为什么要放弃Xmind选择Effie?

Effie: 一款属于程序工作者的写作软件 我与 markdown 在我很久之前的的博客中提到 markdown 是写作中很重要的技能,因为大部分对写作有需求的用户都有着这样的需求:需要专注于写作内容,同时也需要一定的格式支持。 于是市面上就出现了两极分化的写作软件:第一种是类似于记事本一类的软件,它们不支持格式,或者一个文档仅支持同样的格式,它们的格式设置就像凑数的一样;另一种是类似 Word一类的软件,它们对格式支持特别强大,强大到你需要对这一种软件进行专门的学习。 在接触 markdown 之前,我的世界就像上面说的那样两极分化。有的时候仅仅是 阅读详情

信息化时代下,要将零碎化的信息整合成系统化的知识,少不了一款信息管理工具。

目前很多人使用的是Xmind,通过Xmind思维导图软件,将一个个的知识点全部串联在一起,或者是通过这款思维导图软件做详细计划表等等,尽管Xmind是思维导图软件里面的翘楚。但相对于Xmind,我更喜欢这款刚发布不久的“黑马”Effie写作/办公软件。

为什么?

知道Effie很偶然,无意间在B站看到的李自然发布的Effie软件发布会视频。视频的标题很有意思(一个人,一把椅子,一个没有舞台的产品发布会),单纯通过一个人演讲的视频来发布产品几乎是古往今来第一人。大胆也非常有创意,大家可以去搜索看一下,发布会的视频非常火爆,得到了资深写作者们的力挺。
在这里插入图片描述

发布会里演示的软件功能很多,但是最吸引的我还是软件追求的极致的极简主义和文档与思维导图的混排功能。一直用Xmind思维导图,竟然不知有软件可以把文档一键转换成思维导图模式,也不知顶端的横幅条可以隐藏,也不知文档可以不用按保存按钮就能保存……,使用了这款软件后,仿佛打开了我使用思维导图软件的新大门。
在这里插入图片描述

然而Xmind只有思维导图模式,如果你是个逻辑创作者,想通过逻辑思维大纲继续逻辑性的文章创作,那么只能在Xmind和另一个写作软件里来回敲字,软件来回切换。这对于写作非常的不友好,思维被持续性的打断,不连贯,文章大概率也会“不连贯”,找不到中心主题思想。这应该是众多使用Xmind软件用户所面临的问题。
在这里插入图片描述

我下载使用后,试了一下文档和思维导图混排/一键转换的功能,果断的抛弃了Xmind,选择了Effie软件。

极简主义

作为一个用户,试用几天后,最大的感受便是这款软件的极简主义设计理念。软件主界面没有主色调,没有笨重的按钮条,在编辑写作时进入主界面,如同一张白纸,尽情书写即可。跟其他软件有着质一样的区别,不浮夸不高调,一心一意只做产品。

在这里插入图片描述

说实话,这款软件非常的有“质感”,有一种说不出的高级感,特别是软件的logo,一个严肃留着短发的小女生,眼神犀利,仿佛一双饱经世事风霜的眼睛正洞察着世界,也仿佛正在沉浸式的思考问题,让人在使用软件时也不知觉的进入深度思考里,创造出更有价值的思想。在这里插入图片描述

然而在Xmind里,我经常使用有各种各样的工具套版,写了文字后再各种拖拉排版,只求版式漂亮即可,思考浮于文字表面,根本达不到沉浸式思考的状态。并没有将问题的深度挖掘出来。把自己框在模板里,没有输出有价值的内容。
基于以上两点,让我把自己常用的Xmind工具换成了Effie。

寻找知识管理软件之旅:从印象笔记、XMind到Effie 近年来,随着《奇葩说》、《脱口秀大会》、《吐槽大会》为代表脱口秀节目异军崛起,各具风格的脱口秀演员映入观众的眼帘。作为谈话节目的一种类型,其往往需要脱口秀嘉宾以轻松、幽默的方式对特定问题进行犀利评论。 台上一分钟,台下十年功。一个精彩的脱口秀表演往往需要脱口秀演员在台下记录各种创意和想法并对其进行反复打磨。那么,对于脱口秀演员而言,有没有适合的知识管理工具,实现其随手记录和严肃写作的需求,将其思想转变为价值呢? 接下来,我们以满足脱口秀演员为代表的知识管理工作者的创意写作需求为出发点,一起探索寻找优秀的知 阅读详情

相关推荐

网文作者的救赎,从写作软件开始

人类历史上的每一次进步,其实都和工具有莫大的关系。 从铁路、海运、航空、高铁,运输工具在不断地进步。 从飞鸽传书、狼烟燃起、电报、报纸、电话、智能手机,通讯工具也在不断地变化。 俗话说:选择大于努力,其实在范畴上也是;工具大于努力。在不同的时候,使用好适合自己的工具,做事情会事半功倍。 试想一下,你跑得再快,力气再大,你都不会比火车,比高铁更快。 当然,有些工具特别复杂,那就先从简单的工具开始。不是说最复杂的工具就是最好的,和知识一样,能和自己匹配的才是最好的。 很多时候不能和自己匹配的一个原因是“钱‘’

EffieNotes的博客 340

为什么要放弃Evernote?Effie:为写作而生

看到知乎推送「论文写不出来怎么办」,才发现寒假已结束,是很多研究生预定要毕业的那一个学期(嗯,对某些人来说只是预定而已),许多人无法毕业的焦虑越发浓烈。 作为一个读硕四年、论文还重写过一版的硕士,想起那几年在键盘前码字的苦闷时光,心里还是有很多感触的。今天就和大家分享一下我当时的挣扎、纠结、与曲折,以及我后来发现了什么好的写作工具,让我恨自己没晚个几年再读硕士。 硕士论文的处女情结造成拖延症 当时曾听某位教授说:「硕士论文可能是你们这辈子唯一一本,放在书架上被公开借阅的出版物」,这句话大大提高了我对硕士

EffieNotes的博客 295

xmind 14中文破解版

xmind 14中文破解版,你的思维管理器,你的想法思维可以使用这款软件来管理

Xmind8 Pro破解版

思维导图又叫心智导图,是表达发散性思维的有效图形思维工具 ,它简单却又很有效,是一种实用性的思维工具。思维导图运用图文并重的技巧,把各级主题的关系用相互隶属与相关的层级图表现出来,把主题关键词与图像、颜色等建立记忆链接。思维导图充分运用左右脑的机能,利用记忆、阅读、思维的规律,协助人们在科学与艺术、逻辑与想象之间平衡发展,从而开启人类大脑的无限潜能...

weixin_30551947的博客 973

xmind破解版.txt

完美破解版xmind,自带注册方法,不会存在被检测到,亲测

XMind思维导图软件

XMind思维导图软件

MAC xmind破解版使用

xmind MAC 版本导出都需要订阅花钱才能使用,最近发现了一个不花钱就能使用的好办法,推荐给大家

weixin_37188493的博客 5553

xmind-xmind

xmind-xmind

破解版xmind 8

1.先去官网下载对应的系统版本:https://www.xmind.cn/,网速贼慢 2.使用链接下载:https://pan.baidu.com/s/1pqjzEneTiW11w2tywaLWuA 提取码:2fet 3.包含xmind-8-update.exe XMindCrack.jar XMind序列号.txt 4.选择免费下载. 5.在安装目录下找到XMind.ini配...

qq951078155的博客 3005

什么!!!寒假就要准备暑期实习

介绍暑期实习,从作用,时间线,投递渠道,技术准备,常见问题,经验教训几个方面介绍暑期实习

今天不coding的博客 1725

Apple 网页 SRP 登录系列文章(四):Hashcash 工作量证明与完整登录流程

本文是Apple SRP登录系列文章的收官之作,重点解析了Apple独有的Hashcash工作量证明机制并展示了完整的登录流程实现。文章详细介绍了Hashcash的安全目的、格式标准、计算核心算法及难度评估方法,特别提供了Python实现代码。同时还讲解了如何动态获取服务器Hashcash参数以及建立容错机制。最后呈现了完整的Apple SRP登录主函数架构,为开发者提供了从理论到实践的全面指导。全文通过代码示例和流程分析,系统性地阐述了Apple安全登录机制的技术细节。

Sayid_Des的专栏 629

我为什么放弃Xmind选择Effie?

作为工作许多年的老社畜,职场提升效率的必备工具,必然是思维导图,在思维导图的具体实践上,我也有不少心得体验,市面上的思维导图软件繁多,我们应如何择优而选,找到最适合自己的创作平台呢?别着急,看完这篇分享,你就有思路了。 为什么要使用思维导图软件? 在正式进入话题之前,我想要谈谈使用思维导图的必要性。成功的人往往喜欢思考,作为思考有力的辅助工具,思维导图能帮助我们实现思考可视化,借助文字、图形、枝干等部分组成具有逻辑性的思维路线,帮助我们厘清思路、锻炼心智、加强记忆。 基于此,我总结了我在工作中离不开思维导

EffieNotes的博客 327

国产数据库安装部署说明

国产数据库安装部署说明

weixin_38203586的博客 907

一位创作者的自述:这 4 点,让我放弃 XMind 选择 Effie

思维导图能够帮助广大文字工作者理清思路,以便在创作中更有逻辑,而且能够保证自己创作时跟着大纲走,不会走着写着写着就放飞自我。 而在思维导图领域, XMind 一直占据着领先的地位。我也曾经习惯于使用 XMind 来制作一些写作大纲或者是知识脑图。 XMind 专精于思维导图,这使其种类十分多样,我们都可以在其中找到我们想要的各种形式。 同时,他的功能也十分好用,在创建主题的过程中能够加入想要的图标: 在导图中,我们也可以插入相应的链接,既可以进行不同导图之间的切换,也可以直达很多资料的放置地。 如

EffieNotes的博客 202

【网络教程】Ubuntu有线连接消失,无法联网怎么办!(亲测有效!)

文章目录问题描述解决方案 问题描述 今天打开Ubuntu,突然发现无法连接网络,并且打开设置,发现设置里面的网络已经没有了有线连接,只有VPN设置选项,如图 解决方案 按照下列的代码执行即可! # 关闭网路 service NetworkManager stop # 删除NetworkManager缓存文件 sudo rm /var/lib/NetworkManager/NetworkManager.state # 打开网络 service NetworkManager start 运行完

XiaoqiangClub的博客 1万+

Java调用YOLOv26全解析:从ONNX模型部署到工业质检实战

本文分享了工业自动化领域使用Java调用YOLOv26进行零件缺陷检测的完整方案。通过YOLOv26s模型结合ONNX Runtime Java部署,误检率和漏检率显著降低(分别从12%降至2.1%,8%降至0.8%)。文章详细介绍了方案选型理由、环境配置避坑指南、ONNX模型导出步骤,以及Maven依赖配置(分CPU/GPU版本)。该方案直接在上位机Java环境中运行,避免了跨语言调用损耗,适合工业质检场景部署,提供了可复用的性能优化和多线程推理实现。

2601_94871597的博客 1107

XMind ,熊掌记和 Effie 哪个更适合采编?

作为众多与文字创作有关的职业之一,采编的工作内容不仅需要审核别人的文字,在审核的基础上进行修改,还要自己进行创作。尤其是自己创作,需要更加深厚的写作功底。可以说,采编的工作和文字有些密不可分的联系。 然而,有过写作经历的朋友们都知道,长久地和文字打交道有时候会是一个非常难熬且漫长的过程。这也是很多想要从事采编工作但最终却选择放弃的朋友们的原因之一。在了解过采编工作内容之后,我更加认为应该要尽一切可能让这个过程充满趣味,比如使用一款适合自己的编辑器,比如寻找一种自己喜欢的写作方式,再比如使用一款适合自己的写作

EffieNotes的博客 282

工业级向量检索核心技术:IVF-PQ原理与全流程解析

在大规模高维向量检索场景中,IVF-PQ(倒排索引结合乘积量化)凭借“粗筛范围+细算距离”的双重加速策略,成为核心解决方案。本文将深入解析其原理与全流程,助力开发者掌握这一关键技术。

进一步有进一步的欢喜~ 1197

XMind ,有道云笔记, Effie ,谁会帮助 up 主成为内容之王

弹幕网站的蓬勃发展,带动了一批多才多艺的 Up 主 。他们在 A 站、 B 站等网络传媒里常年活跃,从最初的"由爱发电"已经延伸到如今的商业化。形形色色、脑洞大开的内容让人目不暇接,精彩之处可圈可点。他们实现了由爱好转变成职业,将自己的世界以多元化呈现。 理想与现实碰撞的结果,多数时候显得苍白无力。在人才芸芸的网络媒体里,冉冉升腾的新星很难找到自己的位置,他们发布了所见、所想、所闻,结果流量却是寥寥无几。几经折戟,只得轻言放弃,让人觉得惋惜。  我们或许应该重新审视下这个让人爱恨交织的环境。互联网的特性是

EffieNotes的博客 166

【数据集4】GSWP3数据集详解

简介GSWP3数据集

WW、forever的博客 1366

移植Google Gemini Nano到RK3588 NPU,实现高效边缘推理

在嵌入式 AI 开发中,大家常常会遇到模型在硬件平台上运行时出现性能瓶颈的问题,比如推理速度慢、功耗过高,这严重影响了应用的实时性和稳定性 ,导致性能瓶颈,无法满足如智能安防、工业检测等场景的实时性需求。为了解决这些问题,我们可以将轻量模型移植到具有强大算力的硬件平台上。本文将手把手教你将 Google Gemini Nano(或类似轻量模型)移植到 RK3588 NPU,充分发挥 RK3588 NPU 的 6Tops 算力,实现高效的模型推理,提升嵌入式系统的 AI 处理能力。

远程部署调试 运行安装 项目调试 二次开发 项目技术新 持续迭代 部分源码免费分享 293

Effie:沉浸写作,创造价值

如果你是或者希望成为一位勤勤恳恳的公众号作者,每天为码字而需要在电脑前如禅静坐数小时,那你一定为选择哪个写作软件而焦虑过: Word 就甭提了,只要你用它写过论文,你就会知道它有多不趁手;公众号自带的编辑器稀烂无比,与 Word 有得一拼;直接用秀米等第三方编辑器码字,虽然便于排版,但是不仅内容之后难以保存和检索,而且还要忍住自己时时刻刻想要美化格式的念头;想找个写作软件,却是刘姥姥进大观园——挑花了眼…… 在这篇文章里,我从公众号作者的视角出发,带你梳理一个优秀或想要变得更优秀的公众号作者究竟需要怎么样的

EffieNotes的博客 504

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

三款写作工具开箱实测 | 什么值得买

三尺讲台便是教师的一生!但随着互联网以及教学工具的升级,电脑,Wifi, 教案才是教师们的最终归属。在如今的互联网时代,如果不会点儿科技工具傍身,还真玩不转教师这个职业。毕竟现在大家对教师的要求是,不仅要上的讲台备好教案,还要下的宿舍和学生谈心,玩得转学生套路,还要能应付领导考核检查,实属不易。  但,在如此多复杂的工作中,教学备案算是教师专业能力体现和职业之本。教案工作复杂,知识串联多,稍不注意学生就可能看不懂你的教案,从而使得课堂教学成果低下,如果不借助工具软件还真无法解决这些问题。今天就为教师们整理

EffieNotes的博客 328

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

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")

Target runtime Apache Tomcat v8.0 is not defined

在导入其他同事的JavaWeb时,Eclipse报错:Target runtime Apache Tomcat v8.0 is not defined.

谷哥的小弟 2998

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: Effie:真正的极简主义!秒杀幕布
下一篇: Effie:手机创作新革命
Dr_ginger
博客等级 码龄6年 22粉丝 305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
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