AI Agent 的工程化实践全景图:从 prompt 工程到系统架构的完整知识体系

AI Agent开发实战:从零构建智能研究助手,掌握AI工程化核心 人工智能(AI)正从感知智能迈向生成与决策智能,其核心原理在于大语言模型(LLM)具备了理解、推理和生成能力。这一技术进步催生了AI工程化的巨大价值,它让AI从单点模型演变为可协作、可执行的智能体(Agent)系统。在实际应用场景中,开发者通过为AI配备工具(Tools)和记忆(Memory),构建出能自动完成复杂任务的工作流。本文聚焦**AI Agent开发**,以**LangChain**框架为例,通过一个完整的智能研究助手项目,详解如何将AI能力工程化地融入开发流程,涵盖环境搭建、核心概念、代码实现及 阅读详情

AI Agent 的工程化实践全景图:从 prompt 工程到系统架构的完整知识体系

一、从"调 API"到"造 Agent"的认知跃迁

今年 4 月,我以为我已经懂了 AI Agent。毕竟我能用 langchain 搭一个简单的聊天机器人,能调用工具,能维护对话历史——这不就是 Agent 吗?

5 月份,我把这个"Agent"集成到 dayuan 里,作为"智能文件搜索"功能。用户说"帮我找到最近一周修改过的、和数据库连接相关的配置文件"。我的 Agent 的思考过程是:

  1. 理解用户意图 ✅
  2. 决定调用 find 工具 ✅
  3. 参数填错了:--name 写成了 --pattern ❌
  4. 工具调用失败后不知道重试 ❌
  5. 返回给用户一句"没有找到相关文件" ❌

那天晚上我读了一篇论文——Stanford 的《Generative Agents》,里面有一句话点醒了我:"Agent 与简单 LLM 调用的核心区别在于,Agent 有内部状态和自主决策能力**。"**

我的理解一直停留在"把 LLM 的输出当命令来执行"的层面,而真正的 Agent 需要的是:记忆、规划、反思、纠错——这些不只是代码逻辑,更是系统架构。

这篇文章是我从 4 月到 7 月,从调 API 到设计和实现 dayuan Agent 系统的完整知识地图。

二、AI Agent 的五层架构

三、逐层拆解:dayuan 的 Agent 实现

第 1 层:Prompt 工程 —— 不是"写一段话",是"设计行为规范"

很多人理解的 prompt 工程是"调几个形容词,让 AI 回答得更好"。但 Agent 的 System Prompt 是它的"宪法"——定义了 Agent 是谁、能做什么、不能做什么、决策框架是怎样的。

/// dayuan 的 Agent System Prompt 结构
pub struct AgentPrompt {
    /// 角色定义:Agent 的身份和职责边界
    role: String,
    /// 能力边界:Agent 能做什么,更重要的是——不能做什么
    capabilities: Vec<Capability>,
    /// 工具使用协议:如何使用工具、如何解释工具输出
    tool_use_protocol: String,
    /// 输出格式要求:期望 Agent 以什么格式输出
    output_format: OutputFormat,
    /// 行为约束:安全规则和伦理限制
    constraints: Vec<Constraint>,
}

impl AgentPrompt {
    /// 生成最终的 System Prompt
    /// 关键设计原则:
    /// ① 角色定义在前,建立稳定的行为基线
    /// ② 工具描述用 JSON Schema,让 LLM 精确理解参数
    /// ③ 行为约束用 MUST / MUST NOT,不模糊
    pub fn build_system_prompt(&self) -> String {
        format!(
            "你是一个 {role}。\n\
             \n\
             你的职责:\n\
             {capabilities}\n\
             \n\
             工具使用规则:\n\
             {tool_protocol}\n\
             \n\
             行为约束(违反将导致输出被拒绝):\n\
             {constraints}\n\
             \n\
             输出格式:{output_format}",
            role = self.role,
            capabilities = self.format_capabilities(),
            tool_protocol = self.tool_use_protocol,
            constraints = self.format_constraints(),
            output_format = self.output_format.to_instruction(),
        )
    }
}

第 2 层:工具集成 —— MCP 协议的统一接口

工具的定义不能只是"一段自然语言描述"。LLM 需要精确知道工具名、参数类型、参数约束。我选择了 MCP(Model Context Protocol)作为 dayuan 的工具集成标准。

/// MCP 工具定义:用 JSON Schema 精确描述工具
#[derive(Debug, Serialize, Deserialize)]
pub struct ToolDefinition {
    /// 工具唯一标识名
    pub name: String,
    /// 人类可读的描述
    pub description: String,
    /// 参数 JSON Schema
    pub input_schema: serde_json::Value,
}

/// 文件搜索工具的 MCP 定义
pub fn file_search_tool() -> ToolDefinition {
    ToolDefinition {
        name: "search_files".to_string(),
        description: "在项目目录中搜索匹配模式的文件,返回文件路径列表".to_string(),
        input_schema: serde_json::json!({
            "type": "object",
            "properties": {
                "pattern": {
                    "type": "string",
                    "description": "glob 搜索模式,如 '**/*.rs' 或 'src/**/*.toml'"
                },
                "content_regex": {
                    "type": "string",
                    "description": "可选的文件内容正则匹配,如 'database.*connect'"
                },
                "max_results": {
                    "type": "integer",
                    "default": 20,
                    "description": "返回的最大文件数"
                }
            },
            "required": ["pattern"]  // pattern 是必填参数!
        }),
    }
}

/// 工具调用执行器:解析 LLM 的工具调用请求 → 执行 → 返回结果
pub async fn execute_tool_call(
    tool_name: &str,
    arguments: serde_json::Value,
    project_root: &Path,
) -> Result<ToolResult, ToolError> {
    match tool_name {
        "search_files" => {
            // ① 解析参数
            let pattern = arguments["pattern"]
                .as_str()
                .ok_or(ToolError::MissingArg("pattern"))?;
            
            // ② 执行搜索
            let files = glob_search(project_root, pattern)?;
            
            // ③ 可选:内容过滤
            let files = if let Some(regex) = arguments.get("content_regex") {
                filter_by_content(files, regex.as_str().unwrap())?
            } else {
                files
            };
            
            // ④ 限制结果数量,避免上下文过载
            let max = arguments["max_results"].as_u64().unwrap_or(20) as usize;
            let files: Vec<_> = files.into_iter().take(max).collect();
            
            Ok(ToolResult {
                success: true,
                data: serde_json::to_value(&files)?,
                summary: format!("找到 {} 个匹配文件", files.len()),
            })
        }
        _ => Err(ToolError::UnknownTool(tool_name.to_string())),
    }
}

第 3 层:记忆系统 —— ReAct 循环中的状态管理

Agent 不是无状态的函数调用。它需要记住"我刚才问了什么"、"刚才那步操作的结果是什么"、"用户的历史偏好是什么"。

/// Agent 的工作记忆:ReAct 循环中的状态
pub struct AgentMemory {
    /// 对话历史:支持滑动窗口,避免 token 超限
    messages: VecDeque<ChatMessage>,
    
    /// 当前任务上下文:本次任务的关键信息
    task_context: TaskContext,
    
    /// 工具调用历史:上次调了什么、什么结果
    tool_call_history: Vec<ToolCallRecord>,
    
    /// 最大对话轮数(防止无限循环)
    max_turns: usize,
}

impl AgentMemory {
    /// 添加一轮对话,超出上限自动裁剪最早的
    pub fn push_message(&mut self, msg: ChatMessage) {
        self.messages.push_back(msg);
        
        // 滑动窗口:超出上限时从最早的消息开始裁剪
        // 但保留 System Prompt(第一条消息)
        while self.messages.len() > self.max_turns {
            if self.messages.len() > 1 {
                self.messages.remove(1);  // 跳过 index 0 的 System Prompt
            }
        }
    }
    
    /// 构建发给 LLM 的消息历史
    pub fn build_context(&self, current_task: &str) -> Vec<ChatMessage> {
        let mut context: Vec<ChatMessage> = self.messages.iter().cloned().collect();
        
        // 注入当前任务的额外上下文
        context.push(ChatMessage::system(format!(
            "当前任务上下文:项目 {project},分支 {branch}",
            project = self.task_context.project_name,
            branch = self.task_context.current_branch,
        )));
        
        context
    }
}

/// 工具调用记录(供 Agent 反思和纠错)
#[derive(Debug, Clone)]
pub struct ToolCallRecord {
    pub tool_name: String,
    pub arguments: serde_json::Value,
    pub result: ToolResult,
    pub timestamp: chrono::DateTime<chrono::Utc>,
    pub retry_count: u32,
}

第 4 层:推理与规划 —— 让 Agent 先想再做

这是 Agent 和"简单 LLM 调用"最大的分水岭。传统的"用户问 → LLM 答"是单步推理,而 Agent 需要:

  1. 分析意图:用户到底想要什么?
  2. 分解任务:这个问题需要分几步?
  3. 选择工具:每步需要用什么工具?
  4. 执行并观察:工具返回了什么?
  5. 反思并调整:结果对吗?需要重试吗?
  6. 汇总输出:把中间步骤的结果整合成用户的答案

这个过程就是 ReAct (Reasoning + Acting) 循环。

/// ReAct 循环:Agent 的核心决策逻辑
pub async fn react_loop(
    agent: &mut Agent,
    user_input: &str,
    memory: &mut AgentMemory,
) -> Result<String, AgentError> {
    // 添加用户消息到记忆
    memory.push_message(ChatMessage::user(user_input));
    
    for turn in 0..memory.max_turns {
        // ① 构建上下文(包括历史、任务信息、可用工具列表)
        let context = memory.build_context(user_input);
        let tools = agent.get_available_tools();
        
        // ② 调用 LLM 获取下一个动作
        let response = agent.llm.chat_with_tools(&context, &tools).await?;
        
        match response.action {
            // ③ 如果 LLM 认为任务已完,返回最终答案
            AgentAction::FinalAnswer(answer) => {
                memory.push_message(ChatMessage::assistant(&answer));
                return Ok(answer);
            }
            
            // ④ 如果 LLM 需要调用工具,执行工具并记录结果
            AgentAction::ToolCall { name, arguments } => {
                let result = execute_tool_call(&name, arguments, &agent.project_root).await;
                
                // 记录工具调用
                memory.tool_call_history.push(ToolCallRecord {
                    tool_name: name.clone(),
                    arguments: arguments.clone(),
                    result: result.clone(),
                    timestamp: chrono::Utc::now(),
                    retry_count: 0,
                });
                
                // 将工具执行结果作为新的消息注入记忆
                memory.push_message(ChatMessage::tool_result(&name, &result));
            }
        }
    }
    
    Err(AgentError::MaxTurnsExceeded(memory.max_turns))
}

第 5 层:多 Agent 协作 —— dayuan 的三角色模式

dayuan 的设计中有三个专业化 Agent:

四、我在 Agent 工程化中踩过的最大的三个坑

坑一:工具描述写得太模糊。LLM 需要精确的 JSON Schema,而不是"用 find 命令搜索文件"。模糊描述会导致 LLM 编造参数、遗漏必填项。

坑二:没有设置最大步数。一次用户说"帮我重构整个项目",Agent 跑了一个小时还没停,产生了 200+ 次工具调用。现在 dayuan 默认最大 15 步,超出就问用户"要继续吗?"

坑三:工具输出太大。搜索工具返回了 500 个文件路径,把上下文窗口直接撑爆。现在每个工具返回都带 truncated 标志和结果数量限制。

五、总结

从调 API 到造 Agent,核心的认知跃迁是:

Agent 不是"更聪明的 LLM",而是"被 LLM 驱动的软件系统"。

这意味着你需要考虑的不仅是 prompt 怎么写,还有:状态管理、错误恢复、资源限制、安全边界——这些是系统架构的问题,不是 NLP 的问题。

对于同学,我的建议是:不要一上来就做多 Agent 系统。从 ReAct 循环开始——一个 LLM + 两个工具 + 对话记忆——把这个最简系统调稳了,再往上叠复杂度。

所有伟大的框架(LangChain、AutoGPT、CrewAI)底层都是同样的核心循环。理解这个循环,你就理解了 Agent 的本质。


资料说明

本文中的协议、版本、性能、成本和行业趋势应以可核验的一手资料为准。未标注统计口径的比例、时间表和预测仅作工程讨论,不应视为行业事实。可参考 0731 资料来源索引,并在发布前将具体来源贴到对应断言之后。

AI工程化演进:从Prompt到Loop的技术实践 AI工程化是当前人工智能领域的重要发展方向,它关注如何将模型能力转化为实际应用价值。从基础的Prompt Engineering到复杂的Loop Engineering,技术演进呈现出清晰的脉络。Prompt Engineering通过优化输入指令提升模型输出质量,Context Engineering则聚焦于信息供给的科学组织。随着技术发展,Harness Engineering实现了从单一模型到系统级Agent的跨越,而Loop Engineering最终完成自主运行的闭环。这些技术在客服机器人、法律文 阅读详情

相关推荐

AI Agent工程化实践:从Prompt到多Agent系统的可靠构建

在软件工程领域,构建可靠、可维护的系统始终是核心挑战。随着大语言模型(LLM)的普及,基于AI Agent的自动化系统成为新的技术焦点。其原理在于通过智能体(Agent)感知、决策和执行任务,但LLM固有的不确定性和“幻觉”问题,使得单纯依赖Prompt工程难以满足生产环境对稳定性、安全性和成本的要求。这催生了**AI Agent工程化**的技术价值,即通过系统性的工程方法为智能体套上“缰绳”,确保其行为可预测、可观测、可控制。其核心应用场景包括自动化流程、智能助手和复杂决策系统。本文聚焦的**Harnes

weixin_33904756的博客 409

Agent Skills:解耦Prompt与执行,实现AI能力模块化工程化!

Anthropic推出的Agent Skills将AI能力从Prompt升级为可管理模块,通过SKILL.md结构化描述能力,采用"索引→选择→按需加载"机制,解决了传统Agent中能力难复用、上下文膨胀等问题。Skill具备可复用、可维护、可共享、可版本化等软件工程属性,实现Prompt负责调度、Skill负责执行的解耦设计,为AI Agent能力工程化管理提供了新范式。

bugyinyin的博客 1789

AI工程化实战:从Prompt到Harness Engineering的AI Agent开发指南

AI工程化是将人工智能技术系统化、标准化应用于生产环境的方法论体系,它超越了传统的Prompt Engineering,涵盖了模型选择、数据管理到部署运维的全生命周期。其核心原理在于通过系统化的约束和引导机制,确保AI系统在复杂环境中的可靠性和可维护性。在技术价值层面,AI工程化特别关注不确定性管理、版本控制、性能监控和成本优化等关键维度,为构建生产级AI应用提供工程化保障。应用场景广泛覆盖智能客服、文档分析、决策支持等企业级需求,其中Hermes Agent作为开源框架,通过自进化机制和三层设计(Prom

weixin_30700977的博客 391

AI工程化实践指南:从入门到落地

2022年11月,ChatGPT的发布标志着我们进入了大模型时代。作为Java开发者,我们正处于一个历史性的转折点:作为Java开发者,我们在AI工程化落地方面有天然优势:Java开发者优势企业级开发经验工程化思维成熟的生态系统大型项目架构能力高并发处理经验代码规范测试驱动DevOps实践Spring生态微服务框架中间件集成 2. AI发展历程:从理论to实践的演进 2.1 AI发展时间线 特征:典型代表:特征:关键技术:深度学习技术栈卷积神经网络 CNN循环神经网络 RNN/LSTMTransforme

lhrimperial的专栏 1710

从Prompt Engineering到Harness Engineering:生产级AI Agent工程化实践指南

Prompt Engineering作为大语言模型应用的基础技术,专注于通过优化提示词设计来提升单次交互效果。然而在实际工程化场景中,仅靠提示词工程难以满足生产系统的稳定性要求。Harness Engineering正是在此背景下发展起来的技术体系,它通过上下文工程、工具编排和状态管理等核心原理,解决了AI Agent在生产环境中的复杂性问题。在AI工程化实践中,上下文工程负责管理对话历史和知识检索,工具工程确保外部API调用的可靠性,编排工程则控制任务执行的流程逻辑。这些技术价值体现在构建能够处理真实业务

cuanji3287的博客 475

从Prompt到Harness:AI Agent工程化转型与系统架构演进

在人工智能领域,大语言模型的应用正从简单的对话交互转向复杂的任务自动化,这催生了AI Agent技术的兴起。其核心原理在于通过智能体协调多步骤任务,整合外部工具与知识,实现自主决策与执行。这一转变的技术价值在于解决了早期依赖单一Prompt工程的脆弱性、上下文管理混乱和缺乏状态持久化等痛点,使智能体具备了生产环境所需的可靠性、可维护性与可扩展性。在实际应用场景中,从客户服务自动化到数据分析流水线,AI Agent正逐步渗透到企业级解决方案。本文聚焦于当前AI Agent开发范式的关键演进:从孤立的提示词工程

weixin_28706923的博客 232

AI Agent 的工程化实践:从 prompt 调试到系统化评测的方法论

没有评测集就不要调 prompt。评测集是唯一的"锚点",没有它你永远不知道是在进步还是退步。评测集必须人工标注。不能让 LLM 自己给自己出题改卷,那叫自欺欺人。单次 LLM 调用的天花板很低。要提升到 85%+ 的准确率,必须用多阶段 pipeline + 代码分析工具作为"安全网"。Prompt 版本管理要像管理代码一样严肃。每个版本记录 prompt 内容 + 评测指标,确保可以回溯。这套方法论不只适用于代码 review agent,任何需要"用 LLM 做判断"的场景都适用。

no1coder的博客 4349

2026年AI Agent工程化:从Prompt Engineering到Harness Engineering实战

AI Agent作为人工智能技术的重要分支,其核心原理是通过大语言模型(LLM)结合工具调用和环境交互来完成复杂任务。传统的Prompt Engineering方法虽然简单易用,但在生产环境中面临稳定性、可维护性和自进化能力等工程化挑战。Harness Engineering通过将Agent组件标准化和配置化管理,实现了真正的系统工程价值,特别适用于需要高可靠性的企业级应用场景。本文以GitHub明星项目Hermes Agent为例,深入解析Prompt Harness、Context Harness和To

weixin_34226706的博客 383

从对话到协作:AI Agent 智能体开发的工程化实践全景

【摘要】本文系统阐述了AI Agent的核心概念与技术架构。文章指出,AI Agent是解决大模型工程化落地的关键,其本质是"模型+结构+机制"的系统组合,需具备感知、认知、规划、行动和反馈五大能力。作者详细拆解了Agent的核心组件,包括Prompt设计、RAG技术、记忆系统和工具调用等,并重点分析了多智能体系统的协作模式与工程难点。文章强调,Agent开发正在向工程化、平台化演进,需要建立从能力理解到系统设计的完整闭环认知。

鄙人kunzhi96,感恩遇见! 1万+

AI Agent工程化实践:从Prompt到生产级Hermes Agent部署

AI Agent作为人工智能技术的重要分支,通过理解用户意图、规划执行步骤和调用工具来实现智能交互。其核心原理基于大语言模型的推理能力,结合工程化的约束机制确保行为可控。在技术价值层面,AI Agent能够将AI能力真正落地到生产环境,解决实际业务问题。Harness Engineering作为一种新兴的工程实践,通过系统化的流程控制和工具链设计,为AI Agent提供稳定性保障和可观测性支持。在实际应用场景中,从简单的计算器技能到复杂的业务系统集成,都需要通过记忆管理、安全过滤、超时重试等工程化手段确保可

weixin_30791095的博客 441

AI Agent工程化实践:Harness Engineering与Hermes Agent开发指南

AI Agent作为人工智能技术的重要应用形态,其核心原理是通过大语言模型(LLM)结合工程化方法实现智能交互。在技术价值层面,工程化编程能够显著提升AI Agent的生产环境稳定性和可维护性。特别是在企业级应用场景中,通过约束设计和上下文管理等工程化实践,可以确保AI Agent在复杂业务环境中的可靠运行。本文以Harness Engineering方法论为基础,结合Hermes Agent开源框架,深入探讨如何通过系统化的工具链集成和自进化机制,构建具备生产级质量的智能客服系统等实际应用。

congji3817的博客 485

AI Agent 工程化六层架构:从 Prompt 到 Production

本文解析了生产级AIAgent系统的六层工程架构,重点阐述了LoopEngineering、GraphEngineering和HarnessEngineering的核心价值。通过保险理赔Agent案例,作者指出:1)PromptEngineering需升级为ContextEngineering以解决信息腐化问题;2)LoopEngineering通过四层反馈环(任务执行、验证、事件驱动、爬山改进)实现系统自优化;3)GraphEngineering需区分编排图(LangGraph)与知识图(GraphRAG

钉子之家 596

从Prompt Engineering到Harness AI工程化:构建生产级AI Agent的完整指南

AI Agent作为人工智能技术的重要应用方向,其核心原理是通过大语言模型(LLM)实现智能任务处理。在技术实现上,AI Agent需要解决上下文管理、技能编排、性能优化等关键问题。从技术价值角度看,工程化的AI Agent能够显著提升系统的可靠性和可维护性,降低生产环境部署风险。在实际应用场景中,AI Agent广泛应用于智能客服、自动化流程、数据分析等领域。本文基于热门的Hermes Agent框架,深入探讨Harness Engineering实践,重点解析自进化机制和RAG功能集成等关键技术,帮助开

dianzongfan5428的博客 409

从Prompt到Harness:大模型工程化的三代范式演进与实践

生成式AI发展至今,大模型的基础推理能力早已实现跨越式突破,行业的核心矛盾也已从“模型够不够聪明”,转变为“如何让大模型的能力稳定、可控、合规地落地到真实生产场景”。从最初的对话机器人,到如今的企业级业务自动化、AI智能体规模化落地,行业用三年时间完成了三次认知升级,逐步形成了三套层层递进、互为补充的工程化范式:**Prompt Engineering(提示词工程)、Context Engineering(上下文工程)、Harness Engineering(驾驭工程,国内权威译法,也译作管控工程)**。

lvaolan的博客 3412

AI工程化实战:从零构建生产级AI Agent的完整技术指南

AI工程化是将人工智能技术从实验阶段转向生产应用的关键方法论,它通过系统化的工程实践解决AI系统的可靠性、可扩展性和可维护性问题。其技术原理涵盖Prompt Engineering、Context Engineering和Harness Engineering三个核心层次,分别处理指令设计、上下文管理和系统架构。在AI Agent开发领域,这一工程化体系尤为重要,能够显著提升智能体的稳定性和实用性。以Hermes Agent为代表的开源框架,结合Harness Engineering技术栈,为开发者提供了从

hqmln的博客 433

从Prompt到Agent再到Harness:AI工程化演进的三代范式与实践指南

大语言模型的应用正从早期的Prompt Engineering(提示工程)快速演进到AI Agent(智能体)和Context Engineering(上下文工程)阶段。这一演进的核心逻辑是从简单的文本交互,发展到赋予模型自主规划与行动能力,最终实现对整个AI应用系统的工程化治理(Harness)。Prompt Engineering降低了AI使用门槛,让非技术人员也能通过精心设计的指令激发模型潜力;而AI Agent通过引入工具调用和任务规划,使模型能够处理复杂的多步骤工作流。随着应用深入生产环境,Con

weixin_33701294的博客 445

从Prompt到Skill:AI Agent成本优化与工程化实践指南

在大模型应用开发中,Token消耗是核心成本考量因素,其本质是模型处理信息时计算资源的量化体现。理解Token消耗的原理,关键在于识别影响成本的变量:上下文长度、模型推理开销、系统提示词设计以及交互轮次管理。从工程实践角度出发,单纯依赖复杂Prompt会导致成本不可控、效果波动大,而通过模块化、结构化的Skill(技能)设计,能够将开放任务转化为封闭流程,显著提升效能。Skill模式通过输入结构化、输出标准化,结合确定性代码逻辑与模型能力,在信息检索、数据分析、自动化流程等场景中实现成本优化。本文基于Age

weixin_34204722的博客 403

AI工程化演进:从Prompt到Loop的技术全景

人工智能工程化正在经历从基础Prompt Engineering到复杂Loop Engineering的技术演进。Prompt Engineering作为与AI模型对话的基础技术,通过结构化指令和动态构建优化输入输出质量。随着模型能力提升,Context Engineering通过知识检索和组织解决信息处理瓶颈,而Harness Engineering构建了可靠的Agent系统框架。最终,Loop Engineering实现自主运行的智能体系统,完成从被动工具到主动系统的转变。这一演进路径展示了AI工程方法

keke1314520的博客 421
上一篇: 系统工具开发者的能力模型:不只是写代码,还有设计、测试、文档和运维
下一篇: WASM 技术栈月度总结:从编译到运行时的完整知识体系与关键概念
第一程序员
博客等级 码龄1年 1万+粉丝 1822原创
评论 1
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