使用LangChain、CrewAI、AutoGen搭建数据分析Agent

如何使用 CrewAI 构建协作型 AI Agents 语言模型在翻译、总结和推理方面表现出色。但它们的潜力远不止于此。让大语言模型 (LLM) 具备代理性是充分挖掘其推理潜力的一种方法。AI 智能体就是被赋予适当工具和指令的 LLM,能够自动完成网页浏览、网络抓取、执行 SQL 查询、文件操作等任务。利用 LLM 的推理能力,这些智能体能够根据当前需求选择合适的工具。而且,我们还可以将多个智能体组合起来,共同完成更复杂的任务。当我们谈论如何构建 AI Agents时,首先想到的工具就是 LangChain。 阅读详情

数据分析智能体能自动开展分析任务、执行代码,还能对数据查询做出自适应回应。LangGraph、CrewAI 和 AutoGen 是构建此类人工智能智能体的三大热门框架。本文运用并对比这三个框架,来构建一个简易的数据分析智能体,看看它们在实际应用中的表现究竟如何。

1 数据分析智能体的工作原理

数据分析智能体首先接收用户的查询,据此生成读取和分析文件数据的代码。接着利用 Python REPL 工具执行该代码,并把执行结果回传至智能体。随后智能体对收到的结果加以分析,进而回复用户查询。鉴于大型语言模型(LLM)可生成任意代码,在本地环境执行其生成的代码时必须谨慎小心,确保整个过程安全可靠。

2 使用 LangGraph 构建数据分析智能体

  • 先决条件

在构建智能体之前,确保你已获取所需大型语言模型的必要 API 密钥,使用这些 API 密钥加载 .env 文件。

from dotenv import load_dotenv
load_dotenv("./env")
  • 所需库

    • langchain — 0.3.7
    • langchain - experimental — 0.3.3
    • langgraph — 0.2.52
    • crewai — 0.80.0
    • Crewai - tools — 0.14.0
    • autogen - agentchat — 0.2.38

准备就绪后,开始构建智能体。

2.1 使用 LangGraph 构建数据分析智能体的步骤

1).导入必要的库

import pandas as pd
from IPython.display import Image, display
from typing import List, Literal, Optional, TypedDict, Annotated
from langchain_core.tools import tool
from langchain_core.messages import ToolMessage
from langchain_experimental.utilities import PythonREPL
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.checkpoint.memory import MemorySaver

2). 定义状态

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

3). 定义大型语言模型和代码执行函数,并将该函数绑定到大型语言模型

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.1)

@tool
def python_repl(code: Annotated[str, "filename to read the code from"]):
    """使用此函数执行从文件读取的 Python 代码。如果你想查看某个值的输出,
    请确保正确读取代码,并使用 `print(...)` 将其打印出来,这对用户是可见的。"""
    try:
        result = PythonREPL().run(code)
        print("RESULT CODE EXECUTION:", result)
    except BaseException as e:
        return f"执行失败。错误: {repr(e)}"
    return f"已执行:\n```python\n{code}\n```\n标准输出: {result}"

llm_with_tools = llm.bind_tools([python_repl])

4). 定义智能体回复的函数,并将其作为节点添加到图中

def chatbot(state: State):
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

graph_builder.add_node("agent", chatbot)

5). 定义工具节点并将其添加到图中

code_execution = ToolNode(tools=[python_repl])
graph_builder.add_node("tools", code_execution)

如果大型语言模型返回工具调用,我们需要将其路由到工具节点;否则,可以结束。我们定义一个路由函数,然后添加其他边。

def route_tools(state: State):
    """
    在条件边中使用,若最后一条消息包含工具调用,则路由到工具节点,否则路由到结束。
    """
    if isinstance(state, list):
        ai_message = state[-1]
    elif messages := state.get("messages", []):
        ai_message = messages[-1]
    else:
        raise ValueError(f"在输入状态中未找到消息用于工具边: {state}")

    if hasattr(ai_message, "tool_calls") and len(ai_message.tool_calls) > 0:
        return"tools"
    return END

graph_builder.add_conditional_edges(
    "agent",
    route_tools,
    {"tools": "tools", END: END},
)
graph_builder.add_edge("tools", "agent")

6). 添加内存以便与智能体聊天

memory = MemorySaver()
graph = graph_builder.compile(checkpointer=memory)

7). 编译并显示图

graph = graph_builder.compile(checkpointer=memory)
display(Image(graph.get_graph().draw_mermaid_png()))

8). 开始聊天

由于添加了内存,我们为每个对话分配唯一的线程 ID,并在该线程上开始对话。

config = {"configurable": {"thread_id": "1"}}

def stream_graph_updates(user_input: str):
    events = graph.stream(
        {"messages": [("user", user_input)]}, config, stream_mode="values"
    )
    for event in events:
        event["messages"][-1].pretty_print()

whileTrue:
    user_input = input("用户: ")
    if user_input.lower() in ["quit", "exit", "q"]:
        print("再见!")
        break
    stream_graph_updates(user_input)

在循环运行时,我们首先提供文件路径,然后基于数据提出任何问题。

输出如下所示:

img由于包含了内存,我们可以在聊天中就数据集提出任何问题。智能体将生成所需的代码,并执行该代码。代码执行结果将返回给大型语言模型。如下例所示:

img

2.2 使用 CrewAI 构建数据分析智能体

现在,我们使用 CrewAI 进行数据分析任务。

1).导入必要的库

from crewai import Agent, Task, Crew
from crewai.tools import tool
from crewai_tools import DirectoryReadTool, FileReadTool
from langchain_experimental.utilities import PythonREPL

2). 构建一个生成代码的智能体和一个执行代码的智能体

coding_agent = Agent(
    role="Python 开发者",
    goal="编写设计精良、深思熟虑的代码来解决给定问题",
    backstory="你是一位资深 Python 开发者,在软件及其最佳实践方面拥有丰富经验。你擅长编写简洁、高效且可扩展的代码。",
    llm='gpt-4o',
    human_input=True
)

coding_task = Task(
    description="编写代码解决给定问题,并将代码输出分配给'result' 变量。问题: {problem}",
    expected_output="解决问题的代码,代码输出应分配给'result' 变量",
    agent=coding_agent
)

3). 定义执行代码的函数作为 CrewAI 工具

为了执行代码,我们将使用 PythonREPL(),并将其定义为 CrewAI 工具。

@tool("repl")
def repl(code: str) -> str:
    """用于执行 Python 代码"""
    return PythonREPL().run(command=code)

4). 定义可访问 repl 和 FileReadTool() 的执行智能体和任务

executing_agent = Agent(
    role="Python 执行者",
    goal="运行接收到的代码以解决给定问题",
    backstory="你是一位 Python 开发者,在软件及其最佳实践方面拥有丰富经验。你能够有效地执行代码、调试和优化 Python 解决方案。",
    llm='gpt-4o-mini',
    human_input=True,
    tools=[repl, FileReadTool()]
)

executing_task = Task(
    description="执行代码解决给定问题,并将代码输出分配给'result' 变量。问题: {problem}",
    expected_output='问题的结果',
    agent=executing_agent
)

5). 构建包含两个智能体和相应任务的团队

analysis_crew = Crew(
    agents=[coding_agent, executing_agent],
    tasks=[coding_task, executing_task],
    verbose=True
)

6). 使用以下输入运行团队

inputs = {'problem': "读取此文件并返回列名,同时计算平均年龄 /home/santhosh/Projects/Code/LangGraph/gym_members_exercise_tracking.csv"}
result = analysis_crew.kickoff(inputs=inputs)
print(result.raw)

输出如下所示:

img

2.3 使用 AutoGen 构建数据分析智能体

1).导入必要的库

from autogen import ConversableAgent
from autogen.coding import LocalCommandLineCodeExecutor, DockerCommandLineCodeExecutor

2). 定义代码执行器和使用该执行器的智能体

executor = LocalCommandLineCodeExecutor(
    timeout=10,  # 每次代码执行的超时时间(秒)
    work_dir='./Data'  # 用于存储代码文件的目录
)

code_executor_agent = ConversableAgent(
    "code_executor_agent",
    llm_config=False,
    code_execution_config={"executor": executor},
    human_input_mode="ALWAYS"
)

3). 定义编写代码的智能体并设置自定义系统消息

从 https://microsoft.github.io/autogen/0.2/docs/tutorial/code-executors/ 获取 code_writer 系统消息。

code_writer_agent = ConversableAgent(
    "code_writer_agent",
    system_message=code_writer_system_message,
    llm_config={"config_list": [{"model": "gpt-4o-mini"}]},
    code_execution_config=False
)

4). 定义要解决的问题并启动聊天

problem = "读取路径为 '/home/santhosh/Projects/Code/LangGraph/gym_members_exercise_tracking.csv' 的文件,并打印人员的平均年龄"

chat_result = code_executor_agent.initiate_chat(
    code_writer_agent,
    message=problem
)

聊天开始后,我们也可以就上述数据集提出任何后续问题。如果代码出现错误,我们可以要求修改代码;如果代码无误,我们只需按回车键继续执行代码。

5). 如有需要,还可以使用以下代码打印我们提出的问题及其答案

for message in chat_result.chat_history:
    if message['role'] == 'assistant':
        if 'exitcode' not in message['content']:
            print(message['content'])
            print('\n')
    else:
        if 'TERMINATE' in message['content']:
            print(message['content'])
            print("----------------------------------------")

结果如下所示:

img

​

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

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

四、100+套大模型面试题库

在这里插入图片描述

五、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。

LangChain:使用自然语言查询数据库 在LLM模型还没有特别成熟,像现在这样火爆之前,我们对于数据库的传统理解方式依然还是建立在需要先去学习如如何使用SQL脚本来跟Database进行交互。这将需要花费你大量的时间和精力,而且随着时代的发展,数据库版本的升级迭代和新型的数据库产品的诞生,我们都需要快速的去适应。前几年随着云计算的火热,为了适应市场的需求,我们的产品需要去适配各大主流云厂商的DB产品;2022年开始在信创领域,也开始陆续推进国产数据库的适配(如达梦、人大金仓、TBaseOceanBase。 阅读详情

相关推荐

从零搭建AI Agent:核心架构、技术选型与数据分析实战

AI Agent(智能体)作为当前人工智能领域的热点,其核心在于通过大语言模型(LLM)作为决策大脑,结合工具调用、记忆系统和规划能力,实现自主理解、规划并执行复杂任务。这一架构赋予了系统高度的灵活性和智能性,使其能够处理传统预定型工作流难以应对的非确定性场景。在技术实现上,开发者需在LangChain、AutoGen等底层开发框架与Dify等低代码平台之间做出权衡,并综合考虑GPT、Claude及国内大模型在效果、成本与合规性上的差异。本文以构建一个“数据分析Agent”为例,详细拆解了从环境搭建、工具设

weixin_33770878的博客 436

1小时掌握CrewAI Agents使用

准备好AI革命了吗?本视频教程将带您从零开始构建自己的CrewAI,并部署一支AI代理团队,提升项目智能化自动化和流程优化。学习如何定制AI代理、设定任务,并管理CrewAI的顺畅运行。掌握CrewAI的技巧后,您将能够将复杂挑战简化为简单任务。课程简介CrewAI示例介绍CrewAI工作原理代码样例构建项目环境构建Agent构建工具定义任务创建任务并运行

开源 Agent 框架对比:LangChain vs AutoGen vs CrewAI

LangChain:适合快速验证单 Agent 想法,尤其在文档处理和知识问答领域。AutoGen:多 Agent 协作的首选,适合需要动态任务分配和人机协同的场景。CrewAI:角色分工明确的团队协作场景,如内容创作、项目管理等。开发者可根据项目需求选择框架,或结合使用(如 CrewAI+LangChain 工具链),以充分发挥 LLM 的潜力。

shuizhudan223的博客 3793

多Agent协作工具CrewAI使用指南——核心概念

代理Agent是一个自主单元,被编程用于:执行任务执行任务做出决策与其他代理进行通信将代理看作团队的一员,具有特定的技能和特定的工作任务。代理可以担任不同的角色,如“研究员”、“作家”或“客户支持”,每个角色都为团队的整体目标做出贡献。在 crewAI 框架中,任务是由代理完成的具体任务。它们提供执行所需的所有必要细节,如描述、负责代理、所需工具等,有助于促进各种行动复杂性。crewAI 中的任务可以是协作的,需要多个代理共同工作。

数智笔记 1万+

实战LangChain(七):集成CrewAI——实现多代理协作

通过本篇文章的学习,我们成功地将CrewAI集成到LangChain项目中,实现了多代理协作的功能。这种多代理协作模式可以显著提升复杂任务的处理效率和质量。

mtl1994的博客 1731

Windows 11 下 WSL 离线安装 Ubuntu 22.04 保姆级教程(国内镜像加速版)

本文提供了一份针对中国地区用户的Windows 11下WSL离线安装Ubuntu 22.04的详细教程。通过使用国内镜像源加速下载安装包,并配合PowerShell命令完成部署,有效解决了官方商店下载缓慢的问题。教程涵盖环境准备、离线包获取、安装初始化及安装后的关键优化配置,帮助用户快速搭建高效的Linux开发环境。

weixin_28452161的博客 1381

收藏必备!小白程序员轻松入门大模型Agent,解锁AI时代高薪职业新机遇

AI Agent技术正在快速发展,2026年将是关键的一年。随着技术的成熟和工具的完善,我们将看到越来越多强大的AI Agent应用于各行各业。

优快云_224022的博客 334

JeecgBoot漏洞利用工具解析:一键getshell原理与安全加固实践

在应用安全领域,远程代码执行(RCE)和文件上传漏洞是Web系统面临的高危威胁,其核心原理在于对用户输入的控制不足或安全校验缺失。攻击者通过构造恶意请求,可绕过系统边界,在服务器上执行任意命令或上传恶意文件,从而获取系统控制权。这类漏洞的技术价值在于揭示了应用层安全防护的薄弱环节,其利用方式自动化、集成化趋势明显,极大地提升了攻击效率。在低代码开发平台等快速构建的业务系统中,此类风险尤为突出。应用场景广泛覆盖安全测试、渗透评估与应急响应。本文聚焦于JeecgBoot平台的历史高危漏洞,深入解析其SQL注入、

weixin_30787531的博客 554

盘点5个顶级Agent框架:crewAI、AutoGen、LangChain、Vertex AI Agent Builder、Cogniflow

AI大模型作为人工智能领域的重要技术突破,正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口,掌握AI大模型的知识和技能将变得越来越重要。学习AI大模型是一个系统的过程,需要从基础开始,逐步深入到更高级的技术。这里给大家精心整理了一份全面的AI大模型学习资源包括:AI大模型全套学习路线图(从入门到实战)、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等,资料免费分享!

m0_56255097的博客 9708

从Wi-Fi到蓝牙:手把手教你用Cadence Virtuoso搭建一个2.4GHz锁相环频率综合器(含PFD/CP/VCO模块设计)

本文详细介绍了如何在Cadence Virtuoso中设计一个2.4GHz锁相环频率综合器(PLL),涵盖从系统架构到模块级设计的全流程。重点解析了PFD、CP和VCO等核心模块的设计技巧与仿真验证方法,帮助模拟集成电路设计师掌握高频PLL的实现要点,满足Wi-Fi和蓝牙等无线通信标准的要求。

weixin_30315723的博客 419

ISCC-Amy‘s Code CTF-Reverse

ISCC-Amy's Code CTF-Reverse

m0_72904009的博客 683

构建数据分析Agent:使用LangChain、CrewAI和AutoGen的完整指南

为了执行代码,我们将使用 PythonREPL(),并将其定义为 CrewAI 工具。

2401_84204413的博客 2081

使用 MATLAB/Simulink + Simscape Electrical,构建一个含光伏并网系统与SVG的联合仿真模型,实现动态无功补偿与电压支撑

摘要:本文详细介绍了基于Simulink的SVG与光伏并网逆变器联合系统建模方法。通过构建包含光伏单元、SVG主电路和控制模块的仿真模型,实现动态无功补偿与电压稳定。重点阐述了ip-iq无功检测算法、双闭环控制和SVPWM调制等关键技术。仿真结果表明,该系统能快速响应无功需求,在10ms内将功率因数提升至0.98以上,有效抑制电压波动。文章为新能源并网系统中的电能质量治理提供了实用解决方案,并提出了进一步优化方向。

xiaoheshang_123的博客 323

超越LangChain:深度剖析AutoGen、CrewAI与LangGraph,构建你的AI Agent技术栈

【摘要】AI Agent框架正经历从“单一神器”到“分层技术栈”的转变。LangChain、AutoGen、CrewAI、LangGraph、LlamaIndex等主流工具各有专长。文章系统梳理各框架的设计哲学、技术优劣、适用场景与工程化落地路径,提出“分层解耦、各司其职”的技术栈架构。通过结构化对比、流程图、工程要点与典型案例,为产品经理和技术决策者提供一套可复制、可扩展、可运维的AI Agent落地蓝图。

欢迎来到运通链达的官方博客!我们深度探讨人工智能技术与应用,贯彻科技向善理念,推动科技进步与社会福祉和谐共生。 2786

wireshark提取视频数据之RTP包中提取H264和H265

本文主要描述从wireshark包数据中提取出H264和H265裸流数据方法,裸流通过RTP封包方式发送,从抓包中直接提取视频流数据,进而进行流媒体问题定位

技术控的笔记 17万+

C#面试题及详细答案120道(61-75)-- 多线程与异步

本文摘要了前后端面试题中关于线程与并发的核心知识点,包括线程与进程的区别(61题)、Thread/ThreadPool/Task的对比(62题)、线程安全实现方法(63题)、lock关键字的原理(64题)、Monitor类的进阶用法(65题)以及死锁的成因与避免(66题)。通过C#代码示例和表格对比,清晰展示了多线程编程的关键概念、应用场景及常见问题解决方案,适合开发者快速掌握面试高频考点。完整内容可访问专栏目录获取更多技术面试题解析。

大剑师兰特的GIS世界 1435

AI Agent框架选择指南:五大主流框架LangChain、LangGraph、CrewAI、Semantic Kernel、AutoGen对比分析!

在2023年以前,AI Agent更多是强化学习领域的概念,通过在复杂环境中获取人类反馈的奖励信息从而得以不断提升。大模型的出现为AI Agent提供了“聪明的大脑”,并重新定义了AI Agent。 当前,由大模型驱动的AI Agent架构是比较常见的AI Agent落地架构,包含 规划(Planning)、记忆(Memory)、工具(Tools)、执行(Action) 四大要素。AI Agent能够充分发挥大模型的能力,尤其是在解决复杂问题方面,相较于传统AI应用架构将实现跃迁级提升。斯坦福大学教授吴恩达

2401_85390073的博客 5327

华为OD机试 - 音乐小说内容重复识别 - 并查集(Java 双机位C卷 200分)

华为OD机试 双机位C卷题库疯狂收录中,刷题。

学Java,找哪吒 160

Agent框架选型决策地图:LangChain、LangGraph、AutoGen、CrewAI核心对比

Agent(智能体)是构建自主协作AI系统的核心范式,其本质是将大模型能力封装为可调度、可通信、可状态管理的运行单元。实现Agent系统需权衡抽象层级、状态一致性、调试可观测性与生产稳定性四大技术维度。LangChain以函数式管道提供灵活组件组装能力,适合线性RAG流程;LangGraph通过显式State与DAG图谱实现强约束流程编排,天然支持检查点与可视化追踪;AutoGen回归过程式控制,以ConversableAgent和chat_history赋予极致动态调度自由度;CrewAI则采用角色-任务

aocaiti5781的博客 667

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。

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Agent框架选型全景对比:LangChain/CrewAI/AutoGen的适用边界

Agent框架在2026年已分化为三种不同定位,彼此不应视为"替代品"。:定位为"LLM应用基础设施",而非纯粹Agent框架。提供从Prompt管理、模型调用、RAG链到Agent的完整工具链。优势是覆盖范围广(几乎所有LLM应用需求都有对应模块)、社区庞大。劣势是抽象层过多(需要理解Chain/Agent/Tool三类抽象及其交互),在简单场景中引入不必要的复杂度。:定位为"多Agent协作编排",专注于角色定义和Agent间的任务分配。优势是Agent角色定义直观()、多Agent协作流程清晰。

specter__的博客 5823

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

智能体框架选型必读:一文梳理 Dify、Coze、n8n、AutoGen、LangChain、CrewAI

智能体框架选型必读:一文梳理 Dify、Coze、n8n、AutoGen、LangChain、CrewAI

AI大模型的博客 2381

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。

智能体框架怎么选?LangChain、Dify、CrewAI、AutoGen五大框架横向对比

智能体定制开发,选择框架是第一步。

2301_76168381的博客 2414

一文读懂LangChain、LlamaIndex、LangGraph、CrewAI、MetaGPT、AutoGen、CAMEL、Agent Squad、LangSmith等AI框架

通俗易懂解释LangChain、LlamaIndex、LangGraph、CrewAI、MetaGPT、AutoGen、CAMEL、Agent Squad、LangSmith等AI框架

Shirmy的博客 931
上一篇: 大模型报告 | 腾讯云《AI大模型应用发展研究报告》(附下载)
下一篇: 使用知识图谱,大幅提升RAG准确性,代码在文末获取!
冻感糕人~
博客等级 码龄3年 8926粉丝 2399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