Windows Workflow Foundation要点

通过Windows Workflow Foundation 构建企业级工作流应用实战指南 本文还有配套的精品资源,点击获取 简介:本系列教程深入讲解了如何使用Windows Workflow Foundation (WF)构建和开发工作流应用程序。作为.NET Framework的一部分,WF为开发者提供了强大的工具,用于创建规则和状态驱动的业务流程应用。教程涵盖工作流基础概念、设计工具、活动库的使用、工作流持久化、服务集成、监控管理以及版本控制等关键知识点,旨... 阅读详情

今天上午抽了半天看了一下Windows workflow foundation,简写为WF,把学到的几个要点记录一下:

1.WF是微软在.NET Framework 3.0以后推出的一套工作流开发框架;

2.WF提供了工作流设计工具,这是对开发效率提高的主要帮助;

3.WF设计主要是利用各种Activiy的“嵌套”来实现的,Activity是开发的核心,注意除了使用代码也可以使用规则——规则有文件记录并且有编辑界面,其中可以用this来引用工作流实例;

4.WF只是一个框架,需要在其他应用程序中才能运行,用WorkflowRuntime和WorkflowInstance来交互;

5.WF使工作流在单独的线程中执行的,因此需要运用线程同步的机制;

6.WF支持顺序工作流和状态机工作流两种工作流类型;

7.WF需要利用本地服务和事件驱动的活动实现工作流实例和宿主之间的交互;

8.WF服务有两种,一种是供开发人员开发的的本地服务如7中所述,还有就是四种核心服务,包括必须有的调度服务和CommitWorkBatch服务,以及根据需要AddService的持久化服务和和跟踪服务;

9.微软的WebWorkflowApprovalsStarterKit的例子很不错,可以借鉴。

深入理解VS2010 Windows Workflow Foundation Windows Workflow Foundation(WF)是.NET框架中的一个子系统,它允许开发者通过可视化的方式设计、实现、运行和管理业务逻辑和工作流。WF极大地简化了业务流程的管理,使开发者能够专注于业务逻辑的实现,而不必从头开始编写复杂的业务逻辑代码。工作流模型是对实际业务流程的抽象和简化,它将复杂的业务操作流程转化为计算机可以识别的逻辑结构。在一个工作流模型中,通常包含以下基本元素:活动(Activities):表示业务流程中的一个步骤,如任务执行、决策判断、数据处理等。 阅读详情

相关推荐

Windows Workflow Foundation 高级编程源代码探究

本文还有配套的精品资源,点击获取 简介:Windows Workflow Foundation(WF)是.NET Framework的一部分,支持构建、管理和重用工作流逻辑,适用于企业级应用。本资源提供深入学习WF的源代码示例,涵盖了WF架构、活动构建、持久化、设计器、服务集成、版本控制、状态管理、规则引擎、自定义活动开发及错误处理等高级特性。开发者可以利用这些源代码深入理...

weixin_33670640的博客 2166

Windows Workflow Foundation(WWF)介绍

Windows Workflow Foundation:支持基于工作流的应用程序 工作流是一个简单思路:按照特定顺序执行的一系列步骤。您甚至可以认为每个应用程序都在执行工作流,因为每个应用程序都执行某些过程。但是,在使用 C#、Visual Basic 或其他编程语言等传统方法开发的应用程序中,这些过程都隐含在代码中。这样做没问题,但是这些过程被深深地嵌入程序逻辑中,使得其执行或更改愈加困难。...

weixin_33965305的博客 395

WF4.0 Windows Workflow Foundation 教程

基础版的流程学习教程 适合初学者 流程相关的东西 从WinFX到NET3.x再到NET4.0 ,WPF,WCF,WF 始终是放在一起的,WPF(silverlight)用于程序UI的展现,WCF用于程序通信,WF用于程序的逻辑控制,这种思想在微软提出WinFX到现在的NET3.x再到NET4.0都是十分明确的. WPF(silverlight)与WCF现在已被大家熟知,并已广泛使用.但关注WF的人却还不是很多.现在我准备从写几个WF4.0系列的文章,大家可以通过这几个系列的文章了解一下WF 原文来自:雨枫技术教程网 http://www.fengfly.com 原文网址:file:///F:/接收文件/培训相关/WF4.0/WF4.0/基础篇/WF4_0 基础篇 (一)开始使用WF_雨枫技术教程网.mht

Microsoft Windows Workflow Foundation 入门:开发人员演练

show toc 欢迎来到 MSDN > Windows 开发 Microsoft Windows Workflow Foundation 入门:开发人员演练 发布日期: 11/30/2005 | 更新日期: 11/30/2005 Dino EspositoSolid Quality Learning 适用于:Microsoft Windows Workflow...

weixin_30401605的博客 494

第七章-分布式搜索引擎-ES:全文查询、分词查询、精确查询、地理坐标查询、组合查询(bool、funtion_score)以及RestApi

111

weixin_36580930的博客 1636

Mac上SSH连接神器SecureCRT:从安装到高效使用的完整指南

本文详细介绍了Mac上专业SSH连接工具SecureCRT的安装与高效使用技巧。从核心优势、会话管理到快捷键方案,全面解析如何提升远程开发与服务器管理效率。特别适合需要处理多服务器环境和复杂终端控制的Mac用户,SecureCRT的企业级加密和跨平台同步功能使其成为SSH连接的神器。

weixin_30642561的博客 495

Windows Workflow Foundation(一)(转载)

组织并执行一系列的操作或者活动的最自然的方式——那就是工作流——同时也是构造一个工作流程的可执行表现形式的最佳途径。Windows Workflow Foundation(以下简称WWF)提供了一个编程框架和工具以开发和执行各种不同的基于工作流的应用程序,比如文档管理、线型的商业应用、贸易单据流程、IT管理、B2B应用以及消费者应用。 有状态的、持...

weixin_33965305的博客 399

Linux下基于AHCI controller模块实现SATA Platform驱动附代码详细流程

本文主要是针对ARM A55集成了AHSATA controller模块开发sata驱动,通过Platform的形式在linux识别到SSD,本文详细讲述整个开发过程,同时对SATA Platform驱动进行讲解。1、配置SATA Phy的初始化;2、打开SATA Platform相关编译开关;3、配置设备树;4、linux启动识盘。

Luckiers的博客 2497

微软推出的工作流引擎:Windows Workflow Foudation,简单介绍一下

 WWF(Windows Workflow Foundation)开发环境的建立。http://community.csdn.net/Expert/TopicView3.asp?id=4945934 Windows Workflow Foundation (wwf) 学习笔记(一) http://andersen.cnblogs.com/archive/2006/05/08/393989.

在这里,你可以方便的找到你要找的答案 3379

prplOS amx-fxgi调试-订阅subscribe

本文分析了prplOS中amx-fxgi订阅功能(subscribe)的实现与调试过程。通过梳理订阅流程发现,默认订阅失败主要由于acl规则限制导致。文章详细介绍了订阅的两个关键步骤:建立GET长连接和POST设置订阅路径,并通过修改代码绕过acl验证成功实现订阅功能。最终验证了在同一连接下订阅多个路径及实时接收状态更新的可行性,有效降低了设备查询负载。该方案为prplOS的实时数据监控提供了优化思路。

四儿家的小祖宗的博客 334

从代码仓库到知识库:自动化构建与RAG技术实践

在软件工程领域,代码库的规模与复杂性日益增长,如何高效管理和利用其中的知识成为关键挑战。传统文档工具主要依赖注释提取API信息,而现代知识构建技术则通过抽象语法树(AST)解析、自然语言处理等手段,深入理解代码结构、调用关系和业务逻辑。其核心价值在于将非结构化代码转化为机器可理解、可检索的结构化知识,显著提升代码资产的可维护性和团队协作效率。这一过程通常涉及代码解析、信息提取、向量化表示和存储索引四个关键阶段,其中向量化技术将代码语义转化为高维向量,为语义搜索奠定基础。结合检索增强生成(RAG)架构,开发者

weixin_42545292的博客 417

Windows Workflow Foundation入门:从Hello World理解工作流本质

工作流(Workflow)是将业务过程抽象为可执行、可监控、可编排的自动化流程的技术范式。其核心原理在于以活动(Activity)为基本单元,通过宿主进程(Host)加载WorkflowRuntime进行调度,依赖事件驱动(如WorkflowCompleted)实现异步生命周期管理。技术价值体现在流程可视化建模、跨系统集成能力与参数化编排机制,广泛应用于OA审批、订单处理、合规审计等企业级流程自动化场景。本文以WF 3.5经典版本为载体,聚焦Windows Workflow Foundation基础架构,通

diaoqi6581的博客 460

完整复现YOLOv8:包括训练、测试、评估、预测阶段【本文源码已开源,地址在文章末尾】

(这里主要是在colab.research.google.com实现的,本地的配置也是类似的方法)YOLOv8是一种用于目标检测的深度学习算法。主要参考:https://github.com/ultralytics/ultralytics/blob/main/README.zh-CN.md。yolov8的权重:https://github.com/ultralytics/assets/releases。yolov8的文档:https://v8docs.ultralytics.com/

源代码杀手的博客 1万+

【开发框架】Workflow Foundation(WF)全部控件解释

君若利其器,必先理其意!

OpenSeek的博客 941

【智能模型系列】基于Unity和MediaPipe【手部追踪+手势识别】系统开发指南

在本文中,我将详细介绍一个基于MediaPipe的Unity手势识别系统,该系统能够识别多种常见手势(如拳头、点赞、胜利手势等),并提供完整的事件系统来处理手势状态变化。这个系统非常适合用于VR/AR交互、手势控制游戏或任何需要自然用户界面的应用场景。

纯技术流日常开发商业开发记录总结等 590

AI: 机器学习的模型是如何训练的?(在试错中学习)

一句话理解机器学习一般训练过程 :通过有标签样本来调整(学习)并确定所有权重Weights和偏差Bias的理想值。 训练的目标:最小化损失函数 (损失函数下面马上会介绍) 机器学习算法在训练过程中,做的就是:检查多个样本并尝试找出可最大限度地减少损失的模型;目标就是将损失(Loss)最小化 在这里插入图片描述 上图就是一般模型训练的一般过程(试错过程),其中 模型: 将一个或多个特征作为输入,然后返回一个预测 (y’) 作为输出。为了进行简化,不妨考虑一种采用一个特征并返回一个预测的模型,如下公式

HowieXue 薛永浩的博客 3万+

WF工作流入门:从Hello World到开发实践

工作流引擎是现代软件开发中实现业务流程自动化的核心技术,通过预定义的活动序列和规则驱动业务逻辑执行。Windows Workflow Foundation(WF)作为.NET框架的官方工作流解决方案,采用声明式编程模型,将流程控制与业务逻辑解耦。其核心原理是通过可视化设计器编排活动(Activity)组件,由运行时引擎自动协调执行顺序,特别适合订单处理、审批流等具有明确步骤的场景。本文以经典的Hello World示例为切入点,详解WF开发环境搭建、基础活动绑定、宿主程序交互等实战要点,并分享变量作用域控制

weixin_30443813的博客 413

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。

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")

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。

WF工作流入门:从纯代码Hello World理解执行模型与持久化

工作流引擎是现代自动化系统的核心基础设施,其本质在于解耦业务逻辑与执行调度。理解工作流的生命周期管理、状态持久化机制和异常边界定义,是构建高可靠流程系统的前提。Windows Workflow Foundation(WF)虽为.NET经典框架,但其提出的Bookmark等待点、WorkflowApplication事件驱动模型、实例持久化契约等核心设计思想,深刻影响了Airflow、BPMN.js乃至云原生编排服务的演进路径。本文以纯C#代码实现可调试、可观测、可持久化的Hello World流程为切入点,

diaozhiwa5526的博客 410

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

英语阅读推荐:使用AJAX+WF+LINQ制作Google IG式首页

如果你既想学习ASP.NET AJAX,又想学习Windows Workflow Foundation,还想学习LINQ(包括DLinq和XLinq),能够一次过满足你三个愿望的除了Kinder出奇蛋就是本期Random Clipping重点推荐的这篇文章了。Build Google IG like Ajax Start Page in 7 days using ASP.N

425

TFS 2010架构演进:WF构建引擎与本地工作区的ALM范式升级

应用生命周期管理(ALM)是支撑企业级软件交付的核心体系,其本质在于将需求、开发、测试、发布等环节通过可配置、可审计、可追溯的平台实现流程固化。TFS 2010作为微软ALM战略的关键里程碑,首次以Windows Workflow Foundation(WF)替代MSBuild构建引擎,实现构建逻辑可视化、状态可观察;同时引入本地工作区(Local Workspace),推动TFVC向乐观并发模型演进,显著提升离线开发与跨时区协作效率。该版本还通过规则引擎驱动工作项流转,使Scrum等敏捷实践真正落地为系统

as2886089的博客 460

WCF

1  预备知识 分部类型partial:可以将一个类的行为和数据组织到不同的源代码文件中. 泛型:为类,结构,接口,的存储和使用提供占位符.是来约束参数的类型和大小的. 可空值类型:值类型一般分配在栈中,总有值的类型,并且永远不用NULL,            引用类型一般分配在堆中,引用的值就是分配内存的地址. 轻量级事务管理器:.net分布式事务管理器 角色提供程序   2 ...

weixin_34343689的博客 70

Windows workflow foundation入门

Microsoft Windows Workflow Foundation (WWF) 是一个可扩展框架,用于在 Windows 平台上开发工作流解决方案。作为即将问世的 Microsoft WinFX 的组成部分,Windows Workflow Foundation 同时提供了 API 和一些工具,用于开发和执行基于工作流的应用程序。Windows Workflow Foundation 提供

thy822的专栏 2742

Windows Workflow Foundation(1)- Windows Workflow Foundation 概述

Windows Workflow Foundation(第一章)- Windows Workflow Foundation 概述 工作流概述 活动(Activity)是工作流的基本单元,用于描述实际进程。工作流(workflow)提供了一种方法,用于描述多项短期运行或长期运行的工作之间的执行顺序和依赖关系。此工作从头到尾地贯穿模型,并且活动可以人工执行或由系统功能执行。 工作流运行...

afgvkab3084的博客 1768

[转帖]Windows WorkFlow Foundation 入门

声明:本文转自http://www.cnblogs.com/watsonyin/本文仅供自己参考用,若转载请加上面的声明!Windows WorkFlow Foundation入门(一)          这几天在学习Windows WorkFlow Foundation(以下简称WF),但并没有很好的学习资料,所以干脆翻译了。本人英文不怎么样,译得不好,请见谅啊一、工作流概述

Kim4Apple 1258

你还记得windows workflow foundation吗

很多年前,windows workflow foundation还叫WWF,而直译过来的名称让很多人以为它就是用来开发工作流或者干脆就是审批流的。 博主当年还是个懵懂的少年,却也知道微软不会大力推一个面向如此具象的业务场景的技术,于是特地找了一本《WF本质论》,当看到“程序即数据”这个论断时,被深深震撼了。可能这只是作者的随意一写,但当时正是泛型方法、lamda表达式、匿名委托啥的开始出现的时候...

sinolover的专栏 646
上一篇: Culture VS UICulture
下一篇: 今天看了一下asp.net MVC
MagicAlbert
博客等级 码龄19年 2粉丝 15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