Langchain中使用Ollama提供的Qwen大模型进行Function Call实现天气查询、网络搜索

langchain 学习笔记-FunctionCalling三种方式 ChatGPT 基于海量的训练数据生成答案,所以它无法回答训练数据中没有的信息或搜索信息。人们希望 ChatGPT 具有,例如“我想管理我的待办事项列表”。是对此类请求的响应。通过使用函数调用,ChatGPT 现在可以在生成答案时使用!例如,如果要添加一个查看天气的函数,可以定义一个确定天气预报 API 的函数。下面是示意图。 阅读详情
AI摘要

本文介绍如何使用Qwen大模型实现FunctionCall功能,包括定义工具、绑定及使用工具,并演示了天气查询和网络搜索的应用。

Function Call,或者叫函数调用、工具调用,是大语言模型中比较重要的一项能力,对于扩展大语言模型的能力,或者构建AI Agent,至关重要。

Function Call的简单原理如下:

  • 按照特定规范(这个一般是LLM在训练阶段构造数据的格式),定义函数,一般会包含函数名、函数描述,参数、参数描述、参数类型,必填参数,一般是json格式

  • 将函数定义绑定的大模型上,这一步主要是让LLM感知到工具的存在,好在query来到时选取合适的工具

  • 跟常规使用一样进行chat调用

  • 检查响应中是否用tool、function之类的部分,如果有,则说明触发了函数调用,并且进行了参数解析

  • 根据json中定义的函数名,找到Python中的函数代码,并使用大模型解析的参数进行调用,到这一步,一般已经拿到结果了

  • 通常还会再增加一步,就是拿Python中调用函数的结果,和之前的历史记录,继续调用一次大模型,这样能让最终返回结果更自然

下面这张图简单描述了大语言模型函数调用的流程:

(图片来自:https://semaphoreci.com/blog/function-calling)

本文展示了如何使用Ollama中的Qwen大模型,进行函数调用。示例中共包含2个工具:

  • 天气查询

  • 搜索网络

预先准备工作:

  • 安装Ollama

  • Ollama中下载大语言模型,通过ollama pull qwen:14b即可下载,在本机运行这个模型推荐16G内存/显存,如果内存或显存不够,可以下载qwen:7b版本,但Function Call效果可能会下降

  • 安装langchain, langchain-core, langchain-experimental

  • 申请高德API,天气查询使用的是高德API

  • 申请Tavily API Key,这是一个为LLM优化的搜索API,免费用户每月有1000次调用额度,地址https://tavily.com/,点击右上角的Try it out

请注意,更强大和更有能力的模型将在复杂的模式和/或多个功能下表现得更好。有关支持的模型和模型变体的完整列表,请访问此处https://ollama.ai/library。

pip install -q langchain\_experimental  

为了保证可复现性,把使用到的核心库的版本打印如下:

import langchain\_experimental, langchain\_core  
  
for module in (langchain\_experimental, langchain\_core):  
    print(f"{module.\_\_name\_\_:<20}\\t{module.\_\_version\_\_}")  

langchain_experimental 0.0.59langchain_core 0.2.0

0 准备API Key

amap\_api\_key = '此处填写高德API Key'  
tavily\_api\_key = '此处填写Tavily API Key'  

1 绑定工具

from langchain\_experimental.llms.ollama\_functions import OllamaFunctions  
  
model = OllamaFunctions(model='qwen:14b', base\_url='http://localhost:11434', format\='json')  

1.1 定义工具

此处定义了2个工具,一个是网络搜索,一个是天气查询,其中天气查询要发送2次网络请求,首先根据城市名称拿到对应的行政区划码adcode,然后再使用adcode查询天气

def search\_web(query, k=5, max\_retry=3):  
    import os  
    from langchain\_community.retrievers import TavilySearchAPIRetriever  
      
    os.environ\["TAVILY\_API\_KEY"\] = tavily\_api\_key  
    retriever = TavilySearchAPIRetriever(k=5)  
    documents = retriever.invoke(query)  
    \# return \[{'title': doc.metadata\['title'\], 'abstract': doc.page\_content, 'href': doc.metadata\['source'\], 'score': doc.metadata\['score'\]} for doc in  
    \#         documents\]  
    content = '\\n\\n'.join(\[doc.page\_content for doc in documents\])  
    prompt = f"""请将下面这段内容(<<<content>>><<</content>>>包裹的部分)进行总结:  
<<<content>>>  
{content}  
<<</content>>>  
"""  
    print('prompt:')  
    print(prompt)  
      
    return model.invoke(prompt).content  
      
def get\_current\_weather(city):  
    import requests  
    from datetime import datetime  
      
    url = f'https://restapi.amap.com/v3/config/district?keywords={city}&key={amap\_api\_key}'  
    resp = requests.get(url)  
    \# print('行政区划:')  
    \# print(resp.json())  
      
    adcode = resp.json()\['districts'\]\[0\]\['adcode'\]  
    \# adcode = '110000'  
  
    url = f'https://restapi.amap.com/v3/weather/weatherInfo?city={adcode}&key={amap\_api\_key}&extensions=base'  
    resp = requests.get(url)  
    """样例数据  
    {'province': '北京',  
     'city': '北京市',  
     'adcode': '110000',  
     'weather': '晴',  
     'temperature': '26',  
     'winddirection': '西北',  
     'windpower': '4',  
     'humidity': '20',  
     'reporttime': '2024-05-26 13:38:38',  
     'temperature\_float': '26.0',  
     'humidity\_float': '20.0'}  
    """  
    \# print('天气:')  
    \# print(resp.json())  
    weather\_json = resp.json()\['lives'\]\[0\]  
    return f"{weather\_json\['city'\]}{datetime.strptime(weather\_json\['reporttime'\], '%Y-%m-%d %H:%M:%S').strftime('%m月%d日')}{weather\_json\['weather'\]},气温{weather\_json\['temperature'\]}摄氏度,{weather\_json\['winddirection'\]}风{weather\_json\['windpower'\]}级"  
       
fn\_map = {  
    'get\_current\_weather': get\_current\_weather,  
    'search\_web': search\_web  
}  

1.2 绑定工具

使用下面的语句,将自定义的函数,绑定到大语言模型上

llm\_with\_tool = model.bind\_tools(  
    tools=\[  
        {  
            "name": "get\_current\_weather",  
            "description": "根据城市名获取天气",  
            "parameters": {  
                "type": "object",  
                "properties": {  
                    "city": {  
                        "type": "string",  
                        "description": "城市名,例如北京"  
                    }  
                },  
                "required": \["city"\]  
            }  
        },  
        {  
            "name": "search\_web",  
            "description": "搜索互联网",  
            "parameters": {  
                "type": "object",  
                "properties": {  
                    "query": {  
                        "type": "string",  
                        "description": "要搜素的内容"  
                    }  
                },  
                "required": \["query"\]  
            }  
        },  
    \],  
    \# function\_call={"name": "get\_current\_weather"}  
)  

2 使用工具

2.1 天气查询

from langchain\_core.messages import HumanMessage  
import json  
  
ai\_msg = llm\_with\_tool.invoke("北京今天的天气怎么样")  
kwargs = json.loads(ai\_msg.additional\_kwargs\['function\_call'\]\['arguments'\])
ai\_msg.additional\_kwargs  

{‘function_call’: {‘name’: ‘get_current_weather’,‘arguments’: ‘{“city”: “\u5317\u4eac”}’}}

kwargs  

{‘city’: ‘北京’}

fn\_map\[ai\_msg.additional\_kwargs\['function\_call'\]\['name'\]\](\*\*kwargs)  

‘北京市05月26日晴,气温25摄氏度,西风≤3级’

下图是将函数调用集成到Chainlit中的效果

2.2 网络搜索

输入比较新的内容后,大语言模型会自动判断使用网络搜索工具

ai\_msg = llm\_with\_tool.invoke("庆余年2好看吗")  
kwargs = json.loads(ai\_msg.additional\_kwargs\['function\_call'\]\['arguments'\])  

ai\_msg  

AIMessage(content=‘’, additional_kwargs={‘function_call’: {‘name’: ‘search_web’, ‘arguments’: ‘{“query”: “\u5e86\u4f59\u5e742 \u597d\u770b\u5417 \u5f71\u8bc4”}’}}, id=‘run-15f85676-e800-40e1-88dc-eb99d1994091-0’)

kwargs  

{‘query’: ‘庆余年2 好看吗 影评’}

fn\_map\[ai\_msg.additional\_kwargs\['function\_call'\]\['name'\]\](\*\*kwargs)  

输出结果:

prompt:请将下面这段内容(<<>><<>>包裹的部分)进行总结:<<>>庆余年2前5集观后感,优缺点浅评. 1~2集:前两集不太好看,因为看庆2之前我刚把第一季精编版刷完重温了一下剧情,感觉节奏和味道都不太对,没有庆1的节奏感,剧情很平,梗多,但是信息量很低,有些水,假死剧情逻辑上来说圆得很生硬,没什么必要 … 庆余年2开播这天,我给我自己放了一首《好日子》。因为点开第一集刚看了个开头,我就知道,属于我的2019年重新杀了回来。故事的接续感诚意十足,一点开就是张庆被催更,回扣整体的世界观,再跟随故事回到剧中,以同样的节奏同样的视角重现第一季的 … 微博讨论度也高得夸张,#庆余年 剧王#的词条直接登顶热搜,后面还挂了"爆"字,热度待遇堪比娱乐圈八卦,#庆余年2剧本写了约3年##庆余年 袁泉#等多个相关词条也一起上榜。微博讨论度 《庆余年2》书接上回,先需要揭开第一季结尾范闲被言冰云刺杀的悬念。 庆余年 第二季电视剧简介和剧情介绍,庆余年 第二季影评、图片、论坛 … 感觉这几年的期待就是个笑话,真的逃不脱第二季难看得宿命吗?… 庆余年2开播这天,我给我自己放了一首《好日子》。因为点开第一集刚看了个开头,我就知道,属于我的2019年重新杀 … 观众的打分和评价都一针见血_腾讯新闻. 《庆余年2》第一波真实口碑出炉!. 观众的打分和评价都一针见血. 等了5年,终于等到《 庆余年2 》惊喜开播了。. 而这部剧的首播当晚排面有多大呢?. 全网热度第一,热搜前十八个都和这部剧有关系。. 这个架势,不愧 …<<>> ‘《庆余年2》的开播似乎备受关注,首播当晚热度爆棚,登顶热搜榜首。观众们的反馈似乎既包含了期待又夹杂着对第一季结束后的剧情走向的揣测。然而,《庆余年2》能否延续并超越前作的口碑,还需时间给出答案。’

3 流式输出

与langchain_community.llms.ollama.Ollama中的Ollma类似,此处的OllamaFunctions依然支持流式输出,知识要注意,构造时如果传递了format参数,则会流式输出json

model = OllamaFunctions(model='qwen:14b', base\_url='http://localhost:11434', format\='json')  
  
for chunk in model.stream('介绍一下相对论'):  
    print(chunk.content, end='')  

{“response”: [{“title”: “狭义相对论”,“description”: “由爱因斯坦提出,主要阐述物体在高速运动(接近光速)时的物理现象。它包括两个基本原理:相对性原理和光速不变原理。”},{“title”: “广义相对论”,“description”: “是狭义相对论的一个自然拓展,由爱因斯坦在1915年提出。它主要描述了引力的本质,将引力视为物体所处的时空弯曲的结果。广义相对论的成功预测包括水星近日点的进动以及光在强引力场中的偏折现象。”}]}

commmon\_model = OllamaFunctions(model='qwen:14b', base\_url='http://localhost:11434')  
  
for chunk in commmon\_model.stream('介绍一下相对论'):  
    print(chunk.content, end='')  

输出结果:

相对论是物理学中两个重要的理论体系:狭义相对论和广义相对论。 1. 狭义相对论(Special Relativity):- 由爱因斯坦在1905年提出,主要针对的是非加速运动的观察者。- 狭义相对论的主要结论包括:光速不变原理、时间膨胀效应和长度收缩效应。 2. 广义相对论(General Relativity):- 提出于1915年的爱因斯坦,是对狭义相对论的一个自然推广,用于描述引力。- 广义相对论的主要贡献包括:时空弯曲的概念、引力波的预言和黑洞理论的确立。 尽管广义相对论在许多情况下都取得了惊人的成功,但它仍然没有被完全接受。一些物理学家认为可能存在其他形式的引力,这些观点被称为量子引力理论。然而,这些问题目前仍然是物理学界的研究前沿。

​

如何学习大模型

现在社会上大模型越来越普及了,已经有很多人都想往这里面扎,但是却找不到适合的方法去学习。

作为一名资深码农,初入大模型时也吃了很多亏,踩了无数坑。现在我想把我的经验和知识分享给你们,帮助你们学习AI大模型,能够解决你们学习中的困难。

我已将重要的AI大模型资料包括市面上AI大模型各大白皮书、AGI大模型系统学习路线、AI大模型视频教程、实战学习,等录播视频免费分享出来,需要的小伙伴可以扫取。

一、AGI大模型系统学习路线

很多人学习大模型的时候没有方向,东学一点西学一点,像只无头苍蝇乱撞,我下面分享的这个学习路线希望能够帮助到你们学习AI大模型。

在这里插入图片描述

二、AI大模型视频教程

在这里插入图片描述

三、AI大模型各大学习书籍

在这里插入图片描述

四、AI大模型各大场景实战案例

在这里插入图片描述

五、结束语

学习AI大模型是当前科技发展的趋势,它不仅能够为我们提供更多的机会和挑战,还能够让我们更好地理解和应用人工智能技术。通过学习AI大模型,我们可以深入了解深度学习、神经网络等核心概念,并将其应用于自然语言处理、计算机视觉、语音识别等领域。同时,掌握AI大模型还能够为我们的职业发展增添竞争力,成为未来技术领域的领导者。

再者,学习AI大模型也能为我们自己创造更多的价值,提供更多的岗位以及副业创收,让自己的生活更上一层楼。

因此,学习AI大模型是一项有前景且值得投入的时间和精力的重要选择。

30分钟跑通本地AI Agent:Ollama+Qwen2+LangChain实操指南 AI Agent(智能体)是一种能自主感知、规划、调用工具并执行任务的程序系统,其核心原理基于ReAct范式——通过‘Thought→Action→Observation→Answer’循环实现推理与行动闭环。技术价值在于摆脱云端依赖、降低试错成本、提升调试可见性与数据可控性。典型应用场景包括本地化工具集成(如天气查询、文件读取、周报生成)、离线AI助手开发及中小团队快速验证Agent架构可行性。本文聚焦可立即落地的轻量方案,采用Ollama运行Qwen2-1.5B本地大模型,结合LangChain构建结构 阅读详情

相关推荐

Qwen3.8-27B与Ollama本地部署:从工具调用到智能体工作流实战

工具调用(Tool Calling)是大型语言模型(LLM)从封闭文本生成器转向开放决策中枢的关键技术。其原理在于模型能够理解自然语言指令,规划任务步骤,并生成结构化请求(如JSON)来调用外部函数或API,从而突破训练数据的时间与知识限制。这项技术的核心价值在于赋予了模型动态执行复杂、多步骤任务的能力,显著提升了应用的灵活性与泛化性,而不再局限于预定义的脚本逻辑。在工程实践中,工具调用构成了智能体(Agent)的“大脑”,是实现自动化工作流、实时数据交互等应用场景的基础。本文以Qwen3.8-27B模型与

weixin_34268843的博客 495

Ollama教程——使用Ollama与LangChain实现Function Calling(函数调用)的详细教程(一)

OllamaFunctions是一个实验性的封装器,旨在为Ollama提供类似于OpenAI Functions的API接口。此封装器可以通过JSON Schema参数和函数调用参数,强制模型调用特定函数,从而实现更精确的任务处理。在开始之前,请确保已经按照Ollama的官方指南设置并运行本地的Ollama实例。通过上述步骤,我们展示了如何使用Ollama和LangChain实现函数调用任务。OllamaFunctions提供了一种强大的方法来定义和调用特定任务的函数,并返回结构化的输出。

walkskyer的博客 3272

Java大模型开发实战:Spring AI与LangChain4j技术全景指南

大模型正从概念落地为工程化应用,Java后端开发者需要一套完整的工具链来构建AI服务。Spring AI作为统一抽象层,屏蔽了底层模型差异,让开发者可以用类似Spring Boot的方式接入OpenAI、通义千问等大模型;而LangChain4j则复刻了LangChain的设计模式,为Java生态补齐了Chain、Agent、Tool等核心能力。两者共同构成了Java领域的大模型应用开发底座,配合Agent编排与Function Calling技术,模型不再仅是对话工具,而是能自动执行任务、调用工具的智能体

weixin_34280237的博客 435

ollama教程——使用Ollama与LangChain实现Function Calling(函数调用)的详细教程(二)【附完整源码】

Ollama 是一个开源框架,专门设计用于在本地运行大型语言模型。它的主要特点是将模型权重、配置和数据捆绑到一个包中,从而优化了设置和配置细节,包括 GPU 使用情况,简化了在本地运行大型模型的过程。Ollama 支持 macOS 和 Linux 操作系统,并且已经为 Windows 平台发布了预览版。Ollama 的一个重要优势是其易用性。安装过程简单,例如在 macOS 上,用户可以直接从官网下载安装包并运行。对于 Windows 用户,官方推荐在 WSL 2 中以 Linux 方式使用命令安装。

walkskyer的博客 2820

Agent工程实战:Function Call、MCP与Skills的三层落地逻辑

Agent不是大模型加函数调用的简单拼接,而是涵盖意图识别、协议标准化与能力解耦的系统工程。Function Call解决‘模型如何触发动作’,其核心在于参数生成鲁棒性与熔断机制;MCP作为Model Communication Protocol,将工具调用升维为可发现、可监控、可编排的标准化通信总线;Skills则是遵循该协议的自治能力单元,支持Playwright等技术封装与市场化复用。三者共同构成从LLM推理到真实业务交付的关键链路——在金融风控、跨境库存同步、智能行程规划等场景中,真正决定落地成败的

weixin_34275734的博客 659

LangChain函数调用实战:为大模型装上可靠双手

大语言模型(LLM)作为智能中枢,其核心瓶颈不在推理能力,而在与现实系统的执行对接——即‘函数调用’(Function Calling)这一关键技术。它通过标准化工具契约(Tool Schema)、意图驱动的调度机制与结构化参数验证,将文本输出转化为HTTP请求、数据库操作等真实动作。Zod/Pydantic强化的类型安全、bindTools构建的可解释执行图谱、以及Ollama本地部署下的熔断容错实践,共同支撑起生产级Agent的稳定性与可观测性。本文聚焦LangChain中Tools抽象、工具绑定与函数

weixin_30565327的博客 310

OllamaFunctions 学习笔记

OllamaFunctions 学习笔记

engchina的专栏 2789

Qwen3.8-27B本地部署与工具调用:基于Ollama构建私有化AI智能体

大语言模型(LLM)的本地部署是当前AI应用开发的关键趋势,它解决了数据隐私、成本控制和定制化需求等核心问题。其原理在于通过量化等技术将大型模型适配到消费级硬件,并借助标准化工具简化部署流程。这一技术价值在于为开发者和企业提供了构建私有化、低成本智能应用的基础设施。在实际应用场景中,结合工具调用(Function Calling)能力,本地模型可以从单纯的文本生成器升级为能够理解指令、执行复杂任务的自主智能体(Agent)。本文以通义千问Qwen3.8-27B模型和Ollama部署工具为例,详细阐述了如何将

weixin_33674976的博客 415

LangChain + Qwen(DashScope API)

两者的区别在于,ModelScope上的许多开发者是基于模型的checkpoint进行Fine-tune,而DashScope更多地为模型提供商(如百川智能、智谱AI、Stability.AI等)提供服务,通过API的方式向下游厂商提供Fine-tune和Influence链路服务。无独有偶,阿里云的通义千问也是同样的情况,Qwen-7B模型是开源的,而Qwen-50B模型未来可能会通过DashScope去做API模式的商业化。相对较小的小模型走开源路线,相对较大的大模型则走商业路线。

AI工程化、开源分享、文档翻译、代码笔记 7781

Python实战:阿里云百炼Qwen3.7的Function Calling详解

Function Calling是AI Agent实现工具调用与任务执行的核心机制,其本质是大模型基于用户意图,在预定义工具集上完成结构化决策与参数生成。它依赖于精准的工具描述(JSON Schema)、强约束的System Prompt以及模型对OpenAI兼容协议的原生支持。技术价值在于打通‘理解-决策-执行’闭环,支撑多轮对话、并行调用与全模态交互等高阶能力。典型应用场景包括智能客服、政务热线、企业知识库等需实时对接外部API的业务系统。本文聚焦Qwen3.7在阿里云百炼平台上的Python工程实践,

weixin_33686714的博客 408

LangChain Tools、MCP Tools与Function Calling 三者分工解析

大模型智能体(Agent)中的工具调用能力,本质是‘意图理解→结构化决策→标准化执行’的技术闭环。Function Calling 是模型内置的结构化意图解析引擎,决定能否识别并生成工具调用指令;LangChain Tools 是面向开发者的工具封装范式,解决多源异构系统在统一框架下的可调度性问题;MCP Tools 则定义了模型与工具间通用的通信契约,确保参数传递、错误处理与流式响应的跨平台一致性。三者分属能力层、工程层与协议层,不可替代亦不可混淆。本文结合7个生产级落地案例,深入剖析其协同机制与典型误用

weixin_34075268的博客 365

Ollama 本地大模型部署实战:从下载到接入 IDE、Web 和 API

引言:为什么要把大模型跑在本地 2026 年,云端大模型 API 已经非常成熟,但仍有越来越多开发者把模型搬到本地,核心原因有四: 隐私与合规:代码、文档、业务数据不出本机,金融/政企/内网场景的硬性要求 成本可控:API 按 token 计费,重度使用(写代码补全、批量处理)月账单可观;本地只付电费 离线可用:断网、出差、内网隔离环境也能工作 可控可调:模型、量化、上下文、提示词完全由自己掌控,还能微调 本文从零开始,覆盖一条完整的"本地大模型接入链":模型选型 → 安装部署 → 终端交互 → IDE

vipxieliang的博客 8753

Qwen3.8-27B登陆Ollama:本地部署与工具调用实战指南

大语言模型(LLM)通过模拟人类语言理解和生成,正成为人工智能应用的核心。其工作原理基于Transformer架构,通过海量数据训练获得强大的上下文理解和推理能力。这一技术价值在于能将自然语言指令转化为具体行动,极大提升了人机交互的效率和自动化水平。在应用场景上,LLM结合工具调用(Function Calling)能力,可广泛应用于智能助手、自动化脚本、数据分析等领域,实现从“对话”到“执行”的跨越。本文聚焦于通义千问Qwen3.8-27B模型与Ollama平台的集成,详细演示了如何在本地环境部署这一具备

weixin_30542079的博客 357

Ollama+Qwen3.5本地部署实战:消费级显卡跑通多模态大模型

大语言模型本地化部署是AI工程落地的关键环节,涉及模型运行时、量化格式、硬件适配与工具链集成等基础技术。Ollama作为轻量级模型运行时,通过自动GGUF加载、GPU/CPU智能调度和OpenAI兼容API,显著降低部署门槛;Qwen3.5则凭借统一视觉-语言token融合架构与门控Delta网络,在9B参数规模下实现256K上下文、多模态理解与原生tool calling等高阶能力。二者结合,使RTX 3090等消费级显卡也能稳定支撑图文对话、本地知识库问答与自动化Agent等真实场景,为中小企业及个人开

weixin_30655569的博客 501

基于LangChain构建本地大模型智能体:从工具调用到Agent实战

大语言模型(LLM)作为决策引擎,能够理解用户意图并生成文本,但其本身无法直接操作外部系统或数据。为解决这一局限,工具调用(Tool Calling)技术应运而生,它通过标准化接口将外部能力(如API、数据库、文件操作)封装成模型可理解的“技能”,使LLM能够结构化地请求并利用这些功能。这项技术的核心价值在于实现了“思考”与“行动”的结合,极大扩展了AI的应用边界,使其从单纯的对话助手升级为能够自主完成复杂任务的智能体(Agent)。在工程实践中,通过框架(如LangChain)协调LLM、工具和决策循环,

weixin_30388677的博客 434

从零到一:基于DESeq2的转录组差异表达分析实战指南

本文详细介绍了基于DESeq2的转录组差异表达分析实战指南,涵盖数据准备、标准化处理、差异分析及结果解读等关键步骤。DESeq2凭借其稳定性和对低表达基因的友好处理,成为转录组数据分析的首选工具。文章还提供了常见问题排查和优化建议,帮助研究者高效完成从分析到发表的完整流程。

weixin_26759093的博客 274
上一篇: AI产品经理 | 入行AI的必备知识
下一篇: hugging face:大模型时代的github介绍
AI_小站
博客等级 码龄3年 6255粉丝 1155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