业务建模、业务用例图、系统用例图都是啥?一文读懂《软件方法》

AI摘要

本文介绍了《软件方法》一书中的业务建模与需求分析方法,包括如何明确愿景、绘制业务用例图和序列图,以及如何进行需求启发、制定系统用例图和用例规约等内容。

45d9bd1db672c890f0ff86f9b7e1eb3d.png

4335886b87c06cfcb5df63b1ce118c96.gif

👉目录

0 引子

1 业务建模

2 需求

3 分析

4 结尾

计算机领域有众多经典丛书,《软件方法》是其中一本。在软件开发领域工作,深入业务分析,学会系统设计是保持竞争力的关键。本文作者深入拆解了这本书的核心内容,并根据自己的理解加以引申,是一篇非常优秀的读书笔记。推荐大家阅读完本文以后,进一步去阅读原作,结合自己的日常工作,相信会有更深的体会。

00

引子

之前学习《软件方法》这本书,感触很深。

虽然乍一看以为只是一本21天教你学画 UML 图的工具书,实际看下来,却是扎扎实实地在教你如何分析你的业务,找到组织的竞争优势。

至于如何画图,软件行业都是聪明人,一笔带过,点到即止。

书的语言很平实,也很易懂,但作为从业人员确实会触发你好好思考下自家的立身之本到底是什么,能不能立得稳,立得久。

可惜的是书分了上下两册,上册五年前已出版,下册却至今没有音讯,只有网络流传的一章半,颇有半张武林秘籍流落江湖之感。

回归本题,首先本书强调做一行,就要了解一行。

开发人员现如今都是面向需求编程,仔细钻研技术知识,对业务领域却不屑一顾,虽然可以方便地在各行业间闪转腾挪,却始终难以沉淀业务领域的核心价值。

此外,作为一个组织(公司或团队),要向一个领域迈进,第一步也是做行业分析,作为开发人员,如果不能正确地认识和跟进这种分析,即使架构设计经验再丰富,可能也会在新的业务领域折戟沉沙。

毕竟最好的设计,一定是最符合领域特征的设计。

此外,还有一个思想认识是开发人员很容易忽视的:需求的目的,是让系统更好卖;设计的目的,是降低开发维护成本。

为什么要做需求与设计?

因为一个组织的利润 = 需求 - 设计。

也就是系统越好卖越有价值,开发维护成本越低越有利润。

研发同学需要注意的是,不能因为善于设计,便用设计来主导需求,要清楚需求一定是用来卖的,而不是因为设计可以做、容易做而做。

人力与资源都是有限的,设计应该为更好更快地完成有价值的需求服务,而不是反过来。

如果需求和设计不分,利润就会缩水。如果从需求直接映射设计,会得到大量重复代码;而如果从设计出发来定义需求,会得到一堆假的“需求”。

《软件方法》

因此,作者将软件工作流,分成了四个步骤:

  • 业务建模:描述目标领域的内部系统间如何协作,这里的系统是广义的领域内的各个系统,不是单指要开发的系统;

  • 需求:想要的功能和性能,注意,必须是涉众在意的;

  • 分析:从需求中提炼出核心域的机能,核心域是系统能在市场上生存的理由,也就是核心竞争力、门槛;

  • 设计:将核心域机制映射到实现方法上。

还有一点伴随着“敏捷”概念而来的误区是:并非小系统就不需要建模。

任何系统如果想要打造具有竞争力的核心域机制,都必须经历建模分析的过程。

但也并不是说所有系统都需要先全部建模完毕再开始后续过程,而是做一点建模,做一点需求,做一点分析,做一点设计,循环着来。

要注意的是,不要把这看做敏捷开发,也不要把敏捷当做借口而不去好好做每一步。

01

业务建模

   1.1 愿景

做任何事情,第一步是要想清楚为什么去做,有没有价值,给谁带来价值,如果这些都没有想清楚,那事情多半走不了多远。

而业务建模的第一步,也是先要理清楚我们的愿景是什么。

如果缺乏清晰、共享的愿景,开发人员会在错误的方向上狂奔,做得越多,浪费越多,却反而还乐在其中。

《软件方法》

考虑愿景时,我们应该问自己的问题是,东西最应该卖给谁,以及对他有什么好处。

思维不能停留在做一个“可以工作的软件”,而应是“可以卖的软件”,这两者是有很大区别的。

同时,愿景也应该与团队内所有人共享,只有大家都有清晰的愿景,才能把力往一处使。

那如何得出清晰的愿景呢?

  1. 定位目标组织及其“老大”(也就是系统最优先照顾其利益的那个人)

    1. 定位人群:人群属性必须细化再细化,要找到最有代表性的老大进行调研,而不是大街上随便找一个人,随着互联网发展越来越完善,想要得到市场,只有深耕行业,深耕的意思就是要细化人群,好比要做一个文本编辑器,Word、WPS 等已经很好地满足了绝大多数人的需求,你再去做一个标准编辑器很难卖出去,更好的选择是选择一个细分领域,如医生的病历编辑器,然后把调研的人群定位于医生群体;

    2. 定位机构:先明确机构的范围、要替换的既有系统(人脑或电脑),老大应该是目标机构的主管或负责人,且是业务负责人,而不是 IT 负责人,也不是企业最大的领导。在和传统企业或机构的合作中,我们往往会对接一个信息中心主任,但要明确老大应该是最了解业务的人,而不是管信息化的人,只有这样才能靠近最真实的需求。

  2. 提炼改进目标。要注意的是,目标应该是改善组织行为的某个指标,如 IoT 设备的材料提交速度、审批步骤等,而不是系统的功能,也不是系统本身的规模、质量,这些都是基于指标分析出的需求和结果

愿景必须有具体的定义,不能是“正确而无用的废话”,大而泛的目标谁都会提,真正具有指导意义的,是具体的细节定义。

80594be82ccc4490527595d7aa983274.png

业务示例:

假设我们想打造一个 IoT 管控业务中的设备售后咨询系统,那么我们首先也需要明确我们的愿景。

如前所说,愿景需要明确人群机构,还需要有明确清晰的目标定义。那么一个 IoT 管控业务的售后系统愿景大致如下所示:

878b15ca8b39aade0624adc1e8177414.png

   1.2 业务用例图

当我们有了愿景,就等于明确的知道了“老大”及其代表的组织对哪个现状指标不满意,而这也是我们要做的软件系统的目标。

然而知道目标不代表知道怎么达成目标,要解决组织存在的问题,就要先分析组织的现状。

分析现状实际上就是分析我们所要涉及的领域,其业务是如何流转的,然后基于现状,再去寻找其中的改进点,以达成我们的愿景目标。

这里对业务现状的分析,就是以业务用例图的形式进行。

业务的用例图,表示了从外部看,一个组织的价值。

业务用例图有几个组成部分:

  • 业务执行者:指组织的边界外,和组织交互的其他组织(人群或机构);

    • 业务的执行者应该是组织,而不是个人或者系统(因为他们都可能被替代),只有组织才反应了业务的交互;

    • 时间不应该被作为执行者,而应该是对应的业务组织。

  • 业务用例:业务执行者希望通过和所研究组织交互获得的价值(如取款、存款等)。它代表了组织的本质价值,很难变化,会变化的只是用例的实现——业务流程(如取款机取款流程、网银转账流程等)。

业务流程内,才对应具体的业务对象:

  • 业务工人:组织内部的人,可被其他业务工人或业务实体替换;

  • 业务实体:组织中的非人智能系统。

但业务工人和业务实体不需要在业务用例图出现,他们不是组织的价值,而是成本,时刻记住,业务用例图表现的是组织对外部的价值。

所以业务用例图往往很抽象,很简单,在这一步,我们的目的是理清我们所研究的组织的价值所在。

而我们要做的,是对这种有价值的业务用例,进一步研究其业务流程,找到改进点,而这就是我们软件系统的着手点。

业务示例:

对于我们的 IoT 管控售后系统来说,业务用例就是我们设备的用户来咨询运营问题,并由运营人员解答问题,这个就是售后部门的价值所在,如图所示:

7b2a3106f1400314b5d87c71aa562907.png

   1.3 业务序列图

在找到业务用例后,我们需要进一步研究用例的业务流程,这需要借助业务序列图的帮助。业务序列图描绘的是该业务用例的流程现状。

要如实地画出现状的序列图,只有描绘现状,才能找到改善的途径。

而不能是描绘想象中的或打算做的样子(这会导致改进点可能根本不合适或者已经被实现了);

也不能是组织给出的所谓规范(那是理想情况,实际流程可能与规范大不相同,毕竟人都会钻空子或者节省力气,如何保障流程按规范进行,也是一种改进点);

更不能因为是创新产品就认为没有现状(大部分创新都是基于某个既有流程做的改进,很少有凭空创造需求并成功的)。

业务序列图主要由业务对象和消息构成,长得很像研发人员熟悉的时序图。

序列图上的业务对象的最小颗粒是人和非人系统;消息是指业务对象 A 请求业务对象B做某事,或A调用B做某事的服务,做某事是 B 的责任。

在画业务序列图时,要注意以下几个反模式(不好的做法):

  • 业务对象突然细化到某个存储载体,如“关系型数据表”,这不是改进业务流程所关心的(除非改进的是一个数据库系统之类);

  • 业务对象扩大到某个组织,而不区分内部的人或系统,这会导致可能遗漏改进点;

  • 关心与核心域流程不影响的各种系统(如通讯工具、word 文档等),这同样不是业务流程关心的(除非你就是要改进这一点);

  • 把定时器当做执行者(业务对象),执行者是时间,定时器只是和时间打交道的边界类;

  • 赋予业务对象超出其能力的责任,如发送写专利的消息给 word,word 本身并不会写专利,专利是专利人写的,word 只用于“编辑专利文档”;

  • 包含系统内的多次细致的交互流程,过于繁琐,又不在改进点内;

  • 把一个不具备智能的消息传递参数(如某个物品)当做业务对象;

  • 消息内容中包含“请求”二字,箭头本身就包含了请求的意思。

业务示例:

这里我们尝试绘制一下 IoT 管控的售后服务现状的业务序列图,经过了解,业务的现状是,使用设备的用户会直接咨询运营人员,提出他们使用过程中的疑问,而运营人员则需要对疑问一一作出解答:

f1278b650d2b05017d44c69be729538f.png

画好业务序列图后,我们就要看看这个图中,存在什么改进点,可以被我们的软件系统所解决,也就是有没有可以让我们发挥价值的地方。改进模式一般分以下几类:

  • 把物流变成信息流(物体和人的流动,改为信息的流动,常见于各种信息化、线上化);

  • 改善信息流转(减少人与多个系统打交道的流程,减少系统间沟通不畅);

  • 封装领域逻辑(把人的经验与思考封装到系统中,需要深耕领域业务,现在这种改进的比重越来越大)。

业务示例:

在 IoT 管控的售后服务现状序列图中,我们可以发现,售后服务的现状全部都由人力组成,其问题和解答的流动是由人来传递的。

那么改进点就很好找了,我们尝试“把物流变成信息流”,以达到我们的愿景,即:在不影响用户售后咨询体验的前提下,减少客服人员处理售后问题的工作量。

我们在这个业务流程中,引入客服系统。

一方面沉淀常见问题,供用户快速获取答案。另一方面让客服来回答一些比较常规的问题,解决用户的进一步人工咨询的需求,把我们的运营人员从重复的咨询解答劳动中释放出来。

此外,我们也搭建一个售后系统,作为连接用户与客服的桥梁,实际上这个售后系统包括微信小程序、后台模块等,但作为研究过程来说,他就是一个整体的售后系统。那么改进后的业务序列图便如下所示:

cd9fc2c7b1e6b8a917fa01f996d03733.png

如果发现一个业务流程已经很完善了,很难找到常规的改进点了,怎么办呢 ?这里有一些建议:

  • 遇到困难、资源受限等问题,展开想象,打破思维障碍,而不是接受现实做一个普普通通的系统;

  • 用廉价的方案来“山寨”富豪、高官的生活(如下属们周到的服务安排),再把这种生活复制给普通人;

  • 观察和调研领域内最成功的组织,找到其中的借鉴点,不能闭门造车。

02

需求

当我们列清楚了领域业务的现状,也想清楚了应该怎么改进来体现我们的价值的时候,就可以开始研究我们的系统了。

实际上,就是我们要开发一个系统,需要列出有哪些需求点。

我们系统要实现哪些流程?这些流程有什么约束条件和步骤?怎么找到涉众真正的需求?这些都是我们在进行系统设计前要明确的,有的才能放矢。

   2.1 需求启发

如何找到改进点,上文已经有建议,这里更加深入介绍一下,当要具体考虑需求细节前,我们需要尽可能地多从涉众处了解到他们的真实需求,前文也说过,要找到真正的涉众和“老大”,去得到需求的启发。在和涉众沟通时,应该尽量以其能够快速理解的方式,而不是画一个 UML 图去沟通。UML 图适合在软件开发团队内部作为专业的交流手段,和涉众交流时,则应该视其习惯转换成合适的形式来获取需求,他们熟悉网页界面,就拿原型沟通,他们熟悉文件材料,就拿文件讨论。

做需求启发时,有几个手段和注意事项:

  • 与涉众沟通前,要充分调研好资料,做好知识储备,才能让沟通过程有价值,不能什么也不清楚就去问,没人愿意花时间教你;

  • 针对个体很多的涉众,可以问卷调查,但要注意避免无效答卷(可以埋钉子问题,筛选出明显乱答的);

  • 做访谈,和真正的不同涉众进行访谈,不能只找好交流的人交流(如只咨询熟悉手机的年轻人,不管中老年);

  • 善观察,观察涉众的环境、工作流程,甚至亲自去体验;

  • 研究竞争对手,在竞争过程中,不同的阶段需要有不同的战略意识:

    • 开拓者:作为市场领先者,要开拓本领域,不要只关心追赶者;

    • 追赶者:研究领先者的优点,攻击其强势外表下背后的弱点;

    • 侧翼战:专攻细分市场做创新,也能占据一份市场;

    • 游击战:依靠地域优势、人际关系来生存,并逐渐凝聚出自己的特色。

通过需求启发,希望能够打造出尽可能有价值的系统来。

   2.2 系统用例图

确定需求后,就可以画系统用例图。

我们之前曾经画过业务用例图,业务用例的重点是理出组织对外部的什么人群提供了什么价值。

而系统用例图就更细化一点,对外部的什么个体,提供了业务流程中的什么价值。

首先还是要明确“系统”这两个字。

什么是系统?系统封装了自身的数据和行为,能独立对外提供服务的东西。

注意,是能够独立对外提供服务,不是某个页面,也不是某个功能模块,更不是某个数据表。

系统的边界是责任的边界,而不是物理边界(如同一个系统可能包括不同服务器、移动终端等,但他们都是一个系统)。

系统用例图依然有系统执行者。

这里的系统执行者与业务用例图中的业务执行者也有所不同。

系统用例图中的系统执行者,是在所研究系统外,与该系统发生功能性交互的人(不是组织)或其他系统。

系统的执行者必须和系统有直接交互,不能是间接交互。

比如售票员是售票系统的执行者,但购票人不是。除非售票系统必须经过购票人的确认,那购票人就成了辅助执行者,但如果仅仅是展示信息给购票人看,那依然不是执行者(因为不需要等待购票人交互就可以完成用例)。

这里提到了执行者的类别,有两种:

  • 主执行者:主动发起用例的交互,箭头从执行者指向用例。

  • 辅执行者:在交互的过程中被动参加进来,箭投从用例指向执行者。

系统与系统执行者的交互必须是功能性的交互。

什么叫功能性交互呢,比如点击鼠标就不算功能性交互,鼠标也理所当然不应该是系统的执行者。

再来看用例,对系统用例图中的用例,也有以下几点要求:

  • 在业务序列图中,从外部指向系统的消息,即可映射为系统的用例,所以画好业务序列图,也就能得到准确的系统用例;

  • 用例必须是可以对执行者带来价值的,而不是任何一步繁琐的交互都算;

  • 用例要明确其主要的目标客户,而不是谁可以来做就算作谁的用例,用例满足的是目标用户的期望;

  • 用例不能描述为数据库某个表的增删改查,而应从涉众的业务需求出发,描绘真实使用场景;

  • 不要把不同涉众的看起来实现类似的用例合并起来,比如把不同用户的查看行为合并为一个查看用例(如员工查看信息,组长审核信息),实际上他们的涉众、用途都是不同的:

    • 这里需要警惕:需求不要有“复用”的思想,如果考虑了“复用”,就要警惕是否转换到了设计的视角来思考问题;

    • 多个执行者不能指向同一个用例,如果真的无区别,那就应该泛化出更抽象的执行者,如果有区别,则应该区分为不同用例。

  • 系统用例不用分层次,如果分了,可能是研究的对象没明确好;用例图中也不应该分模块、子系统,这是设计的思路;

  • 用例命名,采用动宾结构,(状语)+动词+(定语)+名词。

业务示例:

在 IoT 管控的售后服务系统改进后的序列图中,我们已经把我们的系统进行了标红。

那么所有从外部指向 IoT 售后系统的消息,都可映射为我们系统的用例,这样系统用例图就比较简单:

c7a2204e2ed989684cdea3476c2f8123.png

   2.3 用例规约

系统用例,描述了系统对外提供的一个个服务与价值,实际上是系统要达成的一个功能目标。

但要落实到需求方面,还远远不足,需要更加细化。

就好比我们日常接触到的需求单,只是一个标题明确做什么东西,是不够的,需要细化各种条件、约束、步骤、分支等等,用例规约就是在细化这些内容。

在画好用例图后,就可以进一步细化用例规约。

用例规约可以是文档的形式,但也可以直接画在 UML 图中,主要还是讲清楚细节。

一般来说,细节需要明确的会有下面这些内容:

  1. 前置、后置条件:

  • 前置条件是用例开始前要满足的约束:必须是系统能检测到的!

  • 后置条件是用例成功后的约束,是某种状态,而不是一个动作。

涉众利益:要考虑用例过程中,涉众的利益,涉众来自系统的人类执行者,要充分考虑上下游以及信息来源的涉众,综合考虑他们的利益诉求。

基本路径:记录一个系统用例的步骤

  • 用例最成功和最核心价值的路径,就是基本路径;

  • 路径交互一般可分为四步:请求、验证、改变、回应;

  • 路径书写的注意事项:

    • 时间的请求写“当到达时间周期时”;

    • 验证步骤不要写“是否”,直接写期望的结果;

    • 与辅执行者的交互可以是回应;

    • 主语要明确责任方(只能是主执行者或系统);

    • 步骤要使用业务的核心术语描述,不要用不同的习惯用语;

    • 不要涉及界面交互的细节,这是设计约束;

    • 需求的判断标准是:“不这样不行”,而不是“这样也行”,这两者是有区别的。

扩展路径:记录异常、意外情况处理的路径,需要注意:

  • 系统能感知到的意外才需要扩展路径;

  • 设计、开发不足导致的错误不是意外扩展,比如数据库保存失败,这不是需求需要关心的;

  • 不引起交互行为变化的选择分支不是扩展;

  • 界面跳转不是扩展。

补充约束:其他可能需要明确的细节

  • 字段列表。

  • 业务规则。

  • 质量需求。

  • 设计约束。

有了以上这些信息,基本就能对需求有一个完整的描述和印象了。

03

分析

《软件方法》这本书,聊完“需求”部分后,上半部就结束了,分析与设计属于下半部的内容,但始终没有面世,只有一章半的手稿流传于世,还是希望能尽快看到新的内容。

业务建模与需求的部分,已经明确了为什么要做、我们要做什么,也就是 WHY 和 WHAT,那接下来就是 HOW——分析该怎么做。

目前下半部的内容只讲了一章半“分析”部分的内容,且该部分内容比较直接,重点是讲解如何画分析类图的,因此这里仅摘录读书笔记,以供读者快速了解。

市场上需要花样繁多的各种系统,这是竞争和分工导致的必然结果。很多系统之间可能在关键的点上有微妙差别,但许多内在机制是类似的。如果能高效复用这些机制,软件组织就能以较低成本变出各种系统来满足市场。

《软件方法》

我们做软件设计时,也经常讲到复用,不过这里要区分两种复用形式:

  • 核心域的复用:真正涉及到业务的核心域知识,是复用的最重要领域。但大部分软件研发人员,这一步往往都没有做好。

  • 非核心域的复用:目前大多数软件组织的复用仅停留在基础设施领域的复用,即使有自己的"内部开发平台",也仅是根据自己所开发系统的需要对基础设施作进一步封装。这种非核心域的复用,各个公司组织都大同小异,没有长久的竞争优势。

我们画分析类图的时候要拆分核心域与非核心域,避免过于复杂,互相干扰。这里的类,可以理解为需求中涉及或接触到的系统对象。

分析类有三种:

  • 边界类:输入、输出,及简单的过滤;

  • 控制类:控制用例流,为实体分配责任;

  • 实体类:系统的核心,封装领域逻辑和数据。

执行者先把消息发给边界类对象,边界类对象能履行的就履行,无法履行的责任,再发给控制类对象。

控制类对象就像总裁办,不做具体工作,只是将责任分解后分配给实体类对象。

实体类按照它们之间的耦合程度聚集成若干聚合(也有可能一个类单独形成聚合)。

控制类对象发送消息时,先发给聚合的整体对象(也称聚合根),再由聚合根分配给聚合内的其他对象。

最后,由边界类对象反馈信息,完成一个交互回合。

对于类的分析,和关系型数据库的表结构分析是类似的,得到的类和表也基本是一一对应的。

这里,建议按照领域模型来区分类,这样得到的类,是最符合领域的特性的,也一定是最契合业务发展的(业务本身就是在其领域的基础上做流程变化)。

识别分析类与类属性的要点(设计源于需求,高于需求):

  • 命名以专业术语为准。

  • 命名不要带冗余信息(不要加类、C、表、库、信息等词)。

  • 属性名前不要加类名(冗余)。

  • 英文命名则用单数。

  • 多处重复的同一概念,命名要一致(如顾客与客户)。

  • 类图不能像用例图。

  • 类不能像一个过程,而应该是一个对象。

  • 分析类属性时,不能完全照搬某张文件表单里的字段,他们不一定是一个领域的。

  • 透过现象(非核心域的实现手段)看本质(核心域的机制、专业术语)。

  • 属性要能直接用于描述类,在划分属性从属于哪个类时,试试“[类]的[属性]”能否说通。

  • 如果属性再分解就得到其他领域的概念(如人的姓名,姓名再分解就是 string 类型,属于其他领域知识),那么这个属性可以留在类中。如果可以继续分解成本领域的概念(比如人的组织,组织可继续分解),可以考虑把这个属性独立出去变成另一个类。

  • 多重性大于一的属性,可以再分解出其他类,比如人可以有多个电话,那么电话可以是另一个类(联系方式)。

确定好类后,还需要明确类与类之间的关系,关系分三种:

  • 泛化:类似面向对象中的继承,子类通过继承超类而拥有超类的特征,是一种集合关系,如人与男人、女人。识别泛化关系的方法有:

    • 对类与类之间,思考 A 是否是 B 的一种,而 B 是否是 A 的一种。

    • 对多个已有的类,抽象出公共部分,形成超类。

    • 从一般的类,细化出特殊的子类。

    • 尽量不要跨领域形成泛化关系。

  • 关联:对象通过组装其他对象而拥有其他对象的特征,是个体类间的关系,如人与手、脚。只有系统负责维护的关系,才构成关联。泛化和关联,可以视分析场景进行转变,可用于简化模型。关联的形式有:

    • 普通关联(一根直线)。

    • 聚合(直线一端是空心菱形):多个对象和某个对象的关联紧密,视为受其影响的分区(如公司与各个部门)。

    • 组合(直线一端是实心菱形):比聚合更严格,“部分”对象跟随“整体”对象销毁而销毁;“部分”对象只属于一个“整体”对象;“整体”对象负责“部分”对象的创建与销毁。

    • 自反关联,即关联发生在同一个类上。

  • 依赖:其他不能视为泛化或关联的类间关系。

有一种“彩色建模”思想,将类分为四种:

  • 事物:其状态值得关注,在其身上发生领域事件。

  • 描述:对象较少,封装某方面的规则,状态变化不值得关注。

  • 时段时刻:对象多,属性不应修改。

  • 角色:解耦事物与时段时刻。

这种建模的套路是:从“时段时刻”开始,找出后面的“角色”和“事物”;在“描述”的关系上找到“事物”。

这里给出书中一个成形的分析类图以作示例:

3208a610f2c6c8531d841b25858ede4e.png

04

结尾

综上所述,《软件方法》这本书,只出了半部。

作为研发人员,起初最不想看的就是这上半部,最想看的是下部(分析与设计)。

但看完后,认为最有价值的却也恰恰是这上半部。

在我看来,上半部的收获已经很大,因为上半部的内容,是告诉你,如果你要做一款软件,你该如何对你所想插手的领域做业务建模,如何找到自己系统的价值,让自己的产品更好卖。

文章的开头说过,组织的利润 = 需求 - 设计。

真正带来利润的,最重要的,还是需求,把功夫下到这里,走对了方向,才能有所成就。

而分析与设计,更多地是如何完善自己的系统,如何做到快速响应细节的变化。

实际上讲解软件设计方法的书市面上也有大把,我们作为研发人员,在思考设计之外,也许更应该多想想,手头所做的事情到底有没有价值,我们的涉众,到底是真实的用户还是老板。

做真正有价值的事,真正投入去了解自己的业务,去理解接触的行业,其实就已经在另一个层面上,向更好的设计迈进了一大步。

如何画图只是实现思路具现化的一种手段,真正重要的是思考的过程。

面对一个新的领域、新的业务,或者新的场景,首先思考一下,你想要解决什么问题?想要带来什么好处?此乃愿景。

然后,面对领域/业务,想清楚他现在到底为涉众提供了什么样的核心服务,即业务用例。

接着,梳理好业务的现状,准确地理出目前的流程,得到业务序列图,至于怎么调研,方法很多,实践出真知。

再想一想,要达到你的愿景,可以对现有的流程进行什么改进?这所谓的改进,到底有没有给涉众带来价值?

如果业务场景还没有接入信息化,或者接入程度低,或许可以很明显地带来价值,但如果已经有其他的竞争者介入,你如何带来更大的价值呢?

这就是你要做的系统,而系统中涉及到的执行交互点,就是系统用例。

接下来就是我们最熟悉的东西了,想好需求,明确需求规约,细化出要实现的一切。

对于设计方面,也推荐一种相似的设计方法,叫做领域驱动设计(Domain Deiven Design,DDD)。

这种设计思想,就是通过边界划分,将复杂业务领域简单化,帮助我们设计出清晰的领域和应用边界,保证业务模型与代码模型的一致性。

这实际上就契合了《软件方法》中所说的,重要的是核心域的复用能力,以及对类的分析。

关于 DDD 的分析文章与书籍也有很多,这里就不多介绍,有兴趣者可自行检索。

我们都很熟悉从需求细节到设计的部分,却往往遗漏或不去思考最开始也是最重要的东西——业务建模,或者是觉得自有领导去想,或者是认为这不是自己的专业方向,但谁想卖一辈子的糖水呢~

祝心有所梦者,皆能得其所愿。

也欢迎大家点击下方关注作者公众号👇

-End-

原创作者|欧霄

4976397796c36072a0b26529ac67cf0a.png

你觉得作为开发人员还需要掌握哪些技能呢?欢迎评论分享。我们将选取1则评论,送出腾讯云开发者定制眼罩1个(见下图)。7月16日中午12点开奖。

26a88d156d841c40815c7b6366d6bd19.png

📢📢欢迎加入腾讯云开发者社群,享前沿资讯、大咖干货,找兴趣搭子,交同城好友,更有鹅厂招聘机会、限量周边好礼等你来~

78ea5fa422b68a9a59eb0634b1dcddbb.jpeg

(长按图片立即扫码)

7987781b41b2561717e6ae8921eee8c2.png

b8562c42902fcd1e5f16cf8f93317c17.png

1758ede3bb9374c5e7c44e670ba4c9dc.png

1bfd475decbd3d310d618f01e6d3389b.png

416a1d21cb6369277916dc73e4fe2101.png

相关推荐

大模型的Agent Skill功能,在LLM HTTP底层交互流中是怎么承载的?

网络文章文本的 skill,昨天我实现了之后也就开始好奇起 Skills 的底层原理了——相比起各种花里胡哨的 agrnt 应用,我一直以来都很对大模型在纯粹的 HTTP 交互层面是如何交互的更感兴趣。Skill 的全部"魔法"都发生在 system prompt 的措辞和 SKILL.md 文件的编写质量上——本质上是一种 prompt engineering + 文件系统的组合。但是各种天花乱坠的 skills,是如何在底层的 HTTP 中,与大模型——这个只会嘴遁的工具交互的呢?

QcloudCommunity的博客 401

万字入门AI Infra:深入理解大模型中的数学与Infra优化

关注腾讯云开发者,一手技术干货提前解锁👇AI Infra科普、入门或者进阶 ~~ 不到 5 万字,带你融会贯通理解大模型的数学、算法、硬件到系统工程。任何问题欢迎沟通交流。可怕,我竟然有点认同这句话。当然大概率是因为姚顺宇太懂AI了,而我则是因为无知者无畏。不过仔细想想,大模型推理中的数学逻辑确实不复杂,很多原理只需要高中数学知识就能看懂。但是为什么像 vLLM 这种推理系统这么复杂呢?本文将拆解大模型中几个核心操作(RMSNorm、Softmax、Causal Mask、Sampling)背后的数学与

QcloudCommunity的博客 1158

平平无奇的源码,竟藏着Agent的核心秘密?

System Prompt 是剧本,Skill 是剧本的扩展包,Agent Loop 是演员按剧本行动。欢迎留言,我们将邀请作者针对性回复你的评论,我们将选取1则优质的评论,送出腾讯云定制文件袋套装。,让 Agent 能主动"巡逻",而不只是被动等待用户消息。OpenClaw 的 System Prompt 分层结构。的"行为底线",任何 Skill 或用户命令都无法覆盖它。精华 2:Skill 的"按需加载"避免 token 浪费。精华 1:System Prompt 是"分层乐高积木"

QcloudCommunity的博客 424

QQ音乐Harness Engineering实践

一个看似简单的需求,背后可能牵动服务调用链、配置、灰度、埋点、错误码、接口契约和历史兼容性。当 AI 开始快速生成大量代码,真正的瓶颈就不再是"写不出来",而是"看不完、想不清、管不住"。在对话式编码阶段,一种典型的工作模式逐渐流行:开发者把需求丢给 AI,扫一眼输出"看起来对"就直接采纳,不审 diff、不追问逻辑、不验证边界。以音乐商业化业务为例,一个需求可能从 TAPD 单开始,经过需求评审、技术方案、服务影响面分析、IDL 契约变更、业务代码实现、测试验证、CR、灰度上线,最后才进入稳定运行。

QcloudCommunity的博客 711

从Prompt、Context到Harness,工程的三次进化与终局之战

同时,强制要求散落各处的决策记录(Slack、邮件、文档)全部迁移至代码仓库,确保 Agent 的唯一信息来源是可信的、版本受控的仓库。更坑爹的是,研究表明,当上下文过长时,模型会出现"中间遗忘(Lost in the Middle)"现象:它对开头和结尾的内容记忆较好,对中间大段内容的关注度大幅下降。这篇文章,我想带你完整走一遍这三次进化的逻辑:它们分别解决了什么问题,它们之间是什么关系,它们的边界在哪里,以及:当三者融合,AI 工程师的终极形态究竟是什么?大语言模型的本质,就是这位金鱼助理。

QcloudCommunity的博客 713

让Skill自己训练自己:8阶段Loop、3层评测、5维AND门控,从此实现自进化

所以每一轮改动都是有据可查的,不是「感觉这里可以优化」,而是「Case 41 挂了,因为 agent 把离职问题路由到了邮箱分类,但正确答案在通讯录,所以我改 root_index.md 加个易混淆提示」。但让我最后决定把它记录下来的,不是这的个「吸收」过程,而是它真的在替我探索我不想费脑力触达的边界,这看起来更像是一个机器智能应该有的样子。不准跨层,每轮只改一层的东西。但我经过这 19 轮之后觉得,更准确的描述是互补——你在明处看着,AI 在暗处替你试错,你看不见的那一半就是 AI 能贡献的地方。

QcloudCommunity的博客 1118

只加两行代码,为什么要两天?一文深度理解业务系统的复杂性

关注腾讯云开发者,一手技术干货提前解锁👇业务系统复杂性一直是令开发者头痛的问题。复杂的不是增加一个需求需要耗费多少时间,而是在增加一个需求后带来的蝴蝶效应:其它功能会不会受到影响、要如何去找到这些影响,最终如何实现系统正常运行......功能之间隐秘增加的耦合、不可避免的代码腐化在导致业务复杂性增加。大家都在说的软件开发提效到底在提什么?程序员日常工作中应该如何提升开发效率?敏捷开发、瀑布流式开发孰是孰非?欢迎阅读。业务背景与目标我依然非常清晰地记得某个时候,我所在团队 Leader 曾讲过一段话:“我担

QcloudCommunity的博客 708

从零设计生产级 Multi-Agent Harness:架构、评估、记忆、成本与 MCP 工具接入全拆解

在 AI Agent 领域,Multi-Agent Harness 指的是把多个 Agent 的能力、工具、状态、通信、编排、监控统一收束在一个运行时之内的框架。第三,Agent 路由。一个输入框,一个大模型,几个工具,一段写得很漂亮的 System Prompt,再配上一个炫酷的前端,看起来就像一个能干活的“数字员工”。Multi-Agent 完全不一样——它有计划、有中间步骤、有工具调用、有 Agent 协作、有重试、有反思、有最终合成。增加 Budget、权限、重试、压缩、轨迹评估、审计、回归测试。

QcloudCommunity的博客 705

拆完Hermes源码,我发现Agent的“自我进化“根本不需要训练模型

两个月 5.2 万 Star,Hermes Agent 用一个"LLM 审判官"机制实现了 Agent 的自我进化——不改模型权重,只改"怎么用模型"的策略。OpenClaw(社区昵称"龙虾"🦞)是 2025-2026 年最火的开源 Agent 框架,30 万+ Star,插件市场 ClawHub 里有数千个插件,能接入 Telegram、WhatsApp、Slack、飞书、企业微信——几乎是一个"个人 AI 操作系统"。Skill 是英语写的,Memory 是英语写的,审查 Prompt 也是英语写的。

QcloudCommunity的博客 902

AI Infra 其实没有多少新东西

传统 Infra 追求横向扩展,而 AI Infra 呈现 “AI 大型机”特性,是因为传统后台服务的可以容忍毫秒级延迟,但 AI 集群不行,GPU 的算力是 CPU 的数百倍,微秒级的延时等待也会造成很大的算力损耗,需要硬件的高度集成。在可预见的1-3年的未来,这样的专用硬件+网络的集中式架构很难发生比较大的改变。与之相似,模型推理的批处理就是将多个输入样本打包(batch),将原本串行的 N 次轻量的推理计算,合并为 1 次重量的计算,实现单位时间内处理更多的请求,提高了 GPU 利用率。

QcloudCommunity的博客 819

程序员越早想通这些越好

永远没有正确架构,你永远无法偿还完所有的技术债务,如同你永远不会设计出完美的界面,请避开完美主义的陷阱,永远没有完美的代码,能够满足当前需求,又为未来不管是自己还是他人留有扩展空间,就很好了。我们努力的方向就是将现实世界映射到有限的数据结构中,这就需要用户自定义类型,如果你的代码中包含类似 trader portfolio 这样的概念,你就可以使用他们的名称来建模,而不是使用基本数据类型复杂嵌套表述你的目的。从另一个角度看,代码里的注释都是补丁,是碎片化的,局部的注释很难推导模块整体的顺序及耦合关系。

QcloudCommunity的博客 464

RAG已死?不,是Grep回归了!

这样一来可以直接复用已有的计算缓存,只为新增的增量部分付全价,前面累积的大头按约 1/10 的缓存价计费。所以实际的工具组合方式是灵活的:Grep(默认模式)→ Read 是最常见的路径,但 Grep(content 模式)可以独立使用,LLM 也可以直接调 Read(如果已经知道文件路径),或者一次同时发起多个 Grep 并行搜索。它从零开始构建自己的对话历史,不继承主对话的消息,这意味着它搜索过程中产生的大量 grep 结果、代码片段都留在自己的 context 里,主对话只收到一段总结性的文本结论。

QcloudCommunity的博客 571

深入浅出Harness Engineerring之核心模式与理念

在智能体生命周期的关键节点(如会话开始、工具调用后)自动触发预设动作(如代码格式化),由系统确保关键流程被执行,不依赖可能被模型遗忘的指令。简单讲就是利用向量存储这个技术,来实现模糊检索,原理是:即使字面不同,但语义相近的文本,其向量在数学空间中的位置也很接近。根据命令类型、参数和影响,自动评估其风险等级(安全、有风险、危险),并采取自动执行、请求确认或直接拦截等不同策略。关键特性是可隔离、可重建、可扩展。不是一次判断就定终身,允许你改变、允许情况复杂,通过不断观察、思考、调整,越来越懂真实的你。

QcloudCommunity的博客 621

Harness Engineering实践心得:如何高效驾驭AI?

但如果这些经验被拆成一条条 Rule、一个个 Skill、一项项 Script 检查——"XAML 不能有中文"、"编译要用这个路径的 MSBuild"、"SVN 命令必须带认证参数"——AI 就能在秒级时间里"吸收"十年的踩坑经验。然后可以看到下方的图,我的PM会很顺利的调度其他agent分别负责不同的事项,遇到问题的时候也能准确的找到合适的agent。MCP 本质上是在扩展 AI 的"感知范围"——Rule 管"该怎么做",Skill 管"怎么操作",MCP 管"能看到什么、能碰到什么"。

QcloudCommunity的博客 838

从第一性原理思考 Agentic Engineering

需要注意的是,这一结论是有条件的:如果 AI 缺乏领域知识,过早介入反而可能引入 1.2 节所述的"似是而非"损耗——因此上下文供给(实践 1)是 AI 全链条参与的前提,而非结果。通过一个专门的自迭代 Skill 实现——当 AI 在协作过程中识别到自己被纠正(用户否定了 AI 的输出并给出了正确方向),它自动评估这个错误的根因,搜索现有的 Rules 和 Skills 中是否已有针对该类问题的处理规则。事实上,越是复杂的项目,工程师的认知负担越重(公理 3),AI 分担认知负担的潜在边际价值也越大。

QcloudCommunity的博客 755

万字干货!Harness Engineering如何工程化落地?

关注腾讯云开发者,一手技术干货提前解锁👇Harness Engineering 的概念已经火了有一阵了,全网很多文章基本都是在讲理念,讲为什么今天做 AI 开发,不能只靠一段提示词,也不能把模型当一个“更聪明的代码补全”。但与此同时,一个问题也在持续地发酵:这个问题特别重要。因为 Harness 这个词听上去很大,很像一个抽象的方法论,但它如果不能落到工程、目录、文档、脚本、工作流里,那它最后就只是一句漂亮的话。事实上,不同项目落地出来的 Harness,表面上可能完全不一样。有的项目是 CI 很强,有的

QcloudCommunity的博客 1160

全方位对比:Hermes VS OpenClaw

多账号矩阵运营 如果你的业务涉及同时管理多个社交媒体账号、多个平台的内容分发、多渠道的客户互动——OpenClaw是目前市场上的"无可替代的底座"。一个有专业背景的个人,现在可以快速构建一个垂直领域的AI助手:比如"财务分析Hermes"、"法律咨询Hermes"、"技术架构Hermes",直接通过微信提供服务,积累自己的专业IP。跨平台生态融合 如果你的工作流涉及飞书、Slack、Discord等多个平台的深度集成,需要这些平台之间的数据流转和联动——OpenClaw的生态支持是强大的。

QcloudCommunity的博客 1216

一文讲透:Harness Engineering即控制论!

而研发模式的升级我认为将会是一个飞跃的过程,之所以现在我们仍然需要需要参与编码,一个非常大的原因就是缺乏传感器和基建,仍然需要人来串流程,比如需要人来验证UI是否正确、需要人来告诉AI代码不符合代码规范,因此在有些场景我们仍然感觉 AI 完成的很吃力,但这不是 AI 能力不行,而是我们并没有为 AI 提供友好的环境……控制论中的突变理论介绍了矫枉过正和飞跃现象之间的矛盾,如果质变中经历的中间过渡态是不稳定的,那么他就是一个飞跃的过程,如果中间过渡态是稳定的,那么他就是一个渐变的过程。但是这些阶段要解决的。

QcloudCommunity的博客 1202

神级开源插件!一句话让QClaw变3D小镇,Agent工作可视化,赛博云监工

这个架构是翻了几次车才想通的—原有AI的实现机制是用 setTimeout 猜动画时长导致了幽灵 NPC、工位撞车、越改越崩,后面我停下来换了思路,推翻原有的架构,按照“意图+回传”的架构进行重构,之前的问题一次性全部解决。15 天,我和 AI 吵了 185 次架, 4.5 万行代码,开发了一款 QClaw / OpenClaw 的UGC游戏插件,这可能是人类跟 Agents 交互的新范式,插件已完全开源,有需要的欢迎自取~我天天用,用着用着我就在思考,Agent 产品现在的交互体验,基本都一个样。

QcloudCommunity的博客 1194

一文搞懂Hermes:新顶流Agent如何从经验中自我进化

Voyager 是一个能在 Minecraft 中自主探索、学习技能、无限积累能力的 AI Agent,它提出了 "Skill Library"(技能库)的概念——Agent 将成功的行为序列编码为可复用的技能函数,存储在一个持续增长的代码库中。如果 Skill 的名称和描述不够精准,或者用户的任务描述与 Skill 的触发条件有语义差距,Agent 可能会错过相关的 Skill。如果进程在写入过程中崩溃,目标文件要么是旧内容(还没被替换),要么是新内容(替换已完成),绝不会出现写了一半的损坏文件。

QcloudCommunity的博客 2625

自掏腰包一万元,拥抱AI这一年,我的工具、实践和思考

其实也很好理解,过往的每个领域(比如前端、后端、设计、测试等等)都主要是这个领域的从业者在为它添砖加瓦,但是大模型时代的 AI 应用领域却几乎是所有使用 AI 的人类一起在迭代,无分领域,无分文理,无分老少。因为每个时期的 AI 都有着不同的特点,很多时候当我费尽心思去钻研,自以为有点弄明白 AI 应该怎么玩的时候,基座模型和行业范式常常就会迎来颠覆式的变革,很多过往的经验都会倾覆,然后只能从头再来。过去一年多,被热议的 AI 范式大概是沿着四个阶段递进演化,每一个阶段其实都在解决前一个阶段的核心问题。

QcloudCommunity的博客 626

办公Agent的CI/CD时刻到来了

核心观点是:企业给员工配了一堆 AI 工具,试点跑了几百个,但真正拖慢 AI 转型速度的瓶颈不在模型能力,在"最后一公里":AI 输出和实际工作流之间的那道鸿沟。代码写完,打个 tar 包,开 FTP 传到服务器上,SSH 进去解压,改配置文件,重启服务,刷一下页面祈祷别 500。你复制,切窗口,粘贴到腾讯文档里,发现 Markdown 格式全乱了,手动调标题层级,代码块重新标记语言类型,表格散架了重排一遍。模型是越来越聪明了,但"生成"到"落地"之间那段路,还是你自己在走,一步一步,手动搬运。

QcloudCommunity的博客 607

4亿token买来5个教训:让6个AI Agent连写4天代码发生了什么?

Watchdog 检测到崩溃 → 启动诊断 Agent 分析原因 → 诊断 Agent 跑满 20 轮没搞定 → Watchdog 判定“已修复”,重启系统 → 重启的系统因为诊断 Agent 留下的环境变量被继承,连续 3 次拒绝启动 → 触发连续失败保护退出 → Watchdog 第 3 次巡检,发现进程和记录文件都没了,尝试手动重启,自己也停了。启动前我翻了论文、做了架构设计、写了监控+修复异常的脚本。这个发现让我的情绪从沮丧变成了兴奋——不是那种"终于修好了"的释然,是"我找到根因了"的快感。

QcloudCommunity的博客 583

赛博斗蛐蛐:9大模型决战三国志,天命在谁?

我猜是这样的,当Gemini面临决策的时候,一系列关键词比如 守城,劣势,粮草,三国等等,在语义层面的关联性中LLM发现了竖壁清野这个关键词概率非常高,所以以此为策略,然后再根据这个策略完美执行操作。MiMo 的外交是三方中最精明的。Kimi作为国产模型,也同样颠覆了我对他的看法,最后的比赛他甚至一度是优势者,存在很多夺冠的可能性,要知道他的对手可是claude和gemini,而他经常出兵慢,回过头来想想或许正是他的策略,毕竟中后期他的优势都来自于稳健的发展和较少的战斗频率(和claude比).

QcloudCommunity的博客 870

Claude Code是怎么知道你在骂他的?这 12 条发现值得关注

确实存在——5,500+ 行,集成了消息队列、工具装配、MCP 编排、会话状态、权限、分析、文件持久化和优雅关闭,基本上一个文件干了所有事。对抗虚假声明——"不要在输出显示失败时声称所有测试通过,不要压缩或简化失败的检查来制造绿色结果"。完整的 KAIROS 是一个持续驻留的守护进程,能感知你在不在电脑前、主动寻找有用的工作做,更像是住在终端里的全职同事。源码里藏着一个叫 "Buddy" 的电子宠物系统,完整度令人惊讶——这不是一个 TODO,而是一个从数值系统到 ASCII 动画都实现了的完整功能。

QcloudCommunity的博客 700

逆向深扒Claude Code源码,我发现了什么!?

Anthropic 内部用户获得更严格的质量控制 prompt、更好的验证机制(独立 Verification Agent)、以及针对 model 弱点的专门对策(如 Capybara v8 的 29-30% 错误声明率对策)。这不是代码混乱的标志——它是整个 Agent Loop 的心脏,所有的流式处理、工具调度、上下文压缩、子代理管理都在这个文件中协调。这种"胖核心"设计是刻意的:保持核心循环的原子性,避免分散到多个模块导致的协调复杂度。核心价值:Fork 代理的工具输出不会回到主代理的上下文窗口。

QcloudCommunity的博客 885

一文讲透如何构建Harness——六大组件全解析

本文将从"裸模型的四个硬伤"出发,逐一拆解 Harness 的六大组件——文件系统、Bash + 沙箱、记忆(AGENTS.md)、Web Search + MCP、上下文工程、编排 + Hooks——带你看清 AI Agent 真正的竞争壁垒,不在模型层,而在 Harness 层。如果你用过 Agent 做复杂任务,你一定有过这样的体验:一开始 Agent 的表现很好,但随着对话变长,它开始"变笨"——遗忘之前的约定,重复之前犯过的错误,甚至对同一个问题给出前后矛盾的回答。对于简单的问答场景,这无所谓。

QcloudCommunity的博客 758

Harness Engineering 来了,SDD 还有意义吗?

他们的解法是把「品味」编码进规则,然后用一个定期运行的「doc-gardening」Agent 自动扫描漂移、发起修复 PR——「技术债务就像一笔高息贷款,不断地以小额贷款的方式偿还,总比让债务不断累积要好」。代码仓库本地的、已版本化的工件,才是 Agent 所能看到的全部。在 Vibe Coding 模式下(即不做规划、随意向 AI 提需求的开发方式),大量设计决策、跨服务约定、「为什么不选另一个方案」的讨论,全部停留在一次性的 AI 对话里——下一个人,或者下一次 AI 会话,完全无从获取。

QcloudCommunity的博客 417

零废话!一文讲透从0构建AI Agent

每个工具都要写一套"定义→解析→执行"的胶水代码。上下文管理就是在"记住足够多"和"别超标"之间找平衡,常见策略包括滑动窗口、摘要压缩、RAG 检索增强。上下文窗口是 Agent 的"工作记忆",但它有硬性限制。LLM 负责"动脑"决策,代码负责"动手"执行。这是从"聊天机器人"进化到"Agent"的关键一步。每次调 API 都把完整对话历史发过去,LLM 本身是无状态的,"记忆"完全靠客户端的数组模拟。这样 Agent 一开始就知道自己"在哪里"、"手头有什么",不需要先花一轮工具调用去探索环境。

QcloudCommunity的博客 710

距离AI把小编我裁掉还有72小时

这是一个基于 OpenClaw 开源生态打造的本地化 AI Agent 助手,已于上周开启全量公测,无需复杂配置,三步即可上手,自带安全防护,支持微信直连绑定,内置多款优质国产大模型,现阶段也是完全免费使用,基本上前面提到过的痛点都可以靠它解决。对了,这里特别强调一点,上面的截图让产品同事汗流浃背,再三找我确认 QClaw 思考过程中优美的“草”字说法,不会是默认出现的吧?AI 好,AI 得学,但更重要的是,在你的工作和生活里,哪些东西是能结构化地被 AI 所接入的,不要死守着那些脏活累活不放。

QcloudCommunity的博客 672
上一篇: 数据库内核工程师必读论文清单
下一篇: “一秒”宕机一个半小时!这个让程序员抓狂的续一秒,今年无了!
腾讯云开发者
腾讯云开发者 企业官方账号 企业官方账号
博客等级 码龄10年 6290粉丝 1962原创
评论 1
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