【Python】langchain-huggingface 库:将 Hugging Face 的模型和工具集成到 LangChain 框架

【Hugging Face全面拥抱LangChain:全新官方合作包】 通过上述介绍,相信你已经可以轻松地在你的LangChain项目中集成平台的强大功能。无论是聊天机器人、文本嵌入还是数据集加载,平台都能为你提供更多的开源模型的支持。 阅读详情
AI摘要

langchain-huggingface是LangChain生态子库,可将Hugging Face的模型和工具集成到LangChain框架。它支持文本生成、聊天、嵌入生成等任务,能与LangChain工作流无缝集成。该库具有模型丰富、量化支持等优势,适用于聊天机器人、RAG系统等场景。

langchain-huggingface 是 LangChain 生态系统的一个子库,专门用于将 Hugging Face 的模型和工具集成到 LangChain 框架中。LangChain 是一个用于构建基于语言模型的应用程序的框架,而 langchain-huggingface 提供了与 Hugging Face Hub 上的预训练模型、分词器和嵌入模型的无缝连接,支持文本生成、聊天、嵌入生成等任务。它特别适合需要利用 Hugging Face 生态系统中的开源模型(如 LLaMA、Mistral、BERT)构建复杂应用(如 RAG、代理)的开发者。

以下是对 langchain-huggingface 库的详细介绍,包括其功能、用法及与 Hugging Face 的集成方式。


1. langchain-huggingface 库的作用

  • 模型集成:支持 Hugging Face 的预训练模型(包括 GGUF、PyTorch 等格式)用于文本生成和聊天任务。
  • 嵌入生成:利用 Hugging Face 的嵌入模型生成文本向量,适用于语义搜索和 RAG(检索增强生成)。
  • 分词器支持:直接使用 Hugging Face 的分词器,确保模型输入一致性。
  • LangChain 兼容:与 LangChain 的提示模板、内存、代理和工具链无缝集成。
  • Hugging Face Hub 集成:从 Hugging Face Hub 下载模型、数据集和分词器,简化模型管理。

2. 安装与环境要求

  • Python 版本:支持 Python 3.8+(推荐 3.9+)。
  • 依赖:
    • langchain-core:LangChain 核心库。
    • huggingface_hub:用于下载模型和分词器。
    • transformers:Hugging Face 的核心库,用于加载 PyTorch 模型。
    • sentence-transformers:用于嵌入模型。
    • 可选:llama-cpp-python(支持 GGUF 模型)。
  • 安装命令:
    pip install langchain-huggingface
    pip install transformers huggingface_hub sentence-transformers
    
  • GPU 支持(以 NVIDIA CUDA 为例):
    • 确保安装 torch 和 transformers 的 GPU 版本:
      pip install torch transformers --extra-index-url https://download.pytorch.org/whl/cu121
      
    • 对于 GGUF 模型,安装 llama-cpp-python 的 GPU 版本:
      CMAKE_ARGS="-DGGML_CUDA=ON" pip install llama-cpp-python
      
  • Hugging Face 令牌(若需访问受限模型,如 LLaMA):
    export HUGGINGFACE_HUB_TOKEN="your_token"
    
    或在 Python 中设置:
    import os
    os.environ["HUGGINGFACE_HUB_TOKEN"] = "your_token"
    
  • 验证安装:
    from langchain_huggingface import HuggingFacePipeline
    print(HuggingFacePipeline.__module__)  # 输出: langchain_huggingface.llms.huggingface_pipeline
    

3. 核心功能与用法

langchain-huggingface 提供了多个核心类,用于集成 Hugging Face 模型到 LangChain 工作流中,包括 HuggingFacePipeline(文本生成)、ChatHuggingFace(聊天模型)、HuggingFaceEmbeddings(嵌入生成)等。

3.1 文本生成(HuggingFacePipeline)

使用 HuggingFacePipeline 加载 Hugging Face 模型进行文本生成。

from langchain_huggingface import HuggingFacePipeline
from transformers import pipeline

# 加载 Hugging Face 模型
hf_pipeline = pipeline("text-generation", model="gpt2", max_length=50)
llm = HuggingFacePipeline(pipeline=hf_pipeline)

# 生成文本
response = llm.invoke("The future of AI is")
print(response)

输出示例:

The future of AI is bright, with advancements in machine learning and natural language processing driving innovation across industries.

说明:

  • pipeline 来自 transformers,支持多种任务(如 text-generation、text2text-generation)。
  • HuggingFacePipeline 包装 Hugging Face 的 pipeline,使其兼容 LangChain。
3.2 聊天模型(ChatHuggingFace)

使用 ChatHuggingFace 加载对话模型,支持 OpenAI 风格的聊天接口。

from langchain_huggingface import ChatHuggingFace
from langchain_core.messages import HumanMessage, SystemMessage

# 加载模型(需 GPU 或量化模型以降低内存需求)
llm = ChatHuggingFace(
    model_id="mistralai/Mixtral-8x7B-Instruct-v0.1",
    task="text-generation",
    model_kwargs={"max_new_tokens": 100}
)

# 聊天对话
messages = [
    SystemMessage(content="You are a helpful AI assistant."),
    HumanMessage(content="What is the capital of France?")
]
response = llm.invoke(messages)
print(response.content)

输出示例:

The capital of France is Paris.

说明:

  • model_id:Hugging Face 模型 ID(如 meta-llama/Llama-3.2-3B-Instruct)。
  • 支持 HumanMessage、SystemMessage 等 LangChain 消息格式。
  • 大型模型需 GPU 或量化版本。
3.3 GGUF 模型支持

使用 HuggingFacePipeline 或 ChatHuggingFace 加载 GGUF 模型(需 llama-cpp-python)。

from langchain_huggingface import HuggingFacePipeline
from llama_cpp import Llama

# 加载 GGUF 模型
llm = HuggingFacePipeline.from_model_id(
    model_id="hugging-quants/Llama-3.2-3B-Instruct-Q8_0-GGUF",
    task="text-generation",
    model_kwargs={
        "filename": "llama-3.2-3b-instruct-q8_0.gguf",
        "n_ctx": 2048,
        "n_gpu_layers": 32  # GPU 加速
    }
)

# 生成文本
response = llm.invoke("Explain AI in simple terms.")
print(response)

说明:

  • from_model_id 自动从 Hugging Face 下载 GGUF 模型。
  • model_kwargs 传递给 llama-cpp-python,如上下文长度 (n_ctx) 和 GPU 层数 (n_gpu_layers)。
3.4 嵌入生成(HuggingFaceEmbeddings)

使用 HuggingFaceEmbeddings 生成文本向量,适用于语义搜索或 RAG。

from langchain_huggingface import HuggingFaceEmbeddings

# 加载嵌入模型
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

# 生成嵌入
texts = ["Hello, world!", "AI is amazing."]
embed_vectors = embeddings.embed_documents(texts)
print(len(embed_vectors), len(embed_vectors[0]))  # 输出: 2 384

# 查询嵌入
query_vector = embeddings.embed_query("What is AI?")
print(len(query_vector))  # 输出: 384

说明:

  • model_name:推荐 sentence-transformers 模型,如 all-MiniLM-L6-v2(轻量,384 维)。
  • embed_documents:批量生成文档嵌入。
  • embed_query:生成单条查询嵌入。
3.5 与 LangChain 工作流集成

结合 LangChain 的提示模板、内存和检索器构建复杂应用。

示例(RAG 应用):

from langchain_huggingface import HuggingFaceEmbeddings, ChatHuggingFace
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.vectorstores import FAISS
from langchain_core.runnables import RunnablePassthrough

# 嵌入模型
embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

# 文档索引
docs = ["Python is a programming language.", "AI is transforming industries."]
vectorstore = FAISS.from_texts(docs, embeddings)
retriever = vectorstore.as_retriever()

# 聊天模型
llm = ChatHuggingFace(model_id="mistralai/Mixtral-8x7B-Instruct-v0.1")

# 提示模板
prompt = ChatPromptTemplate.from_template(
    "Context: {context}\nQuestion: {question}\nAnswer:"
)

# 构建 RAG 链
chain = (
    {"context": retriever, "question": RunnablePassthrough()}
    | prompt
    | llm
)

# 查询
response = chain.invoke("What is Python?")
print(response.content)

输出示例:

Python is a programming language known for its simplicity and versatility, widely used in web development, data science, and AI.

说明:

  • FAISS:向量存储,用于检索相关文档。
  • ChatPromptTemplate:格式化上下文和问题。
  • RunnablePassthrough:传递用户输入到链中。

4. Hugging Face 集成的优势

  • 模型丰富:访问 Hugging Face Hub 上数千个开源模型(如 LLaMA、Mistral、Qwen)。
  • 量化支持:直接使用 GGUF 格式的量化模型,降低硬件需求。
  • 分词一致性:通过 transformers.AutoTokenizer 确保分词与模型一致。
  • 自动化管理:huggingface_hub 自动下载和缓存模型。
  • 社区支持:Hugging Face 提供详细模型卡和量化版本(如 TheBloke、hugging-quants)。

推荐模型:

  • 文本生成:meta-llama/Llama-3.2-3B-Instruct、mistralai/Mixtral-8x7B-Instruct-v0.1
  • 嵌入生成:sentence-transformers/all-MiniLM-L6-v2、BAAI/bge-small-en-v1.5
  • GGUF 模型:hugging-quants/Llama-3.2-3B-Instruct-Q8_0-GGUF

5. 性能与优化

  • 高效性:
    • HuggingFacePipeline 利用 transformers 的优化(如 FP16、INT8 量化)。
    • ChatHuggingFace 支持 GGUF 模型,适合低资源设备。
  • GPU 加速:
    • 确保 torch 和 transformers 支持 GPU:
      llm = ChatHuggingFace(model_id="mistralai/Mixtral-8x7B-Instruct-v0.1", device="cuda")
      
    • GGUF 模型通过 llama-cpp-python 的 n_gpu_layers 加速。
  • 内存管理:
    • 小型嵌入模型(如 all-MiniLM-L6-v2)内存占用低(约 100MB)。
    • 大型模型需 16GB+ RAM 或 GPU,推荐量化模型。
  • 批量处理:
    • embed_documents 支持批量嵌入,加速处理。
    • 使用 pipeline 的 batch_size 参数:
      hf_pipeline = pipeline("text-generation", model="gpt2", batch_size=8)
      

6. 实际应用场景

  • 聊天机器人:使用 ChatHuggingFace 构建对话系统。
  • RAG 系统:结合 HuggingFaceEmbeddings 和检索器实现知识增强生成。
  • 文本总结:使用生成模型总结长文档。
  • 语义搜索:使用嵌入模型实现文档搜索。
  • 代码生成:加载 CodeLlama 或 StarCoder 模型生成代码。

示例(聊天机器人):

from langchain_huggingface import ChatHuggingFace
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import HumanMessage

# 加载模型
llm = ChatHuggingFace(model_id="Qwen/Qwen2-0.5B-Instruct")

# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "You are a friendly AI assistant."),
    ("human", "{input}")
])

# 构建链
chain = prompt | llm

# 对话
response = chain.invoke({"input": "Tell me a joke."})
print(response.content)

输出示例:

Why did the computer go to art school? Because it wanted to learn how to draw a better "byte"!
不用多模态GPT4,HuggingFace+LangChain实现“看图说话” 要实现一个简单的“看图说话”,要如何做呢?可以分两步: 1. 通过开源的模型,让开源模型识别图片的内容,生成一句话文本描述; 2. 让大语言模型针对文本描述生成一个简短的小故事。 阅读详情

相关推荐

[掌握LangChain与Hugging Face模型集成:从入门到精通]

通过本文,你已经了解如何使用LangChain与Hugging Face的Chat模型进行集成与交互。LangChain文档Hugging Face API参考。

afTFODguAKBF的博客 617

langchain + hugginface入门体验

langchain + chatgpt 部署 huggingface space

m0_60707623的博客 1527

使用 Hugging Face 平台的 LangChain 集成

Hugging Face 是一个非常受欢迎的自然语言处理(NLP)平台,提供了数千种预训练模型,可以用于各种 NLP 任务。LangChain 库通过包集成了多个 Hugging Face 模型,使得开发者可以方便地利用 Hugging Face 提供的强大功能。本篇文章将详细介绍 Hugging Face 在 LangChain 中的各种集成方式,并通过示例代码展示如何使用这些功能。

qahaj的博客 845

6、LangChain —— 使用 Huggingface 中的开源模型

大语言模型,不止 ChatGPT 一种。调用 OpenAI 的 API,当然方便且高效,不过,如果我就是想用其他的模型 (比如说开源的 Llama2 或者 ChatGLM),该怎么做?再进一步,如果我就是想在本机上从头训练出来一个新模型,然后在 LangChain 中使用自己的模型,又该怎么做?关于大模型的微调 (或称精调)、预训练、重新训练、乃至从头训练,这是一个相当大的话题,不仅仅需要足够的知识和经验,还需要大量的语料数据、GPU 硬件和强大的工程能力。

cheese_burger_的博客 1861

使用Langchain与Hugging Face集成构建聊天模型

Langchain是一个开源框架,旨在帮助开发者快速集成各种大型语言模型(LLM)。Hugging Face作为最受欢迎的AI模型平台之一,提供了丰富的模型和API支持。通过Langchain与Hugging Face的组合,开发者可以轻松调用Hugging Face提供的语言模型进行文本生成任务。

sagvWSRJHMNEB的博客 641

Ollama与Hugging Face:AI大模型本地部署与集成实战指南

在人工智能领域,大语言模型已成为推动技术创新的核心引擎。其背后的Transformer架构通过自注意力机制实现了对序列数据的强大建模能力,为自然语言处理、代码生成等任务带来了革命性突破。从技术价值看,大模型不仅提升了AI任务的性能上限,更通过标准化接口降低了开发门槛,使得模型即服务(MaaS)成为可能。在实际应用场景中,开发者常面临模型部署复杂、环境配置繁琐等工程挑战,而开源模型社区与本地化工具的结合正是解决这些痛点的关键。本文聚焦于Hugging Face这一全球最大的AI模型生态平台,以及Ollama这

weixin_30571465的博客 440

langchain-huggingface 集成包实战指南:从安装迁移到 Hugging Face 模型接入 LangChain

`langchain-huggingface` 是 LangChain 官方发布的 Hugging Face 集成包,封装了 Hugging Face 生态下的聊天模型、文本生成、文本嵌入等能力,让开发者可以在 LangChain 的统一接口(`invoke`、`stream`、`embed_documents` 等)下无缝使用 Hugging Face Hub、Inference Provide

gitblog_01144的博客 365

LangChain与Hugging Face工程化整合:从Demo到可用AI应用的构建路径

在构建生成式AI应用时,理解核心组件的分工与协作是关键。大语言模型(LLM)和嵌入模型提供了基础的语义理解与生成能力,其原理是通过海量数据预训练获得对文本的深度表征。这些模型的技术价值在于能够处理复杂的自然语言任务,如文本生成、分类和问答。在实际工程中,如何将模型能力可靠地集成到工作流中,并处理数据流转、上下文管理和异常情况,是应用落地的核心挑战。应用场景广泛,从智能客服到文档分析,都需要一个稳定的编排框架来协调模型、工具和数据源。本文聚焦于**工程化整合**,通过**检索式问答**等具体案例,详解如何利用

weixin_30653023的博客 276

LangChain与Hugging Face实战:从零构建生成式AI应用

生成式AI(Generative AI)作为人工智能领域的重要分支,其核心原理基于深度学习模型对数据分布的学习与生成。在实际工程应用中,开发者常面临模型部署、任务编排等挑战。LangChain作为应用编排框架,通过标准化组件解决了工作流管理问题;而Hugging Face作为模型与数据集中心,提供了丰富的开源资源。两者的结合为生成式AI落地提供了完整技术栈,使开发者能够快速构建文档问答、智能对话等实际应用。本实战指南将聚焦环境配置、模型加载、链式构建等关键环节,帮助开发者打通从理论到实践的技术路径。

weixin_34174105的博客 403

【全网最全】Python机器&深度学习框架大总结(学习路线/框架选择):langchain>huggingface>pytorch≈sklearn>matplotlib>pandas>numpy

├── 🤗 Hugging Face Transformers(提供 GPT、BERT)├── 🎯 Scikit-learn(SVM, KNN, 随机森林)├── 🏗 LangChain(LLM 调用、RAG、任务流)在 Python 生态中,不同的框架适用于不同的任务。├── 🔥 PyTorch(训练 LLM 和神经网络),各个库承担着不同的角色。├── 📊 Matplotlib(可视化)├── 📑 Pandas(结构化数据)├── 🧮 NumPy(矩阵计算)

feifeikon的博客 1815

利用GLM 5.2构建Hugging Face模型安全审计Agent,防御秘密模型攻击

在AI模型部署与开源协作中,模型安全是保障系统可靠性的基石。其核心原理在于通过静态与动态分析,确保模型在训练、分发及推理全生命周期的完整性与预期行为。这直接关系到AI系统的可信度与知识产权保护,对于依赖开源生态的开发者至关重要。具体到应用场景,Hugging Face等模型平台上的预训练模型可能存在权重篡改、后门植入等“秘密模型攻击”风险。针对此,结合大语言模型(如GLM 5.2)的智能分析能力与自动化Agent工作流,可以构建一套从元数据审查、代码静态分析到动态行为监控的主动防御体系,有效识别并预警潜在威

weixin_30650039的博客 517

Hugging Face Agents Course 快速上手:3 步装好环境并构建你的第一个 AI Agent

Hugging Face Agents Course(agents-course)是 Hugging Face 开源的 AI Agent 课程,内容从 Agent 概念讲到 smolagents、LangGraph、LlamaIndex 的实战,最后以基准测试收尾。面向会写基础 Python 的读者,照本文跟做后,你将拥有一个可运行的课程环境,并能开始 Unit 1 的第一个 Agent。 ##

gitblog_00567的博客 865

在本地运行Hugging Face Pipelines:探索高效的AI模型部署

通过在本地运行Hugging Face Pipelines,我们可以灵活地使用强大的AI模型进行本地推理和开发工作。Hugging Face官方文档OpenVINO模型加速指南LangChain项目主页。

dfitghjk的博客 1144

探秘 Hugging Face:何为 Hugging Face 及其核心组件全览

Hugging Face 是一个提供先进自然语言处理( NLP )工具的平台,支持 Transformer 模型的开发和应用。它拥有庞大的模型库和社区资源,能够满足从研究到工业应用的各种需求。

python1234567_的博客 1997

软件测试学习笔记(二)图覆盖

软件测试学习笔记(二)图覆盖 课程链接软件测试_中国大学MOOC 2.1 测试中的图 2.2 图覆盖准则 1、什么是图? 点的集合和边的集合。点或者结点,有穷非空的集合。边是点对。 2、图为什么在软件测试中具有重要地位? 所谓软件测试就是将软件变作一张图,然后覆盖它,不仅仅是软件,图更是计算机科学重要的结构。 3、软件测试中的图是如何得到的? 常见的图可以来自源代码,常见的是控制流图,还有各种各样...

DZFinder的博客 1426

BH1750光强度传感器Stm32f103驱动(已测试ok)

1. 实验:Stm32f103 驱动 bh1750采集光照强度,串口打印采集到的数据。 2. 实验准备器材 开发版:stm32f103c8t6 器件:bh1750 GY-302 开发环境:win10,KILE4 下载程序的软件:FlyMcu.exe 串口调试助手:ComAssistant.exe 3. BH1750 的接线 VCC:5V或3.3V ...

weixin_53329977的博客 8935

110-LangChain框架的HuggingFace Pipeline 使用指南

本案例展示了如何通过HuggingFacePipeline类在本地运行Hugging Face模型。它解释了如何使用from_model_id方法指定模型参数加载模型,或直接传递transformers pipeline。通过生成的hf对象,实现了给定提示的文本生成。通过指定设备参数,还实现了在GPU设备上的执行和批处理。

rengang66的博客 1053

【Python】多分类算法—Random Forest

【Python】多分类算法—Random Forest 本文将主要就Random Forest(随机森林)的多分类应用进行描述,当然也可运用于二分类中 文章目录【Python】多分类算法—Random Forest前言一、pandas是什么?二、使用步骤1.引入库2.读入数据总结 前言 本文主要引用的是sklearn 一、pandas是什么? 示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下(示例): import nump

weixin_43166884的博客 1万+

Hugging Face x LangChain: 全新 LangChain 合作伙伴包

我们很高兴官宣发布 langchain_huggingface,这是一个由 Hugging Face 和 LangChain 共同维护的 LangChain 合作伙伴包。这个新的 Python 包旨在将 Hugging Face 最新功能引入 LangChain 并保持同步。源自社区,服务社区目前,LangChain 中所有与 Hugging Face 相关的类都是由社区贡献的。虽然我们以此为基础...

Hugging Face 1456

LeRobot X-VLA:首个适用于任意机器人、任意任务的软提示机器人基础模型

X-VLA是一种基于软提示的视觉-语言-动作模型,通过可学习嵌入向量编码不同机器人配置,实现跨平台统一控制。该框架采用两阶段训练:先在29万次多平台任务中学习通用策略,再通过微调少量参数(仅1%)适配新机器人。实验表明,0.9B参数的X-VLA在6个仿真和3个真实平台上表现优异,如LIBERO任务达93%成功率,布料折叠任务100%完成。其核心创新是将硬件差异视为"任务",用软提示引导Transformer处理异构数据,为机器人基础模型提供可扩展方案。

2506_90492529的博客 1243

【图像处理】德里奇( Deriche)边缘检测器

Deriche边缘检测,同canny算法齐名,因此,知道canny原理,也有必要知道德里奇的检测原理。本篇专门针对德里奇算法展开讨论。

gongdiwudu的专栏 8687

Hugging Face Agents Course 完整安装教程:免费入门 AI Agent 开发

Hugging Face Agents Course 是 Hugging Face 开源的免费 AI Agent 学习课程,覆盖智能体开发入门、三大主流框架实践和最终项目认证。全课 4 个核心单元加 3 个附加单元,提供 7 种语言版本。你只需要 Python 3.11+ 和一点 LLM 基础,就能把环境搭好,写出第一个代码智能体。 ## ⚙️ 前置自检:30 秒判断能否上手 动手装之前,先过

gitblog_00648的博客 432

2026滑块验证码终极实战:缺口检测算法+人机轨迹模拟,识别率从60%飙升至95%全方案

**摘要:2026年AIGC技术发展导致传统验证码失效,滑块验证码成为主流防护手段。本文深入分析了传统方案识别率低的原因,并提出多级检测融合和行为拟合优化方案。通过图像预处理优化、三级缺口检测引擎(差分图像法、Hu矩轮廓匹配、YOLOv8n模型兜底)将识别率提升至99.2%。同时针对轨迹模拟环节,设计了包含抖动特征、时间随机性和个体差异的行为模型,使通过率从12%提升至87%。该方案解决了传统方法在缺口定位精度和轨迹真实性方面的核心痛点,为应对新一代验证码风控提供了完整的技术框架。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1907
上一篇: 【LangChain】langchain_community.llms.LlamaCpp 的使用方式
下一篇: GGUF :LLaMA.cpp 项目开发的一种现代化模型文件格式
彬彬侠
彬彬侠 优质创作者: 人工智能技术领域 优质创作者: 人工智能技术领域
博客等级 码龄13年 1万+粉丝 1707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

彬彬侠

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