Go + Ollama 在本地构建你的 RAG 应用

智谱AI发布国产最强大模型GLM4,理解评测与数学能力仅次于Gemini Ultra和GPT-4,编程能力超过Gemini-pro,还有对标GPTs商店的GLMs 这是在智谱AI开发者大会上推出的新一代基座大语言模型,GLM4相比较此前最大的特点是三个变化:性能全面提升、上下文长度更长、支持更强的多模态能力。GLM4(GLM4)详细信息 | 名称、简介、使用方法,开源情况,商用授权信息 | 数据学习 (DataLearner) 阅读详情
AI摘要

本文引导使用 Golang 设置本地大型语言模型(LLM)并与之交互,介绍了用 Ollama 在本地运行 LLM 的方法,包括下载安装、用 Go 代码实现请求与响应等。此外,还分享了全套 AGI 大模型学习路线、报告合集、经典 PDF 书籍及商业化落地方案等学习资料。

这篇文章会引导大家使用 Golang 设置本地大型语言模型 (LLM) 并与之交互,以此在本地构建你的 AI 应用。

设置本地 LLM

首先,我们需要在本地计算机上运行 LLM。为此,我们将使用 Ollama(可在GitHub ollama[1] 上获取)。虽然本地加载模型有多种选择,但我发现 Ollama 是相对容易使用的。Ollama 支持 macOS、Linux 和 Windows。本文的代码还没有在 Windows 上测试过,所以我这里重点介绍 macOS 和 Linux,但在 Windows 上的过程应该类似。

从官方网站下载并安装 Ollama

接下来,在操作系统上打开终端,选择要运行的模型。最简单的方法是从 Ollama 模型列表中选择一个模型。你还可以从 Hugging Face 等资源中安装其他模型。选定模型后,在终端运行以下命令:

ollama pull <model name>

或者

ollama run <model name>

然后我们可以在本地计算机上运行 LLM 了。

使用 Go 与 LLM 交互

假设你已经建立了 Go 环境(如果没有,参考 Go 安装说明),然后我们就可以开始写代码了。

1. 初始化项目
mkdir go-ollama
cd go-ollama
go mod init go-ollama

2. 编辑代码

用你喜欢的编辑器打开一个新文件 main.go。首先根据 Ollama API 文档定义聊天请求结构:

package main

type Request struct {
 Model    string    `json:"model"`
 Messages []Message `json:"messages"`
 Stream   bool      `json:"stream"`
}

type Message struct {
 Role    string `json:"role"`
 Content string `json:"content"`
}

参数的含义分别是:

  • Model: 使用 Ollama 下载的模型, 这里是 llama3.1
  • Stream: 决定接收恒定的响应流(设为 true)还是单个响应(设为 false)。本例中我们将使用 false
  • Message 结构:该结构包含要发送给 AI 的问题。
package main

type ChatRequest struct {
 Model    string    `json:"model"`
 Messages []Message `json:"messages"`
 Stream   bool      `json:"stream"`
}

type Message struct {
 Role    string `json:"role"`
 Content string `json:"content"`
}

func main() {
 msg := Message{
  Role:    "user",
  Content: "Why is the sky blue?",
 }
 req := Request{
  Model:    "llama3.1",
  Stream:   false,
  Messages: []Message{msg},
 }
}

3. 发送请求和接收回复

接下来,让我们向 Ollama 发送此请求并获取响应。下面是基于文档的响应结构:

package main

import "time"

type Response struct {
 Model              string    `json:"model"`
 CreatedAt          time.Time `json:"created_at"`
 Message            Message   `json:"message"`
 Done               bool      `json:"done"`
 TotalDuration      int64     `json:"total_duration"`
 LoadDuration       int       `json:"load_duration"`
 PromptEvalCount    int       `json:"prompt_eval_count"`
 PromptEvalDuration int       `json:"prompt_eval_duration"`
 EvalCount          int       `json:"eval_count"`
 EvalDuration       int64     `json:"eval_duration"`
}

让我们使用 Go 的标准库创建一个简单的 HTTP 客户端:

func talkToOllama(url string, ollamaReq Request) (*Response, error) {
 js, err := json.Marshal(&ollamaReq)
 if err != nil {
  return nil, err
 }
 client := http.Client{}
 httpReq, err := http.NewRequest(http.MethodPost, url, bytes.NewReader(js))
 if err != nil {
  return nil, err
 }
 httpResp, err := client.Do(httpReq)
 if err != nil {
  return nil, err
 }
 defer httpResp.Body.Close()
 ollamaResp := Response{}
 err = json.NewDecoder(httpResp.Body).Decode(&ollamaResp)
 return &ollamaResp, err
}
  • TalkToOllama: 该函数接收 Ollama API URL 和请求结构。
  • JSON Marshaling:将请求结构转换为 JSON 格式。
  • HTTP 请求:创建并发送带有 JSON 有效载荷的 POST 请求。
  • 响应处理:将 JSON 解码为响应结构并返回。

4. 运行程序

下面是完整的代码:

package main

import (
 "bytes"
 "encoding/json"
 "fmt"
 "net/http"
 "os"
 "time"
)

type Request struct {
 Model    string    `json:"model"`
 Messages []Message `json:"messages"`
 Stream   bool      `json:"stream"`
}

type Message struct {
 Role    string `json:"role"`
 Content string `json:"content"`
}

type Response struct {
 Model              string    `json:"model"`
 CreatedAt          time.Time `json:"created_at"`
 Message            Message   `json:"message"`
 Done               bool      `json:"done"`
 TotalDuration      int64     `json:"total_duration"`
 LoadDuration       int       `json:"load_duration"`
 PromptEvalCount    int       `json:"prompt_eval_count"`
 PromptEvalDuration int       `json:"prompt_eval_duration"`
 EvalCount          int       `json:"eval_count"`
 EvalDuration       int64     `json:"eval_duration"`
}

const defaultOllamaURL = "http://localhost:11434/api/chat"

func main() {
 start := time.Now()
 msg := Message{
  Role:    "user",
  Content: "Why is the sky blue?",
 }
 req := Request{
  Model:    "llama3.1",
  Stream:   false,
  Messages: []Message{msg},
 }
 resp, err := talkToOllama(defaultOllamaURL, req)
 if err != nil {
  fmt.Println(err)
  os.Exit(1)
 }
 fmt.Println(resp.Message.Content)
 fmt.Printf("Completed in %v", time.Since(start))
}

func talkToOllama(url string, ollamaReq Request) (*Response, error) {
 js, err := json.Marshal(&ollamaReq)
 if err != nil {
  return nil, err
 }
 client := http.Client{}
 httpReq, err := http.NewRequest(http.MethodPost, url, bytes.NewReader(js))
 if err != nil {
  return nil, err
 }
 httpResp, err := client.Do(httpReq)
 if err != nil {
  return nil, err
 }
 defer httpResp.Body.Close()
 ollamaResp := Response{}
 err = json.NewDecoder(httpResp.Body).Decode(&ollamaResp)
 return &ollamaResp, err
}
go run main.go

运行后应该会看到与此类似的响应:

The sky appears blue to us because of a phenomenon called scattering, which occurs when sunlight interacts with the tiny molecules of gases in the atmosphere. Here's a simplified explanation:

1. Sunlight enters the Earth's atmosphere**: When sunlight enters our atmosphere, it consists of a broad spectrum of electromagnetic radiation, including all the colors of the visible light (red, orange, yellow, green, blue, indigo, and violet).
2. Scattering occurs**: As sunlight travels through the atmosphere, it encounters tiny molecules of gases such as nitrogen (N2) and oxygen (O2). These molecules are much smaller than the wavelength of light, so they scatter the shorter (blue) wavelengths more efficiently than the longer (red) wavelengths.
3. Blue light is scattered in all directions**: The scattering process favors blue light because it has a shorter wavelength, which allows it to be deflected by the gas molecules more easily. This scattered blue light reaches our eyes from all parts of the sky.
4. Our eyes perceive the sky as blue**: Since we see the scattered blue light from every direction in the atmosphere, our brains interpret this as a blue color for the entire sky.

Other factors can affect the apparent color of the sky, such as:

* Dust and pollutants**: Tiny particles in the air can scatter light in a way that adds a reddish tint to the sky.
* Clouds: When sunlight passes through water droplets or ice crystals in clouds, it scatters in all directions, giving the sky a white or gray appearance.
* Time of day: The angle of the sun changes throughout the day, which can alter the intensity and color of the scattered light. For example, during sunrise and sunset, the light has to travel through more of the Earth's atmosphere, scattering off more particles and making the sky appear redder.

In summary, the sky appears blue due to the scattering of sunlight by the tiny molecules in the atmosphere, which favors shorter wavelengths like blue light.
Completed in 38.315152042s

结论

在本文中,我们建立了一个本地 LLM,并使用 Go 的标准库对其进行了查询。这仅仅是个开始–你可以在此基础上自由扩展。我们可以将 Ollama 托管在不同的机器上,使代码更适合生产。你甚至可以建立用户交互、创建对话或开发 RAG 应用程序的逻辑链。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

用ollama本地部署Lamma3.1 ollama create 自定义模型名字 -f Modelfile。让lamma3.1写一个贪吃蛇小游戏,一次run成功。例如:ollama run llama3.1。例如:ollama run llama3.1。 阅读详情

相关推荐

Windows 中 利用 ollama 来搭建 deepseek R1

近年来,大模型凭借其强大的语言理解和生成能力,在自然语言处理、计算机视觉等领域取得了突破性进展。从GPT系列到国内的,文心一言、[Qwen]、,大模型已成为推动人工智能发展的核心力量。ollama作为新兴的大模型搭建工具,以其开源、高效、易于部署的特点,在人工智能开发者社区中崭露头角,为大模型的搭建和应用提供了新的解决方案。在当今数字化浪潮中,人工智能的发展可谓日新月异,而大模型作为其核心驱动力,正重塑着各个行业的格局。

一个专注于机器学习基础与实战的技术博客,内容涵盖算法推导、模型实现、数学原理与代码实践。用通俗的语言解析复杂概念,记录学习过程中的思考与总结,适合机器学习爱好者和从业者参考。 2554

使用 Ollama 本地运行各种 LLM

今天看看另外一个产品Ollama。Ollama 的安装非常简单,只需从官网(https://ollama.com/download)下载后解压缩,并在 Terminal 中运行脚本即可完成环境设置。我尝试运行 Llama3,虽然在运行时占用了大量电脑资源,使得其他应用运行变慢,但整体体验尚可。Ollama 支持多种大型语言模型(https://ollama.com/library)。

python123456_的博客 1734

用 Go + Ollama 构建本地离线 RAG 知识库系统

但云端 API 调用存在成本、隐私、稳定性等问题。**原因**:OpenAI 兼容接口配置了 `/v1` 前缀,但 Ollama 原生 API 是 `/api/embed`- ✅ **本地模型适配** - 支持 Ollama、OpenAI、DeepSeek 多后端。1. **流式输出** - 添加 SSE 接口 `/api/v1/chat/stream`**错误**:配置值包含注释内容,如 `ollama" # 可选...`**总结**:通过本项目,实现了完全离线的 RAG 知识库系统。

weixin_43243949的博客 327

AI大模型探索之路-基础篇5:GLM-4解锁国产大模型的全能智慧与创新应用

随着人工智能技术的飞速发展,大型预训练语言模型已成为推动行业进步的重要力量。它们在理解自然语言、生成文本、执行复杂任务等方面展现出惊人的能力。在此背景下,国产大模型GLM-4的问世,不仅展现了中国在AI领域的实力,也为国内外研究者和开发者提供了新的研究与应用平台。

寻道AI,探索AI无限可能! 8679

Stata面板数据OLS回归分析实战指南

OLS回归作为计量经济学的核心分析方法,通过最小化残差平方和实现参数估计,广泛应用于经济学实证研究。其技术价值在于模型简洁、结果易于解释,特别适合处理面板数据中的复杂关系。在实际应用中,配合robust标准误能有效解决异方差问题,而固定效应模型则可控制个体特异性。本文以Stata软件为例,详细演示从数据导入、描述性统计到混合OLS和固定效应模型构建的全流程,重点解析面板数据特有的格式设定、模型选择标准以及结果呈现技巧,为经济学研究者提供可直接复用的分析框架。

weixin_29051811的博客 268

UE5实战技巧:TextRender高效集成中文字体与材质优化

本文针对UE5中TextRender组件显示中文的常见问题,提供了一套完整的实战解决方案。详细讲解了如何通过手动创建字体资产、精准控制字符集来优化性能,并重点介绍了通过调整材质中的Lerp节点参数(如设为-85, 92)来解决中文字体显示残缺和边缘模糊等核心难题,帮助开发者实现高效且美观的中文文本渲染。

weixin_28040125的博客 380

VecDB第一篇:Go + Ollama 构建的tinyRAG应用, 如何将本地prompt知识库传送到deepseek。Prompt提示工程RAG。

本文介绍了一个基于Go语言和Ollama构建的轻量级RAG系统,专为非技术背景的眼科医生客户设计。系统采用提示词工程方式,将本地知识库(txt文件)与用户问题结合后通过Ollama调用DeepSeek模型生成回答,省去了复杂的数据库设置。项目结构简单,包含知识库加载、Ollama接口调用等核心功能模块,支持通过配置文件调整运行参数。安装只需下载Ollama、DeepSeek模型并编译运行Go代码即可。系统针对老年用户优化了操作方式,仅需将知识库文件放入指定目录即可使用,实现了技术门槛低、部署简单的智能客服解

636

Hodgkin-Huxley Model

介绍了经典的动力学模型:HH Model

weixin_73557167的博客 2474

从零开始构建RAG应用:chromem-go + Ollama 本地部署终极指南 [特殊字符]

想要构建一个完全本地运行的智能问答系统吗?chromem-go 是一个轻量级的 Go 语言向量数据库,结合 Ollama 本地大语言模型,让你能够**零成本、零依赖**地搭建强大的 RAG(检索增强生成)应用。本文将为你提供完整的本地部署指南,无需任何云端 API 密钥,保护你的数据隐私。 ## 什么是 chromem-go?🤔 chromem-go 是一个**嵌入式向量数据库**,采用类似

gitblog_00165的博客 384

用户消费行为分析(MapReduce实现,Hive分析)

一、题目要求 数据来自CDNow网站的一份用户购买CD明细,本数据集共有 6 万条 左右数据,数据为 CDNow 网站 1997年1月至1998年6月的用户行为 数据

紫烟的博客 3013

AutosarMCAL开发——基于TC367、EBTresos 开发之PORT

下图为开漏输出与推挽输出电路区别,推挽输出有两个极性相反的mos构成,一个管子导通另一个管子关闭以实现输出高低电平(电流较小不具备驱动能力),开漏输出仅使用一个MOS管,所以在这种模式下只能输出低电平,想要输出高电平需要外部提供(输入电流不可超过引脚最大电流显示否则会烧MCU)开漏输出:输出寄存器为低电平时,经过输出控制电路变成一个高电平,N-MOS导通,低电平从I/O引脚输出,输出寄存器为高电平时,P-MOS和N-MOS都是截止状态,电平无法通过,想要输出高电平需要外接上拉电阻。

qq_45583706的博客 1406

AI Whisperer:为Ollama打造生产级API网关,解锁本地大模型应用

在本地部署和集成大语言模型时,开发者常面临如何将模型能力高效接入现有工作流的挑战。RESTful API作为现代应用交互的标准协议,是实现服务化集成的关键技术。通过构建一个轻量级的API网关层,可以将模型的原生接口封装和增强,提供包括会话管理、流式输出、上下文维护等标准化功能。这种设计显著提升了本地AI模型在自动化脚本、知识库问答、数据分析等工程实践场景中的可用性。本文聚焦的AI Whisperer项目,正是这样一个专为Ollama设计的增强型API网关,它通过提供OpenAI兼容的接口,无缝对接LangC

weixin_30561177的博客 409

触摸芯片RM1015B基本使用方法

RM1015B触摸芯片使用指南:该芯片采用4通道设计(实际使用3通道),通过I2C接口通信(设备地址0x2B)。硬件设计需注意中断/复位引脚复用,需上拉处理。软件配置包括初始化、中断处理和定时器扫描,通过设置各通道阈值(0-300W)调节灵敏度,值越小越灵敏。调试时可调用rm1015B_debug_func()输出波形数据。典型应用场景包括接近检测和手势识别,中断触发后需在8ms内响应。特别注意不同通道的寄存器映射关系及校准流程,确保检测准确性。

云淡风轻 178

「PHP 已死」听了五年,公司宣布全面转 Go 那天,我反而踏实了

「PHP 已死」听了五年,公司宣布全面转 Go 那天,我反而踏实了

2301_81888214的博客 212

基于STM32+华为云设计的智慧农业灌溉系统(2023升级版)(158)

本项目设计一种基于STM32的智慧农业监测系统。该系统能够检测空气温度、湿度、光强度和土壤湿度等关键指标,并自动调节浇水量,实现作物生长环境的精细化管理。同时,本项目还支持本地LCD屏幕数据显示和通过ESP8266上传数据到华为云物联网平台,同时搭建流媒体服务器实现摄像头远程监控。最重要的是,本项目将利用Qt开发Android手机APP,使用户可以远程查看监测情况,了解农作物生成情况。

1万+

华为OD机试真题 新系统 2026-09-06 Python&JS【仓储货物有序出库】

某仓储中心有一个货物堆放区,货物编号按乱序堆叠存放,只能从顶部取货,管理员需要将货物按编号从小到大取出。

MISAYAONE的博客 116

The Stack v2 为何剔除近40%代码数据:精确去重与近重复检测机制完整解析

The Stack v2 是 BigCode Project 发布的大规模代码预训练数据集,包含 30 亿以上文件、覆盖 600 多种编程语言,却把近 40% 的数据当作重复项剔除。本文用通俗的方式带你搞懂 The Stack v2 数据去重是怎么做的:从"精确去重"到基于 MinHash 与 LSH 的"近重复检测",每一步为什么必须做、又如何影响模型训练效果。 ## 先搞懂:The Stac

gitblog_00476的博客 349

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

一个模型识别7种语言:Granite-Speech-5.0-470M-TurboCTC 如何实现原生标点与大小写

**Granite-Speech-5.0-470M-TurboCTC** 是 IBM 推出的一个 **4.7 亿参数的多语言语音识别(ASR)模型**,一个权重文件就能覆盖 **英语、法语、德语、西班牙语、葡萄牙语、意大利语和日语共 7 种语言**。它最大的亮点是:推理时**直接输出带标点和正确大小写的文本**,而不是需要额外模型再"补标点",并且推理速度极快,非常适合部署在笔记本电脑、手机等边缘

gitblog_00852的博客 175

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

QwenCleo-ASR快速上手教程:3行Python代码让阿拉伯语音频秒变文字(附完整示例)

QwenCleo-ASR 是一个专为**埃及阿拉伯语**和**阿英混读(code-switching)**场景打造的开源语音识别(ASR)模型。它基于 Qwen3-ASR-1.7B 微调而来,只需要 3 行 Python 代码,就能把阿拉伯语音频转成准确文字,且能把句中夹杂的英文技术词(如 `engineering`、`React`)原样保留为拉丁字母,而不是乱拼成阿拉伯文。本教程带你从安装到流式

gitblog_00489的博客 709

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

Elasticsearch:使用 Ollama 和 Go 开发 RAG 应用程序

使用 Ollama 通过 Go 创建 RAG 应用程序来利用本地模型。关于各种开放模型,有很多话要说。其中一些被称为 Mixtral 系列,各种规模都有,而一种可能不太为人所知的是 openbiollm,这是 Llama 3 针对医疗领域的改编版。通过实现它们的 API 来测试所有这些模型需要大量工作。但是,Ollama 允许我们使用友好的界面和简单的命令行来测试它们。在本文中,我们将在 Golang 中构建一个 RAG 应用程序,使用 Ollama 作为 LLM 服务器,使用 Elastics

Elastic 中国社区官方博客 2295

使用 Ollama 和 Go 开发 RAG 应用程序

Ollama 是一个框架,允许你使用 CLI 在本地下载和访问模型。使用简单的命令,我们可以下载、聊天和设置一个服务器,其中包含我们想要从我们的应用程序中使用的模型。安装 Ollama 后,我们可以通过运行其中一个可用模型来测试一切是否正常。让我们使用 3B 参数安装 llama3.2。该库包含下载和运行模型所需的命令:`ollama run llama3.2:latest`代码解读第一次,它会下载模型,然后在终端中打开聊天:让我们测试端点以确保一切按预期运行。generate以提供单一答案,

python1234567_的博客 1490

构建本地运行的RAG系统:Langchain、Ollama和Streamlit实现

随着大型语言模型(LLM)能力的不断提升,越来越多基于OpenAI和Anthropic等巨头LLM提供商的应用正在涌现。这些应用背后的核心技术是检索增强生成(RAG)框架。本文将跳过RAG的基础知识,直接指导读者如何构建一个可以在本地笔记本电脑上运行的RAG应用,无需担心数据隐私和token成本问题。我们将构建一个类似ChatPDF但更简单的应用。用户可以上传PDF文档,并通过简单的用户界面提问。我们的技术栈非常简单,包括Langchain、Ollama和Streamlit。

Nifc666的博客 1028

基于Ollama+AnythingLLM快速搭建本地RAG系统

从chat对话中可以看出基于上传的文档,可以回答简单的问题;对于中文文档推理的效果较差。安装后搜索AnythingLLM或在桌面快捷方式打开程序,兼容多种LLM模型。执行上述命令会在本地的114343端口启动服务,可以供外部调用。基于Ollama+AnythingLLM快速搭建本地RAG系统。embedding模型: nomic-embed-text。下载windows安装包,双击下一步安装即可。操作系统:windows11 23H2。llm模型: gemma:2B。1. 下载安装Ollama。

lldhsds的专栏 5272

本地AI服务搭建:Ollama+LobeChat+Go实战

利用Ollama在本地部署大语言模型,结合Go语言调用API实现智能对话,并通过LobeChat构建可视化交互界面,兼顾数据隐私与高性能,适用于客服、教育、医疗等场景。

weixin_32242475的博客 832
上一篇: 微调 Llama 3.2:让 AI 更好地读取医学图像
下一篇: Amazon董事吴恩达新书封神!吹爆这份最真实的人工智能求职指南
AI程序猿人
博客等级 码龄3年 6517粉丝 561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
 
 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