墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
500+累计阅读
597平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
股市下跌了，股票下跌了，下跌总是心里不舒服的，这是人之常情。大家开心一点好吗？
逃顶的兴高采烈，满仓的灰头土脸。
作为价值投资者来说，股市的涨涨跌跌和我有关系吗？有？没有？有关系的原因是帐面资金减少了，没关系的原因是我还是那么多股票。还是我那些价值低估的股票，好象没听说过股市下跌了会让你减少股票的事情吧。哈哈，所以，还是开心一点吧。
现在是牛市，这一点我想没人否认的对吗？既然是牛市，而且手中的股票又是价值低估的，那么股市的涨涨跌跌和你有什么关系呢？牛市也不会不断的上涨。下跌是为了上涨，上涨是为了下跌，这是股市的至理名言。作为价值低估的股票来说，需要的是时间，而不是大盘的上涨。
大盘的中级调整，充其量还有10％的空间，我们就值得恐慌吗？不！没必要的，至少我觉得没必要。
好了，不多说了，还是和朋友们交流交流吧。
智能车图像处理去畸变+逆透视教程
图像处理，去畸变与逆透视整合
财智理财7破解思路与总结
申明：本文仅以技术研究为目的，请勿用于商业用途，不承担任何技术及版权问题，且不对其负法律责任，请购买正版软件 前言：本人从08年开始就使用财智理财软件，也是破解版，虽然网络已有现成的破解版下载，但对为了安全，我还是自己破解了一下，版本是财智4的，后来用财智5，印象中这两个版本用的壳也是UPX的，脱完壳后，用超级字串功能找关键字很快就能到到关键代码，上下文跟踪与查看，就能找到比较的...
从零到一：用AXI DataMover在Zynq MPSoC上实现高效DMA传输（附Vitis HLS驱动示例）
本文详细介绍了如何在Xilinx Zynq UltraScale+ MPSoC平台上使用AXI DataMover实现高效的DMA数据传输。通过解析AXI DataMover架构、Vivado工程配置、Vitis HLS驱动开发及性能优化技巧，帮助开发者快速构建高性能数据传输通道，并提供了可直接复用的代码示例。
投资理财知识
投资理财知识一、 基础概念篇1、 财富的概念：1995年，世界银行公布的财富概念中，包含了“自然资本”、“生产资本”、“人力资本”、“社会资本”四大组要素。这是广义的财富的概念。而具体到个人，我们所指的财富，无外乎两个意思： 一方面是指财产，各种能给其所有者带来实际的价值利益的有形或无形的资金，资产。有形资产是指所有者所持有的现金、债券、股票、基金、外汇
LCD驱动芯片——BL55072A驱动程序
初始化子程序： START 0x7C； I2C子地址 0xEA；ICSET，软件复位芯片 0xC0；MODSET，关显示 0xF0；BLKCTL，关闪烁 0xA3；DISCTL，80Hz Line inversion，High Power mode 0xE8；ICSET，清复位bit1 STOP 显示刷新子程序： START 0x7C；I2C子地址 0xF0；BLKCTL，关闪烁 0xA3；DISCTL，80Hz Line inversion，High Power mode 0xE8或0xEC；ICSE
MOSFET关断尖峰电压的机理与抑制
MOSFET在电力电子系统中存在开关尖峰电压/电流问题，主要源于寄生电感、密勒电容及开关瞬态特性。尖峰会引发过压击穿、功率损耗和EMI干扰。抑制措施包括优化驱动电路、添加缓冲网络（RC/RCD）、降低寄生电感（改进PCB布线/封装）、使用快速二极管及远端负载特殊处理（电抗器/滤波器）。系统性的器件选型与电路设计是确保功率电子稳定运行的关键。
疑问的汇总
<br />1、在32位操作系统系统会给每个进程4G空间，linux默认划分了1G给内核使用，windows默认划分2G给内核使用，我在读linux驱动程序开发时，发现驱动模块的装载和卸载都要用到内存，我估计就是在系统为内核里进行的，是否是这样待考虑！
【QNX+Android虚拟化方案】00 - 系列文章链接汇总
【QNX+Android虚拟化方案】00 - 系列文章链接汇总
培养你的商业才智
商业才智是创值销售的必要条件，是从更大程度上解决客户重要需求的基础。如果你从来没认真想过，那么现在就好好想想吧。 商业才智并不是神秘、复杂的技能。每个成功的商人都有商业才智，其中也包括第三世界国家从来没念过书的小贩。我在印度的一个小村子长大，从小就在家里的鞋店帮忙，很早就懂得经商之道了。所谓的基本商业知识，就是用最简单的方法去理解商业，从我老家那些卖水果、蔬菜的街头小贩的角度去理解，任何一个
Android Framework AMS面试题及参考答案
比如，应用 B 的 Activity 如果是 “singleTask” 启动模式，AMS 会查找应用 B 是否有包含该 Activity 的任务栈，若有则将这个任务栈切换到前台，并且清除该 Activity 之上的其他 Activity，实现流畅的跨应用跳转体验。如果一个 Activity 的启动依赖于另一个 Activity 的结果，AMS 会暂停当前 Activity 的部分生命周期操作，等待依赖的 Activity 完成相关操作后，再继续当前 Activity 的生命周期进程。
基于STM32设计的遥控小车(手机APP+GPS+温湿度+ESP8266)
一、环境介绍 小车主控MCU: STM32F103ZET6 STM32程序开发IDE: keil5 STM32程序风格: 采用寄存器方式开发，注释齐全，执行效率高，方便移植 手机APP: 采用QT设计，程序支持跨平台编译运行(Android、IOS、Windows、Linux都可以编译运行，对应平台上QT的环境搭建，之前博客已经发了文章讲解) 硬件包含: 淘宝购买的完整一套4轮遥控小车(采用STM32F103ZET6作为主控板)、DHT11温湿度传感器、中科微GPS模块、ESP8266 ...
记账理财，就选我爱管账
我爱管账网：http:
[Dify 实战] 如何在内网环境部署 Dify 应用：彻底离线的企业级方案解析
企业内网环境如何离线部署Dify？本文提供详细教程：Dify作为开源AI平台，支持完全离线部署，无需外网访问。文中介绍两种部署方式：推荐使用Docker一键部署，也可选择源码安装定制化方案。重点讲解内网模型配置（支持Ollama/GPT-OSS等）、知识库存储（MinIO/PostgreSQL）及内网代理设置，并给出常见问题排查方法。该方案适用于金融、政府等对数据安全要求高的场景，确保敏感数据不泄露，实现完全本地化的AI应用闭环。
贾樟柯监制X水井坊呈现，微电影《以桌·会友》
“以桌会友”作为水井坊*的文化IP，正汇聚来自财经、文化、体育等各领域的精英大咖，通过“球桌挑战”、“圆桌论道”、“酒桌交友”等独特的传递方式，在这一张张“桌”上进行思想交流与碰撞分享，共同为成就美好生活出谋划策。 《以桌·会友》微电影海报 7月15日，*导演贾樟柯监制，水井坊呈现的《以桌·会友》微电影正式首映。亚乒联终身名誉主席李富荣、中国酒业协会理事长宋书玉、御风集团董事长冯仑作为讲述者，分别从球桌、酒桌、圆桌三个视角，为我们展现了“成就美好”的不同路径与精神内核。 左：御
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
以旅会友信息共享系统(JSP+java+springmvc+mysql+MyBatis)
然而，传统的旅游方式很难满足人们在信息化社会中对于高效沟通和信息共享的需求。这种系统可以为旅行者提供一个平台，实现旅游信息的发布、行程的分享、经验的交流以及旅伴的寻找等功能，增强互动性和社交性，提升旅游体验。+ Maven +mysql5.7或8.0+html+css+js等等组成，B/S模式 + Maven管理等等。用户发送请求：用户通过浏览器或其他客户端向系统发送请求，请求访问特定的页面或执行特定的操作。这包括数据的处理、计算、验证等操作。后端程序接收到请求后，根据请求的类型和参数进行相应的处理。
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');```[](https://bitdeli.com/free "Bitdeli Badge")
会友交流9.28
哈哈，今天我就不说了，还是大家来说吧。 博友hjy先生其他网站转贴过来的497增发前后资源含量、价值比较： 1、增发前：铅锌量314万吨，白银量892吨，每股铅锌含量19.63公斤，每股白银含量0.1793盎司。 2、增发后：铅锌量（314+30.56）=344.56 万吨，白银量（892+163.25）=1055.25 吨，每股铅锌含量：344.56/1 9500=17.67
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
以针会友php_Raspberry Pi
用Python爬虫抓取PHP探针提供的实时信息，比如网速、负载、内存信息等等，然后显示在1602显示屏上。让你随时监控服务器关键词：PHP探针、服务器监控、VPS监控、Python、树莓派、Raspberry Pi、1602。项目编号004，分类为信息/监控。0.序言我的ipv6代理服务器很受欢迎，因此按需求来讲，我需要一个能实时监控流量的工具。PHP探针作为一个很方便的工具，成为了我的选择。但是...
两岸青少年乒乓球夏令营收官 以球会友共续乒乓情缘
近年来，台盟上海市委会通过乒乓球这项两岸共同热爱的运动项目，积极打造青少年交流平台，不仅提升台湾年轻运动员的专业技能，更为促进两岸青少年交流融合提供丰富载体，使友谊的种子在切磋技艺与文化体验中生根发芽、茁壮成长。在闭营式上，来自台湾台中的江秉学说：“这些天的交流中，我接触到了很多不同打法的选手，以及他们的球技特色。在上海市闵行区浦江第一中学举办的两岸青少年乒乓球交流赛将活动推向高潮，来自台湾新北的苏柏洋表示，能与各地的选手切磋球技，是他们此行最大的收获。“大陆的训练设施非常专业，教练的指导让我收获良多。
10月1日回顾2021CBC街舞冠军赛，以舞会友，汇聚南宁掀起街舞狂潮！
10月1日，国庆黄金周伊始，由普普文化主办出品，联合顶级合作：361°、州信医学影像、蜡笔小新；行业指定：立白、盼盼、皓诺美举办的2021CBC街舞冠军赛--南部常规赛，在广西南宁掀起街舞狂潮，赛事火爆进行中... 今年国庆的“人从众”不在景区，在这里！比赛未开始场面就异常炸裂！激情澎湃的现场，个性火辣的舞姿，劲爆动感的音乐，舞者们毫无保留地为现场观众献上了一场视觉上的饕餮盛宴。 一场没有硝烟的战争，一次关于不羁之魂的释放，一个充满惊喜的街舞大秀，由广西HIP-HOP街舞选手..
基于微信小程序的以书会友社交平台毕业设计完整实现
微信小程序开发作为移动应用开发的重要分支，基于微信生态体系，通过前端框架与后端服务的协同工作实现功能模块。其技术原理结合了原生应用与Web应用的优点，具备开发门槛低、传播便捷的技术价值。在社交平台应用场景中，微信小程序能够快速构建用户互动社区，实现书籍分享、好友匹配等核心功能。本项目作为计算机专业毕业设计案例，完整展示了基于Spring Boot后端与MySQL数据库的技术架构，涵盖了用户管理、书籍信息管理、社交互动等热词功能模块，为学习者提供了从环境部署到功能测试的全流程实践指导。通过这个开源项目，开发者
Win 8应用开发马拉松——程序人生，共享精彩
2012年9月3日——9月4日，国内首次最大规模的Windows 8应用同聚开发马拉松在北京、上海、广州、成都、深圳、西安六大城市同时拉开帷幕。4000名开发者、团队，以及学生团体，带着同一份激情齐聚在不同地区的分会场，共同演绎出本次马拉松活动的主题——创新、自豪和爱。在这36个小时里，他们以最新发布且最具热度的Windows 8为开发平台，以微软的Windows商店为拓展和分发渠道，开发出一
IBM Power编程马拉松——以“码”会友，把手言欢！
大赛报名地址：http://reg.powerlinux.csdn.net/ 为展示基于IBM POWER8 CPU超强数据处理能力所带来的深度学习和高性能计算最优体验， IBM Power编程马拉松活动已整装待发，蓄势而为。本次赛程中我们为从事GPU加速深度学习和HPC相关应用程序的开发者与团队提供了实践平台 ，让参赛者亲身体验IBM POWER8处理器计算速度与性能方面的巨大优势，验证GPU...
微信小程序社交平台开发实战：以书会友毕业设计指南
微信小程序作为一种轻量级应用开发框架，基于微信生态提供了完整的用户体系和开发工具链。其技术原理结合了前端组件化开发和后端云服务集成，通过WXML/WXSS实现界面渲染，JavaScript处理业务逻辑。在工程实践中，小程序开发具有快速迭代、跨平台兼容的技术价值，特别适合社交类应用场景。以Node.js+MySQL为代表的后端技术栈，配合RESTful API设计，能够高效支撑用户认证、数据存储等核心功能。本文以图书社交平台为例，详细解析微信小程序全栈开发流程，涵盖毕业设计必备的环境搭建、功能实现和部署上线等
[置顶] 程序员扩充人脉那些事儿
前面发布几篇程序员XXX那些事儿系列,来自我的资深HR好友-MR Zhu，这篇是我延续他的风格自己写的。观点不一定正确，很可能完全不对，如果能帮到大家则非常荣幸。 一、什么时候需要人脉 当我们技术有一定功底和积累时是我们开始重视扩充人脉的最佳时机。过早和过晚都不好，过早会让你此时得到的人脉质量很一般很可能会给你起到反作用， 过晚，那么很多机遇你就会很心痛的错过。 所...
以牌会友智竞交锋｜第16期田与家掼蛋比赛暨百年建台·田与家紫桐杯盛大开赛
同时，田与家以社群为核心载体，聚合追求精致生活、崇尚健康慢生活方式的圈层人群，常态化开展各类线下文化、休闲、竞技交流活动，打破单一的产品供给模式，构建“好物共享、会员相聚、圈层互通”的生活化社群生态。三方联办，意在推动健康休闲文化大众化发展，让生态慢生活、高端美酒、智力运动深度融合，打造可复制的文体生活融合新样本。未来，田与家、紫桐冰酒、百年建台三方也将继续探索更多元的文体活动形式，以赛事为桥梁，链接更多圈层人群，弘扬积极健康的休闲竞技文化，赋能品质慢生活，实现文化交流、社群共建与品牌发展的共生共赢。
温馨 | 相聚回家日 情满长安城
刘妍副总监进行《走进德申汇》主题演讲，她从三个方面发言：非常荣幸能够带领西安地区的四支俱乐部，从无到有，从小到大的成长历程，是所有会友共同努力的成果，希望所有新朋友通过本次会议都能更加了解德申，加入德申，为自己的企业带来更高的价值，为个人带来成长和收获，为企业赋能，为商家助力。何总监宣誓：带领会友砥砺前行，奋勇争先，为104A的发展群策群力，共谋来来发展。此次活动将商务联谊、团圆思想进行完美融合，让会友们在回家日的的氛围中，领悟西安古都文化，同时加深会友的深度链接，为104A-9的发展奠定了良好的基础。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1万+
扫一扫
