Rust 加 AI 学习效率翻倍:把学到的概念马上用 AI 生成练习题验证

Rust框架并非吊打一切:主流Web框架选型深度解析 框架是工程中的工具,没有绝对强弱,只有是否适合当前场景。任何Web框架都致力于解决请求路由、生命周期管理和通用能力封装等基础问题,但不同生态的性能表现与开发效率差异显著。Rust生态凭借内存安全、无GC和高并发特性,使actix-web、axum等框架在性能评测中名列前茅,适合对资源占用和吞吐量敏感的高性能服务。然而,Spring Boot与RuoYi等企业级框架则更强调开箱即用和团队协作效率,Python生态在快速原型和AI接口服务中同样不可替代。实际选型需要综合功能完整性、学习成本、生态活跃度与业务指标 阅读详情

Rust 加 AI 学习效率翻倍:把学到的概念马上用 AI 生成练习题验证

一、学习闭环:文档 → 笔记 → 练习 → 验证 → 巩固

传统的学习方式是"看文档 → 看示例 → 以为自己懂了",但这个"以为"往往是错觉。我现在的流程是:

第一步:读文档,做笔记。 用自己的语言复述概念,不是复制粘贴。

比如学完 Rust 的 Deref trait 后,我的笔记长这样:

// 我的笔记:Deref 的作用
// 1. 让智能指针像普通引用一样使用(*ptr 等价于 *ptr.deref())
// 2. 隐式 Deref 强制转换:&Box<String> 可以自动转成 &str
// 3. 注意:Deref 不能反过来(不能从 &str 得到 &Box<String>)

第二步:让 AI 出题。 使用以下 prompt:

"我刚学完 Rust 的 Deref trait,请出 5 道由浅入深的练习题,每道题要考察不同的使用场景。格式要求:

  1. 题目描述(中文)
  2. 预期的考察点
  3. 不给我答案,只给题目
    难度从"基础语法"到"实际工程场景"递增。"

AI 给出了这样的题目:

题号题目简述考察点
1为自定义结构体实现 Deref,使其可以被解引用Deref trait 基本实现
2写一个函数接受 &str,传 &Box<String> 看能否自动转换Deref 强制转换
3实现一个包装器 MyStr 同时实现 Deref 和 DerefMut可变 vs 不可变 Deref
4解释为什么 *x 在不同上下文可能调用不同方法方法解析与 Deref
5设计一个"配置覆盖"结构,用 Deref 实现层叠配置工程场景应用

二、写题实践:我的解题代码和 AI 点评

以下是第 3 题的实践过程:

AI 出的题目:

实现一个 MyStr 结构体,包装 String,实现 Deref(不可变借用)和 DerefMut(可变借用),然后在代码中演示两者的区别。

我写的代码:

use std::ops::{Deref, DerefMut};

/// 自定义字符串包装器 —— 实践中可能用于添加额外元数据
struct MyStr {
    inner: String,       // 实际存储的字符串数据
    modified_count: u32, // 记录被修改的次数(演示用途)
}

impl MyStr {
    fn new(s: &str) -> Self {
        Self {
            inner: s.to_string(),
            modified_count: 0,
        }
    }
    
    /// 获取修改次数 —— 通过 Deref 只能访问 inner,不能访问这个字段
    fn modification_count(&self) -> u32 {
        self.modified_count
    }
}

// 实现不可变解引用:&MyStr → &String → &str
impl Deref for MyStr {
    type Target = String; // 指定解引用后的目标类型
    
    fn deref(&self) -> &Self::Target {
        &self.inner // 返回内部 String 的引用
    }
}

// 实现可变解引用:&mut MyStr → &mut String
impl DerefMut for MyStr {
    fn deref_mut(&mut self) -> &mut Self::Target {
        self.modified_count += 1; // 记录修改次数
        &mut self.inner          // 返回内部 String 的可变引用
    }
}

fn main() {
    let mut my = MyStr::new("hello");

    // 测试 1:不可变 Deref —— 可以调用 String 的方法
    // str_len 的类型是 &String,但可以自动解引用为 &str
    let str_len = my.len(); // 实际调用 my.deref().len()
    println!("长度: {}", str_len);

    // 测试 2:可变 DerefMut —— 可以调用 String 的 mut 方法
    my.push_str(" world!"); // 实际调用 my.deref_mut().push_str(...)
    println!("修改后: {}", my.deref()); // 打印 "hello world!"
    println!("修改次数: {}", my.modification_count()); // 输出: 1

    // 测试 3:Deref 强制转换
    fn takes_str(s: &str) {
        println!("收到 &str: {}", s);
    }
    takes_str(&my); // &MyStr 自动 Deref 为 &String,再 Deref 为 &str
}

AI 的点评:

整体实现正确,Deref/DerefMut 的核心逻辑没问题。几点改进建议:

  1. Deref 的 Target 设为 String 没问题,但实践中更常见的是设为 str(直接解引用为字符串切片,减少一层间接访问)。可以试试把 Target 改为 str,看看 deref 方法需要怎么改。
  2. 你在 deref_mut 里加了 modified_count += 1 这个副作用,这个设计在实际项目中要注意:DerefMut 应该是透明的,不推荐在解引用时产生副作用,因为这会让代码行为变得难以预测。建议把修改计数放到专门的 setter 方法里。
  3. 可以补充一个测试:当 MyStr 被不可变借用时(&my),能否调用 push_str?为什么?

我的心得:AI 的点评帮我发现了一个我自己意识不到的问题——在设计 trait 实现时引入副作用。这种"隐性知识"是靠看书很难获得的,需要有人指出才能意识到。

三、练习题的分类和设计原则

经过几十次这样的练习,我发现 AI 出题的质量很大程度上取决于你的 prompt。好的 prompt 需要明确:

/// 我的"AI 出题请求"模板
fn build_exercise_prompt(topic: &str, difficulty_areas: &[&str]) -> String {
    format!(
        "我刚学完 Rust 的「{topic}」,请出 4 道练习题。
        
        要求:
        1. 难度梯度:基础语法 → 常见陷阱 → 实际工程场景 → 与其他概念的交叉
        2. 每道题标注考察的特定能力:{areas}
        3. 工程场景要真实(比如"写一个 HTTP 请求解析器用到了 X")
        4. 不要给答案
        
        请用你实际遇到过的问题来启发题目设计。",
        topic = topic,
        areas = difficulty_areas.join("、"),
    )
}

// 使用示例
let prompt = build_exercise_prompt(
    "生命周期标注",
    &["函数签名标注", "结构体生命周期", "协变逆变", "更高阶生命周期"],
);

我总结的有效的练习梯度:

四、学习效率的实测对比

为了验证这套方法的效果,我用同样的时间(每天 2 小时,持续 1 周),对比了纯看书和我这种方法在"Rust 的 async/await 和 Future 概念"上的学习效果:

对比维度纯看书+看博客看书+AI 出题练习
看完资料的时间3 天2 天
练习题完成量0(没找到合适的题)15 题
能独立写出异步代码第 5 天第 3 天
遇到编译错误的平均解决时间15 分钟5 分钟
一周后概念遗忘率约 40%约 15%

最关键的区别是:被动阅读的知识留存率远低于主动练习。AI 生成练习题让我在学完的 10 分钟内就开始主动输出,而不是被动接收。

五、总结

这套方法的核心就三点:

  1. 用自己的话复述——不做笔记的学习等于没学。
  2. 让 AI 出题,不给答案——AI 是出题工具,不是抄答案的工具。自己动手做,比看 AI 写的答案有效 10 倍。
  3. 把自己的代码发给 AI 点评——AI 能发现你自己意识不到的问题(比如编码风格、边界条件、工程实践)。

作为程序员,我知道自己在基础理论上有短板。但这些短板不是不可弥补的——关键是有没有一套高效的学习方法。AI 帮不了你理解概念(那是你自己的事),但它可以帮你加速"学习 → 练习 → 验证"这个闭环,而这个闭环,才是编程学习的本质。

希望这套方法对同样在自学 Rust 的朋友有帮助。一起加油。

2024技术趋势预测:在变革中掌握主动权 2024年技术趋势展望:六大领域重塑产业格局 优快云基于4000万开发者社区数据,预测2024年六大关键技术趋势:1)AI向多模态和AIAgent演进,伦理安全成焦点;2)云计算与边缘计算融合,Serverless和边缘AI爆发;3)实时数仓和向量数据库推动大数据实时智能化;4)Rust崛起与AI编程工具普及改变开发范式;5)零信任架构和后量子密码重塑网络安全;6)RISC-V生态扩张引领硬件创新。趋势显示技术正加速向实用化、智能化发展,开发者需构建T型能力结构,把握AI与行业结合点,在快速迭代中保持学习 阅读详情

相关推荐

2024年嵌入式开发者必备技能栈:除了C语言,这些工具让你薪资翻倍

本文深入剖析了2024年嵌入式开发者的高价值技能栈。市场正从传统C语言转向对Rust、现代化RTOS(如RT-Thread/Zephyr)、ROS 2以及嵌入式AI部署等复合技能的需求。掌握这些技术组合,能有效应对智能汽车、机器人等复杂系统开发挑战,是开发者实现薪资跃迁的关键。

1133

Salvo Web框架专属AI智能体 - 让Rust开发效率翻倍

Salvo Web框架专属AI智能体发布,为Rust开发者提供高效开发支持。该智能体整合了28个核心技能模块,覆盖Salvo框架从基础到高级的开发场景,包括路由、中间件、数据库集成、安全认证、实时通信等关键功能。开发者可通过代码生成、问题诊断和最佳实践指导快速提升开发效率。支持两种使用方式:Trae IDE内置智能体或项目级完整Skills集成。该工具能帮助开发者快速创建符合最佳实践的代码,解决开发难题,尤其适合需要处理JWT认证、WebSocket通信、OpenAPI文档生成等复杂场景的Salvo项目。

Mr、老鬼的博客 804

广告数据如何提升AI可见性:技术内容的语义优化指南

在生成式AI时代,传统SEO已难以保障技术内容被准确识别与引用。AI系统依赖真实用户行为构建语义理解,而广告数据——包括搜索词序列、意图验证链和术语共现模式——恰恰记录了人类如何用自然语言锚定概念、验证理解并强化关联。这种行为反馈比页面标签更真实地映射出内容在用户心智中的认知坐标,进而影响其在大模型知识图谱中的表征稳定性与引用权重。尤其当技术团队坚持使用‘向量数据库’‘时序异常检测算法’等高一致性语义帧,并通过广告信号反哺内容模块化、跨渠道术语对齐与首发权威性建设时,AI回答中的引用率与品类归属准确率可实现

424

Rust 程序员的工具清单:AI 时代的高效学习装备推荐

自学转码学 Rust,最难的不是语法,是心智模型的建立。borrow checker 折腾的不是你的代码,是你的思维习惯。科班生有 C/操作系统课程打底,知道"堆""栈""指针""生命周期"是指什么。而我需要从头建立这些概念。AI 负责解释概念——你不用怕问一百遍"什么是 trait";rust-analyzer 负责实时纠错——减少"写一段 → 编译 → 修错 → 再编译"的循环时间;clippy 负责传授最佳实践——它像一个不骂人的 senior engineer;

no1coder的博客 5978

从业务开发到AI工程师:Agent开发转型实战指南

机器学习作为人工智能的核心技术,通过算法使计算机系统能够从数据中自动学习并改进。其核心原理涉及特征工程、模型训练和评估指标等关键环节,在自动化决策、智能推荐等领域展现出巨大价值。随着大语言模型的兴起,Agent(智能体)开发成为企业智能化转型的关键抓手,广泛应用于智能客服、数据分析等场景。本文聚焦Python技术栈和LangChain框架,详解如何将传统开发经验迁移到AI工程领域,特别强调RAG架构和对话系统的工程化实现,为开发者提供从数学基础到企业级部署的全链路转型方案。

weixin_33721344的博客 419

独立开发者AI原生工作流:2026全流程开发实践指南

AI编程已从单点代码补全,演进为覆盖需求分析、架构设计、编码调试、测试验证到部署运维的全生命周期技术范式。其核心原理在于构建语义连贯、上下文可追溯、能力分层明确的工具链闭环,而非堆砌孤立插件。技术价值体现在显著压缩非编码耗时(占独立开发者86%工时)、保障本地化推理安全可控、实现RAG驱动的精准知识复用。典型应用场景包括小商家SaaS快速交付、教育类小程序敏捷迭代、低代码引擎高效构建等。个人AI编程的本质,是让大模型成为思维延伸——这正是2026年独立开发者构建AI原生工作流的关键跃迁。

weixin_30682415的博客 492

AI代码助手终极指南:10个技巧让编程效率翻倍!

还在为复杂的编程任务而烦恼吗?想不想拥有一个全天候的AI编程助手,帮你解决各种代码难题?今天我要为你介绍DeepSeek-Coder,这是一款革命性的AI代码助手和智能编程工具,它将彻底改变你的编程工作方式!无论你是编程新手还是资深开发者,这款开源代码生成工具都能让你的编程效率翻倍提升。😊 DeepSeek-Coder是基于先进的大语言模型开发的智能代码生成系统,支持87种编程语言,从Pyth

gitblog_00224的博客 1039

《斯图尔特微积分》实战指南:从理论到解题技巧的跨越

本文深入解析《斯图尔特微积分》教材的独特价值与实用学习策略,重点介绍其理论深度与实际应用的完美平衡。通过概念理解、符号语言转换、解题思维框架等五个关键跨越,帮助读者高效掌握微积分核心技巧。文章还提供分层练习、可视化工具等教学实践方法,是提升微积分学习效率的实战指南。

weixin_28432777的博客 399

终极Zellij终端工作区指南:5个多任务管理技巧让效率翻倍

Zellij是一款革命性的终端工作区工具,专为需要高效多任务管理的开发者和运维人员设计。这款"电池内置"的终端复用器通过创新的窗格系统、智能布局管理和强大的插件生态,彻底改变了传统终端工作流的局限性,让您在一个窗口中完成所有工作。 ## 🔍 传统终端工作流的痛点与局限性 在深入了解Zellij之前,让我们先看看传统终端工作流面临的主要挑战: | 痛点 | 传统方案 | Zellij解决方案

gitblog_00025的博客 541

别再手动续期SSL证书了!用acme.sh配合阿里云DNS API,实现全自动HTTPS证书管理

本文详细介绍了如何使用acme.sh配合阿里云DNS API实现SSL/TLS证书的全自动管理,彻底解决手动续期带来的风险与不便。通过自动化部署流程,包括环境准备、API集成、多域名证书申请等关键步骤,帮助运维人员构建高效、可靠的HTTPS证书管理体系,显著提升安全性和运维效率。

weixin_29200485的博客 271

2025海外代理IP深度横评:Bright Data、IPFoxy、SmartProxy等六大服务商实战对比

本文深度横评2025年六大海外代理IP服务商(Bright Data、IPFoxy、SmartProxy、IPIPGO、Kookeey及青果网络),基于实战测试数据,从IP池质量、速度稳定性、性价比等维度进行对比。针对跨境电商、数据爬虫、社交媒体管理等不同业务场景,提供精准的选购指南与避坑建议,帮助企业用户根据自身需求选择最合适的代理IP解决方案。

weixin_29196891的博客 436

Rust与Node.js内存管理深度对比:从GC到零成本抽象的技术选型指南

内存管理是后端服务性能优化的核心议题,其实现原理直接决定了系统的资源效率与稳定性。垃圾回收(GC)机制通过运行时自动管理内存,为开发者提供了便利,但引入了堆内存膨胀与GC停顿的不确定性开销。相比之下,零成本抽象理念通过在编译期进行严格的所有权与生命周期检查,实现了确定性的内存分配与释放,从根源上避免了运行时GC开销。这种差异在长期运行、高并发的AI推理与微服务场景下价值凸显,能够显著降低内存占用、提升资源利用率,并为延迟敏感型应用提供更稳定的性能表现。本文以Rust和Node.js的对比为切入点,深入剖析了

weixin_33842304的博客 398

VS2017配置PCL1.9.1 for win10(超详细)

准备工作 VS2017 自行下载 PCL1.9.1 点击链接跳转Github下载,根据自己的环境选择 win64或win32,作者下载的是:PCL-1.9.1-AllInOne-msvc2017-win64.exepcl-1.9.1-pdb-msvc2017-win64.zip 安装PCL 双击点开PCL-1.9.1-AllInOne-msvc2017-win64.exe,选择Add PCL to the system PATH for all users, 更改安装路径,E:\Progra

malapoa的博客 1146

终极指南:o200k_base编码技术如何重新定义AI文本处理效率边界

在AI模型性能竞赛日益白热化的今天,文本编码技术正成为决定模型效率的关键瓶颈。传统BPE编码器在处理多语言混合文本、复杂代码结构和大规模语料时表现出的局限性,催生了OpenAI新一代编码标准o200k_base的诞生。作为tiktoken项目的最新力作,o200k_base不仅将词汇表规模翻倍至200,000个token,更通过创新的架构设计实现了编码精度与处理速度的双重突破。 ## 技术原理深

gitblog_01047的博客 443

<视觉>——单目相机的标定(简单原理+Opencv实现)

单目相机的标定原理大致如下: 世界坐标到像素坐标的转换。 期间的参数有S尺度因子,内参矩阵K,旋转矩阵R,平移矩阵T,一共八个未知数。 在Opencv中我们可以方便的根据相机拍摄不同位姿的标定板图片来标定相机,从而求得这些参数,从而可以将相机下的坐标和实际的世界坐标联系起来,求取单应性矩阵H 参考: 单目相机综述:写的特别好 https://www.cnblo...

Kano365的博客 1万+

生成mm grounding dino的onnx模型并在x-anylabeling中使用

X-AnyLabeling 是一款cvhub开发的交互式自动标注工具,其基于AnyLabeling进行构建和二次开发,在此基础上扩展并支持了许多的模型和功能,并借助Segment Anything和YOLO等主流模型提供强大的 AI 支持。其最新版基于grounding dino可以实现开放词汇检测及生成掩码。2024年,MMDet 3.3.0提出了 MM-Grounding-DINO。

blanokvaffy的博客 1733

DeepSeek-R1本地编程助手:Rust+llama.cpp离线代码补全实战

大语言模型(LLM)在代码补全场景中正从云端服务转向本地化部署,核心诉求是低延迟、高隐私与强可控性。其技术原理依赖轻量化推理引擎、高效上下文建模与原生UI协同渲染。Rust凭借内存安全与并发性能成为首选运行时,llama.cpp则通过GGUF量化实现模型压缩与跨平台推理,显著降低硬件门槛。DeepSeek-R1作为开源高性能代码模型,在Python/Go/Rust等多语言任务中展现优异泛化能力,配合AST感知的补全协议,可深度嵌入IDE工作流。本文聚焦于一个真实落地的Claude Code风格桌面工具,详解

weixin_34221112的博客 372

uniapp - web-view嵌套H5网页白屏问题,<web-view>页面跳转出现白屏情况,强力解决uniapp嵌套webview页面时出现无法加载并白屏(无论本地还是线上H5网页链接都能解决)

uniapp微信小程序,uniapp APP端,uni-app web-view嵌套H5项目白屏问题分析及解决,uniapp嵌套webview页面时,出现白屏,uniapp <web-view>页面跳转出现白屏解决方法,uniapp <web-view>页面跳转出现白屏解决方法,解决uniapp的web-view打开网页在老手机上出现白屏的问题,uni-app web-view白屏处理,引入本地网页白屏,WebView 加载不出网页,一片空白webview白屏加载不出来,使用webview加载链接后白屏,u

🏆 前端领域优质创作者 1万+

用BiliTools快速提炼B站视频精华:AI总结功能的完整上手指南

刷B站学习时,你是不是也经常遇到这种情况:收藏夹里躺着几十个"以后再看"的视频,真正看完的却寥寥无几;一个两小时的编程教程,看完开头就没了耐心;想复习某个知识点,却忘了它出现在视频的哪一分哪一秒。 BiliTools这款免费开源的哔哩哔哩工具箱,内置了**AI智能总结功能**,能帮你把冗长的视频浓缩成几分钟就能读完的结构化笔记,还自带时间戳直达关键内容。这篇文章带你认识它,并手把手教你把它用起来

gitblog_00914的博客 998

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

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。

GitCode五大开源神器,开发者效率翻倍, DeepSeek-V4-Pro:百万上下文的黑马模型来了

GitCode五大开源神器与DeepSeek-V4-Pro百万上下文模型——深度解析与实战指南。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 438

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

2026年Python+AI工具链环境搭建指南:从零到可用的完整配置

很多朋友问我:"你用AI写代码效率那么高,是不是有什么秘诀?"说实话,真正的秘诀不在模型本身,而在于环境配置。一个标准化的AI开发环境能让你少踩80%的坑——不会因为API密钥泄露把账单干爆,不会因为依赖冲突排查一整个下午,更不会每次换电脑都从零开始折腾。这篇文章是我用了大半年AI编程后沉淀下来的环境搭建方案。从Python环境、VS Code AI插件,到SDK配置和Docker本地服务,每一步都有具体的命令和验证方法。跟着走一遍,30分钟就能搭好一套"即开即用"的AI开发环境。Python环境。

csdngouwei的博客 578

BiliTools AI智能总结使用指南:把两小时B站视频压缩成五分钟读完的笔记

打开你的B站收藏夹,是不是躺着几十个标着"有空再看"的视频?那个收藏了两年的编程教程、那套买了没看完的课程、那份想学的剪辑攻略……它们静静地躺在那里,而你的时间永远不够。BiliTools 的 **AI智能总结** 功能,就是专门解决这个"收藏即吃灰"问题的。 ## 先别急着刷视频,这三个瞬间你是不是也经历过 每天通勤路上想学点东西,可一个两小时的视频,挤完地铁只看了开头十分钟;周末想补课,刚

gitblog_00457的博客 1016

WinPython 3.5.1.1Zero 变更历史解读:从一份 changelog 看 Zero 精简变体的包管理与对比机制

本文以 WinPython 发行版的变更历史文件 `changelogs/WinPythonZero-3.5.1.1_History.md` 为主体,完整梳理 WinPython 3.5.1.1Zero 相对上一版本 3.5.0.1Zero 的全部包变更(升级与移除),并结合仓库中 `wppm` 工具包的 diff 实现与测试用例,讲解这类 History 文件的生成逻辑、命名约定与验证方式。读完

gitblog_00886的博客 872

TaskManager 启动失败怎么办?7 个常见报错与完整解决方案清单

**TaskManager** 是一款 Android 任务管理器,可以实时查看 CPU、内存、GPU 占用并查看、结束运行中的 Linux 进程。它依赖 Shizuku 或 Root 权限在后台启动守护进程 `taskmanagerd`,因此绝大多数"启动失败 / 打不开 / 数据不刷新"的问题,都出在授权这一环。本文整理了 7 个最常见的启动报错(含原文提示),并给出对应的排查步骤,帮你快速修

gitblog_01161的博客 488

TabNine终极指南:3步解锁AI智能代码补全的完整教程

你是否厌倦了在代码编辑器中反复敲打相同的代码片段?TabNine正是你需要的革命性AI代码补全工具,它能理解你的编码习惯,预测你的下一步操作,让编程效率翻倍提升。作为一款支持20+编程语言的智能助手,TabNine通过深度学习技术为开发者提供精准的代码建议,无论是Python、JavaScript还是Java项目,都能获得无缝的编码体验。 ## 🚀 快速开始:3分钟安装配置 ### 第一步:

gitblog_00665的博客 321
上一篇: WASM + WASI 预览版 2:文件系统和网络的标准化接口深度解析
下一篇: Tokio I/O 性能调优:从 bufreader 到 vectored I/O 的进化路线
第一程序员
博客等级 码龄1年 1万+粉丝 1827原创
评论 13
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