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
4.1k累计阅读
4.1k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
由于微软一站式示例代码库下载过热，导致下载计数器溢出。示例代码浏览器以及示例代码的总下载数已超过1000万！
示例代码浏览器Windows 8中文版
下载：http://apps.microsoft.com/windows/zh-cn/app/sample-browser/6fd83c79-a2fc-4887-9284-535681eb3993
示例代码浏览器Visual Studio中文版
下载：http://visualstudiogallery.msdn.microsoft.com/4934b087-e6cc-44dd-b992-a71f00a2a6df
示例代码浏览器desktop版
下载：http://1code.codeplex.com/releases/view/86101
从编译到烧录：ARM MCU工程搭建与调试全流程解析
嵌入式开发中，理解从源码到固件的完整链路是工程师摆脱黑盒操作的关键。ARM Cortex-M架构下，工程需经过预处理、编译、汇编、链接等阶段，启动文件与链接脚本共同决定代码在Flash和RAM中的布局。掌握这些原理，不仅能解决烧录失败、仿真跑飞等高频问题，还能深入理解mcu状态机设计、内存溢出等核心场景。在实际项目中，无论是使用Keil、STM32CubeIDE，还是处理cannot find -lpublic这类链接错误，回归底层机制都能快速定位根因。本文从编译、烧录、仿真三个环节拆解整个流程，帮助开发者
STM32 HardFault快速定位：SP/PC/LR三寄存器诊断法
HardFault是ARM Cortex-M内核的硬件级异常保护机制，本质是CPU在检测到内存访问违规、未定义指令、堆栈溢出等不可恢复错误时触发的紧急停机。其原理源于内核对执行状态的实时监控，技术价值在于提供崩溃瞬间的底层现场证据，支撑高可靠性嵌入式系统调试与加固。典型应用场景包括STM32固件开发、产线故障排查及高校嵌入式实训。本文聚焦STM32CUBEIDE环境下的实战分析路径，以SP（堆栈指针）、PC（程序计数器）为核心线索，结合CFSR寄存器解析与.map文件符号映射，实现从汇编级异常到C源码行号的
Anthropic Managed Agents：事件溯源驱动的LLM Agent运行时架构解析
LLM Agent运行时（Agent Runtime）是当前大模型工程落地的核心基础设施，其本质是解决状态管理、安全隔离与行为可追溯三大挑战。传统依赖上下文窗口维持状态的方式极易引发注意力衰减、静默失败与审计盲区；而以‘Session as Event Log’为代表的事件溯源架构，通过将状态外置为不可篡改的时序事件流，实现LLM轻量化、错误隔离与确定性回放。该范式显著提升系统可观测性与合规能力，支撑金融、法律等高敏场景的agent规模化部署。Anthropic Managed Agents正是这一技术路径
WT588F02-8S-C语音芯片在电动车仪表中的三语播报与硬件仲裁设计
语音播报系统是智能电动车人机交互的关键环节，其本质是嵌入式实时音频处理与多源事件调度的融合技术。核心在于语音芯片如何实现低延迟解码、抗干扰存储访问及多优先级信号仲裁——这直接决定告警响应是否及时、语音是否清晰可懂、多语言切换是否无缝。以WT588F02-8S-C为例，其片内SPI NOR Flash架构支持XIP随机读取，配合硬件状态机实现速度/电量/故障三路信号的毫秒级优先级调度，同时通过REG_LANG寄存器直连Flash分区，达成微秒级三语切换。该方案显著提升车载语音系统的可靠性与安全性，广泛适用于B
Multisim电路仿真入门：从安装避坑到相量测量与教学实战
电路仿真作为电子类专业核心实践能力，其本质是将抽象的基尔霍夫定律、戴维南等效、正弦稳态分析等理论转化为可测、可控、可验证的物理过程。Multisim凭借深度集成的SPICE引擎、实时可视化仪器（如示波器、万用表）和虚实联动能力（如一键部署至myDAQ），成为高校‘电路分析’‘模电数电’实验的首选工具。它不追求芯片级精度，而聚焦教学确定性——例如通过瞬态分析暴露亚稳态毛刺，或借助DC工作点分析量化LED驱动电流，真正实现‘建模即理解’。本文围绕multisim访问主数据库发生错误、multisim示波器交流电
MCUXpresso IDE 从零搭建：NXP Cortex-M 嵌入式开发环境实战指南
在嵌入式系统开发中，集成开发环境（IDE）是连接开发者与硬件芯片的关键桥梁，它通过整合编译器、调试器和芯片支持包，大幅提升了开发效率。MCUXpresso IDE 作为 NXP 官方推出的免费工具，基于 Eclipse 框架深度定制，专为 Arm Cortex-M 系列微控制器（如 i.MX RT、LPC）优化，实现了从项目创建到程序下载的“开箱即用”体验。其核心价值在于无缝集成了 SDK（软件开发套件）、配置工具和调试器驱动，让开发者能聚焦于应用逻辑而非环境配置。对于从事物联网、工业控制等领域的工程师，掌
Python遗传算法实战：N皇后问题从0到100解
遗传算法（GA）是一种经典的启发式优化方法，核心在于模拟自然选择过程解决约束满足型问题。其原理包括种群初始化、适应度评估、选择、交叉与变异等环节，技术价值在于无需梯度、能处理离散/组合优化，广泛应用于排班调度、路径规划、参数调优等工程场景。本文聚焦N皇后问题这一典型组合优化案例，以Python为实现载体，深入剖析排列编码、精英保留、对角线冲突检测等关键设计，强调‘合法解空间优先’的工程实践思想。内容覆盖从8皇后快速验证到100皇后鲁棒求解的完整演进路径，突出实战中population_size设定、fitn
Spark 大数据环境搭建（ Linux 系统安装和配置）
（1）选择典型安装（2）选择“安装程序光盘映像文件(iso)”，点击右侧的浏览按钮， 找到下载好的iso 文件，然后点击下一步。（3）将全名、用户名、密码、确认等几项均设为“spark”， 方便后面使用，然后点击下一步。（4）在命名虚拟机的窗体中，可以设定一下虚拟机名称或直接按默认，然后点击下一步。（5）在指定磁盘容量的窗体中，设定虚拟机使用的最大磁盘大小为60GB，虚拟机文件尺 寸是在使用过程中按需增长的，最大限制为 60GB。
Java技术体系之基础能力篇（五）——深入理解JVM原理
1、Java概述 1.1 Java技术体系 从广义上讲，Kotlin、Clojure、JRuby、Groovy等运行于Java虚拟机上的编程语言及其相关的程序都属于Java技术体系中的一员。如果仅从传统意义上来看，JCP官方所定义的Java技术体系包括了以下几个组成部分： Java程序设计语言 各种硬件平台上的Java虚拟机实现 Class文件格式 Java类库API 来自商业机构和开源社区的第三方Java类库 以上是根据Java各个组成部分的功能来进行划分，如果按照技术所服务的领域来划分，或者
从光猫到机顶盒：H10G-13融合网关双系统网络配置全解析（含超密获取技巧）
本文详细解析了中国移动H10G-13融合网关的双系统网络配置，涵盖光猫路由与安卓电视盒子的协同工作。通过晶晨S905L3芯片的优化，设备实现高效网络接入与安卓9.0系统的定制化应用，特别适合酒店和民宿行业的智能化改造。文章还提供了超密获取技巧和线刷固件包的实用指南。
Cadence 16.6与17.4双版本共存避坑指南：从安装顺序到环境变量配置
本文是一份详细的Cadence 16.6与17.4双版本共存实战指南。针对硬件工程师和PCB设计者同时处理新旧项目的需求，文章深入剖析了版本冲突根源，并提供了从安装顺序、环境隔离到故障排查的完整解决方案。核心在于通过环境变量精细化管理与脚本控制，实现两个版本的稳定共存与无缝切换，有效解决了文件关联混乱、交互布局失效等常见问题。
从安装失败到架构认知：为什么开发者需要掌握x86汇编语言
指令集架构是计算机系统的核心基础，它定义了处理器能够理解和执行的操作集合。x86作为个人计算机领域的主导架构，其工作原理涉及寄存器、内存寻址和指令集三大核心组件。理解这些底层机制不仅有助于解决运行时依赖、平台兼容性等实际问题，更能为性能优化和系统级调试提供关键洞察。在软件工程实践中，无论是分析VC++运行时库缺失导致的安装问题，还是优化计算密集型代码，x86汇编知识都能帮助开发者穿透高级语言的抽象层，直接定位问题本质。通过掌握汇编层面的调试技巧和性能分析方法，工程师能够更高效地处理系统崩溃、内存错误等复杂场
LDA主题模型简介及Python实现
一、LDA主题模型简介 LDA主题模型主要用于推测文档的主题分布，可以将文档集中每篇文档的主题以概率分布的形式给出根据主题进行主题聚类或文本分类。 LDA主题模型不关心文档中单词的顺序，通常使用词袋特征（bag-of-word feature）来代表文档。词袋模型介绍可以参考这篇文章：文本向量化表示——词袋模型 - 知乎 了解LDA模型，我们需要先了解LDA的生成模型，LDA认为一篇文章是怎么形成的呢？ LDA模型认为主题可以由一个词汇...
TMS470 ARM7开发套件快速入门：从环境搭建到LED闪烁实战
嵌入式系统开发是软硬件协同设计的核心领域，其基础在于理解微控制器架构与工具链的配合。ARM7TDMI作为经典的RISC处理器内核，以其精简指令集和稳定的流水线设计，为实时控制应用提供了可靠的计算平台。在工程实践中，高效的开发环境部署与硬件调试是项目成功的关键，能够显著缩短开发周期并降低入门门槛。以TI的TMS470系列微控制器为例，它广泛应用于汽车电子和工业控制场景，其配套的IAR Embedded Workbench和J-Link调试器构成了完整的开发解决方案。本文聚焦于**TMS470开发套件**的快速
MATLAB图像去噪实战：如何用巴特沃斯滤波器完美去除横条纹（附完整代码）
本文详细介绍了如何使用MATLAB中的巴特沃斯滤波器有效去除图像中的横条纹噪声。通过频域分析和滤波处理，结合完整的代码示例，帮助读者掌握从噪声分析到参数优化的全流程技术，实现高质量的图像去噪效果。
【OpenClaw 实战】Ubuntu 双机 Gateway + Node 部署全流程 + 所有常见坑（2026版）
如果你只是需要浏览器自动化、截屏、简单系统查询 →Node 模式够用，别折腾 exec。如果你需要 GOLD 运行任意 shell 命令、git、npm、自定义脚本 →必须升级成 Gateway。bind lan + pairing approve + token 统一。后续想玩多 Agent 团队，优先考虑双/多 Gateway + 聊天通道互发（社区已有不少成功案例）。欢迎评论区留言你的环境和报错，一起交流！
嵌入式开发学习路线：从STM32到VSCode与嵌入式Linux实战指南
嵌入式开发是软硬件结合的工程实践，核心在于通过寄存器操作、中断管理和实时系统控制硬件行为。其基本原理要求开发者理解MCU时钟树、外设映射与内存布局，而工具链的演进正在改变传统开发方式——从Keil一体化IDE到VSCode嵌入式开发插件与CLion工程化配置，开发者可借助CMake与OpenOCD构建更高效的调试流程。随着边缘计算兴起，嵌入式AI开发和嵌入式Linux应用开发成为重要方向，基于TensorFlow Lite等库可在设备端运行推理模型。在智能家居、工业控制、物联网终端等场景中，掌握这些技术能显
菲涅尔波带片
菲涅尔波带片的简介，以及matlab绘制
Windows崩溃dump文件生成与分析实战指南
dump文件是Windows程序崩溃时的关键诊断数据，本质为进程内存快照，涵盖线程堆栈、寄存器状态与模块信息。其生成依赖操作系统异常处理机制，通过注册表配置（系统级/进程级）或MiniDumpWriteDump API调用实现，核心原理在于在未处理异常触发时介入崩溃流程并持久化运行时上下文。技术价值在于绕过日志缺失、复现困难等调试瓶颈，直接定位空指针、堆破坏、多线程竞态等底层问题。典型应用场景包括第三方软件故障排查、C++服务稳定性分析及蓝屏（MEMORY.DMP）根因诊断。本文聚焦Windows平台下du
Euro-NCAP-HWA测试流程中文版V1.1(2023发布)
在本协议中，使用了以下术语:Vehicle undertest (VUT) – 指根据本规程测试的车辆，车上有碰撞前的碰撞缓解或避免系统Global VehicleTarget (GVT) – 指本协议中使用的车辆目标，其定义见TB025—Euro-NCAP全球车辆目标规范v1.0辅助其他车辆（SOV）--指最新的 AEB VRU 测试规程中定义的 "大型障碍车辆"（而非机器人控制的平台），用于本规程中的 "切出 "测试。Time To Collision (TTC) – 指在VUT碰撞GVT之前的剩余时间
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
Mythos：通用AI模型如何重塑漏洞挖掘与渗透测试范式
软件漏洞挖掘正从依赖人工经验与规则匹配的传统模式，转向基于通用大模型的深度符号执行与系统级因果推理。Mythos作为前沿通用AI模型，其核心能力并非局限于网络安全领域，而是通过在复杂符号系统中建模状态机、推导内存布局、构造攻击链等通用智能，实现对零日漏洞的自主发现与利用生成。这种能力突破了沙盒约束与领域边界，使传统WAF、SAST和人工红队的防御逻辑面临根本性挑战。它已在FreeBSD内核、FFmpeg解码器等真实系统中验证跨时间尺度（16–27年）的深度审计能力，并推动云厂商、开源基金会与安全团队重构安全
文档：亲测可用解决vnc灰屏，黑屏，鼠标大黑叉情况
主要解决vnc-viewer灰屏，黑屏，鼠标大黑叉等现象，详细见文档。
雷蛇巴塞利斯蛇X光标失灵：无线通信链路静音故障深度修复指南
无线鼠标光标失灵是常见外设故障现象，其本质常被误判为驱动异常或硬件损坏，实则多源于HID协议层的输入事件上报中断。本文聚焦雷蛇巴塞利斯蛇X特有的HyperSpeed无线通信链路静音机制——当固件对USB HID Descriptor解析偏差时，系统虽识别设备，却跳过坐标通道注册，导致光标冻结而侧键正常。该问题区别于传统USB识别失败或电池耗尽，需穿透Synapse GUI，借助Wireshark抓包、RazerCommander寄存器读写及SRAM精准放电等底层手段定位并重置静音标志位。适用于办公、轻度游戏
jre9下载 jdk9
(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】
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")
Ubuntu 26.04 LTS 安装 常用软件 输入法 ubuntu
安装 Nautilus Admin 「以管理员身份打开」和「以管理员身份编辑」统一Win10和Ubuntu18.04双系统的时间。为Ubuntu Dock启用“最小化点击”鼠标 右键没有新建文档。
Apache Fesod流式Excel处理：替代EasyExcel的高性能范式迁移
Excel导出导入是Java后端高频场景，传统方案如EasyExcel依赖POI封装，易引发内存溢出、复杂表头错位、动态列维护困难等问题。其本质是将Excel视为静态文档，而非数据流。Apache Fesod作为Apache孵化项目，提出‘Excel即流’新范式，通过CellSource、CellStyleProvider、WorkbookSink三大函数式契约，实现低内存、高吞吐、强可控的流式读写。它天然支持万行级动态列导出、事务化分批导入、零临时文件流式下载，适用于金融对账、电商报表、高并发SaaS等严
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
485
扫一扫
