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
1.2w累计阅读
1.2w+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
优点：简单。
使用方法：
在这是我们以Outlook2010为例.（由于条件有限，我这的Outlook是英语版的，不过我会用中文进行解释，抱歉！）
我们在Ribbon上点文件->信息->条件及提示管理（如图1，2）
（图1）
（图2）
然后在条件向导中选择创建新条件：（图3）
（图3）
然后在向导中选择“当收到邮件时”（图4）
（图4）
选择“来自于某人或某个组织”然后在编辑条件描述中选中“某人或某组织”（图5）会弹出对话框（图6）在“From”中填入要过滤掉的账号。
（图5）
（图6）
然后选择“移到指定文件夹”（图7）在条件编辑中选“指定”会跳出对话框让选择文件夹（图8）
（图7）
（图8）
下面是设置例外，这里没有例外，所以跳过这一步不做设置。（图9）
（图9）
最后给条件起个易辩识的名字就完成了（图10）
（图9）
到此条件就完全设好了，下次只要有从这个账号发来的邮件会直接移到“已删除文件夹”中
缺点：每多一个发垃圾邮件的账号你就要设置一遍。十分的不方便。
下一次我们聊聊用VBA来过滤。
Office Development
定向财务窃密木马深度剖析：从钓鱼邮件到数据窃取全链路分析
在网络安全领域，恶意软件分析是理解威胁本质、构建有效防御的核心技术。其原理在于通过静态与动态分析技术，逆向工程剖析恶意代码的行为逻辑、通信机制和规避手段。这项技术的价值在于能将攻击链可视化，提炼出可落地的检测规则与防御策略，直接提升企业安全运营的实战能力。尤其在金融、企业办公等场景中，针对财务数据、凭证信息的定向窃密木马已成为高发威胁。本文聚焦一个典型的财务窃密木马案例，详细拆解其利用钓鱼邮件进行初始投递，通过进程注入、内存抓取等技术窃取浏览器密码与财务软件凭证，并最终加密外传数据的完整攻击链。文中将深入探
工具及方法 - Outlook里创建邮件规则
创建邮件规则可以让你移动，标记或自动回复邮件信息。在一个邮件上创建规则1，鼠标右键点击一个已经存在的邮件，然后选择Rules > Create Rule。2，选择一个条件，以及此条件下要进行的操作。例如，要将包含指定标题的邮件移动到一个指定的文件夹内，选择条件“Subject contains”，再选择操作“Move the item to folder”，在弹出的对话框中，选中一个已经存在或者新创建一个文件夹，点击OK。3，规则创建完毕，点击OK。4，要先立刻使用此规则，勾选复选框“Run this ne
办公笔记本上的本地AI管家：48小时真实使用深度解析
AI管家并非云端大模型的简单调用，而是一种面向日常办公场景的轻量级、本地化、强耦合智能代理系统。其核心原理在于将推理引擎部署于终端设备（如i5-1135G7办公本），通过本地语音转写、规则驱动决策识别与Office深度集成，实现低延迟、高隐私、可驯化的交互体验。技术价值体现在消除上下文断裂、规避数据出域风险、支持零代码工作流定制；典型应用场景覆盖会议纪要生成、邮件意图分类、Excel公式外脑式清洗等高频痛点。本文聚焦办公笔记本、AI管家、48小时真实使用反馈三大关键词，揭示如何让AI真正嵌入职场人的肌肉记忆
Outlook过滤器
自从开始参与openstack社区贡献之后，每天都能收到几十封来自社区的邮件，跟工作邮件混在一起，非常混乱，为了把收到的邮件自动归类，为outlook设置过滤器。 首先，创建一个文件夹，名字叫“openstack社区邮件”，专门用来放openstack社区邮件的，然后点击【规则】-【创建规则…】 来自openstack社区的邮件有个共同点，就是主题总是以“Change in openstac
Ubuntu下Postfix安装配置实战：从本地发信到安全中继
Postfix是Linux系统核心的邮件传输代理（MTA），其本质是实现SMTP协议的可靠邮件路由与投递。它通过master进程管理smtpd、qmgr等子服务，基于main.cf配置文件定义网络接口、域名匹配、中继策略等关键行为。技术价值在于提供完全可控、可审计、低依赖的邮件基础设施，规避第三方SMTP服务的风控拦截、费用波动与可用性风险。典型应用场景包括系统告警通知、CI/CD结果推送、用户注册验证及企业级事务邮件中继。本文聚焦Ubuntu平台，深入解析Postfix在20.04/22.04/24.04
S32DS新建工程、编译调试下载、导入工程详细介绍
新建了一个工程之后，下面简单介绍下基本的UI界面。其中最左下角那个是界面，这个界面很重要，是图形化配置界面，然后可以根据这些配置自动生成代码。其中，左边那些配置文件，都是系统帮我们创建好了的，我们其实可以直接用就行。有PE工具的调试，以及Jlink工具的调试。我目前使用到PE工具调试可以查看寄存器值，而Jlink调试查看不了寄存器值。连接了开发板之后，点击Debug就可以吧程序下载到芯片上了，而且可以进入到调试界面。
outlook设置rule后邮件提醒消失
Outlook Rule功能经常会用到。当设置了子文件夹后，很多人刚刚参加工作的同学都会遇到:设置了RULE之后，邮件提醒功能消失了。这其实不是OUTLOOK的Bug，只是一个不太友好的默认设置. 解决方案： 设置一个rule(显示桌面提醒功能), 并将其应用邮件 OUTLOOK 2016： RULES-->MANAGE RULE-->NEW RULEStart from
成分数据的闭合效应对地球化学数据的影响及其解决方案
封闭效应 (Closure Effect)，也称为常数和效应 (Constant Sum Effect)，是地球化学数据分析中一个需要特别注意的统计现象。它的产生是由于我们通常使用成分数据 (Compositional Data)百分比 (%)百万分率 (ppm)由于这些数据表示的是各组分占总体的比例，它们的总和必然是一个常数 (例如 100% 或 1,000,000 ppm)。这意味着每个元素的含量不是独立的，而是与其他元素的含量相互制约。改变其中一个元素的含量必然会影响其他元素的相对比例。
用好你的Outlook
Outlook是众所周知的常用邮件客户端，其功能非常强大，里面功能很丰富，充分发掘这些功能能够很好的提高工作效率，这里从实用的角度说几个Outlook的设置（我这里的版本是English Standard 2003）：1.为什么我的Outlook经常收到重复的邮件？这个多数情况是和网络不稳定有关，无论是什么情况，如何删除重复的邮件呢？这里介绍一个免费的插件：ODIR；安装后会在菜单里面增加
信贷风控分析—征信数据源
详解企业和个人征信报告，以及信贷风控之指标构造案例参考
Anthropic三件套重构AI工作流：Claude Code、Design与桌面宠物实战指南
AI协作已从单点工具迈入系统化工作流阶段。理解AI作为‘协作者’而非‘执行器’的本质，是提升工程效率的关键前提；其核心在于对任务调度、自适应推理与人机交互边界的重新定义。Claude Code的xhigh effort机制体现了分层推理的工程智慧，Claude Design以HTML为原生设计语言实现设计-代码一体化，而桌面宠物则将抽象的token消耗具象为可感知的硬件反馈。这些能力共同指向一个趋势：AI工作流正从prompt调参走向契约式委派、从界面割裂走向跨模态统一。本文结合Opus 4.7最新实践，解
处理邮件的三个最重要的Outlook规则
I'm always looking for new ways to process email more effectively. I talked a little about this at a recent conference in Sweden. The topic of my talk was Information Overload and Managing the Flow: E...
海康威视嵌入式最全面试题及参考答案（3万字长文)
主营业务：提供包括前端摄像头、后端存储设备、显示控制设备等在内的全方位视频监控解决方案。市场地位：在全球范围内享有较高的市场份额，在安防领域具有较强的竞争力。技术创新：持续投入研发，拥有多项核心技术和专利，特别是在视频处理算法、人工智能等方面取得了显著成果。社会责任：积极参与公共安全项目，为智慧城市、交通管理等领域提供技术支持和服务。国际业务：除了国内市场外，海康威视的产品和服务也销往全球多个国家和地区。面向对象编程。
python outlook 邮件归类
import win32com.client import os import sys import json import datetime import re import openpyxl from openpyxl import Workbook from openpyxl.styles import Font from openpyxl.styles import NamedStyl...
「JS逆向三百例」JS逆向HIKVISION-视频监控的前端密码加密
本文详细分析了HIKVISION-海康威视监控前端登录过程中密码的加密机制，通过逆向工程解析了其 JavaScript 加密逻辑，重点研究了HIKVISION-海康威视监控的前端密码SHA256加密算法的实现。基于逆向分析结果，使用 Python 模拟了HIKVISION-海康威视监控的登录流程，最终实现了自动化登录功能。本文旨在为安全研究人员提供技术参考，帮助理解前端加密机制，并强调技术研究的合法性和合规性。
wireshark提取视频数据之RTP包中提取H264和H265
本文主要描述从wireshark包数据中提取出H264和H265裸流数据方法，裸流通过RTP封包方式发送，从抓包中直接提取视频流数据，进而进行流媒体问题定位
如何在outlook里面把收件箱分组，以便快速的查看最重要的email。
公司越大，cc过来的邮件就越多，有些cc邮件太多了，导致可能会忽略掉在cc邮件之间的那些需要自己快速处理的重要事件。因此需要做邮件分组，把单独发给自己的列成一个文件夹。定时察看这个制定的文件夹来处理自己的事务。 1 在outlook左侧的收件箱栏目下建立一个新的mysql文件夹： 2 在这个mysql文件夹下建立新的rule。 选择一封带有mysql标示的em...
具身智能 ｜ 从具身智能出发谈多传感器融合技术
多传感器融合感知是具身智能系统突破“感知—认知—行动”闭环的核心使能技术。本文从具身智能的视角出发，对多传感器融合技术进行系统综述。首先阐述了具身智能对多传感器融合提出的独特需求，包括异构感知集成、跨模态语义对齐和实时闭环决策。其次，构建了多层级融合技术分类框架，从数据层融合、特征层融合、决策层融合、时序融合到多模态大语言模型（MLLM）融合，逐层梳理主流方法与演进脉络。在此基础上，分析了面向具身智能的通用融合架构设计，涵盖了感知—推理—执行三层架构及其关键组件。
html兼容模式下不显示图片,HTML 邮件兼容问题与解决方案
HTM年有这只制明个手近天点里要它出水机近天点L 邮件内容虽然也是 HTML，但是和我们在网页上使用的 HTML 不同，因为安全原因，各大邮箱服务商及邮件客户端都会对邮件内容进行一定程度上的处理，不会按照你写的原本 HT不事时功来这制请例在屏随会和时实于幻近支前我能又些器求如浏蔽机和滚兼现的灯近支前我能又些器求如浏蔽机和滚兼现的灯近支前我能又些器求如浏蔽机和滚兼现的灯近支前我能又些器求如浏蔽机和滚...
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
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
邮件html页编写指南
前言 写过邮件的html一般都用table来布局，为什么呢？原因是大多数的邮件客户端（比如Outlook和Gmail），会过滤经过多次的邮件编写实践及度娘的指导，我发现，编写自制兼容outlook与foxmail邮件模版 局部重点规则 1. Doctype 目前，兼容性最好的Doctype是XHTML 1.0 Strict，事实上Gmail和Hotmail会删掉你的Doctype，换上下面...
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
终极邮件服务器解决方案：5个步骤轻松搭建企业级邮件系统
还在为自建邮件服务器而烦恼吗？配置复杂、垃圾邮件泛滥、安全漏洞频出、运维成本高昂……这些痛点让很多企业望而却步。今天，我将为您介绍一个开箱即用的企业级邮件服务器解决方案——mailcow-dockerized，让您在5个简单步骤内搭建稳定、安全、高效的邮件系统！ mailcow-dockerized是一个基于Docker容器化的开源邮件服务器套件，它将Postfix、Dovecot、Nginx、
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")
Visual Studio订阅邮件：开发者的技术雷达与决策加速器
Visual Studio订阅邮件是一种被低估的官方技术情报源，它并非普通通知，而是微软面向企业级开发者的高优先级更新通道。其核心原理在于绕过公开博客与社区传播路径，直接将功能灰度计划、工具链兼容性变更、Azure服务集成预告及.NET生态演进锚点等结构化信息，嵌入付费订阅的服务契约中。这种机制赋予开发者更短的信息延迟、更高的内容可信度与更强的可执行性，显著提升技术预判能力与决策窗口期掌控力。典型应用场景包括CI/CD流水线兼容修复、VS扩展与AI辅助编码灰度接入、Azure Arc及Container A
基于AI与规则引擎的邮件自动化处理：从NLP解析到任务执行
办公自动化是提升现代工作效率的关键技术，其核心在于将重复性工作流程化、智能化。其原理通常结合规则引擎与人工智能，特别是自然语言处理技术，对非结构化信息进行意图识别与实体抽取，进而驱动预设动作。这项技术的价值在于显著减少人工操作，降低信息遗漏风险，并统一团队协作流程。典型的应用场景包括自动处理会议邀请、智能生成会议纪要以及分类归档重要通知等。本文以`html邮件`解析和`腾讯会议直播回放怎么下载`这类常见需求为例，探讨如何构建一个能够自动扫描收件箱、理解邮件内容并联动日历与任务管理工具的智能助手系统，实现从“
Grok Bot邮件自动化助手：从配置部署到实战测试全指南
邮件自动化是现代工作流自动化的关键技术之一，它基于邮件协议（如SMTP/IMAP）和规则引擎，实现对邮件的自动收发、分类与智能处理。其核心原理是通过程序模拟邮件客户端行为，结合条件判断与预设动作，将重复性邮件操作转化为自动化流程。这项技术的价值在于显著提升个人与团队的工作效率，减少人工处理邮件的耗时与错误率。典型的应用场景包括自动客服回复、邮件分类归档、监控告警转发以及自动化工作流触发等。本文以Grok Bot为例，详细解析如何通过配置专属邮箱、设置规则引擎，实现邮件的自主处理与智能回复，并涵盖从环境准备、
Ubuntu 14.04下OSSEC邮件告警失效的根因与修复
OSSEC作为开源主机入侵检测系统（HIDS），其告警通知功能依赖底层日志采集、邮件传输协议与配置解析三者协同。在Ubuntu 14.04这一经典LTS发行版中，rsyslog日志权限隔离、Postfix默认MTA策略限制及OSSEC 2.8.x对TLS 1.2协议支持缺失，共同构成通知链路断裂的典型技术场景。理解/dev/log socket访问控制、email_from与mydestination的域名一致性、以及XML字段顺序对配置加载的影响，是打通OSSEC邮件告警的关键。本文聚焦Ubuntu 14
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
426
扫一扫
