Mysql--快速记忆

Spring AI 对话记忆实战:从内存到持久化的演进之路 本文深入探讨了Spring AI中对话记忆功能的实现与演进。从轻量级的内存存储InMemoryChatMemory快速原型,到基于分层架构的持久化方案,详细解析了ChatMemory与Repository的设计哲学。通过MySQL实战配置与自定义Redis存储示例,展示了如何构建可扩展、生产就绪的对话系统,解决AI模型的无状态问题,实现连贯的多轮对话体验。 阅读详情

1.你都对Mysql 做了哪些优化?

慢 SQL 分析与优化

  1. 尽量避免使用子查询
  2. 用 IN 来替换 OR
  3. 读取适当的记录 LIMIT M,N,而不要读多余的记录
  4. 禁止不必要的 Order By 排序
  5. 总和查询可以禁止排重用 union all
  6. 避免随机取记录
  7. 将多次插入换成批量 Insert 插入
  8. 只返回必要的列,用具体的字段列表代替 select * 语句
  9. 区分 in 和 exists
  10. 优化 Group By 语句
  11. 尽量使用数字型字段
  12. 优化 Join 语句

其他的优化:

 1. 修改 bufferPool的大小。

2. 修改索引,尽可能短一点,例如:一个长字符串,使用 SubString函数,前5位建立索引。

3 . 存入log流水 的 操作,通过 监听binlog的操作,来写流水日志。

2.判断分库分表的条件。

CPU,IO

3. 隔离级别,MVCC

4.分库分表的条件

请求量,

IO,

CPU

BookSim2.0 教程 本文是yz关于BookSim2.0的个人学习经验与教程。 1.介绍 什么是BookSim2.0 BookSim2.0 是周期正确的互联网络模拟器(A Cycle-Accurate Interconnection Network Simulator),被设计用来伴随William James Dally 等人出版的的书籍 Principles and Practices of INterconnection on Networks使用。 此后其功能不断得到扩展。当前的主要版本 BookSim 2.0 支持广泛 阅读详情

相关推荐

RAG-Anything 实战指南:从零构建企业级多模态知识库

本文是RAG-Anything的实战指南,详细介绍了如何从零构建企业级多模态知识库。通过一体化框架,它能无差别解析文本、表格、图片、公式等多格式文档,并构建可深度理解和智能检索的知识图谱。指南涵盖了环境搭建、核心实战、智能查询及生产级部署优化,帮助企业将杂乱文档转化为智能知识大脑。

pandas7gardener的博客 243

MySQL索引,快速记忆法

面试的时候,面试官总喜欢问一些关于MySQL索引的问题,但是如果单纯的记忆,还是有难度的;今天了不起把MySQL索引的知识点进行汇总,方便大家快速记忆MySQL索引的相关知识点。

CXikun的博客 426

OPC UA 协议详解

OPC UA(统一架构)是新一代工业自动化标准通信协议,替代传统OPC Classic,具有跨平台、高安全性、标准化等优势。基于TCP协议,支持全平台部署,采用面向对象架构组织数据,提供实时读写、事件订阅、历史数据访问等功能。作为工业4.0核心协议,适用于智能制造、数字孪生等场景,能实现多品牌设备统一接入。相比Modbus和MQTT,OPC UA协议更规范安全但复杂度较高,是大型工业集群互联的主流选择。

eastyuxiao的专栏 732

Mysql快速记忆总结

1、表基本操作 create 创建 select 查询 alter 修改 rename 修改表名 change 修改字段数据类型 add 添加新的字段 drop 删除旧字段 /* alter table 旧表名 rename 新表明; */ alter table kk rename ks; /*alt...

不凡乃大的博客 669

Ubuntu技巧-Ubuntu远程访问之SSH反向代理

💡大家好,我是可夫小子,《小白玩转ChatGPT》专栏作者,关注AIGC、互联网和自媒体。要把内网的一台的Ubuntu服务器让外面也能访问,总共有三种可行的方案,前面已经介绍了两种方式,今天就来介绍更健壮稳定的方式——ssh反向代理。大概的框架图如下,今天就从服务器购买到设置,手把手的教程,让你花费100块以内,就拥有一个强大的「云服务器」。

可夫小子的频道 1153

机器学习入门基础 | 基于python的高光谱图像特征挖掘:PCA + 形态学属性处理可视化实战

本文介绍了一种基于PCA和形态学操作的高光谱图像特征提取方法。通过主成分分析降低数据维度,再运用面积开闭操作增强空间结构特征,有效去除噪声并填补孔洞。实验采用WHU-HI-HanChuan数据集,提供完整的Python实现代码,包括数据加载、PCA降维、形态学处理及结果可视化等步骤。该方法能够显著改善图像质量,为后续分类和变化检测任务提供更好的特征输入。实验结果表明,不同阈值的形态学处理能呈现不同程度的空间结构增强效果,对区域生长、分割和聚类等应用具有重要价值。

lestatlu的博客 1048

MySQL select五个子句顺序及其快速记忆方法

写在前面:在初学select的时候总是记不住这五个子句, 本文章仅针对初学者, 或者多次记忆又忘了的人群。一次性永久解决这五个子句的记忆问题。 具体五个子句的含义这里就不写了,可以出门左转搜一下。 本文是采用的故事联想法来记忆。 顺 序:where → group by → having → order by → limit 英语意思: where:哪里 group by:分组(圈子) having:有 order by:排序(顺序) limit:限制 下面用一种对话的形式来把 故事 场景串联起来。 这

KyleT的博客 1102

开源有限元dealii学习——step-1

#简介 dealii是一款开源的求解偏微分方程的有限元软件,它优点: 1.多种单元类型 2.可以自适应网格 3.文档和范例齐全 4.与其它库有良好的接口 5.使用c++编写 #安装 dealii可以在官网上或者github上下载源码,解压后进入源文件目录安装。 mkdir build cd build cmake -DCMAKE_INSTALL_PREFIX=/path/to/install...

weixin_42312251的博客 4386

mysql快速记忆秘诀_MySQL-技术专区-性能优化速记

MySQL数据库优化是多方面的,原则是减少系统的瓶颈,减少资源的占用,增加系统的反应速度。在MySQL中,可以通过SHOW STATUS语句查询一些MySQL的性能参数。如查询连接次数,可以执行如下语句:SHOW STATUS LIKE 'Connections';如果要查询慢查询次数,可以执行如下语句:SHOW STATUS LIKE 'Slow_queries';一些常用的性能参数如下:-...

weixin_42339883的博客 240

【声纳与人工智能融合——从理论前沿到自主系统实战】第一章 声纳AI的数据基础:仿真、数据集与表征学习

该数据集的特点是包含了多种底质背景(沙地、泥地、碎石区)与噪声条件,适合验证模型的背景抑制能力。Urashima数据集由日本海洋研究开发机构(JAMSTEC)发布,基于自主水下航行器(AUV)采集,包含前视声纳序列数据,主要用于水下导航与避障算法评估,其数据包含了精确的姿态与深度标注,支持三维场景重建算法的训练。北约海洋研究与实验中心(CMRE)发布的CMRE datasets包含侧扫与合成孔径声纳数据,特别适用于跨传感器域自适应研究,数据集中包含了同一区域的多种声纳成像结果,为跨模态学习提供了基准。

u012133341的博客 104

电磁阀颤振工作原理

颤振 颤振,弹性结构在均匀气(或液)流中受到空气(或液体)动力、弹性力和惯性力(见达朗伯原理)的耦合作用而发生的大幅度振动,它是气动弹性力学中最重要的问题之一。 随着机电液一体化技术的发展,电液比例控制技术的应用越来越广泛。电液比例控制系统范围较广,在液压传动与控制过程中,系统能够接受模拟信号或数字信号,使输出的流量或压力连续成比例地变化,都属于此类。该控制系统的优点是充分利用了液压控制与电气控制的长处,即功率传递靠液压,信号处理靠电气的优化措施。 电液比例控制原理与要求 液压控制系统中两个最重要的被控参数

小幽余生不加糖 1万+

mysql select 顺序_MySQL select五个子句顺序及其快速记忆方法

写在前面:在初学select的时候总是记不住这五个子句,本文章仅针对初学者,或者多次记忆又忘了的人群。一次性永久解决这五个子句的记忆问题。具体五个子句的含义这里就不写了,可以出门左转搜一下。本文是采用的故事联想法来记忆。顺 序:where → group by → having → order by → limit英语意思:where:哪里group by:分组(圈子)having:有order...

weixin_33622555的博客 514

设计原则:面向对象设计原则详解

我们在应用程序开发中,一般要求尽量两做到可维护性和可复用性。 应用程序的复用可以提高应用程序的开发效率和质量,节约开发成本,恰当的复用还可以改善系统的可维护性。而在面向对象的设计里面,可维护性复用都是以面向对象设计原则为基础的,这些设计原则首先都是复用的原则,遵循这些设计原则可以有效地提高系统的复用性,同时提高系统的可维护性。面向对象设计原则和设计模式也是对系统.........

黄规速博客:学如逆水行舟,不进则退 4万+

linux下mysql连接配置记忆小工具

1 功能介绍 MysqlConnectManage是Linux是方便用户,记忆mysql连接信息和快速切换mysql连接到具体的数据库的一个小工具。采用shell脚本编写。 源码目录:https://github.com/cj58/MysqlConnectManage。 2 安装MysqlConnectManage #创建项目目录 # mkdir -p /home/dev/svn/...

CleverCode的博客 1038

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

MySQL 最全常用命令+记忆规律,5 分钟掌握数据库操作!

💡本文了 MySQL,并总结,让你一次性掌握等操作!💪MySQL 命令的组成一般是:操作 + 数据对象 + 细节CREATE TABLE students (...) -- 创建表-- 删除数据库-- 修改表(增加字段)

Aishenyanying33的博客 1416

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

关于mysql命令的学习

前言 这篇文章我不会具体说明哪些操作有哪些命令,我只说明这些命令的记忆方法。其实知道原理后,这些命令尽管多,但都是有据可循的 mysql提示符 可以通过登录时加入 –prompt 提示符内容 参数 登录后输入 prompt 提示符内容 进行修改 另外下面几个特殊提示符代表的含义 另外这里不能加; 参数 描述 \D 完整日期 \d 当前数据库 \h 服务器名称 \u...

Hello_wshuo 1万+

jre9下载 jdk9

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

1句话给你的 OpenClaw 装上“长期记忆“ — 基于 PolarDB-X 的 mem0 记忆方案

龙虾的记忆问题相信大家都遇到过 — 对话经常从零开始,记不住你说过什么。是一个开箱即用的解决方案 — 只需一句话,你的龙虾就能自己完成全部安装和配置。

Bbbbei_的博客 553

基于SSM的记忆旅游网站的设计与实现

Java编程语言Java作为计算机领域中极具影响力的编程语言,自诞生以来便以其独特的优势在众多技术方向上大放异彩。它基于类和对象的概念,通过封装、继承和多态等特性,为构建复杂的软件系统提供了坚实的基础,有力地支持了面向对象的软件开发方法,使代码的组织和复用更加高效。其丰富的API 涵盖了从基本数据结构到网络通信、图形用户界面、数据库连接等各个方面,极大地简化了开发过程,降低了开发成本。

四金同学的博客 704

用快马AI快速开发MySQL连接诊断工具:解决1045错误实战

对于常见的开发环境配置问题,用AI辅助快速构建诊断工具确实能省下不少时间。return jsonify({'status': 'success', 'message': '连接成功!suggestion += ',或尝试重置root密码:ALTER USER语句':当捕获到1045错误时,除了显示原始错误信息,还会提示可能需要的SQL修复命令。快速开发一个连接测试工具,没想到半小时就搞定了全流程,分享下我的实现过程。:用localStorage保存最近成功的连接配置,下次打开自动填充。

WhiteTiger78的博客 584

Mysql重要不常用的函数系列

记一些很重要,但是并不常用的mysql函数。 用来加深记忆、方便查询,不定期更新

cs958903980的博客 409

【开源软件推荐】Webtrees:开源、协作的在线家谱管理神器,轻松构建家族记忆

凭借其直观的界面、协作功能和丰富的扩展性,成为全球数万家庭和研究者的首选工具。本文将带您深入了解 Webtrees 的核心功能、使用场景及安装方法,助您轻松搭建属于自己的家族树。其直观的界面、灵活的扩展性和强大的协作功能,使其成为数字化家族记忆的理想选择。的开源在线家谱软件,支持多人协作、数据共享和多语言支持。家谱不仅是家族历史的记录,更是文化传承的重要载体。,可与主流家谱软件无缝对接,适合个人、家庭或研究团队使用。:家谱管理、开源软件、在线协作、GEDCOM、家族树。,开启您的家族历史之旅!

qq_34068440的博客 4555

MySQL记忆

MySQL语句分类 DDL(Data Defifinition Language):数据定义语言,用来定义数据库对象:库、表、列等。 DML(Data Manipulation Language):数据操作语言,用来定义数据库记录(数据)增删改。 DCL(Data Control Language):数据控制语言,用来定义访问权限和安全级别。 DQL(Data Query Language):数据查询语言,用来查询记录(数据)查询。 数据库的完整性(数据库设计常用约束) 主键约束:primary key 唯

love_yr的博客 1437

mysql 语句算法_MySQL中的基本语句

突然用到MySQL大脑有点小空白,学完的时间比较长了,不过突然用到,发现自己已经忘却的差不多了,什么语法都记不清了,赶紧找时间补完写下来。对语法的强制性记忆是个坏坏的选择,人的大脑记住有联系的东西才会更容易记住,况且语法设计的时候本身就是有逻辑的,那么开始联系记忆。首先要对SQL语言的功能进行分类,在适合的情况用适合的动词。数据查询:select数据定义:create、alter、drop数据操纵...

weixin_42467428的博客 98

Mysql及SQLyog安装教程

换电脑每次都需要重装一些软件真是崩溃瞬间!总结整理Mysql及SQLyog安装供大家参考,一起学习新技能叭~ 1、 首先下载安装包 链接:https://pan.baidu.com/s/1UfEDmjfYDxuYFzEbwe_5MA 提取码:4j6h 2、 安装mysql 一直选择默认的即可; 注意:里面需要设置用户名及密码,这个一定要自己记得(可以使用mysql/1234方便记忆) 检查:以管理员身份(这个很重要)运行命令提示符。输入“net stop mysql””net start m.

BULING111的博客 1418

MySql免安装版及其配置

MySql免安装版及其配置 概述 MySQL关是一种关系数据库管理系统,所使用的 SQL 语言是用于访问数据库的最常用的 标准化语言,其特点为体积小、速度快、总体拥有成本低,尤其是开放源码这一特点,在 Web 应用方面 MySQL 是最好的 RDBMS(Relational Database Management System:关系数据 库管理系统)应用软件之一。 首先:要先进入mysql官网里(Mysql的官网–>https://www.mysql.com/),下面是详细步骤:↓ (为了方便大家

发发的博客 2005

初学Mysql,在cmd中的基本操作

mysql -uroot -p123456 连接数据库,很容易记忆,u是用户姓名username的首字母,p是密码password的首字母,这样就能打开Mysql。 展示所有数据库,注意分号 show datebases; 进入选择的数据库,并查询所有的表 use xxxx;--数据库名字 show tables; 显示表中的信息 describe **** --表的名字 create dadabase **** --创建数据库 exit --退出mysql ...

Daichiguozili的博客 450
上一篇: Mysql 数据同步中间件 对比
下一篇: Python学习入门
虚行
博客等级 码龄14年 168粉丝 67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