AI Agent从无到有55: RAG 知识库设计——从文档摄入到智能检索

RAG技术解析:检索增强生成原理与优化实践 检索增强生成(RAG)是当前自然语言处理领域的重要技术范式,通过结合信息检索与文本生成能力,显著提升大语言模型在事实准确性要求高的场景中的表现。其核心原理是将外部知识库的实时检索结果作为上下文输入生成模型,有效解决了传统生成模型容易产生幻觉的问题。在工程实践中,RAG系统通常由检索器、生成器和知识库三大组件构成,其中检索器负责语义匹配,生成器进行上下文感知的文本生成,知识库则需要专业的预处理和向量化。该技术特别适用于企业知识管理、智能客服、专业咨询等需要精准事实依据的场景。随着LangChain、Llama 阅读详情

纲要

  • RAG知识库在智能体中的定位与价值
  • 系统架构:读写分离的设计模式
  • 写入路径(索引构建)
    • FastAPI 服务端点 POST /add_url
    • WebBaseLoader 实现网页文档加载
    • SemanticChunker 语义切分策略
    • OpenAIEmbeddings 向量化与 Chroma 持久化
  • 读取路径(检索增强)
    • 基于历史记录的查询重写链
    • 多查询生成与并行检索
    • MMR 去重排序算法
    • 答案合成链
  • 完整可运行代码
    • 项目结构树
    • 依赖配置
    • 文档写入服务实现
    • 知识库检索工具实现
  • 查询重写的工程价值

知识库工具:智能体的“外挂大脑”

预训练大语言模型的知识截止于训练数据收集之时,无法覆盖私有文档、产品手册、内部规章等动态更新的信息。检索增强生成(RAG,Retrieval-Augmented Generation)是解决该问题的标准范式:将文档切分、向量化后存入数据库,检索时基于语义相似度召回最相关片段,再由大模型生成最终答案。

本文实现的知识库模块完整覆盖了写入与读取两条链路,并引入查询重写优化策略,显著提升了多轮对话场景下的检索准确率。

架构总览

系统采用读写分离的架构设计,写入路径负责文档的加载、切分、嵌入与存储,读取路径负责查询改写、多路召回、去重排序与答案合成。两者共享同一向量数据库,但通过独立模块实现,便于维护与扩展。

读取路径

写入路径

POST /add_url

管理员

FastAPI 服务

WebBaseLoader 加载网页

SemanticChunker 语义切分

OpenAIEmbeddings 向量化

Chroma 向量数据库

用户提问

查询重写链

生成多个查询变体

MMR 检索 top-k

去重合并

LLM 合成答案

写入路径:文档索引构建

写入路径基于 FastAPI 搭建轻量级后台服务,接收 URL 列表后自动完成网页加载、语义切分、向量嵌入与数据库持久化。

项目结构

rag_service/
├── add_docs.py          # 文档写入服务
├── knowledge_tool.py    # 检索工具
├── config.py            # 配置管理
├── .env                 # 环境变量
└── chroma_db/           # 向量数据库持久化目录

环境依赖

pip install fastapi uvicorn langchain langchain-openai langchain-community chromadb python-dotenv

配置管理 config.py

import os
from dotenv import load_dotenv

load_dotenv()

class Config:
    OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")
    OPENAI_BASE_URL = os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
    EMBEDDING_MODEL = os.getenv("EMBEDDING_MODEL", "BAAI/bge-m3")
    CHROMA_PERSIST_DIR = os.getenv("CHROMA_PERSIST_DIR", "./chroma_db")
    COLLECTION_NAME = os.getenv("COLLECTION_NAME", "xiaolang_docs")
    CHUNK_SIZE = int(os.getenv("CHUNK_SIZE", 500))
    CHUNK_OVERLAP = int(os.getenv("CHUNK_OVERLAP", 50))

文档写入服务 add_docs.py

import uuid
from typing import List, Dict
from fastapi import FastAPI
from pydantic import BaseModel
from langchain_community.document_loaders import WebBaseLoader
from langchain_experimental.text_splitter import SemanticChunker
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from config import Config

app = FastAPI()

class DocumentProcessor:
    def __init__(self):
        self.embeddings = OpenAIEmbeddings(
            model=Config.EMBEDDING_MODEL,
            openai_api_key=Config.OPENAI_API_KEY,
            base_url=Config.OPENAI_BASE_URL,
        )
        self.splitter = SemanticChunker(
            self.embeddings,
            breakpoint_threshold_type="percentile"
        )
        self.vectorstore = Chroma(
            collection_name=Config.COLLECTION_NAME,
            embedding_function=self.embeddings,
            persist_directory=Config.CHROMA_PERSIST_DIR,
        )

    def add_from_urls(self, urls: List[str]) -> Dict:
        results = []
        for url in urls:
            try:
                loader = WebBaseLoader(url)
                docs = loader.load()
                if not docs:
                    results.append({"url": url, "status": "empty"})
                    continue
                chunks = self.splitter.split_documents(docs)
                ids = [str(uuid.uuid4()) for _ in chunks]
                self.vectorstore.add_documents(chunks, ids=ids)
                results.append({"url": url, "status": "success", "chunks": len(chunks)})
            except Exception as e:
                results.append({"url": url, "status": "error", "detail": str(e)})
        return {"results": results}

processor = DocumentProcessor()

class UrlPayload(BaseModel):
    urls: List[str]

@app.post("/add_url")
async def add_url(payload: UrlPayload):
    return processor.add_from_urls(payload.urls)

if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app, host="0.0.0.0", port=8000)

启动服务后,访问 http://localhost:8000/docs 即可通过 Swagger UI 提交 URL 进行文档入库。

读取路径:智能检索与答案合成

直接从向量库使用原始问题进行相似度搜索往往效果不佳,因为口语化提问与文档中的书面表达存在较大差异。查询重写技术可生成多个不同视角的查询变体,有效提升召回率。

知识库检索工具 knowledge_tool.py

import re
from typing import List
from langchain.tools import tool
from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain_community.vectorstores import Chroma
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from config import Config

embeddings = OpenAIEmbeddings(
    model=Config.EMBEDDING_MODEL,
    openai_api_key=Config.OPENAI_API_KEY,
    base_url=Config.OPENAI_BASE_URL,
)
vectorstore = Chroma(
    collection_name=Config.COLLECTION_NAME,
    embedding_function=embeddings,
    persist_directory=Config.CHROMA_PERSIST_DIR,
)

def rewrite_query(original_query: str, chat_history: str = "") -> List[str]:
    llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.3)
    prompt = ChatPromptTemplate.from_template(
        """根据聊天记录和最新的用户问题,生成3个独立的、语义相同但表达不同的查询语句,
        每个查询单独一行,不要编号,不要解释。
        聊天记录: {chat_history}
        用户问题: {query}
        生成的查询:"""
    )
    chain = prompt | llm | StrOutputParser()
    result = chain.invoke({"query": original_query, "chat_history": chat_history})
    queries = [q.strip() for q in re.split(r'\n+', result) if q.strip()]
    return [original_query] + queries

@tool
def search_knowledge_base(query: str) -> str:
    rewritten_queries = rewrite_query(query)
    all_docs = []
    for q in rewritten_queries:
        docs = vectorstore.max_marginal_relevance_search(q, k=3, fetch_k=10)
        all_docs.extend(docs)

    seen = set()
    unique_docs = []
    for doc in all_docs:
        if doc.page_content not in seen:
            seen.add(doc.page_content)
            unique_docs.append(doc)

    context = "\n\n".join([d.page_content for d in unique_docs[:5]])
    if not context:
        return "知识库中未找到相关信息。"

    llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
    answer_prompt = ChatPromptTemplate.from_template(
        "使用以下检索到的上下文回答用户问题。如果不知道答案就说不知道,最多三句话。"
        "\n上下文: {context}\n问题: {query}\n答案:"
    )
    chain = answer_prompt | llm | StrOutputParser()
    return chain.invoke({"context": context, "query": query})

if __name__ == "__main__":
    test_query = "LangGraph 是如何更新图状态的?"
    print(search_knowledge_base.invoke(test_query))

完整运行流程

  1. 在项目根目录创建 .env 文件,配置 OPENAI_API_KEY、OPENAI_BASE_URL(如使用代理或兼容接口)等环境变量。
  2. 启动文档写入服务:
    python add_docs.py
    
    通过 Swagger UI 提交需要学习的网页 URL。
  3. 测试检索工具:
    python knowledge_tool.py
    
    观察控制台输出,确认向量检索与答案生成正常。

查询重写的工程价值

许多 RAG 实现忽略查询重写,直接将用户原始问题提交给向量数据库。在多轮对话场景中,用户可能使用“那个呢?”“上次那个”等指代性表达,若不结合历史记录重写为独立、完整的查询语句,向量检索基本失效。

本模块通过引入历史记录与 LLM 驱动的改写链,生成多个聚焦于核心语义的查询变体,再经由 MMR 算法去重排序,显著提升了检索的相关性与鲁棒性。该设计在对话式智能体、客服机器人等需要上下文理解的场景中具有通用参考价值。

官方文档

参考链接

总结

本文完整实现了 RAG 知识库的写入与读取链路,涵盖文档加载、语义切分、向量化存储、查询重写、多路召回、MMR 去重及答案合成等核心环节。

向量数据库选用 Chroma,嵌入模型采用 BAAI/bge-m3,所有代码均可直接运行,开发者仅需补充 .env 配置即可集成到智能体系统中。

LangChain4j RAG 实战指南:用 Java 构建企业级智能文档问答系统 向量是将文本转换成的数字数组,语义相似的文本,向量也相似。文本 → 向量(简化示例,实际有 1536 维)"公司的年假政策" → [0.12, -0.34, 0.56, 0.78, ...]"年假有多少天" → [0.11, -0.33, 0.55, 0.77, ...] ← 向量很接近!"今天天气不错" → [0.89, 0.23, -0.67, 0.45, ...] ← 向量差别大"请假流程是什么" → [0.15, -0.31, 0.52, 0.75, ...] ← 向量也很接近。 阅读详情

相关推荐

Agentic RAG:从Google Search到生产级可信AI Agent的工程化实践

如果你正在构建一个企业级的智能问答系统,或者尝试将大模型接入公司内部知识库,那么你一定遇到过这个令人头疼的问题: 为什么我的RAG系统,回答总是不完整,甚至有时会“一本正经地胡说八道”? 你精心准备了向量数据库,优化了Embedding模型,设计了复杂的检索策略。但当用户提出一个需要综合多个文档片段才能回答的“多跳问题”时,系统要么只能给出一个片面的答案,要么干脆回答“未找到相关信息”。更糟糕的是,在医疗、法律、金融这类高风险领域,一个不完整或错误的答案,带来的后果可能是灾难性的。 这正是传统RAG(检索增

weixin_34327761的博客 386

企业智能知识库助手落地实践:从RAG到Multi-Agent

本文分享了从零到一构建企业级智能知识库系统的完整实践。采用Spring AI Alibaba+Vue 3+ElasticSearch技术栈,通过RAG(检索增强生成)技术实现知识智能问答。文章详细介绍了技术选型(选择Spring AI Alibaba而非LangChain4j)、架构设计(微服务与RAG融合)、核心实现(文档向量化流程)以及工程化落地经验。系统通过文档解析、智能分块、向量化存储和语义检索等关键技术,将企业分散的知识资产转化为可直接问答的智能助手,解决了传统知识管理查找难、门槛高、更新慢等痛点

lhrimperial的专栏 1304

基于AI Agent与RAG技术构建飞书智能研究机器人

在信息爆炸的时代,高效整合与分析信息成为关键挑战。检索增强生成(RAG)技术通过结合外部知识库与大语言模型的推理能力,有效提升了信息处理的准确性与深度。其核心原理是先将文档转化为向量进行语义检索,再将检索到的相关上下文提供给大语言模型进行生成,从而突破模型自身知识局限,减少“幻觉”。这项技术在智能问答、知识库构建和内容创作等领域展现出巨大价值。具体到应用场景,可以将其与日常协作工具深度集成,例如开发一个飞书技能型机器人。该机器人能接收用户指令,自动执行“问题拆解-并行搜索-信息评估-综合生成”的完整研究流程

weixin_33714884的博客 203

构建时序感知的智能RAG系统:让AI自动处理动态数据并实时更新知识库

构建时序感知的智能RAG系统:让AI自动处理动态数据并实时更新知识库

pythonhy的博客 850

YOLO系列训练时出现loss出现nan值或者测试时P\R\map全部为0值的解决办法(GTX16xx系列显卡大坑)

YOLO系列训练时出现loss出现nan值或者测试时P\R\map全部为0值的解决办法(GTX16xx系列显卡大坑)

weixin_55249340的博客 3万+

基于步科(Kinco HMI 2.5)的组态软件使用

本篇介绍Kinco HMI 2.5的组态软件使用,图标如下 目录   一、新建工程并配置连接 1.1 根据工程选择PLC与HMI型号 1.2 配置PLC连接与选项 二、组态画面编辑 2.1 打开画面窗口 2.2 编辑画面 2.3 组态变量与PLC程序变量连接 三、组态程序下载到HMI 3.1 连接 3.2 编译 3.3 下载 一、新建工程并配置连接 1.1 根据工...

ACanswer的专栏 1万+

基于DeepSeek-R1构建AI Agent智能体:手把手教你打造本地大模型大脑!

本文介绍使用Ollama本地部署DeepSeek-R1大模型作为AI Agent智能大脑,结合Langchain、Chroma向量数据库等工具,以查询上海天气为例详细展示Agent任务分解、API调用和RAG检索等执行过程。文章提供完整代码实现,解析Agent思考过程,帮助理解AI Agent工作原理和开发方法,适合程序员入门学习。

Trb701012的博客 1325

计算机考研常见面试题

写在前面 本人参加20考研,由于复试没有具体要求会问哪几门课,所以我就找了网上一些常见的计算机专业的面试题,整理如下 主要结构: 数据库 软件工程 操作系统 计算机组成原理 计算机网络 数据结构 C++ Java 数据库 1、数据:数据库中存储的基本对象。 数据库:长期存储在计算机内的、有组织的、可共享的数据集合。 数据库管理系统:专门用于建立和管理数据库的一套软件。对外部程序提供访问数据库的方法,对内进行数据管理。 数据库系统:与和数据库相关的整个系统,一般由数据库、数据库管理系统、应用程序、数

qq_38841618的博客 2万+

Java团队如何用Spring AI与LangChain4j构建RAG与AI Agent应用

检索增强生成(RAG)和AI智能体(Agent)是当前构建实用AI系统的两大核心架构模式。RAG通过结合外部知识库与大语言模型,解决了模型知识陈旧和私有数据访问的难题,其原理涉及文本嵌入、向量检索与上下文增强生成。AI Agent则基于ReAct等框架,赋予大模型规划与调用工具的能力,使其能执行查询、计算等具体任务。这两种技术的工程价值在于,它们能将大模型的通用能力与特定业务数据和流程无缝对接,从而在智能客服、知识问答、自动化流程等场景中创造实际业务价值。对于Java技术栈而言,Spring AI提供了与S

weixin_34146805的博客 505

光电二极管探测器电流信号处理与指令输出系统

本文提出了一种基于Python的光电二极管电流信号处理系统设计方案。该系统能够实时采集、处理光电二极管输出的电流信号,并根据预设阈值输出控制指令。系统采用模块化架构,包含数据采集、信号处理、阈值检测、指令生成等核心模块。其中数据采集模块提供了模拟器实现和硬件接口框架,支持噪声模拟和脉冲信号生成。系统设计考虑了实时性、可靠性和可扩展性,适用于光强测量、光电检测等多种应用场景。

huanghm88的专栏 1180

OpenAI Error: 403 Country, region, or territory not supported [Python]

从OpenAI的API服务中获取数据时,由于你所在的国家、地区或领土不被支持,因此请求被拒绝了

suiusoar 5680

【收藏必备】零基础实现AI Agent:DeepSeek-R1本地部署与功能开发实战

文章介绍使用Ollama本地部署DeepSeek-R1大模型作为AI Agent智能大脑,结合Python、Langchain和ReAct提示词模板开发AI Agent。通过查询上海天气的案例,展示了AI Agent的思考过程和任务执行方式,包括自主感知、决策规划和工具调用等功能。文章提供了完整代码实现,展示了如何调用天气API和RAG知识库系统回答用户问题。

2401_85373691的博客 2019

目标检测YOLO实战应用案例100讲-基于数据融合的SAR图像中海上目标检测与跟踪(中)

本文使用的数据集为欧空局(European Space Agency, ESA)提供的Sentinal-1 数据集,Sentinel-1是欧洲“哥白尼计划”的SAR卫星机群,主要是用于陆地和海 洋服务的极地轨道全天候昼夜雷达成像任务[ 34]。Sentinel-1A于2014年4月3日发 射升空,Sentinel-1B于2016年4月25日发射升空,每颗卫星都携带C波段SAR, 共同提供地球表面的全天候、昼夜图像。

qq_36130719的博客 362

零基础也能玩转AI Agent!DeepSeek-R1本地部署+功能开发手把手教程

本篇文章介绍使用Ollama本地部署DeepSeek-R1 8B通用大模型,作为Agent智能大脑,基于Python3.11(虚拟环境管理工具Conda)、Langchain开发框架、Chroma向量数据库、ReAct提示词模版等工具进行开发AI Agent人工智能体。

2401_85375186的博客 1853

AI + 药物临床试验研发赛道

研究日期:2026-07-09 | 研究主题:AI + 药物临床试验研发赛道 | 聚焦岗位:Agent 平台架构师 / AI 工程架构师。

AI天才研究院 148

基于激光雷达与视觉融合的四旋翼无人机室内避障方法研究

本文研究了一种基于激光雷达与视觉融合的四旋翼无人机室内避障方法。针对单一传感器在室内环境中的局限性,提出通过激光雷达提供精确几何距离、视觉相机补充语义信息的融合方案。研究内容包括:搭建ROS硬件平台集成单目相机与2D激光雷达;设计基于扩展卡尔曼滤波的传感器融合模型;改进VFH算法结合视觉深度图进行路径规划。实验验证表明,该方法在复杂室内环境下具有较高的鲁棒性、实时性与避障成功率,为解决无GPS信号环境下的无人机自主导航问题提供了有效方案。

huanghm88的专栏 348

基于DeepSeek-R1手搓AI Agent智能体(手把手,个人电脑也能玩哦)

本文以“上海今天天气情况”简单问询为例,去剖析AI agent思考过程和执行任务过程。如agent接到用户指令后,一步一步思考分解任务,去调用天气情况API、检索知识库Rag系统或LLM自身知识回答与执行任务,同时本文也会详细展示与分析AI Agent再执行任务的整个详细思考过程。

2401_82469710的博客 1029

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

【保姆级教程】腾讯开源WeKnora框架:从零开始搭建企业级RAG系统,AI开发不再难!

WeKnora是腾讯开源的企业级RAG框架,采用模块化架构,支持多模态文档处理、混合检索策略和Agent模式。它支持文档和FAQ两种知识库,提供完整的微服务架构和一键部署方案。项目具备多租户隔离、灵活的模型管理和可扩展设计,适用于企业知识管理、科研文献分析等多个场景。作为MIT许可证的开源项目,WeKnora为企业构建智能问答系统提供了生产就绪的技术支撑。

weixin_58753619的博客 1256

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

大模型实战项目 | 手把手教你基于DeepSeek-R1打造AI_Agent智能体(原理解析+代码实现)

本篇文章介绍使用Ollama本地部署DeepSeek-R1 8B通用大模型,作为Agent智能大脑,基于Python3.11(虚拟环境管理工具Conda)、Langchain开发框架、Chroma向量数据库、ReAct提示词模版等工具进行开发AI Agent人工智能体。为了便于理解智能体相关知识,本文以“上海今天天气情况”简单问询为例,去剖析AI agent思考过程和执行任务过程。

m0_56255097的博客 1485

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。

Ollama本地部署DeepSeek-R1大模型作为AI Agent智能大脑!大模型部署

本文介绍使用,结合Langchain、Chroma向量数据库等工具,以查询上海天气为例详细展示Agent任务分解、API调用和RAG检索等执行过程。文章提供完整代码实现,解析Agent思考过程,帮助理解AI Agent工作原理和开发方法,适合程序员入门学习。

m0_63171455的博客 1089

【人工智能】从零搭建AI问答助手项目(一):核心理论与整体架构

摘要:该项目旨在构建一个基于大语言模型(LLM)的AI问答助手系统,采用检索增强生成(RAG)架构实现知识增强。系统流程包括:1)用户提问;2)文本向量化;3)向量数据库检索相关文档;4)拼接Prompt;5)LLM生成答案。核心技术栈包括Python、OpenAI/DeepSeek模型、FAISS向量数据库和FastAPI框架。项目核心价值在于让AI基于私有知识库回答问题,而非仅依赖训练数据。关键难点在于文本切分、语义检索和Prompt优化,区别于传统数据库的精确匹配方式。

Yolanda94 579

AI核心:图解RAG、大模型与智能体

介绍了Transformer 与 MoE、5 种微调技术、RAG 演进、智能体模式及 KV 缓存等大模型关键技术。

huang9604的博客 382

AI Agent 性能优化与成本控制:从技术突破到行业落地实战指南

本文系统解析了AIAgent落地实践中的性能优化、成本控制和稳定性保障三大核心问题。通过提示词压缩、智能路由、缓存机制等技术策略,有效解决了模型运行慢、成本高、易出错等痛点。文章提供了RAG防幻觉、超时重试、输出验证等全流程稳定性设计,并详细展示了AI编程助手、智能客服、数据分析师三个行业的实际应用案例。所有技术方案均经过实战验证,包含可直接复用的代码片段和架构设计图,为开发者提供从优化到落地的完整解决方案。最终实现性能提升40%以上、成本降低50-70%、任务中断率从30%降至5%以下的优化效果。

qq_40303030的博客 2708

Agent开发要变天了!Alita-G深度解析:不止是工具,更是对AI智能的重新定义!

近年来,大型语言模型(LLM)如 GPT-4 和 Claude 已在多种任务中展现出强大能力,但面对需要专业知识和多步推理的复杂任务时,单一模型仍显不足。为此,研究者将 LLM 嵌入Agent系统中,赋予其记忆、工具使用和反馈机制,形成“Agent”。更进一步,“自我进化Agent”应运而生——它们能通过迭代学习自主提升能力。然而,现有方法多局限于提示词改写或错误重试,缺乏系统性的能力积累与转化。

Python_cocola的博客 1095
上一篇: AI Agent从无到有54:工具设计原则与多系统集成实践(搜索/知识库/钉钉API)
下一篇: AI Agent从无到有56: 钉钉工具实战——待办与日历的完整封装
Wang's Blog
博客等级 码龄12年 7438粉丝 2422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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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