程,知道Agent、RAG、LangChain这些词很火,但面对面试官的连环追问,或者想自己动手搭建一个项目时,依然感到无从下手:这些概念之间到底是什么关系?面试到底会问什么?从零开始搭建一个AI应用,正确的学习路径是什么? 这篇文章不会给你一份简单的“面试题答案列表”,因为死记硬背在技术深度面试中毫无用处。相反,我会为你梳理出一条清晰的、从理论到实战的“最小阻力学习路径”。我

weixin_30363509的博客 532

LangChain4j实战:Java工程师如何用Spring Boot构建生产级AI应用

大模型应用开发正从‘调用API’迈向‘工程化编排’,其核心是将LLM能力深度融入现有技术栈。LangChain4j作为Java生态首个面向生产环境设计的LLM框架,以Spring原生集成、可观测性支持、RAG开箱即用和工具链异步容错为关键能力,解决了事务一致性、上下文管理、语义检索与故障隔离等企业级痛点。它不替代Java工程师的领域经验,而是将其熟悉的Bean生命周期、AOP、线程池与监控体系延伸至AI能力层。尤其适合政务、金融等强合规场景,支撑合同审查、政策问答等需法律依据溯源、低延迟、高可靠的服务落地。

weixin_34080571的博客 610

AI大模型面试题库:RAG、Agent、LangChain与DeepSeek核心考点解析

检索增强生成(RAG)和智能体(Agent)是当前AI应用开发的核心技术范式。RAG通过结合外部知识检索与大模型生成,有效缓解了模型的幻觉问题,提升了回答的准确性与事实性。其技术原理通常涉及文档预处理、向量化嵌入、相似性检索以及最终的提示工程与生成。而AI Agent则赋予了大模型自主感知、规划、决策与执行的能力,是实现复杂任务自动化与智能交互的关键。在工程实践中,LangChain和LangGraph等框架为构建基于大模型的应用程序提供了模块化、可编排的组件,大幅降低了开发门槛。DeepSeek作为性能优

weixin_34210740的博客 385

AI Agent实战:12个项目掌握LangChain与RAG系统开发

AI Agent作为人工智能领域的重要分支,通过大语言模型(LLM)赋予机器理解、推理和行动的能力。其核心原理基于思维链(Chain of Thought)设计,使Agent能够分解复杂任务、调用工具并执行多步推理。在技术价值层面,AI Agent实现了从被动响应到主动执行的跨越,显著提升自动化水平和工作效率。应用场景广泛覆盖智能客服、知识管理、流程自动化等领域。本文聚焦LangChain框架实战,通过12个可运行项目系统讲解Agent开发全流程,涵盖RAG系统搭建、多工具调度等关键技术,帮助开发者快速掌握

迷彩风情 418

大模型应用开发核心:Langchain、RAG、Agent与向量数据库Milvus实战解析

在构建基于大语言模型(LLM)的智能应用时,检索增强生成(RAG)和智能体(Agent)是两大核心技术范式。RAG通过从外部知识库检索相关信息来增强大模型的生成能力,有效缓解了模型的“幻觉”问题,提升了答案的准确性和可追溯性。其核心原理是将用户查询和文档转化为向量表示,利用向量数据库进行高效的相似性搜索。向量数据库,如Milvus,专为存储和检索高维向量数据而设计,通过近似最近邻(ANN)算法实现毫秒级检索,是RAG系统的基石。在工程实践中,Langchain框架极大地简化了这一流程,它提供了标准化的组件和

weixin_34293246的博客 410

2026年AI面试核心:Langchain+Milvus+RAG+Agent生产级系统设计全解析

检索增强生成(RAG)是一种将外部知识库与大语言模型结合的技术范式,旨在解决模型幻觉和知识更新问题。其核心原理是通过向量化技术将非结构化文档转换为高维向量,并利用向量数据库进行高效相似度检索,将检索到的相关上下文注入模型提示词中,从而生成更准确、可追溯的答案。这项技术的核心价值在于,它为大模型应用提供了可靠的知识底座,是实现企业级智能问答、知识管理、对话系统等场景的关键。在实际工程实践中,一个健壮的RAG系统通常涉及文档加载、智能文本分割、向量化模型选型、多路召回与重排序等关键环节。本文将以一个基于私有知识

weixin_33046983的博客 293

大模型应用开发实战:Langchain、RAG与Agent技术栈全解析

在人工智能应用开发领域,检索增强生成(RAG)和智能体(Agent)已成为构建复杂AI系统的关键技术范式。RAG通过结合外部知识检索与大语言模型生成,有效缓解了模型幻觉问题,提升了回答的准确性和事实依据。其核心原理在于将非结构化数据转化为向量表示,并利用向量数据库进行高效相似性搜索,从而为模型提供精准的上下文信息。从技术价值看,这使大模型能够突破训练数据的限制,利用最新或私有知识库。在实际应用中,RAG广泛用于智能客服、知识库问答和文档分析等场景。而智能体技术,特别是基于ReAct等框架的Agent,则赋予

weixin_30386713的博客 423

AI应用开发面试:Agent、RAG与LLM工具调用核心考点解析

在AI应用开发领域,Agent架构、RAG技术和LLM工具调用构成了当前最核心的技术栈。Agent作为智能系统的决策中枢,其规划器、记忆模块等组件的设计直接决定了业务场景的智能化水平。RAG技术通过检索增强生成有效解决大模型幻觉问题,其中文档分块、向量检索等关键环节直接影响系统性能。工具调用则是连接AI与真实世界的桥梁,需要掌握协议实现、错误处理等工程实践。这些技术在电商推荐、智能客服等场景中展现巨大价值,也是大厂面试的重点考察方向。本文基于2026年最新面试趋势,深入解析Agent开发、RAG优化等高频考

471

Java开发者LLM实战——使用LangChain4j构建本地RAG系统.markdown-body pre,.markdown-body pre>code.hljs{color:#333;backg

RAG(Retrieval-Augmented Generation)的核心思想是:将传统的信息检索(IR)技术与现代的生成式大模型(如chatGPT)结合起来。具体来说,RAG模型在生成答案之前,会首先从一个大型的文档库或知识库中检索到若干条相关的文档片段。再将这些检索到的片段作为额外的上下文信息,输入到生成模型中,从而生成更为准确和信息丰富的文本。RAG的工作原理可以分为以下几个步骤:1.接收请求:首先,系统接收到用户的请求(例如提出一个问题)。2.信息****检索(R)

2401_85377976的博客 1575

AI Agent实战:从零构建智能体与高频面试题深度解析

大语言模型(LLM)作为AI的核心技术,通过理解与生成自然语言,正驱动着智能应用的变革。其核心原理基于Transformer架构,通过自注意力机制处理序列信息,赋予了模型强大的上下文理解能力。这一技术价值在于,它能够作为智能系统的“大脑”,将自然语言指令转化为可执行的动作序列,从而实现任务自动化。在应用场景上,结合提示工程(Prompt Engineering)和工具调用(Tool Use),LLM可以构建出能够自主规划、执行任务的智能体(AI Agent)。本文聚焦于如何利用这些技术,从环境搭建、核心逻辑

weixin_34416649的博客 316

AI Agent开发实战:RAG与LangChain核心技术栈全解析

AI Agent作为人工智能领域的关键技术,通过自主规划、工具调用和任务执行能力,实现了智能系统的自动化操作。其核心原理基于大语言模型的推理能力,结合外部工具集成,完成复杂任务处理。在技术价值层面,AI Agent能够显著提升工作效率,降低人工干预成本,特别在RAG(检索增强生成)系统的应用中,通过检索外部知识库增强模型生成准确性,有效解决大模型知识滞后和幻觉问题。LangChain作为主流开发框架,提供了链式调用、工具集成等核心功能,而新兴的MCP协议则标准化了模型与工具的交互方式。这些技术在商业项目实战

weixin_32501329的博客 255

LangChain从入门到精通,一篇文章足矣!

‌LangChain是一个基于大型语言模型(LLM)的开源编程框架,旨在简化语言模型应用的开发流程,帮助开发者构建具备上下文感知、外部数据整合及多步骤推理能力的智能应用。其核心目标是通过模块化设计,降低 LLM 技术在企业级场景中的落地门槛。

2501_91381485的博客 1392

大模型应用开发实战:RAG与Agent技术栈七日速成指南

检索增强生成(RAG)和智能体(Agent)是当前构建实用AI应用的两大核心技术。RAG通过将外部知识库与大型语言模型结合,有效解决了模型幻觉和知识更新问题,其原理涉及文档切分、向量化、相似度检索和提示词工程。Agent则基于ReAct等框架,赋予大模型规划、决策和工具调用的能力,实现复杂任务的自动化执行。这些技术为开发者提供了高效构建智能问答、自动化流程等应用的工程化方案。本文以一套热门教程为切入点,系统拆解了从环境搭建、工具链使用到RAG系统构建、Agent开发及低代码平台集成的完整学习路径,并提供了可

weixin_33866037的博客 590

LLM与RAG面试指南:从Transformer原理到Agent工程实践

Transformer架构及其核心的自注意力机制,通过并行计算和长距离依赖建模,奠定了现代大语言模型的基础。其技术价值在于高效处理序列数据,催生了ChatGPT等突破性应用。在实际工程中,为了平衡效果与效率,衍生出MHA、MQA、GQA等注意力变体,并需结合位置编码、解码策略进行优化。这些技术共同支撑了RAG和Agent等核心应用场景。RAG技术通过结合检索与生成,为大模型提供了实时、可信的外部知识源,有效缓解了幻觉问题,是当前企业级AI应用落地的关键技术。在构建RAG系统时,需重点关注文本切分、混合检索(

weixin_30617737的博客 380

基于Milvus与Spring Boot构建企业级RAG知识库:从原理到实战

向量数据库是处理非结构化数据(如文本、图像)的核心基础设施,它通过将数据转换为高维向量并利用相似性搜索原理,使AI模型能够“理解”和检索语义信息。这项技术为AI应用提供了高效、可扩展的数据存储与检索能力,其核心价值在于解决了大语言模型的知识更新、事实依据和幻觉问题。在检索增强生成(RAG)等应用场景中,向量数据库负责存储文档的向量化表示,当用户提问时,它能快速找到语义相关的知识片段。本文聚焦于如何将专业的开源向量数据库Milvus与RAG流程深度结合,并提供了基于Spring Boot和LangChain4

weixin_34248705的博客 307

RAG技术解析:从向量检索到工程化落地的AI应用开发指南

检索增强生成(RAG)是当前AI应用开发的核心技术,它通过将信息检索与大型语言模型生成能力相结合,有效解决了模型“幻觉”问题。其原理是在用户提问时,系统首先从结构化知识库中检索相关信息,再将检索结果作为上下文输入模型生成答案,从而确保回答的准确性和可追溯性。这项技术的核心价值在于将大模型的通用能力与特定领域知识高效结合,实现了从“炫技”到“实用”的转变。在应用场景上,RAG特别适合企业知识库问答、智能客服、文档分析等需要精准信息检索的领域。本文深入探讨了RAG系统的完整架构,包括知识切片、向量化检索、多路召

weixin_34221276的博客 713

大模型面试高频考点解析:LangChain、LangGraph与Langfuse核心原理与实战应用

在大模型应用开发领域,检索增强生成(RAG)和智能体(Agent)是两大核心技术范式。RAG通过结合外部知识检索与大模型生成能力,有效缓解模型幻觉问题,其核心原理涉及文档切分、向量化检索与上下文增强生成。智能体则赋予大模型使用工具的能力,通过感知、规划与行动的循环实现复杂任务自动化。这些技术的工程落地离不开高效的工具栈支持,例如LangChain作为开发框架提供了标准化的组件抽象,而LangGraph则专注于复杂、有状态工作流的编排。在生产环境中,对应用性能与输出质量的监控评估至关重要,这正是可观测性平台的

weixin_34072458的博客 307

告别环境报错:Qt Creator里配置Android SDK/NDK/JDK路径的完整避坑指南

本文详细解析了在Qt Creator中配置Android SDK/NDK/JDK路径的完整避坑指南,深入探讨了路径检测的内部机制、构建套件配置的隐藏逻辑以及项目级与全局配置的优先级。通过实际案例和高级排查技巧,帮助开发者解决常见的环境报错问题,提升Qt安卓开发效率。

weixin_42548829的博客 242

香橙派5使用RK3588S内置NPU加速yolov5推理,实时识别数字达到50fps

香橙派5采用了RK3588S,内置的NPU达到了6Tops的算力,博主这里记录一下自己的踩坑过程,好不容易做出来的不能以后忘记了(手动狗头)。这里博主还在B站上发布了效果视频,大家感兴趣的话可以看一下。其中解决了先验框标注位置不对,或者出现非常多的框的问题

weixin_51651698的博客 2万+

【锂离子电池力学耦合及相场法模拟技术与应用】

8. 电化学仿真软件的使用与案例分析 (1) 各向异性纳米线锂化应力分析(实例讲解1) (2) 化学反应及死锂现象研究(案例分析2)(3) 锂化循环损伤计算(案例分析3)6. 4. 电池材料的力学与电化学耦合性能分析(1) 耦合效应对电池性能的影响(2) 耦合模型的验证与应。5. 5. 电池颗粒、极片、电芯尺度力-电-化-热多场耦合模型概述力学-7. 颗粒尺度耦合模型在电池失效分析中的应用。2. 2. 电池电极材料的分类与特性。5. (2) 耦合模型的验证与应用。电化学耦合模型与仿真。

weixin_51101456的博客 531

WRF模型下中国土地利用数据替换USGS-24分类的完整实践指南

本文提供了在WRF模型中,将中国土地利用数据替换默认USGS-24分类的完整实践指南。详细阐述了替换下垫面数据的必要性,并分步讲解了数据准备、坐标转换、分类体系重映射、格式转换及配置文件修改等核心操作,旨在帮助用户提升针对中国区域的模拟精度。

salt的博客 782

目标检测数据集 第069期-基于yolo标注格式的玻璃清洁状态检测数据集(含免费分享)

但这类技术的落地,离不开大量标注规范、场景丰富的数据集作为算法训练的支撑,玻璃清洁状态检测数据集的出现,正是为了满足这一市场与技术需求。在高校与科研机构的计算机视觉研究中,该数据集可作为基础研究素材,用于探索物体状态识别的算法优化方向,比如针对玻璃这类透明物体的检测算法改进,或是小样本场景下的状态识别研究。通过摄像头采集车窗、挡风玻璃的图像,算法自动检测玻璃清洁度,若识别到脏污影响视线,及时提醒运维人员清洁,避免因玻璃脏污引发的安全事故,提升交通出行的安全性。

深度学习算法工程师,专注于前沿算法研究与实战应用。在这里,我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析,旨在与广大技术爱好者共同探索人工智能的奥秘,助力技术成长与创新。 130

【网络安全 | 渗透工具】Hydra安装使用详细教程

Hydra,也称九头蛇,是一款非常强大的暴力破解工具(密码能否被破解关键在于字典是否足够强大),支持多种服务协议的账号和密码进行爆破,包括Web登录、数据库、SSH、FTP等服务,支持Linux、Windows、Mac平台安装。该工具支持以下协议的爆破:Hydra在kali中自带,这里介绍windows下的安装方法。zip下载地址:https://gitcode.com/maaaaz/thc-hydra-windows/tree/master下载完成后解压: 再将thc-hydra-windows-mast

等风来 9209

半导体物理基础:载流子输运理论_(4).载流子浓度与费米能级

费米能级(Fermi Level)是描述半导体中电子和空穴能量分布的基准能级。在绝对零度下,费米能级以下的所有能级都被电子占据,费米能级以上的所有能级都是空的。随着温度的升高,电子会获得足够的能量跃迁到费米能级以上的能级,形成导带中的自由电子和价带中的空穴。费米能级在半导体中的位置取决于掺杂浓度和温度。对于本征半导体,费米能级位于禁带的中心;对于掺杂半导体,费米能级会偏移,具体位置取决于掺杂类型和浓度。载流子浓度(Carrier Concentration)是指半导体中自由电子和空穴的数量密度。

2401_87715305的博客 841

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

上一篇: 【AI应用进阶之旅】LangChain大语言模型LLM面试题:Prompt 与 Chain
下一篇: GPT-6 Luna 批量处理实战指南
程序员林北北
博客等级 码龄13年 707粉丝 85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

程序员林北北

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