Dify知识库 本地部署DeepSeek 开启智能体和工作流

已于 2025-03-31 16:02:03 修改
阅读量3.7k 收藏 31
点赞数 25
分类专栏： 大模型 知识库 文章标签： deepseek 人工智能 知识库
于 2025-03-12 14:14:51 首次发布
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。
本文链接：https://blog.youkuaiyun.com/qiufo/article/details/146196726
版权

Dify知识库 本地部署DeepSeek 开启智能体和工作流


博主目前体验了各种RAG系统，以及影视系统、小说系统、音乐服务器、服务监控及自动化报警、自定义信息流、Ai智能体和工作流等各种服务，这些服务的搭建教程后续将会一一介绍。今天给大家介绍一下如何在DOCKER上部署人工智能应用Dify，结合上私有的知识库，调用远程大模型，轻松搭建属于自己的Ai智能体和工作流。

一、什么是Dify

Dify是一个开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力，轻松构建和运营生成式 AI 原生应用。比 LangChain 更易用。
在这里插入图片描述

官网 https://dify.ai/zh
git https://github.com/langgenius/dify

Dify能够做什么

  • 创业，快速的将你的 AI 应用创意变成现实，无论成功和失败都需要加速。在真实世界，已经有几十个团队通过 Dify 构建 MVP（最小可用产品）获得投资，或通过 POC（概念验证）赢得了客户的订单。
  • 将 LLM 集成至已有业务，通过引入 LLM 增强现有应用的能力，接入 Dify 的 RESTful API 从而实现 Prompt 与业务代码的解耦，在 Dify 的管理界面是跟踪数据、成本和用量，持续改进应用效果。
  • 作为企业级 LLM 基础设施，一些银行和大型互联网公司正在将 Dify 部署为企业内的 LLM 网关，加速 GenAI 技术在企业内的推广，并实现中心化的监管。
  • 探索 LLM 的能力边界，即使你是一个技术爱好者，通过 Dify 也可以轻松的实践 Prompt 工程和 Agent 技术，在 GPTs 推出以前就已经有超过 60,000 开发者在 Dify 上创

用技术语言描述如下

  • 特 定领域的聊天机器人和AI助理
  • 不限长____度的创意文档生成
  • 自由链接的知识库问答和搜索
  • 低代码的构建面向半自助Agent
  • 支持私有化部署
  • 支持全球的大模型调用（deepseek、ollama、百度千帆、通义千问等等）

其他开源知识库
为了进行一个清晰的横向对比，我们将从多个维度对MaxKB、AnythingLLM、Dify、FastGPT和Ragflow这些工具或平台进行比较。以下是基于现有信息整理的一个对比表格：

特性/平台MaxKbAnythingLLMDifyFastGPTRagFlow其他
主要用途知识库管理与检索大规模语言模型的应用开发AI应用快速开发与部署快速构建和部署GPT模型基于检索增强生成（RAG）的工作流Llamindex
支持的模型自定义支持多种开源及私有LLMs主要支持轻量级本地运行的模型GPT系列模型支持通过API集成的各种模型OpenWebUI
硬件要求适中，根据模型大小变化高，特别是对于大型模型较低，优化用于本地部署根据模型大小变化，可能较高中等到高，取决于使用的模型-
用户友好度提供图形界面（GUI），易于使用对开发者友好，但需要一定的技术背景提供CLI和API接口，相对易用提供简化工具，适合快速原型设计需要一定的配置和技术知识-
集成能力可以与其他系统集成强大的集成能力，支持多环境良好的集成能力专注于GPT模型的快速集成强调与外部数据源和模型的集成-
扩展性支持扩展，但有限高度可扩展具有一定的扩展性适用于快速扩展的小型到中型项目设计为高度可扩展-
适用场景知识管理、文档检索复杂的语言处理任务，如对话系统快速开发AI应用，适合初创公司和个人开发者快速原型设计和小型项目的GPT模型部署需要深度文本理解和检索的场景-
社区和支持社区较小，官方支持有限活跃的开源社区新兴平台，社区正在增长相关资源丰富，尤其是关于GPT的内容开源项目，有一定活跃度-
  博主会持续关注以上RAG系统的详细特性和应用场景可能需要更深入的研究来精确描述，因此鼓励读者进一步探索每个平台的独特优势和限制。

二、下载安装Dify

1、访问Dify的github站点：
GitHub - langgenius/dify: ，克隆Dify到本地并进入项目目录

git clone https://github.com/langgenius/dify.git
cd dify
cd docker

2、配置环境变量

linux
cp .env.example .env`

window
copy .env.example .env

3、docker compose 启动Dify容器

docker compose up -d

经过几分钟耐心等待 ， 镜像下载完毕。
在这里插入图片描述

4、访问Dify控制台
第一次访问， 报错
在这里插入图片描述
分析本地已启动nginx，与dify使用的80端口冲突。
解决方案 关闭本机的nginx， 重启docker的dify服务
在这里插入图片描述
原以为ragflow的镜像很大， 今天dify再次刷新啦博主的认知。接下来要给dify瘦身， 太重啦。 关键是对于开发者来讲， 各种redis、nginx等都是已有的，重复部署。

再次浏览器中访问http://localhost/install，按照提示完成初始化配置。
在这里插入图片描述

完成后输入配置的帐户密码登录即可

在这里插入图片描述

三、使用Ollama安装文本嵌入模型

⚠️ 如何安装使用Ollama请查看文档：Ollama部署DeepSeek本地模型

  1. 什么是文本嵌入模型
    文本嵌入是一种将文本转换成固定长度的数值向量的技术。这种表示方式有助于机器学习算法更好地理解和处理人类语言。文本嵌入的目标是将相似意义的词或句子映射到接近的空间位置上，以便于计算它们之间的相似度或其他关系。

  2. 文本嵌入模型的作用

  • 语义搜索：通过比较查询与文档的嵌入向量，找到最相关的文档。
  • 推荐系统：根据用户兴趣的嵌入向量推荐产品或内容。
  • 情感分析：通过分析文本嵌入向量中的模式识别正面、负面或中立的情感倾向。
  • 问答系统：帮助理解问题并从大量文本中找到最合适的答案。
  • 文本分类：自动对文本进行分类，如新闻文章的主题分类等。

  1. 如何高效选择RAG的Embedding模型
    打开Ollama官网：Ollama，点击上方的Models，选择Embedding
    在这里插入图片描述

     理论上下载量最高的是被大多数人认可的，这里我们将前三位的模型做一个简单的对比

模型名称性能特点（检索准确率等）训练速度推理速度最低内存需求推荐内存需求GPU支持其他要求（如存储空间）

  • nomic-embed-text高精度检索，适合简短问题,
  • mxbai-embed-large快速处理大规模数据
  • snowflake-arctic-embed实用且平衡的选择
    根据自己的硬件配置选择一个合适的模型，这里我选择mxbai-embed-large来做演示。

4、部署mxbai-embed-large本地模型
点击mxbai-embed-large，直接复制命令到终端执行，等待下载完成即可。

ollama pull mxbai-embed-large

​
在这里插入图片描述

四、搭建本地知识库

4.1 window系统Docker部署

  1. 在Dify中上传DeepSeek模型以及文本嵌入模型
    在Dify控制台点击头像，在弹出菜单中选择设置
    在这里插入图片描述

选择模型供应商，点击Ollama,其他deepseek,千问、硅基流动都点一遍

在这里插入图片描述
​

在弹出的页面中，模型类型选择LLM，模型名称输入deepseek-r1:7b（根据自己本地安装的模型名称填写，可通过ollama list命令查看安装的模型列表），基础URL填写本地Ollama Server的地址：如果使用 Docker 部署 Dify，请考虑使用本地网络 IP 地址，例如 http://host.docker.internal:11434 访问服务，对于本地源代码部署，请使用 http://localhost:11434，模型类型选择“对话”，最大token填写“4096”，其余按照下图配置并点击保存

在这里插入图片描述

点击保存后如下图所示，点击继续添加模型

image

模型类型选择“Text Embedding”，模型名称填写“nomic-embed-text”，基础URL与上一步添加deepseek模型的地址一样，然后点击保存即可。

  • http://host.docker.internal:11434

在这里插入图片描述

在这里插入图片描述

[应用1]聊天应用

点击创建空白应用
在这里插入图片描述

选择聊天助手，输入应用名称，点击创建
在这里插入图片描述

测试一下添加的模型是否能正常运行

在这里插入图片描述
在这里插入图片描述

  1. 上传知识库
    点击上方工具栏中的知识库，然后点击创建知识库

在这里插入图片描述

选择准备好的知识库文件，支持多种格式，点击下一步，我这里简单的写了一点测试文本

在这里插入图片描述

索引方式选择高质量，Embedding模型选择我们安装的mxbai-embed-large，其他的默认即可，点击保存
在这里插入图片描述

等待嵌入完成
在这里插入图片描述

  1. 为应用添加上下文
    点击上方工具栏中的工作室，点击第二步创建的聊天应用，在上下文配置处点击添加按钮，选择上一步上传的知识库，点击添加即可
    在这里插入图片描述

  2. 测试知识库
    现在按照我们上传的知识库中的内容，向deepseek本地模型发起提问，可以看到模型已完成了对知识库的学习，并准确的回答出了问题。

image

4.2 群晖NAS部署

这里直接使用Dify官方仓库的docker-compose进行部署，我这里选择直接ssh到群晖NAS上clone代码库（也可以下载release包，直接上传到NAS的特定目录）

先安装Git
在这里插入图片描述

再「控制面板」中启用ssh功能
在这里插入图片描述

ssh登录到群晖NAS之后，在特定目录下执行如下命令（我是在/Volume2/docker）：

git clone https://github.com/langgenius/dify.git

在这里插入图片描述

  • 修改.env.example
    进入到dify/docker目录下，将.env.example修改为.env（或者复制一份为.env）
    在这里插入图片描述

因为群晖NAS的docker compose版本较低，需要修改一下docker-compse.yaml文件，把不支持的语法删掉

在这里插入图片描述

因为80和443端口被我的NAS占用了，所以需要修改.env文件中NGINX对外暴露的http和https端口，这里我设置的是33080和33443（没有需求的也可以不做修改）
在这里插入图片描述

同样还是因为docker compose版本较低，需要在dify/docker/volumes手动创建一些文件夹，如下所示：

 db/data
  redis/data
  weaviate
  app/storage
  certbot/conf/live
  certbot/www

在这里插入图片描述

  • 在Container Manager中创建docker项目
    打开Container Manager，选择「项目」，点击「新增」
    在这里插入图片描述

在弹出的窗口中，有以下几点：

项目名称：dify（或者其他的，任意）
路径：选择Dify的docker目录
docker-compose.yaml：选择已有的

在这里插入图片描述

一直下一步，并点击完成

在这里插入图片描述

等待拉取镜像、构建项目

在这里插入图片描述

服务启动之后，可以看到若干运行着的容器

在这里插入图片描述

  • 配置大模型API
    群晖NAS不能直接运行大模型，而国内又访问不了openai，本机安装ollama也不太现实 ，这里我使用了百度千帆的大模型，有免费版本可以使用，有钱的话也可以开通收费api。下面介绍一下如何配置百度千帆大模型。

（1）进入百度千帆官网
在这里插入图片描述

（2）登录之后进入到控制台界面，选择「应用接入」，并创建一个应用，记录下API Key、Secret Key
在这里插入图片描述

（3）回到Dify首页，在**「设置」「模型供应商」中选择「文心一言」，输入上面的API Key和Secret Key**，并点击保存。
在这里插入图片描述

至此，大模型配置完毕，下面来创建一个智能体玩玩。

【应用2】智能体

接下来，我们首先来试试创建一个智能体，来获取当天「人工智能」相关的资讯。按照下图来创建一个智能体。

在这里插入图片描述

在智能体界面，有几个区域需要了解一下，如下图所示

在这里插入图片描述

其中：

  • 提示词：用于定义智能体的角色，具备的能力等等
  • 变量：提取用户输入的变量
  • 上下文：可以挂在知识库
  • 工具：智能体具备的这里，我这里的智能体具有获取当前时间、使用网页爬虫爬取信息、并进行搜索的能力 下面提问一下看看，用户提示词为：「使用使用各种工具获取一下当天的人工智能资讯，要求给出3条，用中文回答，并给出参考链接」

在这里插入图片描述

还可以查看智能体使用工具的中间结果

在这里插入图片描述

【应用3】工作流

接下来，介绍一下如何使用Dify搭建工作流，将繁琐的工作搭建成PipeLine，解放我们的双手。让我们来实现一个**「简单的网页爬虫，并自动总结」**的工作流。

同样的，创建一个「工作流」应用。

在这里插入图片描述

下面是一个简单的网页爬虫工作流，支持输入一个关键词，并通过网页爬虫爬取相应的信息，然后使用大模型进行总结。

在这里插入图片描述
也可以安装Jina，先在marketplace中搜索
在这里插入图片描述
打开jina
在这里插入图片描述
点击安装旁边的下载
在这里插入图片描述
点击右上角“插件”-》本地插件
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
等几分钟，看到插件列表中出现“jina”，
在这里插入图片描述

在工作流中使用jina，需要api， 按照官网步骤获取

在这里插入图片描述
输入测试网址，点击单步调试
在这里插入图片描述
可以看到新闻内容已爬取
在这里插入图片描述
接下来定义需要存储到知识库中，故增加一个代码执行+http节点， 而http请求，需要从知识库获取api
在这里插入图片描述
获取知识库api
在这里插入图片描述
获取目标存储到知识库的id
在这里插入图片描述
输入获取到的api key
在这里插入图片描述
配置http请求的body

  • 请求地址 https://XXX/v1/datasets/XXX/document/create_by_text， 其中datasets后面的id是目标知识库的id
  • api定义为POST
  • body
    在这里插入图片描述

使用的api是知识库：通过文本创建文档
在这里插入图片描述

curl --location --request POST 'http://localhost/v1/datasets/{dataset_id}/document/create-by-text' \
--header 'Authorization: Bearer {api_key}' \
--header 'Content-Type: application/json' \
--data-raw '{"name": "text","text": "text","indexing_technique": "high_quality","process_rule": {"mode": "automatic"}}'

在这里插入图片描述
配置代码执行节点

import re

def main(arg1):
    # 去掉换行符和回车符
    cleaned = arg1.replace('\n', '').replace('\r', '')
    # 去掉 <think> 标签及其之间的内容
    cleaned = re.sub(r'<think>.*?</think>', '', cleaned, flags=re.DOTALL)
    return {
        'result': cleaned
    }

在这里插入图片描述
多次调试执行成功， 知识库新增一个
在这里插入图片描述
内容略微不满意， 不过仅供测试
在这里插入图片描述

下一篇 SQL查询智能体

五、结论

    通过Dify与DeepSeek+mxbai-embed-large的有机组合，我们成功搭建了符合企业级需求的智能知识库系统。希望这篇指南能为您提供有价值的帮助，让您在探索人工智能技术的道路上更加顺利。

参考资料：

如何在本地正确部署Dify服务
Python进阶专栏《爬虫实战进阶》，《数据分析入门与实战》原创作者
08-06 7535
本文是该专栏的第49篇，后面会持续分享python的各种干货知识。Dify是一个开源的LLM（大型语言模型）应用开发平台，旨在为开发者提供从Agent构建到AI workflow编排、RAG检索、模型管理等全方位的能力，从而轻松构建和运营生成式AI原生应用。在本文中，笔者将针对Dify的核心知识点以及“本地如何部署Dify”，进行详细说明。具体细节部分，笔者在正文将结合实际完整图文案例进行详细说明，一文让你轻松学会在本地部署Dify。废话不多说，下面跟着笔者直接往下看正文详细内容。（附完整操作以及本地部署D
基于 Deepseek+dify 的本地知识库搭建实践指南
03-18
本地知识库就像是一个专属的智能助手，它把组织里各种零散的信息整合起来，放在一个方便获取的地方。它能让我们快速找到需要的信息，不用再到处翻文件、问别人，省时省力。它还能帮我们把数据变成有用的知识，让决策更有依据，减少风险。同时，它也方便我们对外提供准确、一致的服务或答案，提升专业形象。而且，知识库把知识分享给更多人，避免知识被少数人掌握，让整个团队或组织都能共同进步。尤其是涉及敏感信息时，本地知识库把数据存在自己手里，更安全、更放心。本文介绍如何基于 deepseek+dify 搭建本地知识库。
（三）DeepSeek本地知识库部署来了，Dify+DeepSeek实现智能体工作流
qq_30065669的博客
02-27 1133
我第一次打开半天没出来界面，我开了梯子，打开了。后面测试直接使用http://192.168.1.2/signin登录不用梯子，也能打开。从github下载社区版的zip包，解压到文件夹。在 .env 文件后面添加自定义模型为true，并指定Ollama的API地址（本机IP地址，我部署在同一台机器上）。在docker里会出现 docker容器。首先，我们配置docker 资源目录。也有说改文件的，我没改也行。这个命令是检查组件是否齐全，不齐会下载更新到本地。这里我把这个我暂时能用的分享出来，这个会变的。
deepseek+dify零成本部署本地知识库保姆级教程
qq_42217708的博客
02-06 1万+
下载安装后查看版本号安装成功！搜索具体参数可参照配置表自行选择出现success安装成功！
本地部署DeepSeek-R1（Ollama+Docker+Dify知识库）ubuntu
02-18
本地化部署deepseek安装操作流程。
极简入门，本地部署dify低代码平台构建AI Agent大模型全流程（使用教程、微案例、配置详解、架构图解析）
项目git同名小胡说技书
02-22 4023
极简入门，本地部署dify低代码平台构建AI Agent大模型全流程（使用教程、微案例、配置详解、架构图解析）
window本地部署Dify
Baker的博客
05-27 5834
这节一起来实现Dify的离线部署，官方的github仓库也提供了docker的部署方式，我们也使用docker的方式部署，因此需要在window上安装docker环境，安装好后，我们先从github将源码下载下来，然后解压到一个文件夹下，这里是我下载后解压的项目目录。所以有端口冲突可以在此修改，当所有组件pull不并started后就可以了，打开浏览器，输入IP+port,如果刚才映射的端口被修改，要记得这里的port是修改映射后的新端口，修改后，打开命令提示符，进入项目的docker目录下，输入命令。
deepseek+dify零成本部署本地知识库保姆级教程_dify 本地部署
qingkahui24689的博客
03-02 5450
deepseek+dify零成本部署本地知识库保姆级教程
Dify中创建知识库操作和实现过程
NLP工程化
07-15 4322
方式一：先创建知识库，然后上传文件；方式二：直接上传文件，然后创建默认知识库。
用Dify构建本地知识库（上）
热门推荐
wbsu2004的博客
05-21 1万+
Dify 是一个开源 LLM 应用程序开发平台。
使用Dify搭建DeepSeek本地知识库
wanganui的博客
02-07 1万+
在当今的信息时代，构建一个高效的知识管理系统对于企业和个人来说都至关重要。DeepSeek作为一个强大的深度学习模型，能够帮助我们理解和处理大量的文本信息。而Dify则是一个新兴的平台，旨在简化AI应用的开发和部署过程。本文将详细介绍如何使用Dify来搭建基于DeepSeek的本地知识库系统。
Dify + Ollama + DeepSeek 实现 DeepSeek 离线部署个人知识库(Dify GitHub zip包)
02-13
Dify是一个开源的LLM应用开发平台，它通过直观的可视化界面，帮助开发者快速构建和部署AI应用，支持包括模型管理、知识库、工作 Ollama与AnythingLL结合，可以提供更丰富的交互体验。 也可使用支持Ollama的webUI，...
DeepSeek本地部署与Dify结合创建私有知识库指南
weixin_52037378的博客
02-27 974
DeepSeek通过与Dify的结合，用户能够将个人资料、专业文章、日常日记等多种形式的文本内容上传至本地知识库，从而创建出一个能够满足个人需求的私人助理。
实战教程，基于DeepSeek + Dify搭建工作流，实现本地化私有部署
分享Python、数据分析、人工智能前沿知识
03-04 2549
工作流是由于DeepSeek等大模型的兴起而开始风靡的，它可以基于AI和流程设计来实现自动化的AI应用，比如说自动化生成业务报告、AI自媒体写作、简历筛选机器人等。这些复杂繁琐的工作可以通过DeepSeek这类的大模型生成解决方案，并最终输出结果，形成一套工作流。目前市面上有不少搭建工作流的工具，比如字节Coze、腾讯元器、OpenAI GPTs等，支持通过拖拉拽设计工作流实现一个AI工具的搭建，但这些平台都是大厂的商业应用，你只能在它的平台里搭建和使用，无法离线部署，缺乏应用的灵活性和数据安全性。
AI工作流平台Dify本地部署
最新发布
2401_82469710的博客
03-19 1246
Dify是一个支持通过AI工作流的形式，开发AI应用的开源平台，他相比 LangChain 更加的易用，甚至零代码即可创建你的AI应用。
智能体学习：本地部署Dify
qq_39502517的博客
02-02 1万+
智能体学习之路，本地部署Dify
当下热点：DeepSeek+Dify 本地知识库，用了都说太香了！
优快云_224022的博客
02-22 2040
之前我做了个AnythingLLM+DeepSeek去搭建本地知识库的教程，我发现阅读数挺高的，说明大家挺喜欢这个系列。但是我最近又发现 Dify+DeepSeek 去搭建本地知识库才是最牛的，，比德芙还要丝滑~今天这篇文章，纯小白也可以跟着做，不需要有计算机技术基础哦，一起来动手搭建本地最强知识库吧！
大模型智能体应用开发利器——Dify：构建大规模智能应用和知识库的理想工具
xiaoqi270620903的专栏
02-10 845
无论是已有的模型，还是新训练的定制模型，Dify 都能通过简单的配置与其进行连接，并提供一致的 API 接口来访问这些模型的推理能力。Dify 的核心目标是为开发者提供一个统一的平台，能够快速集成各种大模型，并将它们与企业的实际需求（如客户服务、文档生成、数据分析等）无缝对接。提供了一个强大的平台，专注于大模型的集成与应用，特别是在知识库构建、智能问答、自动化流程等领域具有广泛的应用前景。作为一个新的集成平台，凭借其强大的功能和灵活的架构，成为了构建大规模智能应用和知识库的理想工具。
dify本地部署deepseek
02-13
### 如何在本地环境中部署 DeepSeek 项目 #### 安装 Python 和设置虚拟环境 为了确保项目的独立性和兼容性，在开始之前应先安装合适的 Python 版本并创建一个新的虚拟环境。这一步骤有助于隔离不同项目之间的依赖关系，防止版本冲突。 ```bash python3 -m venv my_deepseek_env source my_deepseek_env/bin/activate ``` 激活虚拟环境之后，可以继续按照官方文档中的指示来准备所需的软件包和其他资源[^1]。 #### 下载和安装 DeepSeek 获取最新版的 DeepSeek 可以通过 Git 或者直接下载压缩文件的方式完成。对于开发者来说，推荐使用 Git 来克隆仓库以便于跟踪更新和支持贡献代码： ```bash git clone https://github.com/deepseek-labs/deepseek.git cd deepseek pip install -r requirements.txt ``` 上述命令会拉取最新的源码并且安装所有必需的库到当前活跃的 Python 虚拟环境中。 #### 配置 GPU 支持 (可选) 如果计划利用 NVIDIA 显卡加速计算过程，则需额外配置 CUDA 工具链以及 cuDNN 库的支持。具体操作取决于操作系统类型和个人偏好；通常情况下，建议遵循 Nvidia 提供的标准指南来进行安装。完成后记得重启计算机使更改生效，并确认 nvidia-smi 命令能正常显示显卡信息。 #### 启动服务与验证安装 一切就绪后，可以通过运行启动脚本来测试整个系统的健康状况: ```bash python manage.py migrate python manage.py runserver ``` 此时浏览器中输入 `http://localhost:8000` 即可见证到默认首页加载成功，证明基本功能已经可用[^2]。 #### 使用 API 访问模型 当希望进一步探索或集成现有工作流时，不妨尝试调用 RESTful APIs 接口与内部算法互动。详细的端点列表及其参数说明可以在官方 GitHub 页面找到，而 Postman 这样的工具可以帮助快速构建请求原型。
评论
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

打赏作者

赤胜骄阳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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