AI客服Agent开源项目精选：高星标项目汇总与选型指南（收藏版）

冻感糕人~ 冻感糕人~ 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 199平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄3年
关注
原创 最新推荐文章于 2026-10-11 14:20:35 发布 199 阅读 AI 写同款· GEO 优化 ›
GitHub高星项目实战：AI数据与工具链的选型与避坑指南 在AI应用开发日益工程化的今天，开发者不再满足于简单调用API，而是更关注如何高效获取、清洗结构化数据，并让AI无缝接入现有工具链。GitHub Trending上的项目往往折射出这一趋势——从SearXNG这类元搜索聚合器，到WebScraper类网页转文本工具，再到LangChain4j在Java生态中的落地实践，它们共同解决着RAG、Agent等场景下的数据源与交互问题。同时，数据备份、调试工具如Fiddler、DBeaver等也在AI工作流中扮演着隐性但关键的角色。本文从数据处理与工具集成的基础概念 阅读详情

本文汇总GitHub上高星标的AI客服Agent开源项目，从架构、功能和场景分析，为开发者和企业提供技术选型。核心需求包括智能问答、多渠道接入、知识库管理、长期记忆、自动化流程等。推荐项目如Dify、Lobe Chat、RAGFlow等，并针对企业级、快速开发、文档处理、复杂任务等不同场景提供组合建议，助力构建高效、个性化AI客服系统。

图片

一、AI客服Agent核心需求分析

在深入探讨具体项目前，首先明确AI客服Agent的关键需求：

  1. 智能问答能力：包括意图识别、实体抽取、上下文理解等NLP基础能力，是客服Agent的核心功能。

  2. 多渠道接入：支持网页、APP、社交媒体、即时通讯工具等多种用户接触点，实现全渠道覆盖。

  3. 知识库管理：能够整合企业知识库、文档资源，通过检索增强生成(RAG)技术提供准确回答。

  4. 长期记忆与个性化：记住用户历史交互、偏好和问题，提供连贯、个性化的服务体验。

  5. 自动化流程处理：将常见问题自动处理，减少人工干预，如订单查询、退换货流程等。

  6. 安全与隐私控制：支持本地化部署、数据隔离和权限管理，确保用户数据安全。

  7. 可扩展性与集成能力：能够与CRM、ERP等企业系统集成，扩展新功能。

  8. 性能与稳定性：支持高并发处理、快速响应和持续在线服务。

二、高星标AI客服开源项目汇总

以下项目按GitHub星标数量从高到低排列，均具备客服场景的适用性：

  1. Dify (110k+星标)

项目概览：Dify是一个开源的LLM应用开发平台，融合了可视化界面、RAG工作流、Agent能力和模型管理功能。它提供了一套完整的工具链，支持从简单问答到复杂任务处理的AI应用构建。

核心功能：

可视化工作流编排：通过拖拽式界面设计复杂的AI流程

多格式文档摄入：支持PDF、PPT等非结构化内容的解析和检索

全模型生态支持：兼容GPT、Mistral、Llama3等主流模型

上下文记忆管理：通过Chatflow类型实现多轮对话记忆

知识库与插件系统：支持外部知识库接入和自定义插件开发

适用场景：

企业知识库驱动的智能客服系统

需要多轮对话理解的复杂问题处理

需要灵活编排客服工作流程的场景

支持多模型切换和对比的客服解决方案

技术特点：Dify采用模块化设计，支持无代码和低代码开发，提供开箱即用的WebApp界面和API接口。其记忆机制通过Chatflow应用类型实现，自动存储和传递多轮对话历史，支持设置记忆窗口大小。

  1. Lobe Chat (64.3k+星标)

项目概览：Lobe Chat是一个开源的多模型聊天与应用平台，强调用户体验，支持语音、视觉识别、多模态输入、插件市场和移动端适配。

核心功能：

多模态交互：支持文本、语音和图像输入

插件市场：可扩展功能，满足多样化交互需求

统一模型接口：支持OpenAI、Anthropic、Gemini等模型服务商

透明界面：提供清晰可控的交互体验

会话管理：支持多用户、多会话的管理

适用场景：

需要多模态交互能力的客服系统

需要快速搭建高交互体验的AI客服界面

支持语音或图像识别的客服场景

需要与第三方服务集成的客服解决方案

技术特点：Lobe Chat采用Next.js + React技术栈，前端使用Ant Design组件库，后端基于tRPC实现端到端类型安全API通信。其架构分为用户交互层、中间协调层和模型执行层，支持流式传输和多模型切换，部署可通过Docker或Vercel实现。

  1. RAGFlow (62.1k+星标)

项目概览：RAGFlow是一款基于深度文档理解的开源RAG引擎，旨在为企业和个人提供高质量、可解释的问答与Agent服务，特别擅长处理非结构化文档内容。

核心功能：

深度文档解析：支持PDF、Word、PPT、Excel等格式的非结构化内容提取

RAG问答与引用追踪：结合向量检索与LLM生成带引用的回答

可视化块管理：允许用户手动调整检索块以优化回答准确度

知识库管理：支持多种文档格式的摄入和管理

API接口：提供RESTful API供第三方系统调用

适用场景：

文档驱动的客服问答系统

需要引用来源的准确回答场景

复杂格式文档的知识库构建

需要高精度文档解析的客服应用

技术特点：RAGFlow采用Python开发，基于Flask框架，使用Elasticsearch作为向量数据库。其核心优势在于对非结构化文档的深度解析能力，能够从复杂文档中提取关键信息并构建检索管道，特别适合需要从大量企业文档中快速获取信息的客服场景。

  1. OpenClaw (16k+星标)

项目概览：OpenClaw是一款开源的AI Agent框架，采用类似守护进程(Daemon)的后台常驻运行机制，结合多渠道即时通讯接入与长期记忆系统，提供具备上下文理解能力、数据隐私完全可控的持续性状态化数字助手服务。

核心功能：

Gateway网关：支持多平台IM消息收发和路由控制

Memory记忆系统：基于Markdown纯文本格式构建存储，支持长期与短期记忆

多Agent协同：支持多个Agent协作完成复杂任务

数据隐私控制：支持本地化部署和私有化部署

企业级部署：提供云端一键部署方案和管控面板

适用场景：

企业内部客服系统的私有化部署

需要与企业微信、钉钉、飞书等IM系统集成的场景

需要长期记忆和个性化服务的企业客服

重视数据隐私和安全控制的客服解决方案

技术特点：OpenClaw采用Python开发，支持单机本地部署与云端部署，原生适配多种企业级IM平台。其记忆系统通过Markdown格式实现，AI可分析和提取记忆内容，塑造Agent的性格与行为模式。部署可通过Docker或云服务（如腾讯云Lighthouse）实现，提供99.9%的SLA可用性保证。

  1. AgentGPT (34.7k+星标)

项目概览：AgentGPT是一个开源项目，让用户可以在浏览器中自主配置和部署AI代理，无需复杂部署背景。它通过网页端设置目标与名字，启动Agent运行，实现"思考—执行—学习"的闭环。

核心功能：

浏览器式代理配置：无需编程知识即可设置目标和名字

目标驱动执行：Agent会分解目标为子任务并自动执行、反馈和优化

自动化环境初始化：内置CLI自动配置环境变量、数据库和前后端

多任务处理：支持同时处理多个目标和任务

学习能力：通过执行反馈不断优化自身表现

适用场景：

需要快速搭建任务型客服Agent的场景

非技术人员参与AI客服系统配置的场景

个人或小团队的客服自动化需求

需要直观界面进行Agent配置和管理的场景

技术特点：AgentGPT采用浏览器端配置，后端基于FastAPI，前端使用Next.js。其部署过程相对简单，支持一键安装Python、Bash等基础能力，适合快速验证AI客服概念和原型开发。

  1. Mem0 (38.1k+星标)

项目概览：Mem0是一款专为AI Agent设计的长期记忆管理系统，致力于解决AI常见的"遗忘"问题。它通过统一记忆层使智能体能够跨会话、跨应用持续保留用户偏好与历史上下文，实现个性化且连续的交互体验。

核心功能：

多级记忆架构：支持用户级、会话级和智能体级的多层记忆管理

高性能与高效成本：相比OpenAI Memory，在准确率上提升约26%，响应延迟降低91%，Token消耗降低90%

本地化隐私优先：所有数据可在本地处理与存储，用户拥有完全控制权

记忆提取与管理：提供API接口供外部系统调用和管理记忆内容

记忆可视化：支持记忆内容的可视化展示和分析

适用场景：

需要跨会话记忆用户偏好的客服系统

AI助手需要连贯自然交互的场景

医疗、咨询等需要上下文延续的客服场景

重视数据隐私和本地控制的客服解决方案

技术特点：Mem0采用Python开发，基于Flask框架，使用SQLite或PostgreSQL作为数据库。其核心优势在于高效的记忆管理和检索算法，支持与各种对话引擎（如Rasa、Dify等）集成，为客服Agent提供强大的长期记忆能力。

  1. AutoGen (高星标)

项目概览：AutoGen是微软开发的开源框架，支持复杂的对话和代码执行。它采用群聊模式，多个Agent可以像人类团队一样讨论问题、分配任务并协作完成客服需求。

核心功能：

群聊模式：多个Agent可以讨论和协作解决问题

工具调用：支持调用外部API、数据库查询等工具

人类介入：可以设置需要人工确认的Agent，确保敏感操作的安全性

Token优化：提供对话历史管理、摘要生成等机制减少Token消耗

可观测性：支持记录对话轨迹，便于调试和优化

适用场景：

复杂问题需要多个Agent协作解决的客服场景

需要处理多步骤任务的客服系统

需要人工介入监督的敏感操作场景

电商、金融等需要多角色协作的客服需求

技术特点：AutoGen基于Python开发，支持Docker部署和云服务集成。其架构特点在于通过多个Agent的协作模拟人类团队的工作流程，特别适合处理需要多步骤、多角度思考的客服问题。部署过程相对复杂，需要云服务支持和一定的技术能力。

  1. CrewAI (高星标)

项目概览：CrewAI是一个Python框架，用于编排角色扮演、自主AI Agent。它使开发者能够设计具有高度简单性和精确低级别控制的自主AI Agent，适用于任何场景，包括客服服务。

核心功能：

自主协同：多个Agent可以协同工作，完成复杂的客服任务

高灵活性：允许开发者自定义Agent的行为和交互方式

可扩展性：易于集成到各种客服应用场景中

会话管理：支持Session、EventStream等会话管理机制

透明执行：提供清晰的执行路径和决策过程

适用场景：

需要模拟客服团队分工协作的场景

复杂决策需要多Agent参与的客服需求

内容创作或知识整理类客服任务

需要灵活控制Agent行为的客服系统

技术特点：CrewAI采用Python开发，基于Flask框架，使用SQLite作为数据库。其架构特点在于采用小分队模式，允许开发者设计具有特定角色和职责的Agent团队，通过角色分工完成客服任务。

  1. Letta (原MemGPT) (15.9k+星标)

项目概览：Letta是一个开源框架，用于构建具有高级推理能力和透明、长期记忆的LLM应用。它支持构建具有状态感知的Agent，适用于需要持续交互的客服场景。

核心功能：

集成开发环境(IDE)：提供可视化UI构建和监控Agent

长期记忆管理：实现更具上下文感知的交互

状态持久化：支持将全部Agent状态持久化到数据库

工具调用：可调用并执行自定义或预构建工具

多Agent系统：支持多Agent协作和多用户协作

适用场景：

需要长期记忆和持续交互的客服系统

个性化服务需要记忆用户历史交互的场景

透明决策过程的客服应用

需要构建有状态的客服Agent的场景

技术特点：Letta采用Python和TypeScript开发，提供Python SDK、TypeScript SDK和REST API多种集成方式。其核心优势在于透明的Agent功能和学习过程控制，支持将状态持久化到数据库，适合需要追踪Agent行为的客服场景。

  1. Rasa (20k+星标)

项目概览：Rasa是一个开源的机器学习框架，用于自动化文本和语音交互。它提供了构建上下文聊天机器人和语音助手所需的全部功能，并可与多种平台集成。

核心功能：

NLU功能：理解用户输入、识别意图并提取关键信息

对话管理：管理对话流程，处理复杂场景以给出准确响应

多渠道集成：支持Slack、Facebook Messenger、Telegram等多种平台

工具调用：支持调用外部API和工具

知识库管理：支持结构化和非结构化知识库的接入

适用场景：

技术团队较强、需要深度定制的企业客服

业务逻辑复杂的中大型企业客服系统

需要本地化部署和完全数据控制的场景

传统NLU技术与LLM技术结合的客服应用

技术特点：Rasa采用Python开发，支持传统NLU技术和LLM技术的结合使用。其架构分为NLU模块和对话管理模块，通过规则和机器学习模型管理对话流程。虽然学习曲线较陡峭，但提供了高度的灵活性和控制权，适合需要定制复杂业务逻辑的企业客服系统。

三、技术选型参考与对比分析

以下表格对各项目的架构特点、技术栈和部署难度进行对比，帮助根据具体需求选择合适的开源工具：

项目名称 架构特点 技术栈 部署难度 适用场景

Dify 模块化设计，支持无代码和低代码开发 Python, JavaScript, React 中等 知识库驱动的智能客服系统，多轮对话理解

Lobe Chat 微服务架构，分用户交互层、中间协调层和模型执行层 Next.js, React, Node.js 中等 多模态交互客服界面，语音/图像识别客服场景

RAGFlow 基于深度文档理解的RAG引擎 Python, Flask, Elasticsearch 中等 文档驱动的客服问答系统，复杂格式文档的知识库构建

OpenClaw Gateway网关+Memory记忆系统 Python, Docker 中等 企业内部客服系统的私有化部署，多渠道IM接入

AgentGPT 浏览器端配置+FastAPI后端 Python, FastAPI, Next.js 简单 快速搭建任务型客服Agent，非技术人员参与配置

Mem0 多级记忆架构，高效记忆管理 Python, Flask, SQLite/PostgreSQL 简单 需要跨会话记忆用户偏好的客服系统，长期记忆管理

AutoGen 多Agent群聊协作模式 Python 复杂 复杂问题多Agent协作解决，电商/金融等多角色客服需求

CrewAI 小分队模式，角色分工 Python, Flask 中等 模拟客服团队分工协作，复杂决策多Agent参与

Letta 集成开发环境，状态持久化 Python, TypeScript 中等 需要长期记忆和持续交互的客服系统，透明决策过程

Rasa 传统NLU+LLM技术结合 Python 复杂 技术团队较强、需要深度定制的企业客服，业务逻辑复杂的场景

数据来源：

四、不同场景的推荐项目

根据企业或个人的具体需求，以下推荐适用于不同场景的开源项目：

  1. 企业级客服系统需求

推荐项目：OpenClaw + Dify

理由：OpenClaw提供多渠道IM接入和长期记忆系统，适合企业级客服部署；Dify则提供强大的工作流编排和RAG能力，适合知识库驱动的智能客服。两者结合可构建一个全面的企业级客服系统，支持多渠道接入、知识库管理、长期记忆和个性化服务。

部署方案：使用腾讯云Lighthouse或CVM进行云端部署，设置VPC私有网络隔离，配置多租户虚拟化强隔离，确保数据安全和系统稳定。

  1. 快速原型开发需求

推荐项目：AgentGPT + Lobe Chat

理由：AgentGPT提供浏览器端配置和简单部署，适合快速验证AI客服概念；Lobe Chat则提供现代化的UI和多模态支持，适合快速搭建客服界面原型。两者结合可以在短时间内构建一个具备基本功能的AI客服系统。

部署方案：使用Docker进行本地部署，或通过Vercel一键部署到云端，适合小团队或个人开发者快速验证想法。

  1. 文档驱动型客服需求

推荐项目：RAGFlow + Mem0

理由：RAGFlow擅长深度文档解析和RAG问答，适合文档驱动的客服系统；Mem0则提供高效的长期记忆管理，可以记住用户历史交互和偏好。两者结合可构建一个能够从大量文档中快速获取信息并提供个性化回答的客服系统。

部署方案：使用Python和Elasticsearch构建知识库，通过Docker部署到服务器，适合需要从企业文档中快速获取信息的客服场景。

  1. 复杂任务处理需求

推荐项目：AutoGen + Rasa

理由：AutoGen支持多Agent协作解决复杂问题，适合处理多步骤客服任务；Rasa则提供强大的对话管理和工具调用能力，适合构建复杂的业务逻辑。两者结合可以构建一个能够处理复杂客服问题的系统，如退换货流程、订单状态跟踪等。

部署方案：使用Docker和云服务进行部署，配置适当的API密钥和权限控制，适合需要处理复杂任务的企业客服系统。

五、总结与建议

 AI Agent在客户服务与支持领域的应用正日益广泛，从简单的FAQ回答到复杂的多步骤任务处理，开源项目提供了灵活、可控且成本效益高的解决方案。根据不同的需求场景，可以选择适合的开源项目进行组合和定制：

企业级部署：优先考虑OpenClaw和Dify，它们支持私有化部署、多渠道接入和强大的知识库管理能力。

快速开发：AgentGPT和Lobe Chat提供了低门槛的部署方式和直观的界面，适合快速验证和原型开发。

文档处理：RAGFlow和Mem0的组合可以构建一个高效的文档驱动客服系统，特别适合拥有大量非结构化文档的企业。

复杂任务：AutoGen和Rasa的结合可以处理多步骤、复杂的客服任务，如退换货流程、订单状态跟踪等。

  在选择项目时，还需考虑技术团队的能力、预算限制和数据安全要求。对于技术团队较强的企业，可以考虑从Rasa或AutoGen等框架入手，进行深度定制；而对于预算有限或技术能力较弱的团队，AgentGPT或Lobe Chat等低代码/无代码工具可能是更好的选择。

此外，部署时需注意安全性和稳定性，尤其是涉及用户数据的场景。建议使用云服务提供商的一键部署方案，并配置适当的网络隔离和访问控制，确保系统安全可靠。

  通过合理选择和组合这些开源项目，企业可以构建出满足自身需求的AI客服系统，实现降本增效，提升客户满意度和忠诚度。

最后

很多正在择业、考虑转行提升，或是刚入门的开发者、编程新手，都会关心一个问题：
未来几年，哪些技术方向更值得长期投入？

从行业趋势来看，人工智能尤其是大模型相关方向，依然是增长最快、人才需求最集中的领域之一。随着企业数字化、智能化升级，相关岗位的需求持续增加，对有实战能力的开发者也更加友好。

图片
图片
对于想系统了解大模型、希望抓住AI行业机会的同学来说，提前搭建完整知识体系、掌握可落地的实战技能，会比盲目自学效率高很多。

我自己在学习和实践过程中，整理了一套从零基础到大模型实战的学习资料，包含学习路线、教程、文档、行业信息与面试相关内容，适合刚开始接触、不知道从哪里入手的同学参考。
图片
👇👇扫码免费领取全部内容👇👇

在这里插入图片描述

下面简单介绍一下资料包含的内容：

一、大模型学习路线

整体学习路径梳理，从基础概念到工程落地，按阶段循序渐进，避免走弯路。
img

二、0基础到进阶视频教程

从入门概念到实战项目，内容相对完整，方便跟着节奏系统学习。
在这里插入图片描述

三、精选学习书籍与技术文档

筛选了适合入门和进阶的文档与资料，省去大量找资料、筛选信息的时间。
在这里插入图片描述

四、AI大模型行业相关报告

包含近年行业趋势、应用场景、落地方向等内容，帮助理解大模型在各行业的实际价值。
img

五、面试相关资料与经验整理

汇总了常见的AI大模型面试问题、知识点梳理和面经参考，方便求职时针对性准备。
img

【大厂 AI 岗位面经分享（107 道）】

img

【AI 大模型面试真题（102 道）】

img

【LLMs 面试真题（97 道）】

img

六、大模型实战项目与源码

包含可直接上手练习的项目案例，从简单Demo到完整应用，帮助把理论转化为实战能力。
img

适用人群

在这里插入图片描述

四阶段学习规划（共90天，可落地执行）
第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型

  • 带你了解全球大模型

  • 使用国产大模型服务

  • 搭建 OpenAI 代理

  • 热身：基于阿里云 PAI 部署 Stable Diffusion

  • 在本地计算机运行大模型

  • 大模型的私有化部署

  • 基于 vLLM 部署大模型

  • 案例：如何优雅地在阿里云私有部署开源大模型

  • 部署一套开源 LLM 项目

  • 内容安全

  • 互联网信息服务算法备案

  • …

    👇👇扫码免费领取全部内容👇👇

    在这里插入图片描述

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述
在这里插入图片描述

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】

在这里插入图片描述

标签
#人工智能 #java #学习 #前端 #大模型
#大模型学习 #ai
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
GitHub开源项目日报 · 2026年1月31日 · 本期高星开源榜单回顾 本期榜单主要项目横跨本地化 AI 助手、边缘推理、无代码代理训练、OCR 文档处理，以及跨平台生产力工具。超过10000星以上的项目有 BitNet、Agent Lightning、PaddleOCR、PowerToys、Termux、OpenClaw、WhatsApp Web.js、cline，分别代表1-bit 推理、零代码优化、OCR 与文档理解、Windows 工具集、Android 终端、私有本地助手、Node.js WhatsApp 客户端和 IDE 内 AI 助手等。其中增长最快的 阅读详情

相关推荐

开关电源补偿设计避坑手册：为什么你的Buck电路总在轻载时振荡？

本文深入剖析了Buck电路在轻载时发生振荡的根本原因，并提供了专业的补偿设计避坑指南。文章指出，轻载下输出滤波器Q值飙升、DCM模式切换导致的小信号模型剧变是主要诱因，并详细对比了Type II与Type III补偿网络在宽负载范围内的表现差异。通过结合LTspice仿真与工程实践，指导工程师如何优化补偿环路设计，确保电源从满载到空载的全程稳定。

hadoop5ranger的博客 677

【开源客服系统推荐】AI-CS：一个开源的智能客服系统

开源AI客服系统AI-CS推荐 AI-CS是一款开源的智能客服系统，支持多厂商AI模型（如OpenAI、Claude等）接入，实现AI客服与人工客服的协作。核心功能包括实时通信、文件传输、FAQ管理、访客插件集成等，采用Go+Next.js技术栈，具备响应式UI。系统适用于中小企业客服需求、SaaS集成及开发者学习，提供完整的在线演示和开源代码，GitHub地址：https://github.com/2930134478/AI-CS。

m0_52224307的博客 994

优化问题-半正定规划（Semi-Definite Program, SDP）

半正定规划（Semi-Definite Program, SDP）在MIMO无线通信相关的信号处理中具有广泛的应用，在某些场景可以分析证明SDP的得到的解释原问题的全局最优化或者次优解。

qq_33668008的博客 1万+

开源在线客服系统源码推荐:支持多端+智能AI+多语言(附部署教程)

本文推荐一款基于PHP开发的开源在线客服系统，支持AI智能回复、企业微信集成和多终端接入。系统具备上下文理解、多媒体交互、多语言支持等功能，并内置产品知识库和管理模块。部署简单，附详细教程，适合中小企业快速搭建专业客服体系。源码可通过指定渠道获取。

春哥开源研究所的博客 318

Spine动画在Unity里卡顿、闪烁、排序错乱？这些性能优化与渲染问题一次讲清

本文深入解析了Spine动画在Unity中常见的卡顿、闪烁和排序错乱问题，提供了全面的性能优化与渲染解决方案。从性能瓶颈诊断到材质合并、动态合批优化，再到层级错乱与Alpha闪烁的处理，帮助开发者提升动画表现和运行效率。特别针对Unity和Spine的协同工作进行了详细的技术探讨。

weixin_29967445的博客 383

LS-Dyna模态分析实战：从模型构建到结果解读的全流程指南

本文提供了一份详尽的LS-Dyna模态分析实战指南。文章系统讲解了如何利用LS-Dyna内置的隐式求解器进行特征值求解，从模型构建、几何清理、材料与连接设置，到核心的边界条件与隐式求解控制（如*CONTROL_IMPLICIT_EIGENVALUE），最后完成计算并解读频率与振型结果。旨在帮助工程师在熟悉的环境中高效完成结构振动特性分析，为后续动态响应分析奠定基础。

info6的博客 264

如何用Agents框架快速搭建智能客服：完整实战指南

想要快速构建一个功能强大的智能客服系统吗？Agents开源框架为你提供了完美的解决方案！作为专为自主语言代理设计的开源框架，Agents能够帮助你轻松创建智能客服机器人，实现高效的客户服务自动化。😊 ## 🚀 Agents框架智能客服核心优势 Agents框架为智能客服开发带来了革命性的便利，其核心优势包括： - **多智能体协作** - 支持多个客服角色同时工作 - **知识库集成**

gitblog_00485的博客 994

Localizing LabVIEW Application to Different Languages

本文探讨了LabVIEW应用程序的多语言本地化实现方案。文章首先分析了LabVIEW对多语言的支持现状，指出其默认仅支持ANSI编码，对Unicode支持有限，且仅适配中英法德日韩六种语言。然后重点介绍了JKISimpleLocalization工具包的使用方法，该工具能导出/导入JSON词典文件，实现界面语言的实时切换。文章还结合实际工程案例，分析了该方案的局限性：部分控件不可翻译、切换速度较慢（33个界面需50秒）、小语种支持不足等。最后提供了完整的应用流程和工具包附件，包括词典文件转换工具和工程案例。

2301_80383260的博客 1410

开源|从0到1搭建一个RAG智能AI客服系统

搭建RAG智能AI客服仅需四步，全程可视化操作，小白也能快速上手。

python1234567_的博客 1195

Cadence psspxf实战：手把手教你仿真250MHz环形VCO的电源抑制比（附Verilog代码）

本文详细介绍了使用Cadence psspxf仿真器对250MHz环形VCO的电源抑制比(PSRR)进行仿真的全流程。从环形VCO的设计原理、Verilog代码实现，到Cadence环境配置、仿真参数设置，再到结果分析与优化技巧，提供了完整的实战指南。特别适合电路设计工程师学习如何评估和优化VCO的抗电源噪声能力。

weixin_42567752的博客 415

图神经网络实战（25）——基于A3T-GCN预测交通流量

本节重点讨论了使用 TGNN 进行交通预测任务。首先，我们介绍了 PeMS-M 数据集，并将其从表格数据转换为具有时间信号的静态图数据集。在实践中，我们根据输入距离矩阵创建了加权邻接矩阵，并将交通速度转换为时间序列。最后，我们构建了 A3T-GCN 模型，这是一个专为交通预测设计的 T-GNN 模型，并将结果与两个基线模型进行了比较，验证了模型的预测结果。

盼小辉丶的博客 8646

前端转行Agent开发，我写了一个企业级开源项目，附教程

三个月时间，从后端开发崽逐渐转型为 agent 工程师，想聊聊自己的三个小技巧。读官方文档。LangChain、Anthropic、Manus 等公司或组织的官方文档、博客质量很高，特别是 LangChain，文档简直手把手教读者怎么做一个 agent看大佬分享。Manus Peak Ji、LangChain CEO、Claude Code 之父 Boris 等等，这几位都有很多公开的分享、博客、采访，从一个 Agent 开发者的角度去思考、理解他们分享的内容多动手实践。

jennycisp的博客 300

物理AI：连接数字智能与物理世界的下一代人工智能范式

物理AI正在推动人工智能从纯数字领域向物理世界扩展，实现比特到原子的智能跃迁。与传统AI相比，物理AI具有三大核心差异：1）在物理环境中运行；2）处理多模态传感器输入；3）产生可改变物理状态的输出。其技术栈包含感知层（多模态融合）、决策层（边缘计算）、执行层（运动控制）和连接层（5G/6G通信）。关键技术挑战包括：实时多传感器融合、物理约束下的决策规划、以及高精度执行控制。物理AI的发展面临实时性保障、安全验证等核心挑战，但其在机器人、自动驾驶等领域的应用潜力巨大，正成为智能技术落地的关键突破口。

fudaihb的博客 1714

OpenClaw相关的开源AI项目汇总大全：本文涵盖近期所有OpenClaw相关的GitHub高星star热门项目

OpenClaw相关的开源AI项目汇总大全：本文涵盖近期所有OpenClaw相关的GitHub高星star热门项目 摘要 GitHub上这些OpenClaw开源项目，Star数为什么能破千？我们扒了13个宝藏仓库后发现… 有人用OpenClaw给钉钉搭了智能助手，有人在飞书里养了个AI女友Clawra，还有人把记忆层memU玩成了第二大脑——而这些全部免费开源！

猫头虎技术团队：授渔优于赠鱼，兴趣引领智慧，探索之乐尤显珍贵。商务合作+：Libin9iOak ，万粉变现+：优快云WF，猫头虎承诺每年免费为100名C站创作者做账号流量诊断服务！全网搜：猫头虎技术团队，点击文章底部名片或直接私信我一切皆可谈，快找虎哥！ 4万+

蓝牙模块HM-10手册

蓝牙模块HM-10手册，该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

AI Agent在客户服务与支持领域的开源项目汇总

AI客服开源项目技术选型指南 本文聚焦GitHub高星标AI客服开源项目，从核心需求、技术特点到适用场景提供系统分析。重点推荐以下项目： Dify（110k+⭐）- 全功能LLM应用平台，支持可视化流程编排与多模型切换，适合企业级知识库客服系统。 Lobe Chat（64k+⭐）- 多模态交互平台，集成语音/图像识别，适合需要高体验交互的客服场景。 RAGFlow（62k+⭐）- 深度文档解析引擎，擅长处理非结构化数据，适用于文档驱动的精准问答。 OpenClaw（16k+⭐）- 企业级私有化方案，支持IM

2401_84494441的博客 183

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。

收藏级干货：2026年Agent学习路线图：7个GitHub顶级开源项目全解析

文章推荐了7个GitHub上的优质Agent学习开源项目，包括Datawhale的Hello-Agents硬核教程、500+智能体案例库、GenAI_Agents资源库、Hugging Face官方课程、微软初学者教程等。这些项目覆盖从基础理论到企业级应用，从单一智能体到多智能体协作，从底层原理到快速上手的全方位学习资源，适合不同水平开发者学习AI Agent技术。

m0_48891301的博客 1万+

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")

GitHub高星AI Agent项目盘点：从AutoGPT到BabyAGI的实战指南

AI Agent正从被动响应的聊天机器人进化为能够自主规划、调用工具并完成复杂任务的智能体，其核心机制在于“目标分解-行动-反思”的闭环。在GitHub上，AutoGPT、MetaGPT等开源项目以惊人的Star数印证了这一技术趋势，它们不仅展示了单Agent的工具调用能力，也示范了多Agent协作的SOP模式与对话编排思路。对于开发者而言，理解这些项目的原理，有助于掌握Agent的任务循环、上下文管理、成本控制与沙箱安全等关键工程实践。无论你是想快速体验Agent效果、学习最小实现，还是为团队进行技术选型

weixin_29040367的博客 234

GitHub 热门开源项目精选（2026-03-21）：AI 工具与开发者利器

大家好！今天为大家精选了几个近期 GitHub 上热门的开源项目，涵盖 AI 工具、编程学习、Agent 框架等多个领域。这些项目不仅 Star 数亮眼，更重要的是它们能解决实际开发中的痛点问题。让我们一起来看看！prompts.chat（原名 Awesome ChatGPT Prompts）是一个社区驱动的 AI 提示词分享平台。它允许开发者分享、发现和收集各种实用的 AI 提示词，支持完全私有化部署，保护企业数据隐私。

weixin_55607396的博客 1248

6个GitHub爆款开源项目，带你从0到1精通AI Agent开发！

【摘要】本文推荐6个GitHub高星AI Agent开源项目，覆盖从入门到落地的全阶段学习需求：1）中文教程Hello-Agents（71.4k星），零基础友好；2）500+案例集（35.9k星），跨行业参考；3）GenAI_Agents进阶指南；4）Hugging Face官方课程（30.7k星）含认证；5）微软体系化教程（71.5k星）；6）6周实战特训营。文末附AI大模型学习资料包（含视频、路线图、面试题等），助力开发者把握AI行业高薪机遇。

Trb201013的博客 390

OpenClaw相关的开源AI项目汇总大全：本文涵盖近期所有OpenClaw相关的GitHub高星star热门项目_oneclaw

💬 别走！交换一下你的「秘密武器」看完这13个项目，你的OpenClaw部署到哪一步了？是卡在Docker配置，还是已经在调教Clawra的性格了？更重要的是——你肯定还藏着一些没上榜的好东西对吧？😏一个Star很少但贼好用的冷门插件你自己 fork 后魔改的版本解决特定场景（如多租户、高并发）的架构方案👉 评论区交出来！咱们把这篇做成「活的」OpenClaw导航页，持续更新。你的分享可能会拯救下一个被报错信息折磨的开发者～本文转自，如有侵权，请联系删除。

资料免费分享，点击名片 382

2026 现象级 AI 智能体开源项目汇总大全：覆盖 OpenManus、BrowserUse、OpenClaw 全生态 GitHub 高星热门仓库

2026 被公认为AI Agent 落地元年，Manus、OpenAI Operator 爆火出圈，一大批开源复刻项目席卷 GitHub。扒完 16 个 Star 破千的宝藏仓库后发现： 有人搭建本地 AI 浏览器操作员自动处理网页表单、数据爬取；有人部署私有化智能体接入飞书钉钉实现远程办公；还有玩家搭建具备长期记忆的私人数字助手，甚至搭建多智能体协作开发流水线！全部开源免费可商用！

afjkdajs的博客 1095

主流Agent相关开源项目研究总结

本文整理汇总了当前GitHub上主流活跃的Agent相关开源项目，包含项目基础信息，并按类型分类分析了各项目的技术特点和适用场景，为不同需求的开发者提供选择参考。| 项目类型 | 代表项目 | 技术特点 | 适用场景 |学习教程类500+ AI Agents Projects | - 从零入门，不依赖现成框架，便于理解底层原理- 收录大量垂直领域落地案例，分类清晰- 配套教程完善，适合循序渐进学习- 社区活跃，持续更新内容 | 适合AI Agent初学者、学生系统学习Agent原理与实践；

jacky190的博客 601

GitHub 热榜 AI Agent Skills 第 2 期导读：6 个高星新项目场景对照与安装形态全解

收录范围：2026-08-31 ~ 2026-09-06 当周创建并快速起量的 AI Agent Skills 生态新项目，全部经 GitHub 仓库实地核对（star 数为检索时点数据），与第 1 期收录项目零重复。

大梦想家的博客 694

AI Agent应用 | 私有化部署“智能客服”系统

智能客服应用广发展的成熟，回答问题聊天不是目的，通过客服将业务系统链接起来，业务更高效、服务更精细；客服不仅仅针对客户，是对全业务链的服务。01私有化部署的意义1，不用担心知识库泄露，2，部署在移动设备上可以离线使用3，方便内部业务系统打通4，成本低02主要工具RAGFlow是一款基于深度文档理解构建的开源 RAG（Retrieval-Augmented Generation）引擎。

youmaob的博客 1765

Claude Code / Codex 新人必装 Skills：GitHub 热榜 6 个高星项目中文导读与安装指南

Agent Skills 生态正在以周为单位爆发。本文手工筛查了上周（2026-09-21 至 09-27）GitHub 新建的 skills 相关仓库，从两千多个结果里选出 6 个高星且方向互补的项目：模型路由、一键上线、动效视频、3D 图标、中文技术文档写作、去 AI 味。每个项目都抓取官方 README 核实了安装方式，仓库地址全部附上，禁止编造。

大梦想家的博客 725
上一篇： 从企业级开发到AI应用：如何将大模型融入实际系统？收藏这份开发指南
下一篇： 大学生必懂！AI就业方向大揭秘，收藏这份高薪入门指南！
点赞 7
评论 0
书签 书签 5
冻感糕人~
冻感糕人~
博客等级 码龄3年 8926粉丝 2393原创
+ 关注
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
 
表情包 插入表情
表情包 代码片
 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