- 博客(944)
- 资源 (44)
- 收藏
- 关注
RSS订阅原创 【第6章 AI 应用评测与监控】6.1 LLM 应用评测体系：任务级与对话级评估指标
本文系统介绍了LLM评测体系的构建方法。首先指出单一测试指标（如92%准确率）无法反映真实场景表现的问题，强调需要完整评测体系来评估模型能力边界、版本差异和潜在风险。然后详细讲解了任务级评估指标（分类任务的准确率/召回率/F1，生成任务的BLEU/ROUGE）和对话级评估指标（上下文一致性、多维度质量评分）。最后通过Python代码示例展示了轻量级评测框架的实现，支持自定义指标和可视化报告。文章强调评测是优化起点而非终点，应结合自动评估与人工评估，多维度全面检验模型表现。
2026-04-26 12:36:52
145
原创 【第5章 AI Agent 与工具调用】5.7 章节实战（二）：多Agent协作的信息抽取系统
本文介绍了一个基于多Agent协作的信息抽取系统实现方案。该系统采用主从式架构，由Coordinator统一调度多个专业Agent（如PersonAgent、LocationAgent等）并行处理文本数据，通过任务队列实现线程安全通信。文章详细阐述了系统架构设计、核心代码实现（使用Python标准库）、运行测试方法及常见问题解决方案。该系统具有模块化、可扩展、高性能等特点，支持实体识别、关系抽取等多种信息抽取任务，通过示例展示了如何从文本中提取人名、地点、日期和组织机构等信息。文末还提供了性能优化建议和延展
2026-04-26 12:34:56
284
原创 【第5章 AI Agent 与工具调用】5.6 章节实战（一）：用 LangChain 构建 ReAct Agent
ReAct框架是一种让AI系统能够"思考并行动"的新型架构。它通过"推理-行动-观察"的循环机制，使大语言模型不仅能回答问题，还能调用外部工具完成实际任务。本文介绍了ReAct的核心原理，包括其透明化的决策过程和多工具协同工作的特点。通过LangChain实现，演示了如何构建一个具备日期计算、数学运算、系统查询等功能的智能代理，并提供了工具设计、错误处理和性能优化的实用建议。这种架构显著提升了AI解决复杂任务的能力，使其从单纯的信息提供者转变为能够执行实际操作的智能助
2026-04-26 12:32:06
195
原创 【第5章 AI Agent 与工具调用】5.5 多 Agent 系统：协作与竞争的设计模式
本文探讨了多Agent系统（Multi-Agent System）的设计与应用。文章通过类比软件开发团队的分工协作，阐述了多Agent系统如何通过专业化分工解决单一模型的局限性。重点介绍了两种主要模式：协作模式（流水线式和圆桌讨论式）和竞争模式（优胜劣汰和评审团制度），并分析了各自的优势与适用场景。文中还提供了一个Python实现的简化版多Agent系统代码示例，展示了协调Agent与专业Agent的协作流程。最后推荐了相关学习资源，为读者进一步探索多Agent系统提供了方向。
2026-04-26 12:29:51
168
原创 【第5章 AI Agent 与工具调用】5.4 Agent 自我评估：反思与自我纠正机制
本文探讨了如何让AI具备自我反思和纠正能力，提升任务执行的可靠性。主要内容包括： Self-Reflection机制：让AI在执行后评估结果质量，形成"执行→评估→调整"的循环，通过反思阈值触发自我纠正。 ReAct模式：将推理与行动结合，形成"思考→行动→观察"的持续循环，使AI决策过程透明可追溯。 自我纠正实践：实现错误检测、原因分析、纠正策略选择和执行等完整流程，处理执行失败、信息不足等问题。 这些机制使AI能够像人类一样监控和改进自身表现，显著提升复杂任务中的
2026-04-26 12:27:28
174
原创 【AI Agent 与工具调用】5.2 工具定义与调用：Function Calling 的扩展使用
本文探讨了Function Calling（函数调用）的扩展使用技术，重点介绍了三种进阶场景：批量函数调用与并行处理、链式函数调用实现复杂流程、以及函数选择策略与优先级控制。通过Python代码示例展示了如何构建多工具协作系统，包括天气查询、日程管理、航班搜索等功能模块的集成。文章还分析了常见问题与最佳实践，如参数描述优化、错误处理机制、上下文压缩和权限控制等。最后提供了实战案例演示如何将这些技术整合到智能助手中，实现从单步执行到任务规划的进化，使AI能够更智能地处理复杂多步骤请求。
2026-04-25 00:00:00
212
原创 【第5章 AI Agent 与工具调用】5.3_工具选择策略：单Agent与多Agent协作
本文探讨了AI智能体设计中单Agent与多Agent架构的选择策略。单Agent架构适合简单任务，具有实现简单、资源消耗低、决策一致等优势；多Agent协作则通过专业化分工更适合复杂任务，能提高处理效率和质量，但也增加了系统复杂度。文章提出了任务复杂度、实时性要求、团队资源和错误容忍度四个核心决策维度，并通过Python代码示例对比了两种架构的实现方式。建议根据实际需求灵活选择：简单实时任务用单Agent，复杂离线任务用多Agent，资源紧张时从单Agent开始逐步演进。
2026-04-23 19:24:39
102
原创 【AI Agent 与工具调用】5.1_Agent架构演进：从ReAct到AutoGPT
摘要：本文探讨了AI智能体从ReAct到AutoGPT的演进历程。2016年AlphaGo战胜李世石标志着AI在特定领域的突破，但当前大语言模型仍面临无法自主执行任务的局限。ReAct框架通过"思考-行动-观察"循环让AI具备与外部环境交互的能力，而AutoGPT进一步实现了目标分解、自主规划和记忆管理等高级功能。文章详细分析了两种架构的核心思想、技术差异和实现代码，并指出当前AI智能体面临的执行成本、错误累积等挑战。随着多模态、多智能体协作等技术的发展，AI正从"文本生成&q
2026-04-23 19:21:34
201
原创 【AI 应用架构基础】4.8_章节实战（二）：多模型路由与成本优化
摘要：本文探讨了多模型路由(Multi-Model Routing)技术在AI应用中的成本优化策略。通过分析单一模型方案的弊端，提出根据任务特征动态选择最优模型的核心思想，并介绍了分层路由、智能分类器路由和缓存回退三大优化策略。文章包含一个Python实现的智能路由系统示例，该系统能基于任务复杂度、领域类型和成本预算自动选择最合适的AI模型。最后提供了OpenAI、Anthropic等厂商的定价文档和研究论文作为延展阅读材料。该方案可有效降低30%-70%的AI API调用成本，同时保持服务质量。
2026-04-23 19:07:14
101
原创 【AI 应用架构基础】4.7_章节实战（一）：构建一个带记忆的对话系统
摘要：本文介绍了如何为对话系统添加记忆功能，使其能够记住对话历史，提供连贯的个性化服务。文章首先阐述了记忆系统的重要性，指出它能解决上下文窗口问题。然后提出了包含会话存储层、记忆管理模块和对话生成器的系统架构，并提供了Python代码实现一个基础的记忆系统。最后讨论了长期记忆、记忆摘要和向量检索记忆等进阶方向。通过实现记忆功能，可以让AI助手更好地理解上下文，提升用户体验。
2026-04-23 19:05:59
95
原创 【AI 应用架构基础】4.6_AI应用配置管理：模型选择与动态参数调优
本文介绍了构建灵活AI应用配置管理体系的重要性与实践方法。针对模型快速迭代、参数组合复杂、场景需求差异等问题，提出分层架构设计、动态参数调优等解决方案。通过代码示例展示了配置加载器、参数调优器和智能路由器的实现，并探讨了敏感信息管理、配置版本控制等进阶话题。文章强调，系统化的配置管理能显著提升开发效率和系统稳定性，建议根据实际项目需求逐步积累最佳实践。
2026-04-23 19:02:13
102
原创 【AI 应用架构基础】4.5_应用日志与追溯：LLM输出的可观测性
文章摘要： 本文探讨了大语言模型（LLM）在生产环境中的可观测性问题。通过一个客服AI误将香蕉配送地址设为火星的案例，揭示了传统日志系统在追踪AI决策时的局限性。作者提出构建LLM可观测性体系的三大核心指标：延迟指标（响应时间）、成本指标（Token消耗）和质量指标（错误率），并提供了Python实现的日志追踪系统代码示例。文章重点演示了如何通过日志追溯解决实际案例（AI虚构商品型号问题），强调可观测性系统对定位AI"幻觉"问题的重要价值，为LLM应用开发提供了监控与诊断的实践方案。
2026-04-23 19:00:35
95
原创 【AI 应用架构基础】4.4_AI应用错误处理：降级、重试与用户反馈闭环
本文探讨了构建健壮AI应用的三大核心策略：降级策略、重试机制和用户反馈闭环。针对AI特有的不确定性错误，提出分层处理方案：降级策略通过模型切换保持服务可用性；重试机制采用指数退避应对瞬时故障；反馈闭环则将用户投诉转化为改进动力。文章包含完整代码实现，并强调可观测性和用户体验优先的设计原则，为开发者提供了处理AI错误的系统性方法。
2026-04-23 18:57:46
167
原创 【AI 应用架构基础】4.3_多轮对话上下文管理：滑动窗口与压缩策略
本文探讨了多轮对话系统中上下文管理的核心挑战与解决方案。面对大语言模型有限的上下文窗口，文章分析了滑动窗口和压缩策略两种主流方法：滑动窗口通过保留最近对话实现简单高效的管理，而压缩策略则通过摘要提炼提升信息密度。文章详细介绍了智能滑动窗口、时间感知窗口、对话摘要、分层记忆等具体实现方案，并提出了混合策略和自适应管理的优化思路。针对实际应用场景，文章还提供了最佳实践建议和常见问题解答，强调应根据对话类型和用户需求选择合适的上下文管理策略组合。最后指出长期记忆、主动记忆等进阶方向，为构建高效的长对话AI系统提供
2026-04-23 18:56:25
196
原创 【AI应用架构基础】4.2_对话管理器设计：状态机与轮次管理
本文介绍了对话管理器的核心技术与实现方法。主要内容包括： 对话管理器的必要性：通过客服电话场景说明多轮对话需要统一协调机制，避免对话混乱。 核心技术： 状态机：通过定义状态、事件、动作和转换规则，使对话流程可控可预测 轮次管理：维护对话上下文和历史记录，实现连贯的多轮交互 实战实现： 使用Python实现对话管理器 包含状态枚举、槽位容器、轮次记录等核心组件 演示从问候到退货完成的完整对话流程 扩展方向： 异常输入处理 并行分支流程支持 外部系统集成 意图模糊匹配等 对话管理器通过状态机和轮次管理两大技术，
2026-04-23 18:54:58
675
原创 【AI 应用架构基础】4.1_AI应用分层架构：从Prompt到Agent的演进
本文系统介绍了AI应用开发的三种架构模式：Prompt层、Flow层和Agent层。Prompt层专注于问答交互和内容生成，适用于简单场景；Flow层通过工作流编排处理多步骤任务；Agent层则赋予AI自主决策能力。文章详细分析了各层的特点、适用场景及实现方法，并通过"智能研究助手"案例展示了三层架构的协同应用。最后提供了常见问题解决方案和最佳实践建议，强调应根据需求复杂度渐进式选择架构，保持各层边界清晰并确保系统可观测性。文章为开发者构建AI应用提供了清晰的架构指导框架。
2026-04-23 18:52:57
670
原创 3.8 JSON Schema 术语回顾
本文介绍了JSON Schema相关术语体系，包括15个核心概念。其中，dialect指不同版本的标准变体，draft是规范的开发版本，JSON是被校验的目标数据格式。Schema本身是描述JSON规则的集合，通过关键字（如type、required）定义校验逻辑。实现指具体的校验工具，实例是待校验的数据。其他重要概念包括元Schema（校验Schema的Schema）、子Schema（嵌套规则）、校验结果、词汇表（功能相关的关键字集合）以及辅助开发的工具链。这些术语共同构成了JSON Schema的技术规
2025-10-19 14:38:56
225
原创 3.7 第一个JSON Schema（二）
本文介绍了JSON Schema中属性的定义方法。通过properties关键字可以定义JSON对象中的各个属性，每个属性可设置类型、描述等元数据。required数组用于指定必填属性，未列入的则为可选属性。示例展示了如何定义产品ID（整数）、产品名称（字符串）、价格（大于0的数字）等必填属性，以及标签（唯一字符串数组）等可选属性。通过type、exclusiveMinimum、minItems、uniqueItems等验证关键字，可以精确控制各属性的格式要求，确保JSON数据的有效性。
2025-10-18 07:24:48
303
原创 3.6 第一个JSON Schema（一）
本文介绍了JSON Schema的基本概念和使用方法。JSON Schema是一种用于描述和验证JSON数据结构的模板规范，通过定义约束条件确保数据有效性。文章以产品目录为例，展示了如何创建基础Schema定义，重点讲解了$schema、$id、title、description和type等关键字的用途。其中$id用于为模式建立唯一标识符，支持内部和外部引用。内部引用示例演示了如何通过$ref引用子模式，外部引用则展示了跨文件引用其他Schema的方法。这些功能使JSON Schema成为验证JSON文档结
2025-10-17 22:53:27
752
原创 3.5 JSON Schema回顾
本文介绍了JSON数据结构及其Schema规范。JSON包含对象、数组、数字、字符串等基本数据类型，与Python类型存在对应关系。JSON Schema作为JSON的"建筑图纸"，通过预定义结构、类型和格式，确保数据合法性。文章展示了个人信息的数据示例，并对比了普通字符串与JSON格式的差异，说明JSON可简化数据解析。最后通过具体的Schema示例，演示了如何定义数据结构并进行数据校验，强调Schema作为约定协议的重要性，使数据处理更加规范可靠。
2025-10-14 23:03:05
240
原创 3.4 JSON Mode与JSON Schema
本文介绍了OpenAI在GPT-4中引入的JSONMode功能，该功能强制模型输出符合JSON格式的响应，显著提升了与外部系统的数据交互效率。通过结合JSONSchema定义数据结构约束，错误率可降至0.15%以下。文章详细解析了JSONSchema的作用机制，包括数据校验、文档化和跨系统一致性保证，并提供了Python中使用jsonschema库进行数据校验的代码示例。JSONMode实现了从自然语言到结构化数据的可靠转换，是大模型应用于企业系统集成的关键技术。
2025-10-12 19:54:45
274
原创 3.3 Function Calling编码实战
摘要： 文章介绍了Function Calling的概念及其在大模型中的应用。Function Calling作为AI Agent与外部工具交互的协议，使模型能够主动调用API、数据库等外部能力，突破静态文本生成的限制。通过两个代码示例展示了天气查询功能的实现：第一个示例因模型理解不足导致输出乱码；第二个示例优化提示词并规范输出格式后，成功调用函数并返回结构化天气信息（如上海天气：18-25°C，晴朗，微风）。示例突出了标准化指令和解析对函数调用的重要性。
2025-10-10 23:35:39
371
原创 2.8 提示词调优编码实战（三）
本文探讨了轻量级模型Llama3.2 1B的局限性及优化方法。该模型因参数规模小（仅10亿），在理解复杂提示词和格式约束方面存在不足，往往会优先满足问题理解而忽略格式要求。文章介绍了Llama模型中system、user、assistant等角色的结构化设计，通过特殊标记区分角色内容，并提供了标准格式示例。最后通过一个Python代码示例，展示了如何利用角色标记构建提示词模板，实现运营商流量套餐的智能识别功能。测试结果表明，该方法能有效指导小模型完成特定格式的输出任务。
2025-10-10 20:00:55
208
原创 [实践篇]13.34 GPU内存频繁映射导致的procnto_smp_instr进程cpu过载
本文探讨了内存管理优化方案。首先分析共享内存机制在跨系统通信中的应用，指出非连续内存会因频繁映射导致SMMU负载升高。通过tracelogger可定位到具体的内存映射瓶颈。文章提出减少内存碎片化的五项措施：1)开机时申请大页内存；2)避免频繁申请释放；3)使用ION/DMA标志申请连续内存；4)采用PMEM确保物理连续；5)减少纹理销毁重建以降低映射频率。这些方法能有效降低SMMU服务负载，提升系统性能。
2025-09-14 14:23:14
529
原创 [实践篇]13.33 错配ContextBank，播放密流触发Full Ramdump
SMMU（系统内存管理单元）是外设访问内存的硬件控制组件，负责地址转换。它支持单级（VA→PA）和双级（VA→IPA→PA）转换，后者用于虚拟机场景。每个SMMU包含多个CB（上下文组），通过SID关联外设，定义其可访问的内存区域。配置文件中需正确定义CB和SID，否则会导致SMMU故障。
2025-09-14 13:10:20
200
原创 2.7 提示词调优编码实战（二）
本文介绍了如何优化提示词模板来提升大模型输出质量。通过格式化任务描述和输出约束，使模型能更准确地识别用户对流量套餐的需求。示例代码展示了使用Ollama API调用llama3.2模型的实现，包括服务检查、文本生成和流式输出功能。优化后的模板明确定义了JSON输出的字段类型、取值范围和排序规则，要求模型只输出用户提及的字段。虽然基础模型输出仍有改进空间，但通过微调等技术可进一步提升小模型能力。
2025-08-24 21:58:07
247
原创 2.6 提示词调优编码实战（一）
本文通过开发运营商"流量套餐智慧客服"系统，演示了提示词调优的重要性。首先使用简单提示词时，模型仅输出无关的通用套餐信息。随后通过构建提示词模板，包含任务描述、用户输入和输出格式要求，使模型能够识别用户对流量、价格等属性的需求，并以JSON格式输出。实验表明，恰当的提示词设计能显著提升模型输出的准确性和实用性，但当前结果仍不能满足实际客服需求，需要进一步优化提示词工程。
2025-08-24 20:36:46
449
原创 1.11 本地模型调用编码实战（二）
本文介绍了使用Python的requests库访问Ollama服务的相关技术要点。主要内容包括：1）通过requests发送GET请求检查模型可用性；2）关键参数说明：prompt提示词、temperature控制生成随机性、max_tokens限制输出长度；3）流式与非流式输出的区别及实现方式；4）多轮对话的实现方法，通过messages数组维护对话历史实现上下文连贯。文章详细解析了各参数对模型输出的影响，并提供了具体的代码示例，为使用Ollama服务进行文本生成和多轮对话开发提供了实用指导。
2025-08-24 10:24:29
312
原创 1.10 本地模型调用编码实战（一）
本文介绍了一个基于Python的本地Llama3.2模型交互工具包，通过Ollama框架实现模型调用。主要内容包括：1) 开发环境配置（MacBook M1/8GB内存）；2) 核心功能实现：服务状态检查、文本生成（支持流式输出）和多轮对话；3) 完整代码示例及三种交互方式演示。该工具包可作为智能体开发的基础框架，实现了从服务连接到功能调用的全流程，支持参数调节和对话历史记录功能。
2025-08-23 11:10:08
202
原创 1.9 Ollama加载模型原理
Ollama简化了本地大语言模型的部署流程，采用客户端-服务器架构自动完成模型加载与交互。其工作流程包括：1）解析指令并检查本地缓存，必要时从远程仓库下载模型；2）解析Modelfile获取模型配置和量化信息；3）根据硬件选择最优推理后端；4）启动后台服务并暴露API端口。通过将模型权重转化为可调用的服务，Ollama实现了命令行直接对话的功能，降低了LLM使用门槛。
2025-08-21 18:52:01
454
原创 3.2 结构化输出简介
本文探讨了大模型连接外部世界的核心技术——结构化输出，剖析其从插件系统到行业标准的发展历程。文章以OpenAI产品演进为主线，依次分析Plugins的封闭生态局限、Function Calling的标准化突破、JSON Mode的格式强制能力，以及Structured Outputs对复杂业务场景的支持。最终指出行业正从单模型规范转向跨平台协议（如MCP），使结构化输出成为大模型与外部系统交互的通用语言。全文揭示结构化输出如何解决自然语言与机器指令的"翻译"难题，成为大模型突破信息茧房、
2025-08-18 22:42:53
316
原创 3.1 结构化输出（大模型的封闭与开放)
摘要：本文探讨大模型突破静态知识库局限的方法，通过连接外部世界实现智能化升级。系统介绍了6种连接方式：1）API接口实现实时数据交互；2）数据库直连获取结构化知识；3）工具调用扩展功能边界；4）网页爬虫采集公开信息；5）物联网硬件实现物理世界感知；6）人工反馈优化系统表现。这些技术使大模型具备实时信息获取、专业任务执行、私有知识整合等能力，从理论型AI转变为具备实际应用价值的行动型AI。文章揭示了AI技术向开放化、专业化、实用化发展的新趋势。
2025-08-18 20:57:42
546
原创 2.5 提示词安全
摘要：文章介绍了"奶奶漏洞"这一针对ChatGPT的提示词攻击手段，通过情感操纵（如让AI扮演奶奶念Windows序列号）突破AI安全限制。分析了四种提示词攻击类型：角色扮演、分步诱导、情感操纵和编码混淆，以及三种防御措施：注入防御、输出防御和有害提示识别模型。文章揭示了大型语言模型面临的安全风险，以及如何通过技术手段防范恶意提示词攻击，为AI安全防护提供了实用参考。（149字）
2025-07-06 22:19:30
1184
原创 2.4 提示词优化
我们在使用大模型的时候，同一任务使用不同表述的提示词，可能得到差异巨大的结果，因为模型的性能高度依赖输入提示词的质量。我们可以通过提示词优化来更高效地获取理想输出。
2025-07-06 21:39:17
1007
原创 1.18 LA Kernel日志调试
本文介绍了Linux内核日志级别的分类与配置方法。内核日志分为8个等级（0-7），从EMERG到DEBUG。通过/proc/sys/kernel/printk可查看当前配置的4个日志级别参数。文章详细说明了如何通过dmesg命令、启动参数和运行时修改来调整日志级别，并特别针对QNX和Android系统给出了具体的日志配置方案，包括修改配置文件、adb命令和编译时参数设置等方法。这些技术对于系统调试和日志管理具有实用参考价值。
2025-05-25 14:26:25
311
原创 2.3 提示词工程（三）
本文探讨了如何通过使用外部工具和系统化测试来优化模型性能。首先，介绍了利用基于嵌入的搜索技术实现高效知识检索的方法，通过将相关信息动态添加到模型输入中，提升回应的准确性和时效性。其次，讨论了通过代码执行进行精确计算或调用外部API，以解决语言模型在复杂计算中的局限性。此外，还介绍了如何使模型能够访问特定功能，通过生成符合描述的函数参数并执行函数调用。在系统化测试方面，强调了设计全方位评估程序的重要性，以确保更改对总体性能产生积极影响，并提出了以标准答案为基准评估模型输出的方法。
2025-05-20 11:21:42
1160
原创 2.2 提示词工程（二）
就像学生在考试中借助笔记能够帮助其取得更好的成绩一样，为这类模型提供参考文本也可减少其制造虚假信息的情况。如果输入信息中已经包含了相关知识，就可以直接要求模型在回答问题时引用所提供的文件中的段落。值得注意的是，输出中的引用可以通过在所提供的文件中匹配字符串来进行验证。由于所有模型都受到上下文窗口大小的限制，我们需要一种方法来动态地查询与提出的问题相关的信息。如果我们能向模型提供与提问内容相关的可靠信息，我们就可以指导模型利用这些信息来构建答案。（嵌入式技术）来实现有效的知识检索。
2025-05-20 11:21:27
954
原创 2.1 提示词工程（一）
随着大语言模型（LLM）和多模态模型的普及，AI已从简单的分类和预测工具发展为能够生成复杂内容的强大工具。然而，这些模型的“黑箱”特性使得其内部机制难以精确控制，因此需要通过提示词工程来引导模型输出符合需求的结果。提示词工程（Prompt Engineering）是生成式AI模型中的关键技术，通过优化输入提示，引导模型生成更准确和相关的输出。这一技术不仅提升了AI产品的竞争力，还催生了“提示词工程师”这一新兴职业，成为企业优化AI交互体验的重要手段。
2025-05-11 14:57:10
1177
原创 1.3 AI常见术语梳理
神经网络是一种受生物神经元启发的计算模型，由互连的节点（神经元）组成，通过调整连接权重学习数据中的复杂模式。其核心思想是分层抽象：底层处理原始数据（如像素），高层提取高级特征（如物体轮廓）。批量大小（Batch Size）：单次训练样本数（影响内存与稳定性）。可以用减少幻觉，提升事实准确性。精确率（Precision）与召回率（Recall）的调和平均。隐藏层：通过权重矩阵计算特征（如全连接层、卷积层）。将用户流量随机分为A组（旧模型）和B组（新模型）。输出层：生成预测结果（如分类概率、生成文本）。
2025-04-20 14:49:26
832
pageowner 解析工具
2022-05-13
SELinux4AndroidO
2018-02-05
recovery_l10n
2015-04-10
解决Android4.3彩信幻灯片中gif格式图片不能正常播放
2014-07-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人