用小程序开发平台一天做俩小程序?这赚钱效率我服了

首席赚钱省钱专家完整小程序源码实战 微信小程序自2017年推出以来,已经成为应用开发者和商家获取流量的重要平台。在众多的版本迭代中,1.9.8版本的源码分析尤其值得关注。这个版本的发布,不仅优化了小程序的性能,还增加了许多新特性,进一步提升了用户体验和开发者的开发效率。淘宝客,作为电商领域的一个重要分支,通过帮助淘宝卖家推广商品来赚取佣金的商业模式,其发展历史悠久且如今依然盛行。淘宝客模式的发展大致可以分为三个阶段:早期的纯手动推广、中期的PC端联盟营销以及当前的移动端智能化营销。 阅读详情
AI摘要

作者通过使用AI编程平台文心快码,成功在一天内开发出两个小程序的原型。他分享了自己如何利用自然语言开发工具,将客户需求转化为小程序框架,并进行个性化调整和优化的过程。这一经历展示了AI技术在提升开发效率方面的巨大潜力。

主业清闲,恋爱花销见涨,琢磨着找点兼职。这一个月试过不少路子,当过水军刷评论,剪过信息流短视频,钱是能进账,可那点收益跟投入的时间一比,实在不划算,离我想要的“补贴”目标差得远。

翻遍各类兼职平台,发现一类单子格外显眼——小程序开发。需求多得很,小商家做个预约系统,社区搞个活动报名页,培训机构弄个课程展示…单价普遍不错,比剪视频高出一大截。可我这前端水平半桶水,能行吗?

一开始真没抱希望,觉得门槛肯定高。硬着头皮研究了一天,发现小程序的逻辑其实能拆解:分析客户想要什么功能(需求),搭出框架(设计),然后才是写代码实现,最后优化调整。最大的坎儿,不就是写代码那一步吗?现在AI编程这么火,这最难的一环,好像有戏了。

抱着试试看的心态,我开始鼓捣。重点研究了几个主打“自然语言开发”的平台,最后锁定了文心快码。它的逻辑很对我胃口,不用死磕语法,把你想做的东西,用大白话说给它听就行。摸索了小半个月,感觉有底了,正式挂出接单链接。

如今单子接得还算稳当,收益比之前那些零碎活强太多。回想起来,最让我自己都吃惊的是上个月的一天——用文心快码,从早到晚,居然鼓捣出了三个小程序的“毛坯房”!当然,这离最终交付给客户的精装版还有距离,但这搭建速度,放以前想都不敢想。记得那天上午是帮居委会大姐做活动报名小程序,需求巨简单,展示活动信息(标题、时间、地点、介绍),加个报名按钮(收集姓名、电话)。打开文心快码,直接输入“做个微信小程序单页,顶部大标题,下面分块放活动时间、地点、详情介绍,最底下放个报名按钮,点开弹窗填姓名和电话提交。”

十分钟不到,一个基础框架就生成了。我主要做了:换上真实的活动文案,调整了字体大小和颜色让页面更醒目,测试了一下报名数据确实能提交到后台的简易数据库。搞定!

之后是下午帮宠物店做服务预约小程序,我用的是传图+描述的路子。宠物店老板嫌电话预约总记错时间。他发来一张手画的草图,首页展示几项服务包括洗澡、美容、寄养,点服务进去选日期、时间,再填主人和宠物信息。我把草图拍照上传到文心快码,同时补充文字:

“参考草图,首页列出服务项目,点击进入预约页,需要日期选择器、时间选择器,填写主人姓名电话、宠物名字、品种。”

文心快码结合图片和文字,生成了带服务列表的首页和预约表单页。我花时间完善了:上传了真实的服务图片和描述,调整了日期时间选择器的样式让它更易操作,确保不同服务预约的数据能正确区分存储。

它生成的当然不是完美成品,需要我根据客户具体需求调整样式、填充内容、测试细节。但它把最耗时、最模式化的基础搭建环节解决了,让我能集中精力在定制化和优化上。一天两个“毛坯房”,放在纯手工敲代码的时代,简直是天方夜谭。

【PDN仿真笔记9-使用Sigrity PowerDC进行IR Drop仿真的方法】 使用Sigrity PowerDC进行IR Drop进行仿真的方法 阅读详情

相关推荐

Hermes V0.10.0:官方UI几乎无Bug版

如果你还在观望Hermes,现在可能是最好的入局时机。 因为网页端来了,门槛降到了最低。 如果你已经是Hermes用户,升级就对了。 因为0.9.0的更新,值得一试。

weixin_66295112的博客 2046

从0到1:兼职招聘小程序开发笔记(一)

兼职招聘小程序:为雇主和求职者提供便利的平台,旨在帮助雇主招聘兼职员工,并让求职者寻找合适的兼职工作。提供简单、快捷的方式来匹配兼职岗位和候选人,节省了招聘和求职的时间和精力。其主要功能模块包括:职位检索,企业库检索,简历维护,职位申请,在线沟通,后台职位管理,后台企业管理,后台用户管理等。

CC同学呀 807

51单片机超声波测距数码管显示并报警(Proteus 仿真)

HC-SR04超声波 实物图 使用方法 1、给TRIG端口至少10us 的高电平信号 2、模块自动发送 8 个 40khz 的方波,自动检测是否有信号返回 3、有信号返回,ECHO端口会输出一个高电平,高电平持续的时间就是超声波从发射到返回的时间 计算的话这里就不考虑温度的影响直接用声速340m/s Proteus仿真 HC-SR04可以用Proteus中的SRF04代替 下面附上代码 ...

m0_46254883的博客 1万+

怎么用小程序挣钱?想赚钱就做这5类小程序!

近年来,小程序的发展势如破竹,小程序将会在不久遍布大街小巷,毕竟从某种意义上来说,它比公众号更简化,更方便。小程序的确是靠着高质量,高效率,来获取用户的信任。 究其根本,小程序的兴起有两大原因: 第一、微信的高度重视,给小程序开发提供了更多的流量入口。 第二、用户不想用自己有限的手机内存,去下载无限容量的APP。 所以想要玩好小程序,一定要形成以人为中心的思想,当小程序建立以人为中心的思想之后,让用户形成某种信任和潜意识的习惯养成,当他们在需要某项服务的时候,就会自然而然的想到这个小程序,这就是

wangxiaotao20的博客 8741

21、二维卷积层(convolution2dLayer)的全面解析

本文全面解析了二维卷积层(convolution2dLayer)的原理、属性和应用,详细介绍了其在深度学习中的作用及实现方法。文章涵盖创建卷积层的语法、参数设置、算法原理、输入输出格式、优化策略以及实际应用案例,旨在帮助读者更好地理解和应用二维卷积层构建高效的深度学习模型。

red88的博客 313

【YOLO11改进 - C3k2融合】C3k2融合动态蛇形卷积(Dynamic Snake Convolution)用于管状结构分割任务

【YOLO11改进 - C3k2融合】C3k2融合动态蛇形卷积(Dynamic Snake Convolution)用于管状结构分割任务

专注于图像领域,主要研究内容包括计算机视觉和深度学习,特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。 517

集成小程序开发平台

疫情期间加速了轻应用的普及,小程序成为各商家、企事业单位及各行业的标配工具,学习使用及简单制作成为大家争夺市场不可或缺的技能,在科技便利生活的同时,更需要大家能识别技术使用工具的能力,没有技术含量的存在只会被工具所奴隶,你不会的工具都可以帮你做到,但你却失去了自主性,因为你不会运营它!“给我一个支点一个扛就能撬动整个地球。”因此把小程序集成制作平台开放给大家使用,希望在推动商家企业提高效率的同时,也能为码农们提升收益!

qq_39367448的博客 721

Trae 保姆级使用指南,零基础小白也能实现编程。

Trae 使用指南 Trae AI 使用 零基础编程 满血版 DeepSeek-R1&V3 AI IDE 深度理解中文开发场景 傻瓜式编程 编程入门 开发入门

Mr.L-OAM的博客 5815

2020赚钱机会总结,拾元富另附10个副业赚钱必备的工具与平台,看看你到底错过了多少钱!

赚钱不努力,努力不赚钱!你会发现一个现象,自己很辛苦也很努力地去工作,甚至连假节日都不敢休息,平时也很节俭,也没买什么奢侈品,每个月也都有存钱。但是就是不知道为什么,钱存得很慢,一年到头来存钱的速度还赶不上通货膨胀的速度。 而身边那些看似“游手好闲”的人,平时并没有见到他们有多努力,但是都赚得盆满钵满,百思不得其解。 如果你还在相信:“一分耕耘一分收获”、“当你努力到无能为力的时候,成功就离你不远了”这样心灵鸡汤的时候,其实你已经输在了起跑线上。 赚钱真的和努力没有关系,但和方法有关系。其实赚钱是有方法的,

weixin_51862914的博客 8449

汇川Easy系列斜坡函数功能块(支持状态输出)

IN rSetValue REAL 0.000000 0.000000 不保持 目标值 1IN rMaxValue REAL 0.000000 0.000000 不保持 最大目标值 2IN rMinValue REAL 0.000000 0.000000 不保持 最小目标值 3IN rSmoothTime REAL 100.000000 100.0000 不保持 最小到最大值平滑时间 单位 秒 4IN diTs DINT 10 10 不保持 函数调用周期采样时间中断时间 5。

RXXW_Dor的博客 455

基于 Spring Cloud 环境污染物数据分析与预测平台

基于 Spring Cloud 环境污染物数据分析与预测平台

934

2019年实体店如何运用小程序赚钱(下)

小编给大家分享下当下比较火的新生物——微信小程序。微信小程序是一款不用安装,不用下载,不占用手机空间‌‌‌‌‌‌的微形应用程序,基于微信环境开发,运行速度快,体验感棒,人人可用无门槛,不需要注册,真正意义的即用即走。 那么。2019年实体店如何运用小程序赚钱?下面就和小编一起来看看吧!!! 它可以让你的实体店在以你中心半径5公里的用户看到咱们店中的情况。小程序区别于美团等平台的去中心化的特...

VX_xsongok66的博客 1090

团体程序设计天梯赛竞赛题--登顶题【L3-039 攀岩】

登顶级 3 道题,每道题 30 分,满分为 90 分。

Pretty Boy Fox的博客 653

Python自动化赚钱?想peach!

大家好,我是七七还记得很久之前有一位读者在群里问过,有没有那种代码一键运行,就可以赚钱,当时年轻的我微微一笑,年轻人,想 peach?但是,随着一行从研究僧毕业,不断的认知和接触各种赚钱的好手,不经各种感叹“这 tm 也能赚钱!”,再更深一层的懒惰,就会反问自己这能不能用去代码自动化实现?遂之,也许可以,想了以下 idea,终于找到了可以水素材的内容源泉!不知道,大家在过年期间有没有被红包封面给刷屏,从一开始的高门槛,到慢慢人人可以制作封面。

2401_84205765的博客 1538

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

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")

万能工具箱小程序源码系统:流量主赚钱小程序 带完整搭建教程

万能工具箱小程序源码系统正是在这一背景下应运而生,旨在为广大开发者提供一个便捷、高效的小程序开发工具,同时也为流量主提供一个全新的赚钱途径。该系统采用了模块化设计,使得开发者可以快速搭建出功能丰富的小程序,同时也方便了后续的维护和升级。这一模式不仅为开发者提供了一个新的盈利渠道,也为广告主提供了一个更加精准的投放平台。同时,系统还提供了丰富的广告样式和投放策略,以满足不同广告主的需求。此外,系统还提供了在线更新功能,开发者可以随时下载并更新最新版本的源码包,无需重新上传和审核,大大提高了开发效率。

codeji的博客 1541

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

100个2022实用微信小程序源码分享

微信小程序 微信小程序已经火爆到人人开发,人人都是码农,网上也有很多学习资源,但是源码资源还是很少的。其实在学习开发微信小程序的时候如果有源码可以供我们借鉴,学习效率也会成倍的增加。 无论是前端开发,还是后端开发,时间长了,你总会能总结出它的一些规律的,对于前端开发主要就两条,页面展现,逻辑处理。如果是全流程开发的话,那就是,如何创建项目,页面如何实现,数据获取和逻辑处理如何实现,如何打包上线。移动端或者前端,基本开发流程就这个四个步骤。所以在在前端方面去学习新一门开发技术,只要你解决了这四个问题,那一切

XDYM_的博客 3万+

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

AI真的能赚钱吗?我是不是在割韭菜?不防看看!

AIGC技术的未来发展前景广阔,随着人工智能技术的不断发展,AIGC技术也将不断提高。未来,AIGC技术将在游戏和计算领域得到更广泛的应用,使游戏和计算系统具有更高效、更智能、更灵活的特性。同时,AIGC技术也将与人工智能技术紧密结合,在更多的领域得到广泛应用,对程序员来说影响至关重要。未来,AIGC技术将继续得到提高,同时也将与人工智能技术紧密结合,在更多的领域得到广泛应用。感兴趣的小伙伴,赠送全套AIGC学习资料和安装工具,包含AI绘画、AI人工智能等前沿科技教程,模型插件,具体看下方。

A2421417624的博客 3502

【python必备】爬虫该如何赚钱呢?

通过在微博上掌握最近发送微博的用户的设备情况,可以观察新型iPhone在中国的销售情况此外,iPhone以前的所有新产品上市时,也可以与当时的用户进行微调。可以在线获得爬虫外包的人,从大学生、白发苍苍的老猴子那里,几个团队拼起来也抢了几千元,一个项目。Python所有方向的技术点做的整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。

xiangxueerfei的博客 1146

【AI赚钱】AI真的能赚钱吗?我是不是在割韭菜?不防看看!

大家好,今天我要聊一个敏感话题——AI赚钱

A2421417624的博客 1447

牛逼,GitHub 上竟然有这么多可以赚钱的小程序

点击上方“Github爱好者社区”,选择星标回复“资料”,获取小编整理的一份资料 大家好,我是GG哥。今天推荐的这个项目是「list-of-wechat-mini-program-lis...

GitHub爱好者社区 1125

用神器做前端开发10分钟1个页面,早下班多赚钱

先讲个故事。 我二哥是做网站开发,程序开发的,近20年的开发工作,二哥发现web前端开发中的一个环节,非常没意思,超级枯燥。 这个环节就是效果图切片,手写CSS代码,设计网页效果,这些步骤超级耗费时间,耗费精力,更没有经验知识的积累,毫无乐趣可言。 同样的代码,不同的项目,每次都要重复写,每次手工输入代码效率低下。 每次为了一个效果,一个像素耽误整天的时间。 还经常发生花了几个小时、几天时间才写...

weixin_45125264的博客 950
上一篇: 哪个AI写代码最省心?我用文心快码在线生成html网页
下一篇: 有没有什么靠谱的app开发软件推荐,我听现在好多人说AI编程挺火
NeuralScript
博客等级 码龄1年 23粉丝 19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