RAG技术详解:从检索增强生成到知识库问答实战

基于RAG与LLM构建本地知识库智能问答系统:从原理到部署实战 检索增强生成(RAG)是一种将信息检索与大语言模型(LLM)生成能力相结合的技术范式。其核心原理在于,先将非结构化文档通过嵌入模型转化为向量并存入向量数据库,当用户提问时,系统通过语义相似度检索出最相关的文档片段,并将其作为上下文与大语言模型结合,从而生成精准、可靠的答案。这项技术的核心价值在于,它有效缓解了大语言模型的“幻觉”问题,并实现了知识库的即时更新与扩展,无需重新训练模型。在应用场景上,RAG特别适用于构建企业级知识库问答、智能客服、个人学习助手等需要精准、可追溯信息源的领域。本文以开源项目cha 阅读详情

在这里插入图片描述

RAG技术详解:从检索增强生成到知识库问答实战

前言

RAG(Retrieval Augmented Generation,检索增强生成)是2024-2025年大模型应用最火热的架构之一。它解决了两大核心问题:知识时效性和幻觉问题。本文从原理出发,详解RAG全链路技术栈。

一、为什么需要RAG?

大模型虽然强大,但存在固有局限:

问题描述RAG解决方案
知识截止日期训练数据有时效限制实时检索最新知识
幻觉模型会编造不存在的事实答案基于检索到的真实文档
私有知识企业内部知识不在模型中接入私有知识库检索
可追溯性无法知道答案的来源检索文档可作为引用来源

二、RAG核心架构

一张图理解RAG全流程:

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

RAG工作流程:

  1. 索引阶段(Indexing):将文档切分成chunk,通过Embedding模型编码,存入向量数据库
  2. 检索阶段(Retrieval):用户query编码为向量,在向量库中检索Top-K相关文档
  3. 生成阶段(Generation):将检索到的文档作为上下文,一起送给LLM生成答案

三、向量数据库选型

数据库优势适用场景开源
Milvus性能强、功能全生产级大规模✅
Chroma轻量、易用快速原型✅
QdrantRust实现、高性能云原生部署✅
Weaviate原生混合检索多模态✅
FAISSFacebook出品离线场景✅

四、Embedding模型选择

# 主流Embedding模型对比
from sentence_transformers import SentenceTransformer

models = {
    'bge-large-zh': '星辰语义平台-BGE-Large-ZH',  # 中文最优
    'm3e-large': 'm3e-large',                      # 源码开源
    'text2vec-large': 'text2vec-large-chinese',    # 中文支持好
    'e5-large-v2': 'E5-Large-V2',                 # 多语言支持
}

# 使用示例
model = SentenceTransformer('BAAI/bge-large-zh-v1.5')
query_embedding = model.encode("如何优化Transformer的推理速度?")
doc_embeddings = model.encode(["FlashAttention是一种高效的注意力机制..."])

中文Embedding模型推荐:

模型维度中文效果特点
BGE-Large-ZH1024⭐⭐⭐⭐⭐效果最佳
M3E-Large1024⭐⭐⭐⭐开源可商用
text2vec-large1024⭐⭐⭐⭐适合中文

五、检索优化技术

5.1 混合检索

单一向量检索有局限,实际场景推荐混合检索:

# 混合检索示例:向量检索 + 关键词检索
from rank_bm25 import BM25Okapi
import numpy as np

def hybrid_search(query, vector_db, top_k=5, alpha=0.7):
    """
    alpha: 向量检索权重,(1-alpha)为关键词检索权重
    """
    # 1. 向量检索
    vector_results = vector_db.search(
        embed(query), top_k=top_k*2
    )
    
    # 2. BM25关键词检索
    bm25_scores = bm25_model.get_scores(tokenize(query))
    bm25_results = np.argsort(bm25_scores)[::-1][:top_k*2]
    
    # 3. RRF融合排序
    fused_scores = {}
    for rank, doc_id in enumerate(vector_results):
        fused_scores[doc_id] = fused_scores.get(doc_id, 0) + alpha * (1 / (60 + rank))
    for rank, doc_id in enumerate(bm25_results):
        fused_scores[doc_id] = fused_scores.get(doc_id, 0) + (1-alpha) * (1 / (60 + rank))
    
    return sorted(fused_scores.items(), key=lambda x: -x[1])[:top_k]

5.2 重排序(Reranker)

初筛结果用Cross-Encoder重排,提升精度:

from sentence_transformers import CrossEncoder

# 使用BAAI/bge-reranker-large重排序
reranker = CrossEncoder('BAAI/bge-reranker-large')

def rerank(query, candidates, top_n=5):
    pairs = [[query, doc] for doc in candidates]
    scores = reranker.predict(pairs)
    
    reranked = sorted(zip(candidates, scores), key=lambda x: -x[1])
    return [doc for doc, _ in reranked[:top_n]]

5.3 查询改写(Query Rewrite)

用户query往往不够精准,需要改写:

# 使用大模型改写查询
def query_rewrite(query, llm):
    rewrite_prompt = f"""
    请将下面这个查询改写成3个不同的表达方式,每个一行:
    原查询:{query}
    
    要求:
    1. 保持原意
    2. 使用不同的表述方式
    3. 可以补充缺失的背景信息
    """
    response = llm.invoke(rewrite_prompt)
    rewrites = response.content.strip().split('\n')
    return rewrites[:3]

六、文档处理实战

6.1 文档加载与切分

from langchain_community.document_loaders import PyPDFLoader, UnstructuredMarkdownLoader
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 加载PDF文档
loader = PyPDFLoader("技术文档.pdf")
documents = loader.load()

# 切分策略:按段落,保持上下文
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,        # 每块token数
    chunk_overlap=100,     # 块间重叠,保证连续性
    separators=["\n\n", "\n", "。", "!", "?", " ", ""]
)

chunks = text_splitter.split_documents(documents)
print(f"切分后得到 {len(chunks)} 个文本块")

6.2 元数据增强

# 为每个chunk添加元数据,便于后续过滤
for i, chunk in enumerate(chunks):
    chunk.metadata = {
        "source": "技术文档.pdf",
        "page": i // 10 + 1,  # 估算页码
        "chunk_id": i,
        "category": "架构设计",  # 可按章节自动标注
        "timestamp": "2024-12-01"
    }

七、RAG评估与优化

7.1 评估指标

# RAG评估框架RAGAS
from ragas import evaluate
from ragas.metrics import faithfulness, answer_relevancy, context_relevancy, context_precision

# 准备评估数据
eval_dataset = [
    {
        "question": "Transformer的注意力机制原理是什么?",
        "answer": "Transformer使用自注意力机制...",
        "contexts": ["注意力机制通过Query、Key、V..."],
        "ground_truth": "Transformer通过缩放点积注意力..."
    }
]

# 评估
result = evaluate(eval_dataset, metrics=[faithfulness, answer_relevancy])
print(result)

7.2 迭代优化流程

查询 → 检索 → 生成 → 评估 → 发现问题 → 优化

常见问题及解决方案:
├── 召回不准确 → 优化Embedding/混合检索
├── 上下文过长 → 使用Context Compression
├── 生成幻觉 → 增加 faithfulness prompt
└── 答案不完整 → 添加query扩展

八、生产级RAG架构

┌──────────────────────────────────────────────────────┐
│                    RAG生产架构                         │
├──────────────────────────────────────────────────────┤
│  数据源:PDF/Word/网页/数据库                          │
│      ↓                                                │
│  文档解析:PyMuPDF / Unstructured                     │
│      ↓                                                │
│  文本切分:RecursiveCharacterTextSplitter             │
│      ↓                                                │
│  Embedding:BGE-Large-ZH                             │
│      ↓                                                │
│  向量数据库:Milvus / Qdrant                          │
├──────────────────────────────────────────────────────┤
│  查询 pipeline:改写→检索→重排→压缩                   │
├──────────────────────────────────────────────────────┤
│  生成:GPT-4 / Qwen / GLM                            │
│      ↓                                                │
│  评估:RAGAS / Trulens                               │
└──────────────────────────────────────────────────────┘

九、总结

RAG是当前大模型落地最成熟的技术路径。建议学习路线:

  1. 入门:理解RAG基本流程,会用LangChain实现
  2. 进阶:掌握混合检索、重排序、Query改写
  3. 生产:了解评估体系、缓存策略、增量更新

未来RAG将向多模态、主动学习、自适应检索方向演进。


推荐学习资源:

  • RAG综述论文:arxiv.org/abs/2312.10997
  • LangChain RAG教程:python.langchain.com
  • 星辰语义平台:BAAI/bge模型
AI原生应用领域:检索增强生成的实践探索 随着ChatGPT、GPT-4等大语言模型(LLM)的普及,AI应用正从“工具辅助”向“原生智能”演进。知识过时:训练数据截止到特定时间(如GPT-4截止2023年4月),无法回答2023年5月后的事件;专业盲区:对垂直领域(如医疗、法律)的最新指南或小众知识覆盖不足;长文本无力:受限于上下文窗口(如GPT-4最多8192 tokens),无法直接处理数万字的文档。 阅读详情

相关推荐

pytorchDataLoader中调整数据长度不一致问题(lstm等)

数据长度不一致 用pytorch做rnn的时候,如果输入数据不一样长,可以用两种方式解决。 一种是自定义collate方法, #自定义collate_fn dataloader.DataLoader(dataset,4,True,collate_fn=my_collate) 然后里面写数据和标签载入方式即可 def my_collate(batch): data = [item[0] for item in batch] target = [item[1] for item in batc

weixin_48174100的博客 7773

JeeSite RAG技术:知识库检索增强生成

在数字化转型浪潮中,企业面临着海量知识资产的管理挑战。传统的知识库系统往往存在以下痛点: - **信息检索效率低下**:员工需要花费大量时间在文档库中寻找相关信息 - **知识孤岛现象严重**:不同部门、不同系统的知识难以有效整合和共享 - **智能问答能力缺失**:无法基于企业自有知识库提供精准的智能问答服务 - **知识更新维护困难**:新知识难以及时纳入系统,旧知识难以有效淘汰 JeeS...

gitblog_00112的博客 780

因时机器人-灵巧手配置方案(Ubuntu18.04)

因时机器人-灵巧手配置方案(Ubuntu18.04)

CH_monsy的博客 3858

RAG 检索增强生成

RAG(Retrieval Augmented Generation,检索增强生成)是一种将大规模语言模型(LLM)与外部知识源的检索相结合,以改进问答能力的工程框架。它使用来自私有或专有数据源的信息来辅助文本生成,从而弥补LLM的局限性,特别是在解决幻觉问题和提升时效性方面。RAG 的流程包括索引检索和生成三个步骤,即把问答内容输入到数据库中,给定query,可以直接去数据库中搜索,搜索完成后把查询结果和query拼接起来送给模型去生成内容。

xijiancui的博客 1004

基于大模型的恶性胸腔积液全周期预测与诊疗方案研究

本研究基于大模型技术构建了恶性胸腔积液全流程预测与诊疗体系,涵盖术前风险评估、术中方案优化、术后恢复预测及并发症预防。通过整合多源医疗数据,实现了手术风险概率预测(准确率80%)、并发症预警(AUC值0.85)及个性化康复方案制定,显著提升诊疗精准度。研究创新性地将Transformer架构与多模态数据融合,在100例临床验证中显示良好性能,但存在数据样本局限、模型可解释性不足等问题。未来将扩大多中心临床验证,优化算法可解释性,探索与基因检测等技术的结合应用,推动恶性胸腔积液的精准诊疗发展。

嵌入式毕设/课设资料清单(速查手册·文档模板·题库,持续更新)→ 见最新文章 1901

【51单片机仿真】基于51单片机设计的多功能电子时钟日历(实时时钟闹钟秒表温度检测)系统__资料编号5

该项目是基于单片机的多功能电子时钟系统,集成了时间显示、闹钟设置、秒表功能以及温度显示等功能。主要硬件包括1602液晶显示屏、DS1302时钟芯片、DS18B20温度传感器和蜂鸣器。系统通过按键进行时间和闹钟的设置,并实时显示当前时间和温度。

嵌入式阿齐Archie 2万+

大模型实战 | RAG检索增强技术深度解析,构建高效知识库问答系统

RAG 的核心价值是 “让大模型基于真实信息回答”,其效果优化需贯穿 “文档准备→检索→生成” 全链路。新手入门时,可先按 “句子切片 + 内存向量存储 + 基础提示词” 搭建最小原型,再逐步通过 “问题改写、重排序、知识库补充” 提升效果。在生产环境中,优先选择云服务向量数据库和专业 Embedding 模型,兼顾性能与运维效率。

老皮的博客 959

PMP--工件

合同是指对双方都有约束力的协议,强制卖方提供规定的产品、服务或结果,以及强制买方支付相应的费用。它还可能包括处于中间状态的特性,例如已设计但尚未构建的特性、质量保证中的特性或测试中的特性。RACI 矩阵是一种常见的方法,用于显示执行、担责、咨询或知情,且与项目活动、决策和可交付物有关的干系人。计划是提议的实现某种目标的方式。在项目开始前或开始时创建的文件,涉及与项目有关的战略、商业或高层级的信息。或 © 它们是用特定方法创建的结果,例如,虽然成本估算结果是一个重要工件,它们是用不同估算方法得出的结果。

stqer的博客 1667

【Spring】RAG 知识库基础

详细介绍了RAG相关概念以及通过SpringAI、SpringAi Alibaba框架实现本地知识库与云知识库RAG实战功能

weixin_62533201的博客 1752

MATLAB基础应用精讲-【数模应用】游程检验(附MATLAB、R语言和python代码实现)

游程检验是一种非参数性统计假设的检验方法,它是游程总数检验和最大游程检验的总称,用于两个独立样本的比较和观测结果随机性的检验测试。​游程检验亦称“连贯检验”,是根据样本标志表现排列所形成的游程的多少进行判断的检验方法。[2]例1:设某样本n=12人的标志表现为男、女,有以下三种排列。(i) 男\男,女\女\女,男,女\女,男\男\男\男;(ii) 男\男\男\男\男\男\男,女\女\女\女\女;(iii) 男,女,男,女,男,女,男,女,男,女,男\男;连续出现男或女的区段称为游程。

qq_36130719的博客 609

YOLO系列算法改进 | 自研篇 | C3k2融合SEFN空间增强前馈网络模块 | 去模糊和提升图像细节特征,精度涨点!| WACV 2025

YOLO系列算法改进 | 自研篇 | C3k2融合SEFN空间增强前馈网络模块 | 去模糊和提升图像细节特征,精度涨点!| WACV 2025 (以YOLO26最新目标检测模型为基础,C3k2融合SEFN空间增强前馈网络模块改进Backbone)

2502_91881744的博客 242

AI上下文理解新思路:基于检索增强的生成模型

RAG的全称是用户提问:用户提出一个问题(比如“离婚冷静期是多少天?”);检索知识:从知识库中找到与问题最相关的信息(比如《民法典》第1077条);增强生成:把检索到的信息作为“上下文”喂给模型,生成准确回答(比如“离婚冷静期是30天”)。让模型“知之为知之,不知为检索”。框架:LangChain(连接各个组件);嵌入模型向量数据库:Pinecone(存储向量);生成模型:GPT-4(生成准确回答)。

项目管理的博客 1229

ArcGIS Pro 制作这种地图海报

ArcMap 版本与 ArcGIS Pro 版本的制图功能相差太多,无论从美观上还是制图效率都远远优于 ArcMap,用了一段时间的 ArcGIS Pro ,真心推荐有条件的大家赶紧试一试!一个软件也能搞定一张不错的海报哦!----吐槽:好的设计真的是门花时间的活,这个教程大概花了我7小时左右,我都忘了我自己教程中截图多少张了!(可能是我速度太慢了)测试数据:阿里云盘分享-----北极海冰数据.https://www.aliyundrive.com/s/SUhsnqfkmXh。

J_Giser的博客 1431

进阶篇-LangChain篇-8--检索增强生成(RAG)原理——给模型装上“外脑”

摘要: 本文深入解析检索增强生成(RAG)技术,通过"开卷考试"类比揭示其核心价值:解决大模型的知识滞后和幻觉问题。RAG工作流程包含索引(文档向量化)、检索(相似度搜索)、增强(上下文拼接)和生成(基于事实作答)四步,结合向量数据库和嵌入模型实现动态知识更新。文章提供代码演示如何构建本地RAG系统,并对比RAG与微调的优势——RAG无需训练、成本低且支持实时更新,是90%企业场景的首选方案。关键要点包括:语义检索机制、混合检索策略及避免常见陷阱的实践指南。

weisian的博客 5772

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

大模型知识记忆难题?一文读懂RAG检索增强生成技术,附实战案例,建议收藏!

大语言模型知识记忆能力有限,依赖静态数据导致无法处理实时信息,存在"幻觉"问题。检索增强生成(RAG)技术通过引入外部知识库,使模型动态检索相关信息,将"闭卷考试"变为"开卷考试"。RAG系统包括检索和生成模块,任务可分为四个层级。该技术已在智能问答等领域广泛应用,有效提升大模型的知识覆盖面和生成质量。

优快云_430422的博客 1196

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。

【大模型幻觉与RAG技术】从幻觉成因到检索增强生成落地

摘要 大模型幻觉(LLM Hallucination)是指模型生成看似合理但与事实不符的内容,严重影响决策可靠性。本文系统分析了幻觉的核心成因(训练数据缺陷、模型架构限制、推理过程问题)和分类(事实型、逻辑型、引用型等),并重点介绍了RAG(检索增强生成)技术解决方案。RAG通过先检索外部知识库再生成回答的方式,将大模型从"闭卷考试"变为"开卷考试",有效降低幻觉概率。文章详细阐述了RAG的技术原理、应用场景(医疗、法律、金融等)和优化策略,为克服大模型落地障碍提供了

独立思考,明辨是非 2572

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

从文档海洋到智能问答:用大模型和RAG打造下一代企业知识库的实战之路

在信息爆炸的今天,企业内部文档(如SOP、技术手册、FAQ)数量激增,传统的关键词搜索常常让我们在“文档海洋”中迷失。本文将分享一次从0到1的实战探索,讲述如何利用大语言模型(LLM)和检索增强生成(RAG)技术,将静态、孤立的知识库,重塑为一个能“思考”和“对话”的智能问答系统。我们将从理念澄清、技术选型、代码实战到未来展望,一步步揭示AI如何成为解锁企业知识效率的密码。

一位热衷于机器学习的博主,致力于将复杂的AI算法化繁为简。分享代码实战与前沿洞见,与你一同探索人工智能的奇妙世界。 1474

AI大模型·白皮书 | 2025年RAG实践手册:构建知识库和问答系统的实战指南(132页)

AI大模型·白皮书 | 2025年RAG实践手册:构建知识库和问答系统的实战指南(132页)

m0_48891301的博客 1289

如何利用检索增强生成(RAG)打造高性能AI原生应用

在ChatGPT引爆的AI浪潮中,(AI-Native Application)成为行业新赛道。本文将从四个维度,教你如何用RAG打造高性能AI原生应用。

AI算力网络与通信的博客 1188

一文读懂:大模型RAG(检索增强生成)

接下来是进阶篇,你将掌握RAG、Agent、Langchain、大模型微调和私有化部署,学习如何构建外挂知识库并和自己的企业相结合,学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。最后呢,会给大家一个小福利,课程视频中的所有素材,有搭建AI开发环境资料包,还有学习计划表,几十上百G素材、电子书和课件等等,只要你能想到的素材,我这里几乎都有。所以我综合了大模型的所有知识点,给大家带来一套。我们这套大模型资料呢,会从。

kaka0722ww的博客 788

RAG 技术原理与实战:从基础架构到 SDK 落地

摘要:RAG(检索增强生成)技术有效解决大模型知识过时和幻觉输出的核心痛点。该技术通过实时检索外部知识库(如企业文档、专业数据库),将最新信息注入生成过程,显著提升回答准确性和时效性。文章详细解析了RAG的核心四步流程(文档预处理、向量化存储、智能检索、结果生成),对比了LangChain、LLamaIndex等主流框架的适用场景,并提供了基于LangChain构建企业知识库问答系统的完整实现方案。针对不同应用场景,文章还提出了检索优化、文档切分策略、多轮对话管理等具体优化方向,为RAG技术的落地应用提供了

2501_94455160的博客 913

基于RAG本地知识库的AI问答,大模型入门到精通,收藏这篇就足够了!

RA؜G 就像给 AI 配了一个‎知识库,让 AI 回答问题前先查一查特定的知识‍库来获取知识,确保回答是基⁠于真实资料而不是凭空想象。

pythonhy的博客 1093

零基础玩转LLMs-from-scratch:构建高效检索增强生成(RAG)系统的完整指南

LLMs-from-scratch是一个从零开始指导开发者构建大型语言模型(LLM)的开源项目,通过详细的步骤和原理说明,帮助用户深入理解并实践LLM的开发过程。本指南将带你探索如何利用该项目实现检索增强生成(RAG)技术,让你的LLM具备强大的外部知识整合能力。 ## 为什么选择LLMs-from-scratch实现RAG? 检索增强生成(RAG)是解决LLM知识滞后和幻觉问题的关键技术,它

gitblog_00695的博客 904

Spring AI RAG(Retrieval Augmented Generation)技术深度解析与实战指南

Spring AI RAG 架构以模块化、可重组为核心,贯穿预检索、检索、后处理、生成四大环节。各模块可针对业务需求灵活调优,支持多种扩展与集成方案。深入源码与算法原理,有助于开发者构建高可靠、可扩展的智能问答系统。知其然,更知其所以然:模块化设计让流程可控、可扩展;Prompt 编排确保输出可解释、可调优;高级检索算法提升准确率与性能;集成与架构演进为企业级应用保驾护航。希望本文能帮助你系统性掌握 Spring AI RAG,从原理到实战,成为智能问答领域的专家!

IT技术学习与工作笔记分享 1228

Spring AI 实战:从零构建 RAG 检索增强生成应用

本文介绍了基于Spring AI的RAG(检索增强生成)技术实现企业知识库问答系统的完整方案。文章首先解释了RAG技术的核心原理及其相比纯LLM的优势,包括支持私有数据、知识实时更新和回答可溯源等特点。随后详细解析了Spring AI RAG的核心组件:文档处理(Document)、文档读取器(DocumentReader)、文本分割器(TextSplitter)、向量化模型(EmbeddingModel)和向量数据库(VectorStore)。最后通过实战演示了如何构建完整的问答系统,包括项目依赖配置、文

qq_39975977的博客 507

RAG技术解析:大语言模型的知识增强与检索优化

检索增强生成(RAG)是自然语言处理领域的重要技术突破,通过结合信息检索与大语言模型(LLM)的生成能力,有效解决了传统LLM的知识局限性和事实准确性问题。其核心原理是将实时检索的外部知识库与生成模型相融合,使系统能够动态获取最新信息。从技术实现看,RAG系统通常包含检索器、知识库和生成器三大组件,支持稀疏检索(如BM25)和稠密检索(如DPR)两种范式。该技术在金融、医疗等专业领域问答系统中展现出显著价值,能提升40%以上的用户满意度。典型应用场景包括实时信息查询、专业领域知识服务以及需要高事实准确性的对

weixin_30875157的博客 460
上一篇: LoRA大模型微调:轻量化训练新范式
下一篇: 【状态空间模型】Mamba:新一代高效序列建模架构
MATLAB代码顾问
博客等级 码龄20年 4万+粉丝 441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

MATLAB代码顾问

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