APP开发费用计算方法

【电力行业标准】《电力信息化软件工程度量规范》(DL/T 2015-2019)-费用标准解读系列20 电力信息化软件工程度量规范》(DL/T 2015-2019)是国家能源局2019年6月4日发布,2019年10月1日实施的电力行业标准(了解更多可直接关注我们咨询),规定了电力行业信息化软件工程度量原则与内容、成本构成及各部分成本度量方法,适用于电力行业以软件研发为主的信息化软件工程或其他工程中软件研发部分的成本度量,不适用于基础设施建设、软硬件采购和工控系统等项目成本度量。功能、非功能性测试费宜根据开发费进行计算,并根据工程的大小、工程难易程度、工程重要性等综合因素评估确认测试费用。 阅读详情

计算开发移动应用(APP)的费用涉及多个因素,包括项目的规模、复杂性、所需功能、技术选择、开发团队的经验、地理位置和市场需求等。以下是一些考虑开发APP费用的关键因素以及一般的费用计算方法,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. 项目规模和复杂性:

较大和更复杂的项目通常需要更多的开发工作,因此费用更高。考虑应用的功能、屏幕数量、用户交互、后端集成等。

  1. 所需功能和特性:

不同的功能和特性需要不同的开发工作量。例如,添加社交媒体集成、实时通信、地图集成或机器学习功能会增加开发成本。

  1. 技术选择:

使用不同的技术栈(例如原生开发、跨平台框架、云服务等)可能会影响开发成本。原生开发通常费用较高,而跨平台开发可能更经济。

  1. UI/UX设计:

设计质量对用户体验至关重要。精美的用户界面和用户体验设计通常需要额外的费用。

  1. 开发团队:

开发团队的规模和经验会影响费用。高水平的开发团队通常会提供更高的质量,但费用也较高。

  1. 地理位置:

开发者或开发公司的地理位置会影响费用。在成本较高的地区,开发费用可能较高。

  1. 项目时间:

较紧迫的项目时间表可能需要额外的开发资源,从而增加费用。

  1. 支持和维护:

考虑长期支持和维护的费用,包括应用的更新、安全性和性能优化等。

一般来说,费用计算可以按以下步骤进行:

  1. 明确项目需求:

确定应用的功能、特性和要求,以明确项目的范围。

  1. 选择技术栈:

决定使用的技术栈和开发工具,以及开发应用的平台(iOS、Android、Web等)。

  1. 估算工作量:

开发团队根据项目需求和技术选择,估算工作量和开发时间。

  1. 计算费用:

使用工作量估算和预估的开发时间,计算费用。费用通常按小时计费,开发公司会提供小时费率。

  1. 考虑额外费用:

考虑到可能的额外费用,如设计、测试、市场推广和支持。

  1. 获取报价:

如果是外包开发,向多家开发公司或开发者询价,比较不同报价,并选择合适的开发合作伙伴。

请注意,费用估算可能会因开发者的经验、项目要求和市场竞争而异。确保在项目启动前明确所有费用和合同细节,以避免后续的不必要纠纷和额外费用。

uniapp + 微信小程序 + 云开发。实现一个可以计算汽车油耗的工具类微信小程序 简介 是一款可以计算汽车油耗的小程序。根据加油量、所加油量跑的公里数、当时的油价。即可以计算出汽车的百公里油耗、每公里花费多少钱等数据。并且可以将每次数据永久记录下来,然后可以将多次的数据进行横向的对比,从而直观的看出油耗等数据随时间的变化。 该小程序目前已经上线。扫码即可体验,二维码在后面 需求来源 前段时间买了人生第一辆车(嘎嘎),作为一个新车车主,想知道这个车的真实油耗是多少,和工信部的油耗差别有多大。每次去加油的时候掏出计时器来计算又很麻烦,自己又是做开发的,就想着是否可以用程序来计算。于 阅读详情

相关推荐

软件开发报价实战指南:从成本拆解到工时估算的工程化方法

软件项目成本估算是软件工程管理的核心基础,它直接关系到项目的盈利能力和可持续性。其原理在于将模糊的“拍脑袋”决策转化为基于结构化数据的科学分析,通过工作分解结构(WBS)、功能点估算等方法,将总成本拆解为人力、软硬件、风险储备等可量化部分。这项技术的价值在于实现项目成本的透明化与可控化,是保障项目健康交付、建立客户专业信任的关键。在实际应用场景中,无论是企业级管理系统、互联网产品还是嵌入式系统,都需要结合具体技术栈(如嵌入式软件开发、BMS软件开发)和行业规范进行精细化核算。本文聚焦于软件开发报价,系统性地

weixin_26821003的博客 318

APP开发费用估算方法

估算APP开发费用是一个重要的项目管理步骤,它有助于确定项目的总成本,并帮助您在项目规划阶段做出决策。APP开发费用估算的方法可以根据项目的规模、复杂性、功能和技术选择而异,以下是一些常见的APP开发费用估算方法,希望对大家有所帮助。在进行APP开发费用估算时,应该尽可能考虑各种因素,包括APP的规模、复杂性、资源可用性、风险等。费用估算通常需要不断调整和更新,以反映项目的实际进展和变化。此外,确保费用估算与项目的范围、进度和质量目标相一致非常重要。费用估算的准确性对于项目的成功和可控性至关重要。

defdsdddev的博客 458

智慧社区APP应用设计与实现

智慧社区APP应用设计与实现 1. 背景介绍 1.1 智慧社区的概念 智慧社区是一种新型的社区管理模式,它利用物联网、云计算、大数据等新兴技术,将社区的各种资源进行整合,实现社区资源的高效利用和精细化管理。智慧社区旨在为居民提供更加智能、便捷、

AI天才研究院 567

开发外包注意事项二——iOS APP的开发

目前我的方式是按时间算。 首先这得建立在双方的信任基础上。 以我做过的Case为例: 首先会和客户一起评估需求: 1. 哪些功能是最为重要的 2. 哪些功能是可以删除的 3. 用什么策略保证APP的出色 4. 最终这个APP大概需要多少时间来完成开发 接下来就简单了,根据难度,50-150美金每小时不定。这样就能得出这个APP的开发预算。 谈...

weixin_30596343的博客 215

【论文笔记】Beyond Low-frequency Information in Graph Convolutional Networks

文章目录1. Abstract2. Introduction低频和高频信号作用FAGCN怎么设计3. An Experimental Investigation4. Model4.1 filter定义4.2 Aggregation4.3 Problems of signal combination4.4 Spatial vision of FAGCN4.5 系数αijG\alpha_{i j}^{G}αijG​4.6 模型整体框架FAGCN的表达能力实验 本文发表在AAAI-21上 论文地址:https:

Running Snail 5605

AURIX™ TC49x芯片手册中文分享(二)

主要内容为第一章、功能模块的特征

xibaofenqi的博客 1564

日活10万的APP,如何精准计算广告收益?

日活10万的APP广告收益计算与优化方法:广告收入=广告展示次数×eCPM/1000。典型配置下(开屏、信息流、激励视频等),日收入约4.4万元,月收入可达133万元。收益受用户质量、广告位配置、市场周期和技术方案四大因素影响,优化策略包括:多元化广告位布局、用户分层运营、把握营销节点、使用广告聚合平台。通过科学计算和持续优化,可显著提升变现收益。

hjwl0575的博客 2233

Ubuntu20.04安装Eigen3.3.7、模板类Sophus和Ceres

Sophus的使用必须依赖3.3以上的Eigen版本。如果版本太低,Sophus库将无法安装使用。

qq_62964142的博客 3422

小程序基于uni-app的助农农产品商城APP系统

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

QQ3166678367的博客 813

在Mac上搭建本地AI工作流:Dify与DeepSeek的完美结合

本文介绍了在Mac上搭建本地AI工作流的方法,结合Dify平台和DeepSeek模型。Dify是一个开源的大语言模型应用开发平台,支持可视化AI应用开发。部署步骤包括:1)安装Homebrew和Docker;2)克隆Dify代码库;3)配置环境变量并启动服务。同时,使用Ollama工具本地部署DeepSeek模型,将其集成到Dify中创建聊天助手。通过配置模型接口和新建应用,用户可以在本地环境中实现AI对话功能。这种方案既保证了数据隐私,又提供了灵活的AI应用开发能力。

Linda的自动化测试之旅 1536

置顶必读(1) | 《YOLOv26实战:从入门到深度优化》专栏导读与完整目录导航(持续更新中)

🏆 本文收录于 《YOLOv26实战:从入门到深度优化》 专栏。 本专栏系统梳理并持续复现 YOLOv26 官方特性、核心改进、多任务支持、部署优化与行业落地,内容坚持 持续更新 + 深度拆解 + 工程落地导向,不仅讲“怎么用”,更讲“为什么这样设计、如何真正落地到项目中”。

**My Coding Family** 9万+

软件项目成本估算实战指南:从人力到云服务的全景费用拆解

软件工程成本估算是一项融合了技术、管理与商业判断的综合性工作。其核心原理在于将项目全生命周期成本进行结构化分解,涵盖人力、基础设施、第三方服务及风险储备等多个维度。这项技术的价值在于帮助项目管理者、创业者及技术决策者建立科学的成本认知框架,从而有效规划预算、控制风险并优化资源分配。在实际应用场景中,无论是开发一个移动应用、构建企业级系统,还是进行数字化转型,精准的成本估算都是项目成功与商业可行性的基石。本文以**人力成本**和**云服务**这两个关键热词为切入点,深入剖析了角色费率矩阵、人时估算方法、以及服

weixin_30512089的博客 278

Educoder:爬虫实战——求是网周刊文章爬取

第1关:获取新闻url importrequests importre defgeturls(): #**********Begin**********# url='http://www.qstheory.cn/dukan/qs/2014/2019-01/01/c_1123924172.htm' headers={ 'User-Agent':'Mozilla/5.0(Linux;Android6.0;Nexus5Buil...

weixin_46026136的博客 5255

小程序安卓开发的大学生生活服务系统 校园跑腿 APP

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

qq_3166678367的博客 769

材料仿真软件:Materials Studio_(14).电学性质计算

设置计算参数,包括 k 点网格、交换相关泛函等。

kkchenjj的博客 1868

YOLOv8改进 | 融合篇,YOLOv8主干改进融合网络之MobileNetV3+CA注意机制,助力涨点

MobileNetV3通过结合硬件感知网络架构搜索(NAS)和NetAdapt算法,通过新颖的架构改进进一步提升了性能。YOLOv8中的主干网络替换成MobileNetV3+引入CA注意机制

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 1884

基小程序于uni-app的校园活动信息共享系统设计与实现

后端语言支持以下技术栈:数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。view 模块负责前端界面显示,它由 wxml 和 wxss 转换后代码以及微信提供相关辅助模块组成。一个 view 模块对应一个 页面, 小程序支持同时多个 view 存在。

QQ242219979的博客 900

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

微信小程序基于Android的失物招领APP的设计与实现

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

QQ58850198的博客 1142

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

基于百度AI的课堂人脸识别学生选课考勤签到APP的 小程序

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

QQ58850198的博客 1802

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")

springboot+uniapp 基于Android的跳蚤市场的设计与实现APP

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

我的个人的博客 837

人在旅途旅行出行旅游景点酒店车票预订系统APP 小程序

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

鹏飞的博客 1407

ltv价值 应用_深度分析:LTV对独立游戏开发者的影响 | 观点

导获取用户为目的的用户终身价值(LTV)计算是一项非常复杂的工作。这不仅涉及到很多因素,还需要投入大量的精力。作为独立游戏开发者,简化计算方法并让LTV随着游戏发展而演变至关重要。首先,在游戏设计阶段设定一个假设的LTV在游戏设计阶段,独立开发者应对LTV进行预测并确保这个数值与您的投入成正比。如果您此前还发布了其它款游戏,那新游戏的LTV可以以此作为参考。如果您在游戏上线前没有任何实际数据作为参...

weixin_39761645的博客 630

宠物健康服务宠物用品商城系统APP的设计与实现 小程序

数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx后端语言支持以下技术栈:小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。view 模块负责前端界面显示,它由 wxml 和 wxss 转换后代码以及微信提供相关辅助模块组成。一个 view 模块对应一个 页面, 小程序支持同时多个 view 存在。

QQ242219979的博客 2819

php 星盘代码,爱星盘SDK开发接口说明

爱星盘的星盘SDK是爱星盘开放平台(点击查看详情)的重要组成部分,为有二次开发能力的企业/个人占星师/个人开发者们提供快速接入星盘计算服务。众所周知的原因,星盘的计算具有很高的专业性,爱星盘专注于星盘开发,拥有完全的自主知识产权,多年来免费为用户提供了业界最专业、最全面、最精准的星盘程序,得到了众多业界大师的青睐,成为众多占星教学的标准星盘工具。通过爱星盘开放平台提供的SDK,可以让接入的开发者无...

weixin_30951271的博客 2315

微信小程序 大学校园后勤移动报修app系统的设计与实现

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

我的个人的博客 914

小程序安卓的计算机等级考试考练APP开

后端语言支持以下技术栈:1 java(SSM/springboot/springcloud微服务架构)-idea/eclipse数据库工具:Navicat/SQLyog等都可以前端开发框架:vue.js数据库 mysql 版本不限微信开发者工具/hbuiderx小程序自身分为两个主要部分独立运行:view 模块和 service 模块。在开发者工具中,它们独立运行于不同的 webivew tag 中。

QQ58850198的博客 650
上一篇: 移动应用(APP)的支付方式
下一篇: AI类APP能做什么
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