写于2016.08.15

总是说了如何改变,那就从现在开始吧

在没有回家的暑假里,到现在,经历修改简历,投递找实习,不断地学习,颓废与再努力,还有一直的陪伴。
虽然还未曾有结果,甚至是一轮面试,可是现在有了目标,那就从现在开始吧。
早就有爱的人,那就让她更加幸福,必须要靠自己的努力。



关于爱情

最初,彼此一个眼神,初见般的感觉,好,那就在一起。

爱情甜蜜时,看什么都是美好的。

慢慢地,彼此的秉性,慢慢地,让对方感觉,你不是最初的你,

但,这是最真实的我。

从0,到1499,最强大的处理器一瞬不到就已经跑完结束。
而我们,经历了太多,太多,无以言说的名状,心里明白。

你是我,最美丽的遇见。

你的温柔,体贴,细致,是我见过最好的;
你的脾气,愤怒,哭泣,是我最不想见到;
你那略带微颤的声线,是我最想听到的音;

而我,在寻找最完美亦或是在别人眼中,迷了路;
不知道,寻找最完美,就是一无所有;
而你,是我最好的选择。

我不应该嫌弃你的这,你的那,你的其他;
你就是你;
哪怕是头发黑一点,也应该是陪你去好的理发店做头发护理;
哪怕是腿白一点,也是因为自己打伞没有全部帮你遮挡所有阳光;
哪怕。。。,都是说说,你的美,应该我来负责。

我是一个看到别人努力获得成就而苦叹自己不努力,然后接着不努力的人。

是你,不断地给我说,我是很有潜力的,应该更加努力,就会有更好的成就;
是你,一直鼓励着我,给我找很多的实习让我看,让我投简历,给我提建议,是你推着我走,就像,一辆发动不着的汽车,你推着它,它打着火,一次,两次,砰的一声,点着了,带着你,一起奔向远方。

真的对你说一声谢谢,谢谢你爱着,我这个,怪脾气,爱装,夸张做作,懒蛋,邋遢,不知上进,牙黄脸黑,情商不高,不会说话的我。

我说过的改,我就一定会改,因为我想让你幸福,永远。

我对于未来职业的定位

我在母校西南交通大学,我学习了七年,计算机科学与技术,这个专业伴我七年,母亲常常问我,你将来要干什么?我经常笑着说,我毕了业就去修电脑,没有我不会的电脑,其实,那是我迷茫不知所措的时候的接口。

我要对你说,我要进BAT,我要做一个服务器端Java开发的工程师,用尽我所有。

回想自己所学
- C/C++
- Java
- 计算机网络
- 数据结构
- 操作系统
- 计算机组成原理
- 微机接口
- 嵌入式Linux操作系统
- 分布式数据库
- 云计算
- 基于XML的产品数据交互技术

我想,用我所学的,去我感兴趣的方向,这就是我的职业方向 —— [ 定义V1.0 ]

有幸去过一次Camera360的校企交流会,经过大牛的讲解,发现自己所学的知识,自己对于界面编写也是头大,才发现服务器端后台开发才是自己的菜,关于运维的话,我想开发才是更能让我有成就感的事情。

实习岗位的要求

知己知彼,方能百战不殆,了解企业需要什么,我是否符合企业的要求,我该朝哪个方向去努力,满足心意的职位。


1.这是阿里巴巴的Java研发工程师
岗位要求:
或许,你来自计算机专业,机械专业,甚至可能是学生物的,
但是,你酷爱着计算机以及互联网技术,热衷于解决挑战性的问题,追求极致的用户体验;
或许,你痴迷于数据结构和算法,热衷于ACM,常常为看到“accept”而兴奋的手足舞蹈;
或许,你熟悉Unix/Linux/Win32环境下编程,并有相关开发经验,熟练使用调试工具,并熟悉Perl,Python,shell等脚本语言
或许,你熟悉网络编程和多线程编程,对TCP/IP,HTTP等网络协议有很深的理解,并了解XML和HTML语言
或许,你热衷于数据库技术,能够熟练编写SQL脚本,有MySql或Oracle应用开发经验
或许,你并不熟悉Java编程语言,更精通C,C++,PHP,.NET等编程语言中的一种或几种,但你有良好和快速的学习能力;
有可能,你参加过大学生数学建模竞赛,“挑战杯”,机器人足球比赛等;
也有可能,你在学校的时候作为骨干参与学生网站的建设和开发;
这些,都是我们想要的。来吧,加入我们! —— [实习僧 ]


2.这是网易后端实习生
负责系统设计和开发、服务端 API 接口的开发和维护
岗位要求:
1、对JAVA有较深刻的理解和应用,熟悉HTML,有良好的编码习惯,思路清晰;
2、有较强的数据库基础,熟悉MySQL,基本的数据库优化;
3、对HTTP协议有一定的了解
4、有JAVA实际项目编程经验者优先;
5、有良好的学习能力、沟通协作能力、合作意识和分析解决问题能力;
6、强烈的技术热情,能在高强度压力下工作。—— [实习僧 ]


3.这是滴滴打车后端(Java)实习生
1. 深入使用Java,熟悉掌握常用的Java类库及框架,如多线程、并发处理、I/O与网络通讯,Velocity、Spring、Hibernate、iBatis等,对SOA模式有较深的理解
2. 对Java虚拟机有较深了解,有运行态JVM分析及调优的实际经验,有Linux下的开发或运行环境操作经验
3. 有Kafka、Storm/JStorm、Hadoop/Spark、Hive、HBase,Spark实战经验/海量数据处理经验者优先
4. 能保证至少实习6个月。—— [实习僧 ]


4.这是网易服务端java开发实习生
负责系统设计和开发、服务端 API 接口的开发和维护。
岗位要求:
1、对JAVA有较深刻的理解和应用,有良好的编码习惯,思路清晰;
2、有较强的数据库基础,熟悉MySQL,基本的数据库事务处理;
3、对HTTP协议有一定的了解
4、熟悉Spring等框架
5、有JAVA实际项目编程经验者优先;
6、有良好的学习能力、沟通协作能力、合作意识和分析解决问题能力;
7、强烈的技术热情,能在高强度压力下工作。—— [实习僧 ]


5.这是即刻后端工程师
工作职责:
·为移动 App 设计和实现后端 API 接口
·参与后端架构和产品的研发,开发高性能、高可靠性的服务
·负责服务端 /运营管理工具功能模块开发
职位要求:
·熟悉常用数据结构和算法,熟练掌握至少一种服务端开发语言,如 Python, Java, Ruby
·熟悉 Linux 系统常用命令,能够在 Linux 环境调试或排查错误
·对 http 协议有一定理解,能够从网络层排查问题
·能够编写自动化测试代码
·良好的英文阅读能力
加分项:
-熟悉 Node.js / MongoDB
-了解 AWS
-对基于容器(docker)的构建和部署有一定了解,有一定高可用分布式系统开发经验。—— [实习僧 ]


岗位能力总结:

自己筛选出来的既有BAT,也有网易,还有初创公司。
对于实习岗位的要求,加粗的就是自己所认为胜任岗位所必需的技能要求。

必备技能重要指数
熟悉Linux环境下编程10
熟悉服务端开发语言Perl,Python,shell,Ruby 等语言10
熟悉掌握常用的Java类库及框架10
Java虚拟机有较深了解10
熟悉多线程编程,多线程、并发处理、I/O与网络通讯10
TCP/IP,HTTP等网络协议有很深的理解,并了解XML和HTML语言10
能够熟练编写SQL脚本,有MySql或Oracle应用开发经验10
Kafka、Storm/JStorm、Hadoop/Spark、Hive、HBase,Spark实战经验/海量数据处理经验者优先10
熟悉 Node.js / MongoDB10
对基于容器(docker)的构建和部署有一定了解,高可用分布式系统开发经验10

服务器开发,高性能,高并发,应对海量数据,数据库、云、网络编程、脚本开发
自己要学的东西有很多,很多,很多,fighting。

自己的计划

自己在不断投简历,不断地被查看,不断地石沉大海,自己的所掌握的知识还是太菜,没有达到HR的要求。

  • 看书
    • Java并发编程从入门到精通
    • Java并发编程的艺术
    • Java虚拟机精讲
    • Java网络编程
    • Linux shell脚本编程入门
    • Docker源码分析
    • 构建高可用Linux服务器
    • 数据结构与算法分析-Java语言描述
    • 啊哈!算法
    • Java编程思想(第4版)
    • Java多线程编程核心技术
    • 修炼Java开发技术:在架构中体验设计模式和算法之美
    • 大话设计模式
    • 图解HTTP
    • 图解TCPIP
    • 深入浅出Node.js
    • 程序员修炼之道:从小工到专家
    • 代码整洁之道
  • 学习Github
    • 学习相关和感兴趣的开源项目
  • 牛客网刷题学习
    • 刷题,刷题,刷题,让自己笔试必过!
  • 做好自己的项目
    • 努力让自己的所学应用到项目上
  • 不断修改自己的简历
    • 让自己对自己更加了解,让简历出彩
  • 积极联系学长学姐罩内推的机会
    • 机会是自己找来的
  • 不断努力
  • 相信自己

End

自己开始了新的博客之旅,希望把自己这一年的所学所作写于此,让未来的自己,看到此时的我,没有颓废,努力的奔向美好的生活。
感谢生命中另一半的你,
此后一起走,
幸福。

我想把我之前的结果都变成word形式生成,以及我做了太多结果,那些回归相关,我已经搞晕了。我把最后结果发给你,请你帮我在每个相关或回归前一个表头,表明这是什么。 ___ ____ ____ ____ ____ © /__ / ____/ / ____/ 17.0 ___/ / /___/ / /___/ MP—Parallel Edition Statistics and Data Science Copyright 1985-2021 StataCorp LLC StataCorp 4905 Lakeway Drive College Station, Texas 77845 USA 800-STATA-PC https://www.stata.com 979-696-4600 stata@stata.com Stata license: Single-user 2-core perpetual Serial number: 501806366048 Licensed to: aaa bbb Notes: 1. Unicode is supported; see help unicode_advice. 2. More than 2 billion observations are allowed; see help obs_advice. 3. Maximum number of variables is set to 5,000; see help set_maxvar. . do "C:\Users\lenovo\AppData\Local\Temp\STD924_000000.tmp" . * =========================================================================== . * 验证 AI 投入是否具有滞后正向效应(终极修复版,确保一遍过) . * 作者:AI 助手 | 日期:2025年4月5日 . * =========================================================================== . . * --- 1. 清空内存,设置路径 --- . clear all . cd "D:\Users\lenovo\Desktop" // 修改为你自己的路径 D:\Users\lenovo\Desktop . . * --- 2. 加载主财务数据 --- . use "financial_cleaned.dta", clear . . * 检查是否有 year 变量 . capture confirm variable year . if _rc != 0 { . display as error "❌ 错误:数据中没有 'year' 变量!请检查数据结构" . exit 111 . } . . * --- 3. 检查 ai_annual.dta 是否存在并合并 --- . capture use "ai_annual.dta", clear . if _rc != 0 { . display as error "❌ 错误:无法打开文件 ai_annual.dta,请确认文件存在于桌面且名称正确" . exit 601 . } . keep year ai_mentions . save "ai_temp.dta", replace (file ai_temp.dta not found) file ai_temp.dta saved . . * 回到主数据 . use "financial_cleaned.dta", clear . merge m:1 year using "ai_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . . * --- 4. 检查 rd_annual.dta 是否存在并合并 --- . capture use "rd_annual.dta", clear . if _rc != 0 { . display as error "❌ 错误:无法打开文件 rd_annual.dta,请确认文件存在于桌面且名称正确" . exit 601 . } . keep year rd_expense . save "rd_temp.dta", replace (file rd_temp.dta not found) file rd_temp.dta saved . . * 回到主数据 . use "financial_cleaned.dta", clear . merge m:1 year using "ai_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . merge m:1 year using "rd_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . . * 删除临时文件 . erase "ai_temp.dta" . erase "rd_temp.dta" . . * --- 5. 按年聚合:将季度数据转为年度平均值 --- . collapse (mean) roa roe debt_ratio ln_revenue /// // 财务指标取均值 > (first) ai_mentions rd_expense, by(year) // AI 和 R&D 取当年值 . . * --- 6. 排序 --- . sort year . . * --- 7. 生成下一年 ROA --- . gen next_roa = roa[_n+1] if year[_n+1] == year + 1 (1 missing value generated) . label var next_roa "Next Year's ROA" . . * --- 8. 描述性统计 --- . summarize roa next_roa ai_mentions rd_expense ln_revenue debt_ratio Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- roa | 10 .0949047 .026076 .0620595 .1218738 next_roa | 9 .0919443 .0258139 .0620595 .1218738 ai_mentions | 10 52.9 56.58906 4 172 rd_expense | 10 2.74e+09 5.35e+08 1.73e+09 3.44e+09 ln_revenue | 10 23.12686 .3110618 22.51417 23.41911 -------------+--------------------------------------------------------- debt_ratio | 10 .0949394 .0146112 .0629635 .1099355 . . * --- 9. 相关性分析 --- . correlate next_roa ai_mentions rd_expense ln_revenue debt_ratio (obs=9) | next_roa ai_men~s rd_exp~e ln_rev~e debt_r~o -------------+--------------------------------------------- next_roa | 1.0000 ai_mentions | -0.7280 1.0000 rd_expense | 0.8877 -0.5749 1.0000 ln_revenue | -0.8232 0.6087 -0.5741 1.0000 debt_ratio | 0.4942 -0.7731 0.4171 -0.2729 1.0000 . . * --- 10. 回归分析 --- . regress next_roa c.ai_mentions c.rd_expense c.ln_revenue c.debt_ratio i.year, robust note: 2021.year omitted because of collinearity. note: 2022.year omitted because of collinearity. note: 2023.year omitted because of collinearity. note: 2024.year omitted because of collinearity. Linear regression Number of obs = 9 F(0, 0) = . Prob > F = . R-squared = 1.0000 Root MSE = 0 ------------------------------------------------------------------------------ | Robust next_roa | Coefficient std. err. t P>|t| [95% conf. interval] -------------+---------------------------------------------------------------- ai_mentions | 3.34e-06 . . . . . rd_expense | 1.73e-11 . . . . . ln_revenue | -.0532505 . . . . . debt_ratio | -.0980677 . . . . . | year | 2017 | .0035353 . . . . . 2018 | .0201439 . . . . . 2019 | .0230021 . . . . . 2020 | .0161762 . . . . . 2021 | 0 (omitted) 2022 | 0 (omitted) 2023 | 0 (omitted) 2024 | 0 (omitted) | _cons | 1.278377 . . . . . ------------------------------------------------------------------------------ . . * --- 11. 输出结果到 Word --- . * 如果未安装 outreg2,请先运行:ssc install outreg2, replace . capture which outreg2 . if _rc == 111 { . display as text "⚠️ 未安装 outreg2,正在尝试安装..." . ssc install outreg2, replace . } . outreg2 using ai_lag_effect.doc, replace ctitle("Future ROA") auto(2) /// > title("Table 1: Effect of AI Mentions on Next-Year ROA") ai_lag_effect.doc dir : seeout . . * --- 12. 绘制散点图:AI 提及 vs 下一年 ROA --- . twoway (scatter next_roa ai_mentions, mlabel(year) mcolor(red) msymbol(circle)) /// > (lfit next_roa ai_mentions, lcolor(blue)), /// > title("AI Mentions Predict Future ROA?") /// > subtitle("Current AI Mentions vs Next Year's ROA") /// > xtitle("AI Mentions in Current Year") /// > ytitle("ROA in Next Year") /// > legend(off) /// > name(ai_vs_future_roa, replace) . graph export "ai_vs_future_roa.png", width(900) height(600) replace (file ai_vs_future_roa.png not found) file ai_vs_future_roa.png saved as PNG format . . * --- 13. 绘制趋势图:ROA 与 AI 提及随时间变化 --- . preserve . twoway (line roa year, lcolor(blue) lwidth(medium)) /// > (line ai_mentions year, lcolor(red) yaxis(2) lwidth(medium)), /// > title("Trend Over Time") /// > xtitle("Year") /// > ytitle("ROA", axis(1)) /// > ytitle("AI Mentions", axis(2)) /// > xlabel(2016(1)2025) /// > legend(order(1 "ROA" 2 "AI Mentions")) /// > name(roa_ai_trend, replace) . graph export "roa_ai_trend.png", width(900) height(600) replace (file roa_ai_trend.png not found) file roa_ai_trend.png saved as PNG format . restore . . * --- 14. 显示数据预览 --- . list year roa next_roa ai_mentions in 1/12, sepby(year) noobs observation numbers out of range r(198); end of do-file r(198); . do "C:\Users\lenovo\AppData\Local\Temp\STD924_000000.tmp" . * =========================================================================== . * 验证 AI 投入是否具有滞后正向效应(终极修复版,确保一遍过) . * 作者:AI 助手 | 日期:2025年4月5日 . * =========================================================================== . . * --- 1. 清空内存,设置路径 --- . clear all . cd "D:\Users\lenovo\Desktop" // 修改为你自己的路径 D:\Users\lenovo\Desktop . . * --- 2. 加载主财务数据 --- . use "financial_cleaned.dta", clear . . * 检查是否有 year 变量 . capture confirm variable year . if _rc != 0 { . display as error "❌ 错误:数据中没有 'year' 变量!请检查数据结构" . exit 111 . } . . * --- 3. 检查 ai_annual.dta 是否存在并合并 --- . capture use "ai_annual.dta", clear . if _rc != 0 { . display as error "❌ 错误:无法打开文件 ai_annual.dta,请确认文件存在于桌面且名称正确" . exit 601 . } . keep year ai_mentions . save "ai_temp.dta", replace (file ai_temp.dta not found) file ai_temp.dta saved . . * 回到主数据 . use "financial_cleaned.dta", clear . merge m:1 year using "ai_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . . * --- 4. 检查 rd_annual.dta 是否存在并合并 --- . capture use "rd_annual.dta", clear . if _rc != 0 { . display as error "❌ 错误:无法打开文件 rd_annual.dta,请确认文件存在于桌面且名称正确" . exit 601 . } . keep year rd_expense . save "rd_temp.dta", replace (file rd_temp.dta not found) file rd_temp.dta saved . . * 回到主数据 . use "financial_cleaned.dta", clear . merge m:1 year using "ai_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . merge m:1 year using "rd_temp.dta", nogen Result Number of obs ----------------------------------------- Not matched 0 Matched 39 ----------------------------------------- . . * 删除临时文件 . erase "ai_temp.dta" . erase "rd_temp.dta" . . * --- 5. 按年聚合:将季度数据转为年度平均值 --- . collapse (mean) roa roe debt_ratio ln_revenue /// // 财务指标取均值 > (first) ai_mentions rd_expense, by(year) // AI 和 R&D 取当年值 . . * --- 6. 排序 --- . sort year . . * --- 7. 生成下一年 ROA --- . gen next_roa = roa[_n+1] if year[_n+1] == year + 1 (1 missing value generated) . label var next_roa "Next Year's ROA" . . * --- 8. 描述性统计 --- . summarize roa next_roa ai_mentions rd_expense ln_revenue debt_ratio Variable | Obs Mean Std. dev. Min Max -------------+--------------------------------------------------------- roa | 10 .0949047 .026076 .0620595 .1218738 next_roa | 9 .0919443 .0258139 .0620595 .1218738 ai_mentions | 10 52.9 56.58906 4 172 rd_expense | 10 2.74e+09 5.35e+08 1.73e+09 3.44e+09 ln_revenue | 10 23.12686 .3110618 22.51417 23.41911 -------------+--------------------------------------------------------- debt_ratio | 10 .0949394 .0146112 .0629635 .1099355 . . * --- 9. 相关性分析 --- . correlate next_roa ai_mentions rd_expense ln_revenue debt_ratio (obs=9) | next_roa ai_men~s rd_exp~e ln_rev~e debt_r~o -------------+--------------------------------------------- next_roa | 1.0000 ai_mentions | -0.7280 1.0000 rd_expense | 0.8877 -0.5749 1.0000 ln_revenue | -0.8232 0.6087 -0.5741 1.0000 debt_ratio | 0.4942 -0.7731 0.4171 -0.2729 1.0000 . . * --- 10. 回归分析(修正版:避免过拟合)--- . * 不再使用 i.year,改用时间趋势或仅控制协变量 . . * 方法一:简单稳健回归(推荐小样本) . regress next_roa c.ai_mentions c.rd_expense c.ln_revenue c.debt_ratio, robust Linear regression Number of obs = 9 F(3, 4) = . Prob > F = . R-squared = 0.9505 Root MSE = .00812 ------------------------------------------------------------------------------ | Robust next_roa | Coefficient std. err. t P>|t| [95% conf. interval] -------------+---------------------------------------------------------------- ai_mentions | -.0000538 .000124 -0.43 0.687 -.000398 .0002905 rd_expense | 2.87e-11 7.17e-12 4.00 0.016 8.79e-12 4.86e-11 ln_revenue | -.0346581 .0132604 -2.61 0.059 -.0714749 .0021587 debt_ratio | .1340701 .1677207 0.80 0.469 -.3315972 .5997375 _cons | .8053355 .2946586 2.73 0.052 -.0127679 1.623439 ------------------------------------------------------------------------------ . . * 方法二:加入时间趋势(可选) . * gen time_trend = year - 2016 . * regress next_roa c.ai_mentions c.rd_expense c.ln_revenue c.debt_ratio c.time_trend, robust . . * --- 11. 输出结果到 Word --- . outreg2 using ai_lag_effect.doc, replace ctitle("Future ROA") auto(2) /// > title("Table 1: Effect of AI Mentions on Next-Year ROA") ai_lag_effect.doc dir : seeout . . * --- 12. 绘制散点图 --- . twoway (scatter next_roa ai_mentions, mlabel(year) mcolor(red) msymbol(circle)) /// > (lfit next_roa ai_mentions, lcolor(blue)), /// > title("AI Mentions Predict Future ROA?") /// > subtitle("Current AI Mentions vs Next Year's ROA") /// > xtitle("AI Mentions in Current Year") /// > ytitle("ROA in Next Year") /// > legend(off) /// > name(ai_vs_future_roa, replace) . graph export "ai_vs_future_roa.png", width(900) height(600) replace file ai_vs_future_roa.png saved as PNG format . . * --- 13. 绘制趋势图 --- . preserve . twoway (line roa year, lcolor(blue) lwidth(medium)) /// > (line ai_mentions year, lcolor(red) yaxis(2) lwidth(medium)), /// > title("Trend Over Time") /// > xtitle("Year") /// > ytitle("ROA", axis(1)) /// > ytitle("AI Mentions", axis(2)) /// > xlabel(2016(1)2025) /// > legend(order(1 "ROA" 2 "AI Mentions")) /// > name(roa_ai_trend, replace) . graph export "roa_ai_trend.png", width(900) height(600) replace file roa_ai_trend.png saved as PNG format . restore . . * --- 14. 显示数据预览(修正范围)--- . list year roa next_roa ai_mentions in 1/10, sepby(year) noobs +--------------------------------------+ | year roa next_roa ai_men~s | |--------------------------------------| | 2016 .121548 .1202005 4 | |--------------------------------------| | 2017 .1202 .1179928 5 | |--------------------------------------| | 2018 .117993 .1218738 13 | |--------------------------------------| | 2019 .121874 .1115533 16 | |--------------------------------------| | 2020 .111553 .0837875 20 | |--------------------------------------| | 2021 .083788 .0620595 32 | |--------------------------------------| | 2022 .062059 .0654863 61 | |--------------------------------------| | 2023 .065486 .0806397 89 | |--------------------------------------| | 2024 .08064 .063905 117 | |--------------------------------------| | 2025 .063905 . 172 | +--------------------------------------+ . . * --- 15. 成功提示 --- . display as text "✅ 分析完成!" ✅ 分析完成! . display as text "📊 回归结果已保存至:ai_lag_effect.doc" 📊 回归结果已保存至:ai_lag_effect.doc . display as text "🖼️ 图表已保存至桌面:" 🖼️ 图表已保存至桌面: . display as text " • ai_vs_future_roa.png" • ai_vs_future_roa.png . display as text " • roa_ai_trend.png" • roa_ai_trend.png . end of do-file .
11-12
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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