3DMAX插件安装避坑指南:从文件路径到版本兼容的5个关键细节

PostgreSQL 16.1绿色版+TimescaleDB 2.13.0:零配置快速搭建时序数据库环境 本文详细介绍了在Windows 10或Windows 11系统上,如何通过PostgreSQL 16.1绿色版与TimescaleDB 2.13.0扩展,实现零配置、零污染的时序数据库环境快速搭建。该方法无需系统级安装,便于临时测试、演示和数据分析,使用后可彻底删除,不影响系统环境。 阅读详情

3ds Max插件安装深度避坑:新手必知的五个致命细节与实战修复

如果你刚接触3ds Max,满怀期待地下载了一个功能强大的插件,准备大展身手,结果却卡在了安装这一步——插件不显示、软件崩溃、报错代码层出不穷,那种挫败感我太懂了。网上大多数教程只会告诉你“点这里、拖那里”的步骤,但真正让你抓狂的,往往是那些步骤之间没说清楚的“魔鬼细节”。今天,我们不聊按部就班的安装流程,而是聚焦那些看似不起眼,却能让你数小时努力付诸东流的关键陷阱。无论你是遇到了“加载DLL错误126”,还是插件安装后神秘消失,这篇文章将从底层逻辑出发,帮你彻底理清思路,把问题扼杀在摇篮里。

1. 路径玄学:中文与空格,插件安装的“隐形杀手”

几乎所有新手教程都会轻描淡写地提一句“建议使用英文路径”,但很少有人告诉你,这背后到底有多少种“死法”。路径问题远不止“不能用中文”那么简单,它是一系列权限、识别和系统兼容性问题的集合体。

首先,最经典的莫过于安装路径中的中文字符。 3ds Max及其众多插件的核心代码,尤其是那些.dll动态链接库文件,在处理文件路径时,对非ASCII字符(如中文)的支持非常脆弱。这并非Autodesk的偷懒,而是Windows系统底层API的历史遗留问题与国际化编码(Unicode)支持不完善共同导致的。当插件尝试从“C:\用户\张三\文档\3ds Max插件”这样的路径加载资源时,系统可能无法正确解析,导致插件模块加载失败,具体表现就是启动3ds Max时弹出一个含义模糊的错误对话框,或者插件在列表中根本找不到。

注意:这里的“中文路径”是一个泛指。实际上,任何非英文字符(如日文、俄文、甚至某些特殊符号)都可能引发问题。最安全的做法是,从3ds Max软件本身的安装目录,到所有插件的存放路径,全程使用仅由英文字母、数字和下划线组成的字符串。

其次,是路径中的空格和特殊字符。 你可能认为“Program Files”这样的默认路径总该安全吧?事实上,包含空格的路径虽然能被Windows系统本身良好支持,但在一些年代稍久或编写不够严谨的插件安装脚本中,可能会在拼接文件路径时出错。例如,一个批处理脚本试图访问C:\Program Files\Autodesk\...,如果脚本中变量引用时缺少引号,空格就会被误认为是参数分隔符,导致路径被截断。更隐蔽的是像&, #, !这类字符,在命令行或脚本环境中具有特殊含义,极易引发不可预知的错误。

实战排查与解决方案:

  1. 检查3ds Max根目录:首先确认你的3ds Max是否安装在类似D:\Autodesk\3ds Max 2025这样的纯英文、无特殊字符的路径下。如果已经安装在了中文路径,最彻底的解决方案是卸载后重装。虽然有些技巧可以修改注册表项,但过程复杂且易留下隐患,对于新手,重装是最稳妥的选择。

  2. 规范插件存放目录:插件通常安装在几个关键的子目录中,务必确保这些目录路径“干净”。

    • \plugins: 用于.dlo, .dle, .flt等扩展插件。
    • \scripts 或 \scripts\startup: 用于.mse, .ms, .mzp等脚本插件。
    • \stdplugs: 一些标准插件的位置。
3DMax 安装 超图 插件 3DMax安装超图插件 超图有出相应的博客,但是我按照它的博客操作时,存在理解问题,所以自己写一篇博客,避免后来者布如相同困境 1.下载相应的3DMax版本,超图插件。(网上链接很多,我就不多bb了) 2.安装3DMax,激活。(此步骤在对应的压缩包里都有操作说明) 3.解压超图插件(我下的压缩包的版本),将对用3DMax版本的xx.pug文件放在3DMax安装目录(注意是安装目录,不是解压的那个... 阅读详情

相关推荐

避坑指南:3DMAX 2023安装车缝线生成器插件常见错误及VRay材质丢失解决

本文详细解析了3DMAX 2023安装车缝线生成器插件时的常见错误及VRay材质丢失问题,提供了从安装验证到材质修复的全流程解决方案。特别针对Windows中文路径、工具栏绑定和杀毒软件误报等隐形陷阱,给出了专业的技术指导和脚本代码,帮助设计师高效避坑并恢复VRay材质渲染效果。

weixin_30907935的博客 504

3DMAX插件管理避坑指南:以PolyUnwrapper为例,讲清.mzp文件安装、加载与彻底卸载

本文详细解析了3DMAX插件管理的核心要点,以PolyUnwrapper为例,深入讲解.mzp文件的安装、加载与彻底卸载流程。通过版本兼容性验证、安全安装步骤和深度清理方法,帮助用户避免常见插件冲突和系统崩溃问题,提升3D建模工作效率。特别针对UV贴图等核心功能提供了专业解决方案。

weixin_30723433的博客 382

3DMAX测量插件避坑大全:从安装拖拽到工具栏自定义,新手常犯的5个错误及解决方法

本文详细解析了3DMAX测量插件从安装到高阶应用的全流程避坑指南,特别针对新手常见的5个错误提供了解决方案。涵盖版本兼容性、工具栏自定义、测量功能失效排查等核心问题,帮助用户高效使用3DMAX测量工具提升建模效率。

weixin_33714884的博客 415

3DMAX安装避坑指南:从环境搭建到长期维护的完整框架

在三维设计与建筑可视化领域,专业软件的部署与配置是项目成功的基础前提。软件安装的本质是为后续工作构建稳定、可维护且匹配需求的技术环境,这涉及版本兼容性、系统依赖、授权机制与长期维护等多个工程环节。理解环境配置的原理,能有效避免因盲目追求最新版本或忽视系统准备而导致的安装失败、软件崩溃与协作障碍。本文以3DMAX为例,系统阐述从版本选择、环境清理、授权激活到性能调优的完整流程,帮助用户建立标准化的部署与故障排查框架,确保软件作为核心生产力工具能够稳定高效地支持各类建模、渲染与可视化应用场景。

weixin_34175509的博客 356

3dMax模型导入SuperMap

目录 一、3dsmax2016 官方简体(64位)安装教程 二、超图 3ds MAX插件安装 2.1 插件下载 2.2 安装 三、模型导出 四、3dmax模型贴图路径的找回方法 五、SuperMap 3dMax数据处理与服务发布 一、3dsmax2016 官方简体(64位)安装教程 参考链接:https://www.yutu.cn/softhtml/softsetup_299.html 二、超图 3ds MAX插件安装 2.1 插件下载 下载链接:http://support.su.

爱晒太阳的风 3032

别再手动建模窗户了!用这个免费脚本解放双手:3dMax窗户生成器插件从安装到出图的完整避坑实录

本文详细介绍了3DMax窗户生成器插件的安装与使用技巧,帮助用户高效创建各类窗户模型。从文件解压的正确方法到单位设置的致命细节,再到参数调节的艺术与批量生成的高效工作流,全面解析如何避免常见错误并提升建模效率。特别适合需要处理大量窗户项目的3D设计师。

weixin_30243533的博客 564

掌握3DMax7-9导出插件:TVM、X、TVA的实战应用

本文还有配套的精品资源,点击获取 简介:本文详细介绍了3DMax软件在7到9版本中使用TVM、X、TVA导出插件的必要性与操作方法。TVM插件支持导出TGA格式的纹理和图像,X文件格式主要用于游戏开发中的模型和动画导出,而TVA插件则便于2D/3D卡通动画制作。文章指导用户如何安装和使用这些插件,包括导出设置、参数调整以及模型优化等步骤。掌握这些插件对于提高三维建模和动画制...

weixin_29323977的博客 1万+

3DMAX高效场景管理:一键清理工具指南

本文还有配套的精品资源,点击获取 简介:3DS MAX是三维建模和动画制作中的行业标准软件,但长时间使用可能导致文件膨胀和软件性能下降。为解决这一问题,本插件“3DMAX一键清理场景变大或卡死”通过智能识别和删除无用场景元素,有效减少文件大小,提升软件响应速度和稳定性。插件以MaxScript编写,并附有详细的使用说明,使用户即便初学者也能轻松掌握。本指南旨在提供插件的完整...

weixin_28988985的博客 2302

3DMAX场景助手插件实战指南

本文还有配套的精品资源,点击获取 简介:Autodesk 3ds Max是一款用于三维建模、动画和渲染的软件,广泛应用在多个领域。3DMAX场景助手是一款插件,其功能包括场景清理、对象管理、渲染设置优化及自定义工作流程,以提升工作效率和场景性能。本文将详细解读这些功能,介绍如何使用“共享脚本v5”和“场景助手3.0”这两个关键文件,以提高3DMAX使用效率,优化工作流程。 ...

weixin_31176789的博客 1288

3DMAX建筑可视化插件RetailStore零售商店生成器安装及使用方法详解

3DMAX零售商店生成插件RetailStore安装和使用方法详解

沐风老师 1728

PlusCal-Examples:兰波特 TLA+ 的算法语言 PlusCal 中的算法示例

概述 这些是用 PlusCal 编写的算法示例,PlusCal 是 Leslie Lamport 的 TLA+ 算法规范系统的算法语言。 这些文件是在 TLA+ 工具箱中创建的,因此大多数文件都是在工具箱中运行和使用 TLC 算法验证检查器的支持文件。 用于审核的重要(非自动生成)文件是以.tla结尾的.tla ,例如Euclid/Euclid.tla和HourClock/HourClock.tla 。 我已经写了\* BEGIN TRANSLATION行上方的部分,PlusCal 代码位于(*和*)注释标记之间,从--algorithm XXX指示器开始。

pgo:PGo是源代码,用于将PlusCal编译为Go lang

围棋 PGo是编译器将规范编译为程序的源代码。 目的/动机 是用于指定/建模并发系统的语言。 它旨在编写。 特别是,PlusCal可以编译为TLA +,可以根据有用的系统属性(使用TLC模型检查器)进行检查。 例如,是有关互斥问题的PlusCal公式解决方案的资料库。 是Google为构建分布式系统而开发的一种基于C的语言。 它内置了对通道和goroutine并发的支持,这使其非常适合开发分布式系统。 当前没有工具将PlusCal / TLA +规范与规范的实现相对应。 PGo是一种工具,旨在通过基于PlusCal规范生成Go代码来将规范与实现联系起来。 PGo可以将经过验证的分布式系统算法的PlusCal规范转换为语义上等效的Go程序。 当前状态 积极开发中。 PGo支持将大多数单进程和非常简单的多进程PlusCal算法编译为相应的可编译且可运行的Go代码。 有关最新版本的手册快照,请参见资源库中的 ,其中详细介绍了已实现的功能和几个示例。 用法 要了解如何使用PGo,请参阅。 这个怎么运作 PGo是使用Java编写的源编译器。 它将在PlusCal扩展中编写的规范(称为Mo

YOLOv11 改进策略:引入 NWD 损失函数提高小目标检测精度

YOLO(You Only Look Once)是一种实时目标检测算法,能够有效地预测图像中多个物体的边界框和类别概率。其高效性使它成为自动驾驶、视频监控等领域的理想选择。NWD 是一种基于 Wasserstein 距离的损失函数,其通过归一化处理,更好地评估预测框和真实框之间的几何偏差。这种方法不仅仅关注重叠区域,而且考虑中心点和尺度信息,提高了对小目标的敏感度。

走向CTO的路上... 2014

【Ultrascale+ MPSOC学习记录】10、PS端以太网使用lwip

还是参考ALINX教程,学习PS端以太网如何使用,从教程中可以看到,开发板使用了一个xilinx默认不支持的phy JL2121,所以需要修改lwip的库源码。

ryo891012的博客 884

Android CCodec (十一) Codec2Buffer BufferPool分析

1、序言 2、C2BlockPool分析 3、SimpleC2Component关于BlockingBlockPool的实现 4、总结

给大佬递杯卡布奇诺的博客 4024

第02章:HSA-Runtime架构概览

摘要: 本章深入解析HSA Runtime的三层架构设计,包括公共API层(C语言接口)、核心实现层(C++业务逻辑)和驱动抽象层(硬件交互)。重点介绍了Runtime的核心组件(Agent、Queue、Signal、Memory)及其关系,以及初始化流程、配置选项和调试功能。通过学习,读者将掌握HSA Runtime的整体架构,为后续模块学习奠定基础。

图形/计算GPU的驱动与虚拟化技术分享园地 2931

月薪2万+的网络工程师,到底藏着哪些“绝活”?

在IT圈,网络工程师是个既神秘又硬核的职业。月薪2万+的网工,早已不是只会拉网线、改IP的“IT民工”,而是掌握了一身“绝技”的技术大牛。他们能让企业网络如丝般顺滑,面对宕机临危不乱,还能用自动化脚本批量搞定上百台设备。想知道这些高薪网工的秘密武器是什么?今天,我就以一个老网工的视角,结合自己和同行们的实战经验,扒一扒那些月薪2万+的网络工程师都身怀哪些绝技。如果你也想挤进高薪行列,不妨参考参考!

网络技术联盟站 363

人工智能训练师三级补贴3120元申领全攻略|条件+流程+五省市对比

补贴是真的,但不是"白给"的。你需要满足社保、户籍、时间等条件,严格按照流程操作。记住四件事先确认自己是否满足条件,再报名——别考完了才发现领不到紧缺工种补贴更高——确认你所在城市是否在紧缺目录中证书下发后12个月内申请——设个日历提醒材料准备齐全再提交——避免来回折腾如果你正在考虑考人工智能训练师三级证书,想要从报名到备考到拿证到申领补贴的完整一站式指南,欢迎查看我的付费专栏:📖《人工智能训练师三级·从零到拿证完全指南》80篇系统化内容,覆盖报名、备考、冲刺、拿证全流程。

白话机器学习 1544

面试问题总结——关于YOLO系列(三)

接着上篇的的YOLO系列面试问题总结,加油,冲! 三.YOLOv3 1.YOLOv3主干网络BackBone——Darknet-53网络结构(因为有53个卷积层) (原论文中Darknet53的尺寸是在图片分类训练集上训练的,所以输入的图像尺寸是256x256,而在YOLOv3中输入尺寸是416×416)   ①上图中,Top-1 Accuracy和Top-5 Accuracy是指什么呢?区别在哪呢?   我们知道ImageNet有大概1000个分类,而模型预测某张图片时,会给出1000个按概率从高.

boss-dog 1万+

CMOS图像传感器——工作原理

CMOS图像传感器的曝光与读出

沧海一升的博客 9461

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

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")

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

上一篇: Python+SAP自动化:用Scripting Tracker搞定复选框选中难题(附完整代码)
下一篇: uniapp物流跟踪UI优化指南:打造高颜值时间轴组件(支持20+快递公司)
php55
博客等级 码龄15年 51粉丝 1553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  | 博主筛选后可见
 
 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