ChatGPT设置密钥后Codex免手机验证:配置顺序与身份凭证复用机制

Codex CLI 登录方式怎么选?ChatGPT 账号与 API Key 通道配置避坑指南 在命令行工具中接入大模型时,认证方式的选择直接影响计费模型、模型可用性与并发能力。ChatGPT 账号登录基于订阅制,配置简单但受订阅等级限制,易触发限流;API Key 通道按 token 计费,模型选择自由、并发强,适合自动化与 Agent 开发。理解两条通道在 config.toml 中的字段映射与优先级,是避免 401 认证失败和模型不支持报错的关键。个人日常编码可优先用 ChatGPT 登录,Agent 流水线与团队协作则建议使用 API Key,并通过环境变量隔离配置,兼顾省心与稳定。 阅读详情

1. 这个标题到底在说什么

先把标题拆开看: "Chat GPT界面上设置密钥后,Codex就不会有手机号验证校验问题" 。这句话乍一看有点绕,其实说的是一个很具体的操作经验——在 ChatGPT 的网页界面里先把 API 密钥配置好,然后再去用 Codex 这个编程助手工具,就能绕开那个让人头疼的手机号验证环节。

我自己第一次看到这个说法的时候也是半信半疑,因为按常理推断,ChatGPT 网页端和 Codex 是两个不同的入口,一个是聊天界面,一个是代码助手,它们之间的登录态和验证逻辑应该是独立的。但实际折腾了几轮之后发现,这个经验确实有它的道理,而且背后涉及的是一套"身份凭证复用"的机制。

这里要先厘清几个概念,避免新手搞混。 ChatGPT 是大家熟悉的对话式 AI 产品,网页版、桌面版、移动版都有。 Codex 在这里指的是编程辅助工具,它可以是命令行形态,也可以是编辑器插件形态,核心能力是帮你写代码、补全代码、解释代码。 密钥 通常指 API Key,是一串用于身份识别的字符串。 手机号验证 则是注册或登录环节的一道门槛,很多人在这一步卡住。

这个经验适合谁参考?主要是两类人:一类是想用 Codex 做开发辅助,但在登录环节被手机号验证拦住的技术人员;另一类是想搞清楚 ChatGPT 和 Codex 之间账号体系关系的普通用户。如果你只是想用 ChatGPT 聊天,那这个经验对你意义不大;但如果你要深度使用 Codex 做编程,那这套思路值得花十分钟看完。

需要提前说明的是,本文讨论的是 在已有可用账号的前提下,如何通过合理的配置顺序减少重复验证 ,不涉及任何账号注册的灰色操作,也不鼓励规避平台规则。所有操作都建立在你自己拥有合法账号的基础上。

2. 为什么会有"先设密钥再开 Codex"这个说法

2.1 两套入口背后的身份体系差异

要理解这个经验,得先明白 ChatGPT 网页端和 Codex 在身份认证上的区别。ChatGPT 网页端走的是 会话式认证 ,你登录之后浏览器会保存一个会话凭证,后续所有请求都带着这个凭证走。而 Codex 作为开发工具,它更倾向于走 密钥式认证 ,也就是用 API Key 来标识身份。

这两套体系在理想情况下是打通的,但实际使用中经常出现"网页端已登录,Codex 却还要再验一次"的情况。原因在于 Codex 在初始化时会尝试建立自己的认证上下文,如果它检测不到有效的密钥配置,就会退回到默认的登录流程,而默认流程里就包含了手机号验证这一环。

绕过手机号验证使用OpenAI Codex的3种合规方案与实操指南 AI代码生成技术通过深度学习模型理解自然语言指令并生成对应代码,其核心原理是基于大规模代码库训练实现语义到语法的映射。这项技术的价值在于提升开发效率、辅助学习编程、自动化生成样板代码。在实际应用中,开发者常面临API接入门槛,特别是手机号验证等身份验证环节。针对OpenAI Codex的接入需求,可通过第三方集成平台间接调用、寻找官方沙箱环境、使用社区封装API等合规方案实现快速体验。这些方法特别适合技术调研和小规模测试场景,其中第三方平台集成方案因其稳定性和易用性成为推荐首选。 阅读详情

相关推荐

Codex手机号验证卡壳?在ChatGPT界面设置密钥即可绕过

API密钥作为授权凭证,在账号体系中用于验证调用权限。当账号在网页端完成密钥绑定与激活后,服务端会记录已验证状态,客户端登录时读取该状态即可跳过手机号验证。这一机制提升了登录效率,适用于AI编程助手等工具的账号验证场景。本文围绕Codex手机号验证问题,结合ChatGPT界面设置密钥的实践,解析验证流程与排查思路。

weixin_42522669的博客 526

Codex移动端:安全中继架构驱动的开发者协作新范式

现代AI编程助手已超越本地模型推理,演进为以安全中继为核心、跨设备协同的智能工作流系统。其本质是将手机降级为‘观察-判断-授权’终端,所有敏感计算与凭证管理交由受控远端Agent执行,依托Secure Relay Infrastructure(SRI)实现零信任通信、语义化事件同步与一次性操作令牌(OOT)权限隔离。该架构天然规避移动端算力瓶颈与安全风险,支撑实时调试、异步架构决策、多源故障诊断等工程场景。理解SRI协议栈、状态同步机制与凭证隔离设计,是构建企业级AI开发协作体系的基础前提。

weixin_30596165的博客 474

从零配置Codex接入DeepSeek:API调用、故障排查与工作流实践

最近在折腾本地大模型工具链时,发现一个挺有意思的现象:很多开发者,包括一些刚入门的同学,都卡在“把大模型用起来”这个看似简单的第一步。不是找不到合适的客户端,就是被复杂的配置和网络问题劝退,最后只能对着官方文档和一堆命令行参数叹气。 这让我想起几年前刚开始接触开源项目时的自己,总以为“安装”和“配置”是小事,结果往往在这些“小事”上耗费大半天。今天要聊的 Codex 和 DeepSeek 的组合,就是一个典型的例子。表面上看,它提供了一个漂亮的图形界面(GUI)来调用大模型,似乎能解决“小白”的入门难题。但

weixin_33782386的博客 424

Codex配置DeepSeek:本地AI编程助手环境搭建与故障排查指南

这类工具最值得先看的不是功能列表,而是能不能在普通环境里稳定跑起来,以及接入国内大模型后,能不能真正替代那些需要付费或特殊网络环境的方案。Codex 配合 DeepSeek 大模型,核心解决的就是一个很实际的问题: 让开发者能在本地或熟悉的开发环境里,获得一个稳定、免费、且代码能力不错的 AI 助手 ,尤其适合不想折腾复杂部署、又希望代码补全和对话体验更可控的人。 我建议先从最小样例开始。很多人在配置这类工具时,最容易忽略的不是安装步骤,而是前置的环境依赖和网络配置。如果只是学习,默认配置通常够用;但如果要

weixin_33997389的博客 423

DeepSeek接入Codex:AI编程助手配置与实战指南

AI大语言模型正在重塑软件开发流程,通过理解自然语言指令生成代码、解释逻辑和重构程序。其核心原理基于Transformer架构的海量参数训练,能够捕捉编程语言的语法模式和语义关联。在工程实践中,开发者通过API接口将AI模型集成到开发环境中,实现智能代码补全和实时技术咨询。这种技术组合显著提升了开发效率,特别适用于快速原型构建、代码审查辅助和技术文档生成等场景。本文以DeepSeek模型与Codex工具的集成为例,详细解析API密钥配置、端点设置和模型选择等关键步骤,帮助开发者在熟悉的IDE环境中获得更符合

weixin_33912453的博客 355

低价GPT Plus订阅风险与Codex CLI完整验证指南

AI编程助手已成为开发者日常提效的重要工具,而OpenAI GPT Plus订阅与Codex命令行工具的组合,正在改变代码生成与仓库修改的工作方式。理解AI编程工具的原理,首先要厘清ChatGPT订阅与Codex的关系:二者共用同一账号体系,Plus订阅包含Codex的访问额度,官方定价约20美元/月。而市场上流传的25元低价订阅,实为礼品卡、合租或代充等渠道的变形,虽能短期内降低成本,却存在封号、权限失效、售后缺失等隐性风险。对于开发者而言,真正值得关注的是订阅后如何验证Codex的可用性,包括网页版入口

weixin_30647065的博客 392

Codex与GPT中转站配置教程:从token173到AI编程助手实战

API接口服务是现代软件开发中实现功能集成和数据交换的核心技术,其原理是通过预定义的协议和端点,让不同系统能够相互通信。在AI应用开发领域,通过统一的API接口调用大型语言模型(如GPT系列)已成为提升开发效率的关键。这类技术价值在于封装了底层复杂的模型调用逻辑,为开发者提供了稳定、可扩展的AI能力接入方案。在实际应用场景中,开发者常借助中转服务(如Codex)来优化访问速度、实现多模型切换和成本控制。本文围绕token173这一服务提供商,详细解析了如何将其API Key与Codex平台进行配置绑定,从而

weixin_33858485的博客 434

OpenAI Codex与API Key实操:避开那些“拼音级”开发坑

在AI应用开发中,API调用的细节往往决定成败。本文从OpenAI开发者生态切入,解析Codex产品线(CLI、云端、开源Harness)的区别,并针对openai codex 下载、openai 全面开源 codex harness等热点,演示从账号注册、API Key获取到环境变量配置的完整流程。同时,梳理常见拼写错误导致的401/404/429报错,并对比OpenAI与Anthropic兼容接口的差异,强调密钥管理与合规使用的最佳实践。通过Python最小调用示例与Codex CLI实战,帮助开发者避

weixin_34367257的博客 546

VS Code + Codex 智能体实战:从安装配置到高效工作流

AI 编程正从被动补全走向主动执行的智能体(Agent)模式。以 VS Code 为容器,Codex 能够自主读取文件、运行命令、修改代码并验证测试,形成从需求到交付的完整闭环。本文从环境准备入手,详细讲解 CLI 与扩展安装、账号登录及 API Key 认证、config.toml 自定义模型接入,再到审批策略、Git 集成与测试循环,构建一套可落地的日常开发工作流。同时针对登录失败、响应端点异常、上下文管理等高频问题给出排查思路,帮助前端、后端及全栈工程师在安全可控的前提下,将 AI 编程能力高效嵌入真

weixin_34034261的博客 202

零成本搭建本地AI编程助手:Codex插件+DeepSeek API实战指南

还在为 ChatGPT 订阅费发愁,或者苦于海外模型访问不稳定?想找一个能集成在 IDE 里、随叫随到的 AI 编程助手,却发现主流方案要么收费,要么配置复杂? 如果你有这些困扰,那么今天要聊的 Codex + DeepSeek 组合,可能就是你的“平替”最优解。这不是一个遥不可及的未来技术,而是一个今天就能用、配置门槛极低的现成方案。它真正解决的核心痛点,是让国内开发者能以极低的成本,在本地开发环境中获得一个稳定、高效、且专注于代码生成的 AI 助手。 很多人以为接入大模型必须懂算法、会部署、有服务器,其

weixin_30423977的博客 455

Ubuntu服务器通过IPV6端口转发搭建幻兽帕鲁私服实战

本文详细介绍了在Ubuntu服务器上通过IPV6端口转发搭建幻兽帕鲁私服的完整教程。针对只有公网IPV6地址的服务器环境,提供了从硬件检查、端口转发工具配置到游戏服务器安装的全流程解决方案,帮助玩家轻松实现多人联机游戏体验。

weixin_30652491的博客 491

vcenter server6.0上vmware inventory 、virtualvcenter等服务无法开启

描述:一天,vcenter访问不了,因此Windows远程到vcenter server上。相关服务未开启,开启virtualCenter server服务提示相关依赖服务未开启,于是开启依赖项服务Inventory服务报错。然后打算使用 C:\Program Files\VMware\vCenter Server\bin\servcivce-control来开启vmware服务 1....

Pespi_Co1a的博客 3073

HDI盲埋孔设计规范:高速PCB信号完整性落地指南

盲埋孔是高密度互连(HDI)PCB实现高速信号完整性的关键技术,其本质是通过控制过孔stub长度、优化回流路径和提升布线密度,解决GHz级信号在传统通孔结构下出现的谐振、串扰与EMI超标问题。其设计核心在于叠层物理约束、电气参数建模与工艺能力协同,涉及stub长度计算、反焊盘尺寸推导、孔壁粗糙度Rz控制等关键指标。广泛应用于DDR4、PCIe Gen4、USB3.2等高速接口的PCB设计中,尤其在车载ADAS、5G基站及FPGA载板等对SI/PI要求严苛的场景中成为刚性门槛。

weixin_34416754的博客 439

告别双系统!用PhyFusion在麒麟V10上无缝融合Win11,文件互传、GPU加速全搞定

本文详细介绍了在飞腾D3000平台上使用PhyFusion实现麒麟V10与Win11无缝融合的解决方案。通过视觉无界、数据互通和性能无损的三大突破,PhyFusion显著提升了跨系统工作效率,支持GPU加速和文件互传,是国产化平台的革命性工具。

weixin_28707365的博客 1028

思澈sdk-新建lcd

co5300至此有3个同ID的驱动,在co5300xxxx.c的LCD_DRIVER_EXPORT(co5300, LCD_ID, &lcdc_int_cfg, &CO5300_drv, LCD_PIXEL_WIDTH, LCD_PIXEL_HEIGHT, 2);2 在customer\peripherals\Kconfig_lcd中添加如下配置(注意修改的地方有两个LCD_USING_TFT_CO5300_143)5 在该文件中的config LCD_DPI配置项下添加:(这里300为DPI)

gongyuan073的专栏 1396

GPU硬件架构与微架构深度解析34-GPU安全架构深度解析

现代GPU不仅是图形处理器,更是高性能计算平台,安全架构设计至关重要。内存加密- 保护数据在传输和存储时的安全安全启动- 确保固件和软件的完整性隔离机制- 防止不同应用间的数据泄露密钥管理- 安全存储和处理加密密钥。

2301_79143213的博客 103

【OpenClaw从入门到精通】第26篇:从0到1构建OpenClaw二次发行版——企业专属AI平台实战指南(2026实测)

本文基于OpenClaw 2026.3.7开源内核,聚焦企业级AI平台的二次发行构建,从技术原理、实操流程到商业落地提供完整方法论。核心围绕“内核层-能力层-产品层”三层架构,详解源码编译、私有化部署、企业级特性开发(数据合规、国产化适配、业务系统集成)、产品化包装等关键步骤,并通过审计行业“智审助手”虚拟实战案例具象化落地路径。文章兼顾新手入门与进阶提升,提供可直接复用的代码、配置文件及执行结果,解决企业对AI Agent“开箱即用”“数据不出域”“业务适配”的核心诉求,助力开发者快速打造企业专属AI平台

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 721

COMSOL介电弹性体数值仿真指南:预拉伸圆形DEA的稳态变形分析(II)

本期博客是《COMSOL介电弹性体数值仿真指南》系列博客中的一期。聚焦于介电弹性体驱动器(DEA)中最为经典的预拉伸圆形DEA驱动器构型,对其在COMSOL平台中的具体建模步骤进行介绍与讨论。

忘了面孔的Batou 360

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

上一篇: Vibe Coding工具选型实战:自然语言驱动的AI编程助手怎么选
下一篇: 从命令行到图形化:用 BrewUI 让 Homebrew 包管理更直观
没伞请奔跑i
博客等级 码龄8年 35粉丝 3879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  | 博主筛选后可见
 
 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
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