本地私有化RAG知识库搭建：基于Ollama+AnythingLLM保姆级教程（附教程）

于 2025-03-26 17:45:30 发布
阅读量1k 收藏 24
点赞数 26
文章标签： 人工智能 llama langchain LLM 大模型 anythingLLM 知识库
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Wufjsjjx/article/details/146536607
版权

一、关于RAG

1.1 简介

检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了信息检索和语言模型的技术，它通过从大规模的知识库中检索相关信息，并利用这些信息来指导语言模型生成更准确和深入的答案。这种方法在2020年由Meta AI研究人员提出，旨在解决大型语言模型（LLM）在信息滞后、模型幻觉、私有数据匮乏和内容不可追溯等问题。

即：RAG 就是可以开卷回复的 LLM

在这里插入图片描述
​

‍

1.2 发展

RAG技术的发展历程可以分为三个主要阶段：

  1. Naive RAG：这是RAG技术的基础阶段，它包括了索引（Indexing）、检索（Retrieval）和生成（Generation）三个基本步骤。在这个阶段，RAG通过整合外部知识库来增强LLMs，但是存在一些限制，例如准确性低、召回低、组装prompt的问题以及灵活性问题。
  2. Advanced RAG：为了解决Naive RAG的不足，Advanced RAG阶段引入了预检索和后检索策略，改进了索引方法，并引入了各种方法来优化检索过程。这一阶段的RAG通过更精细的数据清洗、设计文档结构和添加元数据等方法提升文本的一致性、准确性和检索效率。
  3. Modular RAG：在模块化RAG阶段，RAG结构提供了更大的灵活性和适应性。它整合了各种方法来增强功能模块，例如加入搜索模块进行相似性检索，并在检索器中应用微调方法。模块化RAG允许通过多个模块进行序列化流水线或端到端训练，提供了更大的灵活性和适应性。

随着技术的发展，RAG技术也在不断进步，包括个性化、可自定义行为、可扩展性、混合模型和实时的低延迟部署等方面。这些趋势预示着RAG技术将在未来变得更加智能和高效，为各种应用程序提供更多样化的支持。RAG技术的应用已经不仅仅局限于问答系统，其影响力正在扩展到更多领域，如推荐系统、信息抽取和报告生成等。

‍

1.3 背景

自 ChatGPT 发布以来，大型语言模型（Large Language Model，LLM，大模型）得到了飞速发展，它在处理复杂任务、增强自然语言理解和生成类人文本等方面的能力让人惊叹，几乎各行各业均可从中获益。

然而，在一些垂直领域，这些开源或闭源的通用基础大模型也暴露了一些问题，主要体现在以下 3 个方面：

  1. 知识的局限性： 大模型的知识源于训练数据，目前主流大模型（如：通义千问、文心一言等）的训练数据基本来源于网络公开的数据。因此，非公开的、离线的、实时的数据大模型是无法获取到（如：团队内部实时业务数据、私有的文档资料等），这些数据相关的知识也就无从具备。
  2. 幻觉问题： 大模型生成人类文本底层原理是基于概率（目前还无法证明大模型有意识），所以它有时候会一本正经地胡说八道，特别是在不具备某方面的知识情况下。当我们也因缺乏这方面知识而咨询大模型时，大模型的幻觉问题会各我们造成很多困扰，因为我们也无法区分其输出的正确性。
  3. 数据的安全性： 对于个人、创新团队、企业来说，数据安全至关重要，老牛同学相信没有谁会愿意承担数据泄露的风险，把自己内部私有数据上传到第三方平台进行模型训练。这是一个矛盾：我们既要借助通用大模型能力，又要保障数据的安全性！

为了解决以上通用大模型问题，检索增强生成（Retrieval-Augmented Generation，RAG）方案就应运而生。

‍

1.4 工作原理

​在这里插入图片描述

RAG 的主要流程主要包含以下 2 个阶段：

  1. 数据准备阶段： 管理员将内部私有数据向量化后入库的过程，向量化是一个将文本数据转化为向量矩阵的过程，该过程会直接影响到后续检索的效果；入库即将向量数据构建索引，并存储到向量数据库的过程。
  2. 用户应用阶段： 根据用户的 Prompt 提示词，通过检索召回与 Prompt 提示词相关联的知识，并融入到原 Prompt 提示词中，作为大模型的输入 Prompt 提示词，通用大模型因此生成相应的输出。

从上面 RAG 方案我们可以看出，通过与通用大模型相结合，我们可搭建团队私有的内部本地知识库，并能有效的解决通用大模型存在的知识局限性、幻觉问题和隐私数据安全等问题。

‍

1.5 实现方案

目前市面上已经有多个开源 RAG 框架，这里将选择AnythingLLM框架（16.8K ☆ ，github.com/Mintplex-La…）与大家一起来部署我们自己或者团队内部的本地知识库。整个部署过程将涉及以下几个方面：

  1. 环境准备： AnythingLLM框架推荐使用 Docker 部署，因此我们需要提前把 Docker 安装和配置好
  2. 大模型准备： 老牛同学继续使用Qwen2-7B大模型，大家可以根据自己实际情况选择，无特殊要求
  3. RAG 部署和使用： 即 AnythingLLM 安装和配置，并最终使用我们大家的 RAG 系统

‍

‍

二、环境准备

Windows 打开虚拟化功能（Hyper-V 和 WSL）

友情提示： 这里用的是 Windows 操作系统，因此下面是 Windows 的配置方式。

安装 Docker 需要用到虚拟化，因此需要 Windows 系统打开Hyper-V和WSL 子系统功能。如果是 Windows 11 家庭版，默认并没有安装Hyper-V功能，可以通过以下方式进行安装：

在这里插入图片描述
​

‍

【第一步（家庭版）：安装 Hyper-V 依赖包】

  1. 新建一个 txt 临时文本，并复制以下代码并保存，之后把该临时文件重命名为Hyper-V.bat​
  2. 右键以管理员方式运行Hyper-V.bat​，本代码自动安装相关包，完成之后输入Y​重启电脑后即可
pushd "%~dp0"
dir /b %SystemRoot%\servicing\Packages*Hyper-V*.mum >hyper-v.txt
for /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Packages%%i"
del hyper-v.txt
Dism /online /enable-feature /featurename:Microsoft-Hyper-V-All /LimitAccess /ALL

‍

【第二步：开启虚拟化功能】

首先，打开 Windows 功能（即：控制面板）：

在这里插入图片描述
​

‍

然后，勾选以下 3 个选项（Hyper-V、适用于 Linux 的 Windows 子系统和虚拟机平台），打开虚拟化功能：

在这里插入图片描述
打开虚拟化功能

点击确定之后重启电脑即可！

‍

‍

三、Docker Desktop安装配置

‍

四、AnythingLLM 安装和配置

接下来，开始安装和部署AnythingLLM框架，包含以下 3 步：

4.1 下载 AnythingLLM 镜像

docker pull mintplexlabs/anythingllm

在这里插入图片描述
​

‍

4.2 启动AnythingLLM 镜像

Windows 系统： AnythingLLM 镜像挂载和启动命令（因为命令有多行，需要通过PowerShell执行）：

# Run this in powershell terminal
$env:STORAGE_LOCATION="$HOME\Documents\anythingllm"; `
If(!(Test-Path $env:STORAGE_LOCATION)) {New-Item $env:STORAGE_LOCATION -ItemType Directory}; `
If(!(Test-Path "$env:STORAGE_LOCATION.env")) {New-Item "$env:STORAGE_LOCATION.env" -ItemType File}; `
docker run -d -p 3001:3001 `
--cap-add SYS_ADMIN `
-v "$env:STORAGE_LOCATION`:/app/server/storage" `
-v "$env:STORAGE_LOCATION.env:/app/server/.env" `
-e STORAGE_DIR="/app/server/storage" `
mintplexlabs/anythingllm;

‍

在这里插入图片描述
​

‍

在这里插入图片描述
​

‍

启动完成，通过浏览器打开AnythingLLM界面：http://localhost:3001

在这里插入图片描述
​

‍

4.3 配置 AnythingLLM

点击Get started 按钮，进入LLM 选择页面。在这里选择Ollama方式。

如果大家重新设置了端口号，则需要看下 Ollama URL 端口号是否正确，默认值为：http://host.docker.internal:11434​

在这里插入图片描述
​

‍

这里可以根据情况，配置当前用户使用，还是团队使用

在这里插入图片描述
​

‍

在这里插入图片描述
​

‍

在这里插入图片描述
​

‍

在这里插入图片描述
​

‍

AnythingLLM 设置确认，包括：大模型提供方、词嵌入和向量数据库，这些配置后续还可以修改。

最后，创建一个工作区，这里设置的名称为：My workspace

‍

‍

五、AnythingLLM 导入数据和使用

上一步配置完成之后，无需任何其他配置，就可以和大模型对话聊天了，和通过其他客户端与大模型对话没有区别。接下来，我们需要导入我们内部私有数据，并进行验证。

‍

5.1 导入内部数据

我们在电脑本地新建一个 txt 文件，文件名为：为什么个人、团队等均有必要部署私有化的RAG知识库系统.txt​，文件内容就是本文的开头内容：

自ChatGPT发布以来，大型语言模型（Large Language Model，LLM，大模型）得到了飞速发展，它在解决复杂任务、增强自然语言理解和生成类人文本等方面的能力让人惊叹，几乎各行各业均可从中获益。
​
​
然而，在一些垂直领域，这些开源或闭源的通用的基础大模型也暴露了一些问题，主要有以下3个方面：
​
​
1. **知识的局限性：** 大模型的知识源于训练数据，目前主流大模型（如：通义千问、文心一言等）的训练数据基本来源于网络公开的数据。因此，非公开的、离线的、实时的数据大模型是无法获取到（如：团队内部实时业务数据、私有的文档资料等），这些数据相关的知识也就无从具备。
2. **幻觉问题：** 大模型生成人类文本底层原理是基于概率（目前还无法证明大模型有意识），所以它有时候会**一本正经地胡说八道**，特别是在不具备某方面的知识情况下。当我们也因缺乏这方面知识而咨询大模型时，大模型的幻觉问题会各我们造成很多困扰，因为我们也无法区分其输出的正确性。
3. **数据的安全性：** 对于个人、创新团队、企业来说，**数据安全**至关重要，老牛同学相信没有谁会愿意承担数据泄露的风险，把自己内部私有数据上传到第三方平台进行模型训练。这是一个矛盾：我们既要借助通用大模型能力，又要保障数据的安全性！
​
​
为了解决以上3个大模型通用问题，**检索增强生成**（Retrieval-Augmented Generation，**RAG**）方案就应运而生了！

‍

首先，点击RAG-ClassmateWX工作空间右边的上传图标，准备上传本 txt 文件：

在这里插入图片描述
​

‍

准备上传文件；然后，点击 txt 文件并上传，并点击Move to workspace导入到工作空间：

在这里插入图片描述
​

‍

‍

在这里插入图片描述
​

‍

在这里插入图片描述
​

上传txt外部文件。最后，点击Save and Embed完成 txt 文本文件数据准备步骤（导入、向量化和入库等）。

‍

5.2 内部数据使用和验证

回到主界面，输入刚才 txt 内部文件名：为什么个人、团队等均有必要部署私有化的 RAG 知识库系统

在这里插入图片描述
​

​

同时，用同样的问题，咨询 AnythingLLM 的底层模型，大家可以对比看下：

在这里插入图片描述
​

‍

‍

六、总结和问题

和之前的大模型部署和应用过程相比，基于 AnythingLLM 的 RAG 实现整个部署过程比较繁琐，包括环境准备、Docker 安装和配置、AnythingLLM 配置等。然而，AnythingLLM 的使用过程却相对比较简单，只需要上传数据文件，AnythingLLM 框架屏蔽了中间的数据提取分割、向量化处理、向量索引和入库、检索召回和重组 Prompt 提示词等过程。

同时，通过构建本地知识库，做了一个简单的测试验证，测试结果表明，在使用 RAG 的情况下，大模型的回答结果更加有效、更符合我们期望，同时具备了一定的创造性！

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！

在这个版本当中：

第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
在这里插入图片描述

三、LLM大模型系列视频教程

在这里插入图片描述

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

在这里插入图片描述

五、AI产品经理大模型教程

在这里插入图片描述

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

  • 目标：了解AI大模型的基本概念、发展历程和核心原理。

  • 内容：

    • L1.1 人工智能简述与大模型起源
    • L1.2 大模型与通用人工智能
    • L1.3 GPT模型的发展历程
    • L1.4 模型工程
    • L1.4.1 知识大模型
    • L1.4.2 生产大模型
    • L1.4.3 模型工程方法论
    • L1.4.4 模型工程实践
    • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

  • 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

  • 内容：

    • L2.1 API接口
    • L2.1.1 OpenAI API接口
    • L2.1.2 Python接口接入
    • L2.1.3 BOT工具类框架
    • L2.1.4 代码示例
    • L2.2 Prompt框架
    • L2.3 流水线工程
    • L2.4 总结与展望

阶段3：AI大模型应用架构实践

  • 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

  • 内容：

    • L3.1 Agent模型框架
    • L3.2 MetaGPT
    • L3.3 ChatGLM
    • L3.4 LLAMA
    • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

  • 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

  • 内容：

    • L4.1 模型私有化部署概述
    • L4.2 模型私有化部署的关键技术
    • L4.3 模型私有化部署的实施步骤
    • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉优快云大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

LLM - 配置 GraphRAG + Ollama 服务 构建 中文知识图谱 教程(踩坑记录)
AGI
10-09 3610
GraphRAG 结合 知识图谱(Knowledge Graph) 和 大语言模型(LLM)，通过使用图关系发现和验证信息，从而增强语言模型的上下文理解能力，生成更准确、更连贯的回答 。GraphRAG 特别适合处理需要复杂推理和深层语义理解的查询。
超详细！使用离线DeepSeek R1 + AnythingLLM搭建本地私有知识库
分享Python、数据分析、人工智能前沿知识
02-08 2339
私有知识库是利用RAG（检索增强生成）技术，与大模型相结合，通过输入外部知识，来增强模型的效果和质量。似乎有点绕，下面举个简单的例子。比如说，你问DeepSeek你公司的规章制度、奖惩机制，它肯定回答不出来，因为这是非公开资料。怎么解决呢？你可以在公司内部部署离线DeepSeek模型，然后将公司文档和数据库喂给它训练，这样它就能检索并回答你公司相关的内容，还不妨碍大模型本身的性能，这就构成了私有知识库。私有知识库的好处有三点：1、结合大模型能力，相比传统搜索更加精准、灵活、可靠。
大模型技术学习系列(5): 基于langchain构建RAG应用
u011160113的博客
07-23 1419
本章中，我们回归了一下RAG的流程，并分析了下这个过程中涉及到的组件以及这些组件在langchain中对应的实现方式，并整合这些方式，实现了带RAG的大模型应用。通过这个实践过程，能够帮助我们更好的理解RAG的整个过程。
本地私有化RAG知识库搭建—基于Ollama+AnythingLLM保姆级教程
bagell的博客
10-10 2895
检索增强生成（Retrieval-Augmented Generation，RAG）是一种结合了信息检索和语言模型的技术，它通过从大规模的知识库中检索相关信息，并利用这些信息来指导语言模型生成更准确和深入的答案。这种方法在2020年由Meta AI研究人员提出，旨在解决大型语言模型（LLM）在信息滞后、模型幻觉、私有数据匮乏和内容不可追溯等问题。即：RAG 就是可以开卷回复的 LLM‍。
优质开源项目介绍：在本地部署和运行大模型的开源框架（附教程）
pythonhy的博客
03-03 769
开源项目Ollama是一个旨在简化开源大语言模型（LLM）在本地部署和运行的开源框架。
【RAG知识库】本地搭建chatgpt知识库
AAI666666的博客
11-04 1402
🤖️ 一种利用 langchain 思想实现的基于本地知识库的问答应用，目标期望建立一套对中文场景与开源模型支持友好、可离线运行的知识库问答解决方案。
DoKuWiki知识库的搭建
qq_28337667的博客
04-02 2392
DoKuWiki知识库的搭建（二）第二章主要记录下几个常用插件的使用，主要是对官网的指导手册进行理解1、Add New Page Plugin2、vector 主题(1)、修改logo 图标： 直接替换将图片复制到vector/user中，改名为logo.png/jpg 即可(2)、修改底端的引用button，可以添加和修改 /vector/user/button.php文件(3)、修改 tab
本地大模型部署和基于RAG方案的私有知识库搭建
youmaob的博客
07-24 1923
以上就是本地大模型部署和基于RAG方案的私有知识库搭建的基本操作。除此之外，还有更多丰富有趣的功能等待探索。如今大模型遍布各行各业、各个领域，基于RAG方案的私有知识库技术也逐渐发展，成为提升个人工作效率与创造潜能的新风尚。本地部署模型意味着用户能在自己的设备上享受即时响应的智能辅助，无需依赖云端，既保护了个人数据隐私，又确保了操作的低延迟与高可靠性。结合RAG方案的私有知识库，则让每位用户能够构建专属自己的知识宇宙。
[保姆级教程]从0开始本地大模型搭建私用知识库(第一部分：安装)
m0_71142057的博客
03-22 7833
从0开始搭建完全离线的基于大模型的本地知识库
RAG实操教程langchain+Milvus向量数据库创建你的本地知识库 一
python122_的博客
06-21 1226
RAG是的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立LLM的语料知识库。LLM。
保姆级教程：阿里QwQ-32B模型本地部署与企业级应用实战（附万字指南+工具链）
weixin_42358373的博客
03-07 1045
验证API（curl http://localhost:8000）克隆仓库（git clone https://...）安装依赖（CUDA 12.1 + cuDNN）启动服务（python server.py）数据来源：阿里开源文档[[4]][[6]]下载模型权重（ModelScope）
只需三步，本地打造自己的AI个人专属RAG知识库（附教程）
最新发布
huang9604的博客
03-11 875
只需三步，本地打造自己的AI个人专属RAG知识库（附教程）
只需三步，本地打造自己的AI个人专属知识库
热门推荐
AAI666666的博客
04-08 3万+
只需三步，本地打造自己的AI个人专属知识库
手把手教学，零代码搭建你的个人RAG知识库
瓦罗兰特顶级C位的博客
01-15 1506
目前已经有很多开源的项目支持这样子的构建，比如LangChain和LlamaIndex。但是这些对于普通人来说，还是需要一定的编程能力，并且熟悉其框架才能够搭建起来。
RAG与本地知识库，向量数据库，以及知识图谱的联系与区别
xx_nm98的博客
11-29 1153
RAG是一种从外部检索数据的方式；本地知识库相当于一个资料库；而知识图谱是组织数据的一种更加科学的方式；向量数据库是用来存储向量化数据的一个载体。所以，本地知识库，向量数据库和知识图谱和RAG没什么直接关系，如果说有关系就是它们三者可以作为RAG技术的一种具体实现；但RAG也可以使用其它的实现方式。RAG，本地知识库，向量数据库，知识图谱是四个完全独立的技术，它们之间没有任何直接关系，但又可以互相合作以达到某种效果。
在windows 11本地搭建RAG数据查询的AI大模型环境
ainnle的专栏
05-01 4516
其中，基于检索-生成器（Retrieval-Augmented Generation，简称RAG）架构的数据查询模型备受关注，因为它能够结合从大规模文本语料库中检索信息和生成自然语言文本的能力，实现更加智能和准确的数据查询。1. 下载 Docker Desktop：首先，打开浏览器，访问 Docker 官方网站（https://www.docker.com/products/docker-desktop），在该页面上找到适用于 Windows 的 Docker Desktop 安装程序，并点击下载。
本地离线模型搭建指南-RAG架构实现
Master_Shifu_的博客
06-23 2123
检索增强生成（Retrieval Augmented Generation, RAG） 是当前最热门的大语言模型（LLM）应用方案之一。RAG结合了信息检索和生成模型的优势，旨在增强生成式模型的知识覆盖和输出准确性。
大模型系列17-RAGFlow搭建本地知识库
字节跳动 内推找我
01-01 1397
这里我们做的机器学习论文库，因此可以将“解析方法”从“General”调整为“Paper”模式，对论文进行解析。列出所有的模型，有两个Embedding模型以及一个qwen2:7b的模型。文件中，可以修改 端口号、ragflow的镜像版本等。参考写的安装open-webui的文章。将刚才添加的模型设置到系统默认配置中。新建一个论文助理，用于后续的聊天对话。ragflow使用的各种环境变量在。论文上传完毕后，执行论文内容的解析。论文解析过程，花了10几分钟。参考写的ollama的文档。
基于Ollama与AnythingLLM的DeepSeek-R1本地RAG应用实践
02-19
### 基于 Ollama 和 AnythingLLM 的 DeepSeek-R1 本地 RAG 实现 #### 准备工作 为了在本地环境中部署并使用带有RAG功能的DeepSeek-R1模型，需先安装Ollama工具以及设置AnythingLLM环境。Ollama允许以类似于容器...
评论
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