软件项目代码评审流程

为什么要进行代码评审? Ward Cunningham(沃德·坎宁安)在1992年首次提出:交付第一次代码就像陷入债务。 允许债务存在是可以加快开发速度,但只有通过重构代码,及时偿还债务,才能提升组织的研发效率和质量。 本文从技术债务的角度阐述了引入代码评审机制的必要性,并从评审对象、评审维度、评审流程和改进计划等方面带领读者走进代码评审,了解其运行的机制,以及笔者对代码评审的思考。 阅读详情

软件项目代码评审是确保代码质量、可维护性和符合标准的关键步骤。以下是一个通用的软件项目代码评审流程,希望对大家有所帮助。北京木奇移动技术有限公司,专业的软件外包开发公司,欢迎交流合作。

1.评审召集: 由项目经理或负责代码评审的团队成员召集代码评审会议,并确定会议的日期、时间和地点。邀请评审参与者,通常包括开发人员、质量保证人员和其他相关利益相关者。

2.代码检查前准备: 在评审会议之前,开发人员应确保代码已经通过基本的自测,并且没有明显的错误。他们还应该提交代码至代码库,并确保代码库中的版本是最新的。

3.评审团队组建: 组建代码评审团队,通常由同一项目或相关项目的开发人员和质量保证人员组成。评审团队应包括不同经验水平和专业领域的成员,以确保全面的评审。

4.评审会议: 在评审会议上,开发人员应介绍他们的代码变更、解释代码的目的和实现方法,并提供背景信息。评审团队成员可以提出问题、建议和意见。

5.代码评审: 评审团队成员应对代码进行仔细审查,以确保它们满足以下要求:

  1. 是否符合项目的编程标准和最佳实践?
  2. 是否有清晰的注释和文档?
  3. 是否遵循了安全性和性能最佳实践?
  4. 是否排除了潜在的错误和漏洞?
  5. 是否满足项目需求?

6.问题和建议记录: 在评审过程中提出的问题、建议和意见应记录下来,并分配责任人来解决。这些记录可以包括在评审报告中,以供将来参考。

7.评审结论: 在评审会议结束后,评审团队应提供评审结论,包括对代码的批准、有条件批准、拒绝或需要修改的决定。如果需要修改,应明确说明修改的内容。

8.代码更新: 基于评审结果,开发人员应更新他们的代码,以解决提出的问题和建议。代码应符合评审的要求,并确保其质量和准确性。

9.再次评审: 如果有需要,修改后的代码可以再次提交进行评审,以确保问题已经得到解决。

10.最终批准: 一旦代码满足评审要求,代码变更应该得到最终批准。这表示代码变更已准备好合并到主分支或生产环境中。

11.文档归档: 批准的代码变更和评审记录应该归档,以备将来的参考和审计。

代码评审是确保代码质量和可维护性的关键环节,有助于提高代码的可靠性和减少潜在的缺陷。这个过程需要与项目团队的密切协作,以确保代码满足项目需求和质量标准。

【PM】软件项目管理流程和方法 即将迎来自己人生中第一份软件项目管理工作,先搜集相关知识整理出一个我决定采用的软件项目管理方法,在实践的同时慢慢完善。看到这篇文章并且有自己的经验和见解的大虾欢迎指正和交流,我们要做的这个是企业信息化管理软件 转载请注明出处:jiq•钦's technical Blog 项目管理流程 需求调研阶段 n  立项和可行性分析 n  需求收集、整理 深入一线和用户交流,获取最原始需求 阅读详情

相关推荐

项目流程以及测试分类与软件生命周期模型

1.测试流程 首先立项,参与的人有开发,产品,需求,经理,之后需求编写需求文档,开发,测试,产品,经理,对需求进行评审,之后开发在开发环境开始编写代码,另一方面测试根据需求文档编写测试用例,之后对测试用例进行评审,开发写完代码自测,之后交给测试,测试开始进行冒烟测试,功能测试,遇到bug提交到禅道,让开发进行修改,开发修改完毕之后,再进行回归测试,没问题之后进行验收测试,最后完全没问题就可以上线了。 2.软件测试: 按照阶段划分: 单元测试 集成测试 系统测试 验收测试 按照查看源代码进行划分: 白盒测试

Yan_1227的博客 237

git开发流程和常用命令

开发人员 一、GIT环境准备 1.git配置 2.fork 3.git clone <remote url> 4.建立远程库连接 二、git开发流程 1.开发 2.同步远程库代码 3.将代码同步到个人库origin 4.提交merge ...

人生就像一场戏 530

软件项目简明代码评审流程

文章大纲提交前评审的流程提交后评审的流程两种评审方式的优缺点Best Practice参考文献 代码评审的流程有以下两种: 提交前评审(pre-push code review) 提交后评审(post-push code review) 提交前评审的流程 程序员在试图提交代码变更到代码库之前,先提交变更申请,变更申请包含了这次变更的内容,评审人 评审人查看变更内容,评估变更,与变更申请人沟通,评估是否通过变更; 如果评审人通过变更,则变更申请人才可以提交代码到代码库; 如果评审

shiter编写程序的艺术 2664

代码审查的流程

来源:代码审查的必要性和最佳实践:https://glory.blog.youkuaiyun.com/article/details/117077938。

路边烧卖 3788

软件代码评审表

该表格规定软件代码评审表格式,明确了各项评审内容,避免遗漏。

给jetson nano 安装AX200网卡驱动

几经波折,因为在网上看到的基本都是amd版本而非arm版,然后最终选定V5.5是因为更新的几个版本的arm版本是false的(在https://kernel.ubuntu.com/~kernel-ppa/mainline/处选择版本时,得看在arm64上是false还是build succeeded,之前没经验呀刚刚才顿悟的) 1,参考文章https://blog.youkuaiyun.com/MIRANA0/article/details/106696334 学到了得下载如下四个: wget https://k

发嘎嘎的博客 2346

说说代码评审

本文内容:1、代码评审的目的2、评审准备工作3、评审过程中容易出问题的点4、共同成长近一段时间以来,组内严格实行代码评审制度。参与过多次评审后发现,一次有效的代码评审并不简单,把一些思考做一下总结。|| 代码评审的目的|提前发现问题问题发现越早,解决成本越小,带来的损失也越小。|保证代码库的健康状况随着时间推移,代码库的健康状况往往会下降。通过代码评审,如果能使代码......

JiuQianWan的博客 1407

用Isaac Sim复现经典案例:手把手教你写Python脚本控制机械臂抓取(附避障算法调试心得)

本文详细介绍了如何使用NVIDIA Isaac Sim仿真系统复现机械臂抓取经典案例,包括Python脚本编写、避障算法调试等关键步骤。通过URDF模型导入、关节控制逻辑实现和RMPFlow避障配置等实战演示,帮助开发者快速掌握机器人仿真技术,特别分享了官方文档未提及的实用调试技巧和性能优化策略。

weixin_30632089的博客 409

代码审查(Code Review)

1. 代码审查概述 1.1 什么是代码审查 ​ 对计算机源代码系统化地审查,常用软件同行评审的方式进行,其目的是在找出及修正在软件开发初期未发现的错误,提升软件质量及开发者的技术 1.2 为什么要做代码审查 可以帮助提高代码质量:代码审查的初衷是为了发现代码的问题并且修正,让系统的缺陷更少,更加容易维护 上下文共享:方便团队协作,使不熟悉该模块的团队成员对模块有一定了解 帮助新人快速融入项目 帮助开发人员成长 帮助影响力的建设 ​ 但是虽然代码审查有着很多的好处,但是不是所有的团队都会进

夕刃的博客 1万+

深入解析Android14应用安装权限:从声明到授予的完整适配指南

本文深入解析Android14应用安装权限的适配方法,重点介绍了从权限声明到授予的完整流程。与Android13相比,Android14在权限管理机制上进行了重要调整,特别是通过AppOpsManager实现权限的对象化封装。文章详细讲解了权限声明的基础配置、Framework层适配方案、运行时权限授予方法以及常见问题排查指南,帮助开发者高效完成Android14权限适配。

o9p0q1的博客 696

群无人机航迹规划-虚拟管道

图源北理工全权老师团队虚拟管道相关论文,文字为个人理解,以ppt形式分享报告。

coldmood77的博客 669

软件项目上线发布全流程详解:从代码评审到灰度发布与回滚

在软件工程领域,持续交付与DevOps实践的核心目标之一是实现高效、可靠的应用部署。其基本原理在于通过自动化流水线、严格的代码准入和质量门禁,将开发成果安全、可控地交付至生产环境。这一过程的技术价值在于极大降低了变更风险,保障了线上服务的稳定性与可用性。典型的应用场景包括互联网企业的日常功能迭代、系统升级和热修复。本文聚焦于项目上线的“最后一公里”,系统阐述了包含发布前准备、执行策略、验证观察及应急回滚在内的完整流程框架,并深入探讨了代码评审、预发布环境验证、蓝绿/金丝雀发布等关键实践,旨在为构建稳健的发布

weixin_30561425的博客 381

JavaSwing_4.2: JDialog、JOptionPane(对话框)

JDialog,对话框。使用 JDialog 类可以创建自定义有的对话框,或者调用 JOptionPane 中的多个静态方法快速创建各种标准的对话框。JOptionPane是 JavaSwing 内部已实现好的,以静态方法的形式提供调用,能够快速方便的弹出要求用户提供值或向其发出通知的标准对话框。

谢TS的博客 7万+

评审速度快的开源期刊_开源的同行评审有多强?

评审速度快的开源期刊 尽管代码审查在专有软件开发公司中司空见惯,但是开源软件开发的性质通常使标准化的代码评估难以实现。 因此,开源社区中成功的行业领导者或项目经理经常在其开发周期中采用同行评审技术作为质量控制的标准。 一个标准的开放源代码同行评审过程的示例始于软件作者将其代码和文档提交到其项目的邮件列表。 然后由其他贡献者和项目经理进行检查; 在接受或拒绝更改之前,在社区和作者之间讨论了潜在的...

cumj63710的博客 905

游戏市场销售数据抓取:使用Python爬虫获取游戏市场上的销售情况和玩家反馈

在本文中,我们使用Python爬虫抓取了多个游戏平台上的销售数据、玩家反馈和游戏动态。通过使用requests和Selenium,我们能够有效地获取静态和动态网页数据,并利用pandas进行数据处理和存储。如果您有更具体的需求,可以扩展此爬虫以抓取更多的数据,进行深度分析或实现更复杂的可视化功能。数据抓取是一项非常强大的技术,它不仅能够帮助游戏开发者优化产品,还能帮助营销团队理解玩家需求,提升市场竞争力。

2201_76125261的博客 1308

UG二次开发之 三面摆正体代码分析

CIUGUIBlock 是一个从UIBlock 派生的一个类,为什么要从UIBlock 派生出CIUGUIBlock,这是为了兼容低版的UG。如果我们不从的UIBlock 派生控件类对象指针,在UG 8.5以下的版本,会出现编译错误的问题。这是一个简单的入门功能,包括了不少的常用的UF函,下面我们将结合成品代码一起分析一下常用的函数,这对初学者是必要的。根据创建好的UI控件,在 initialize_cb 中创建控件的指针对象。//根据选定的面,指定 X,Y坐标系轴。//根据变换的矩阵,平移实体。

u014657217的博客 352

软件工程领域设计文档的文档评审流程与方法

设计文档评审是软件开发生命周期中确保设计质量的关键环节。本文旨在系统介绍设计文档评审的完整流程、方法和实践技巧,覆盖从准备到执行的各个环节。核心概念与评审类型评审流程详解方法与最佳实践工具与资源案例分析与未来趋势设计文档:描述软件系统架构、组件和接口的技术规格说明评审:系统化的检查过程,旨在发现文档中的缺陷和改进点缺陷:设计文档中不符合要求或可能导致问题的部分设计文档评审是确保软件质量的关键实践有多种评审类型,从非正式讨论到正式审查明确的角色分工提高评审效率。

软件工程实践的博客 990

音乐生成 - 使用LSTM或Transformer模型进行音乐生成,如MIDI音乐生成。

在本篇博客中,我们将介绍如何使用LSTM和Transformer模型生成MIDI音乐。我们将首先概述音乐生成的一般流程,然后深入了解LSTM和Transformer模型的特点和实现。最后,我们将通过Python代码演示如何使用这两种模型生成MIDI音乐。

斌擎科技 1722

公司项目开发流程(come on)

开发流程 先看图 一、需求 1. 评审 召集需求涉及到的UI、开发、产品、测试人员整理业务流程,同步信息,明确分工 明确需求目的,考虑当前需求设计是否可满足目的 整理流程中如果涉及的其他人员,则召集商讨 如需求设计上影响现有业务功能,应要求产品重新设计实现方案,然后重新评审 2. 注意事项 业务流程同步:评审后重新梳理流程,存在疑问处及时找产品沟通 周边需求依赖:评审功能与依赖功能并行开发,由于...

qq_40924034的博客 641

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

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。

实验十四 团队项目评审&课程学习总结

实验十四 团队项目评审&课程学习总结 实验时间 2019-6-27(28) Deadline: 2019.6.30日23:00,以个人随笔博文提交时间为准。 评分标准: 按时交 – 根据实验十四评分细则打分(满分50分) 抄袭 - 倒扣本次作业分数 一、实验目的与要求 (1)掌握软件项目评审会流程; (3)反思总结课程学习内容。 二、实验环境要求 实...

weixin_30655219的博客 84

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

Ada语言的代码评审

在现代软件开发中,代码评审是一项非常重要的环节。它不仅能提高代码质量,还有助于团队合作和知识共享。特别是在使用Ada语言进行开发时,代码评审显得尤为重要。Ada语言以其高度的安全性和模块化特性,成为航空航天、军事和一些关键系统开发的首选语言。本文将深入探讨Ada语言的代码评审,包括代码评审的目的、评审的过程、常见问题、以及如何在Ada项目中有效执行代码评审。

2501_91195849的博客 506

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")

王天悦 201671030121 实验十四 团队项目评审&课程学习总结

项目内容 课程名称 2016级计算机科学与工程学院软件工程(西北师范大学) 作业要求 实验十四 团队项目评审&课程学习总结 课程学习目标 (1)掌握软件项目评审会流程,(2)反思总结课程学习内容。 任务一: 团队项目github仓库地址链接:GitHub仓库 任务二:课程学习总结 总结自己在项目的 可...

weixin_30580943的博客 178

企业开发项目流程

对于软件行业,企业做项目需要了解的完整流程。

魏晋- 498

实验十四 团队项目评审&课程学习总结

项目 内容 软件工程 https://www.cnblogs.com/nwnu-daizh/ 本次实验链接地址 https://www.cnblogs.com/sunmiaokun/p/11095027.html 作业学习目标 (1)掌握软件项目评审会流程;(2)反思总结课程学习内容。 1.结合本学期课程学习内容,对比《实验一 软件工程准备》的任务5你所提的问题(给出...

weixin_30268071的博客 122

实验十四 团队项目评审&个人学习总结

实验十四 课程学习总结 项目 内容 这个作业属于哪个课程 (https://www.cnblogs.com/nwnu-daizh/) 这个作业的要求在哪里 (https://www.cnblogs.com/nwnu-daizh/p/11093584.html) 课程学习目标 掌握软件项目评审会流程;反思总结课程学习内容。 1.结合本学期课程学习内容,对比《实验一 软件工程准...

weixin_30596343的博客 168
上一篇: 软件系统的立项流程
下一篇: 软件项目评审流程
defdsdddev
博客等级 码龄4年 439粉丝 314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