- 博客(106)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 【MES】MES系统中车间报工选型避坑指南
摘要：离散制造企业MES选型常陷入功能堆砌误区，忽视高频报工模块适配性，导致系统闲置。报工作为生产数据枢纽，直接影响薪资核算、进度管控和产能优化，需根据车间环境选择PC端、移动端或工控机等终端，匹配计件/工时报工模式。选型应聚焦真实报工需求，实测复杂场景并兼顾操作简易度，避免因流程繁琐导致数据失真。正反案例表明，适配报工场景的MES能显著提升效率，而忽视该核心模块将造成系统失效。企业应以报工为选型首要标准，确保数字化真正落地。
2026-06-30 22:58:15
406
原创 【MES】自研MES采集设备数据的坑
【摘要】制造企业自研MES系统常陷入数据采集困境，核心在于三大认知误区：1）误将设备采集视为纯IT任务，而实际涉及复杂工业现场改造；2）IT团队过度消耗在采集调试，延误核心功能开发；3）忽视设备稼动数据对精益管理的基础作用。解决方案需关注三点：选择支持标准化API对接、有行业落地经验的IoT服务商，通过试点验证效果。数字化成功的关键在于先打通设备端数据链路，而非仅开发管理系统。
2026-06-30 22:50:20
261
原创 【MES】一文读懂制造数字化铁三角：PLM/ERP/MES业务边界、数据流转与集成落地全指南
文章摘要 制造业数字化转型中，PLM、ERP、MES构成核心信息化铁三角，各自管控产品定义、资源计划和车间执行三大关键领域。PLM作为产品数据源头管理设计BOM和工艺文件，ERP统筹供应链和财务资源，MES负责生产现场执行与数据采集。三者通过BOM数据流转形成闭环：PLM输出设计数据至ERP，ERP下发生产计划至MES，MES反馈执行数据回ERP，变更信息双向同步。系统集成可采用一体化平台、API接口或中间库方案，需优先打通三大核心系统再部署WMS、APS等辅助模块。
2026-06-29 22:51:26
390
原创 【MES】MES与ERP系统数据对接实战方案
本文系统梳理MES与ERP系统对接的实战方案，包含四大核心内容：1）RESTful API、数据库直连等4种主流集成方式的优劣势对比与选型建议；2）双向核心数据流（工单/BOM下发与报工/物料消耗回传）；3）五大实施风险点（编码不统一、状态不同步等）及标准化解决方案；4）分层架构设计与定时同步实现。文章强调70%工作在于业务规则梳理，提出主数据统一、权责书面化等落地准则，为制造企业提供可直接参考的系统集成方法论。
2026-06-29 17:37:44
436
原创 【AI】Trae+Claude Code+Deepseek自动化编程踩坑
深度体验「Trae IDE+Claude Code+Deepseek API」自动化编程组合时发现隐藏大坑——Token消耗失控。核心问题包括：Claude Code全量上下文携带、Trae冗余请求、多轮迭代消耗及双向计费机制。单一按量付费模式成本极高，建议采用多厂商Coding Plan混合订阅策略。配合精简上下文、限制迭代轮次等优化，可降低30%无效消耗，实现高性价比AI自动化编程
2026-06-25 11:38:15
260
原创 【MES】MES系统成功落地的九大阶段详解（避坑指南）
摘要：本文系统梳理了MES系统落地的九个关键阶段，提出循序渐进的分步实施方案。从基础数据标准化、工艺可视化开始，逐步推进生产透明化、过程管控、质量追溯等核心功能，最终实现系统集成和精益改善。强调必须严格遵循落地顺序，避免跳过基础阶段直接上高阶功能。文章指出MES效益源于数据驱动的持续优化，而非系统本身，需要配套长期运维迭代机制。该九阶体系为制造企业提供了一套可落地的MES实施方法论，帮助实现数字化转型升级。
2026-06-25 11:06:31
173
原创 【MES】如何通俗简单地理解MES系统
摘要：MES（制造执行系统）是连接企业计划层与设备层的车间数字化管理平台，解决传统工厂生产进度不透明、成本核算难、质量追溯慢等痛点。系统包含工单排程、工艺管控、物料防错、设备数据采集等九大核心功能，实现全流程精细化管控。与ERP（企业计划）、WMS（仓储管理）分工明确又互联互通，适用于机械、电子、汽车、医药等各类制造业，是智能工厂建设的核心工具。
2026-06-25 10:49:04
402
原创 【AI】Trae集成Claude Code插件实现自动化编程
本文提供了一份详细教程，指导如何在Trae编辑器中集成Claude Code插件并调用DeepSeek API。教程包含环境准备、密钥获取、API配置、插件集成等完整步骤，并提供了常见问题解决方案和进阶优化技巧。通过该方案，开发者可以突破Trae原生模型的限制，使用性能更强的DeepSeek系列编码模型，实现更高效的代码编写、重构和调试。配置过程兼容Windows、Mac和Linux系统，确保稳定低延迟的官方直连体验。
2026-06-23 16:16:27
497
原创 【MES】一文搞懂MES与QMS界限
MES与QMS系统在制造业中各有侧重：MES聚焦生产执行效率，QMS专注全流程质量管控。两类QMS产品差异显著：MES厂商的QMS作为配套功能，仅满足基础质检需求；专业QMS则提供全流程质量闭环、合规适配和灵活扩展性。选型建议：简单质检需求可选MES厂商QMS，合规要求高的企业应选择专业QMS解决方案。两者协同可实现生产与质量双提升，形成良性循环。
2026-03-05 23:26:30
346
原创 【MES】MES系统设备管理-故障提前预判
MES系统设备管理助力制造业从被动抢修转向智能预防。传统设备管理存在故障突发、维修低效、维保经验化等问题，导致产能损失和成本浪费。MES系统通过六大核心功能实现设备全生命周期数字化管控：基础台账管理、实时状态监控、数据采集分析、智能维保计划、备件精准管理和故障闭环管理。系统采用"数据采集-联动分析-模型预警-精准维保"四层逻辑实现故障预判，通过生产数据与设备数据的深度关联分析，构建智能预警模型。中小制造企业可采取分阶段落地策略，聚焦核心设备，选择轻量化软硬件方案
2026-03-05 23:09:13
367
原创 【MES】MES系统核心概念深度解析BOM与Lot
本文深入解析MES系统中BOM与Lot两大核心概念。Lot是生产执行的最小单位，实现全链路追溯和质量问题定位；BOM作为"数字化结构说明书"，是生产计划和物料管控的标准依据。二者通过"标准框架+实际载体"的方式联动：BOM提供生产标准，Lot记录实际执行数据。文章详细阐述二者的数据库关联、生产流程中的绑定关系，并给出落地实施的5个关键要点（Lot编码唯一性、数据完整性；BOM准确性、版本管理、系统一致性）。
2026-03-04 17:38:45
989
原创 【MES】 MES系统中BOM核心解析
BOM（物料清单）是MES系统的核心数据源，贯穿产品设计、生产、采购全流程。文章解析了BOM的基础概念、发展历程、核心作用及常见类型，重点阐述了BOM在MES各模块中的联动应用，包括生产计划、物料管理、质量管理等。同时提出了MES系统中BOM模型设计的五大原则：层次清晰、数据一致、灵活扩展、集成协同和可追溯性。随着制造业数字化转型，BOM管理正朝着智能化、集成化、可视化和云端化方向发展。准确完整的BOM数据与适配的BOM模型设计是MES系统发挥价值的关键，将助力企业实现精细化、智能化生产管理。
2026-03-04 17:34:23
640
原创 【MES】MES系统赋能车间管理-核心解决六大生产运营痛点
摘要：MES系统有效解决车间管理的六大核心痛点：1）建立全链路追溯体系，快速定位客诉问题；2）数字化质量检验流程，杜绝不良品流转；3）实时采集生产数据，提升报工效率和准确性；4）安灯管理功能实现异常快速响应；5）监控设备参数，实现预防性维护；6）打通计划与执行链路，提升生产协同效率。通过将车间管理数字化，MES系统帮助企业实现生产透明化、规范化，是制造企业数字化转型的关键一步。
2026-03-03 22:57:06
367
原创 【MES】MES系统一物一码追溯方案
摘要：MES系统一物一码追溯方案在高端制造领域具有重要价值，通过产品全生命周期追溯、生产过程透明化和质量管控三大维度构建体系。方案需依托序列号管理、生产执行、质量管理、设备集成和物料管理五大功能模块协同实现，从原材料到成品实现全链路精准追溯。落地过程中需注意按需定制、分阶段实施、软硬件适配和数据闭环管理，避免功能冗余和成本浪费。该方案不仅能满足客户追溯要求，更能帮助企业提升产品质量、优化生产流程，实现从"可追溯"到"可优化"的数字化转型。
2026-03-03 22:52:53
453
原创 【MES】MES系统设备功能模块设计与实现思路
MES系统设备功能模块设计与实现摘要 MES系统的设备功能模块是保障生产运行的核心支撑，聚焦设备全生命周期管理，解决台账混乱、运维滞后等行业痛点。模块设计遵循全生命周期覆盖、数据联动、易用性和可扩展性原则，包含六大核心子模块：设备档案管理（标准化数字台账）、设备运维管理（保养/巡检标准化）、设备维修管理（故障快速响应）、备品备件管理（全流程管控）、设备监控预警（实时状态监控）以及设备分析报表（OEE等指标分析）。实施采用五步法：需求调研→标准化设计→功能开发→系统集成→持续优化，确保模块与企业实际需求高度契
2026-03-02 23:38:47
938
原创 【MES】MES系统基础建模功能分析与设计实现思路
摘要： MES系统的基础建模模块是系统落地的核心前提，通过将生产场景、要素和管理规则转化为数字化模型，为后续模块提供统一数据支撑。设计需遵循业务贴合、数据标准化、模块化和易用性四大原则，涵盖工厂组织、人员角色、产品BOM、工艺工序、设备工装及基础数据字典六大必做子模块。实施分五步：需求调研明确业务场景，数据标准化设计统一编码规则，模块化开发确保扩展性，数据导入验证准确性，最终优化迭代。该模块的规范性与可扩展性直接决定MES系统能否高效运行，需避免脱离实际和标准混乱的常见问题。
2026-03-02 23:32:48
582
原创 【MES】MES系统功能架构与常用功能设计
本文解析了MES制造执行系统的功能架构设计与核心功能模块。MES系统采用四层架构设计：应用层负责交互界面，业务层实现生产管理核心功能，数据服务层处理数据存储与分析，集成层实现跨系统协同。重点阐述了八大核心业务模块的设计要点，包括基础建模、生产管理、质量管理、设备管理等，强调模块化、标准化和可扩展性原则。通过科学的功能架构设计和贴合实际的功能开发，MES系统能够有效解决制造业生产现场的精细化管理问题，推动企业数字化转型。
2026-03-01 20:37:34
1713
原创 【MES】MES制造执行系统核心解析
摘要： MES（制造执行系统）是制造业数字化转型的核心枢纽，连接企业计划层与车间控制层，解决生产管理痛点。其核心功能包括实时监控、调度、质量管控等，实现生产透明化与可追溯性。MES管理范围覆盖人、机、料、法、环、测、能七大要素，并通过闭环流程（计划接收、生产准备、执行、质检、异常处理、报工入库）提升效率。系统集成ERP、PLM等，构建数字化生产体系。核心价值在于优化排产、强化质量、降低成本，助力企业迈向智能制造。
2026-03-01 20:32:12
1263
原创 MySQL 常用字符集 & 排序规则对比表
本文对比MySQL常用字符集与排序规则组合，重点分析utf8mb4、utf8、gbk和latin1的特性差异。表格详细对比了字符支持范围、大小写敏感性、排序准确性、存储占用等关键指标，并给出适用场景建议。其中utf8mb4字符集因支持完整UTF-8编码成为首选，配合不同排序规则可满足多语言、性能优化和精准匹配等需求。文章还解释了字符集与排序规则术语，并为MES系统等工业场景提供选择建议：优先使用utf8mb4+utf8mb4_unicode_ci组合以兼顾多语言支持和数据一致性
2026-01-20 14:51:51
579
原创 【LangGraph】LangGraph 框架核心模块深度解析与典型应用场景
LangGraph框架是一个基于状态机+图结构的工作流框架，专注于解决复杂LLM应用中的多步骤协作、状态管理和动态决策问题。其核心优势在于解耦流程逻辑与业务逻辑，支持灵活的分支、循环和中断恢复等功能，同时集成LLM/工具调用能力。
2025-11-12 15:08:13
955
原创 【LangGraph】LangGraph框架实战：构建模块化旅行规划智能体
本文介绍LangGraph框架在构建模块化旅行规划智能体中的应用。LangGraph作为基于状态机的工作流框架，其核心模块包括状态管理、节点、边和工作流编译。通过旅行规划实例展示了如何设计强类型状态模型、实现模块化节点功能、配置动态边路由，并最终编译为可执行应用。文章详细解析了组件协作架构，包括API调用跟踪、结构化输出处理和工具集成等关键技术特性，特别强调LangGraph在模块化设计、流程控制和可观测性方面的优势。
2025-11-12 15:01:55
844
原创 【LlamaIndex】LlamaIndex多策略向量检索
本文介绍了一种基于Milvus向量数据库和通义千问嵌入模型的增强型知识检索系统。系统采用三层架构设计，包含文本向量化、向量存储和多策略检索模块。主要特点包括： 集成通义千问text-embedding-v4模型实现高效文本向量化 利用Milvus向量数据库支持海量数据存储与快速查询 实现五种检索策略：基础相似度搜索、带元数据过滤搜索、重新排序搜索、多查询搜索和混合搜索 模块化设计支持灵活扩展 该系统适用于企业知识问答、智能文档检索等多种场景，通过多策略融合有效提升检索质量和用户体验。
2025-11-11 15:34:47
1046
原创 【LlamaIndex】LlamaIndex与Milvus实现知识库
本系统基于LlamaIndex和Milvus实现了一个高效的知识库解决方案，支持文本和文档两种知识库创建方式。核心组件包括：DashScopeEmbedding类（使用通义千问模型生成文本向量）和MilvusKnowledgeBase类（负责知识库的存储与检索）。系统流程包含初始化、知识库构建和检索三个阶段，支持语义相似度查询并返回格式化结果。技术栈采用Python3.x、LlamaIndex框架、Milvus向量数据库和通义千问嵌入模型，适用于智能问答等需要知识检索的场景。
2025-11-11 14:41:20
991
原创 【LangChain】LangChain实现Agent智能体详解及示例
本文介绍了Agent智能体的六大核心模块及其在LangChain中的实现方式。重点包括推理引擎（如ReAct框架）、工具集（如搜索和数据库工具）、记忆模块（对话历史管理）、提示工程（角色设定模板）、行动解析（指令转换）和执行协调器（控制决策循环）。文末通过旅游攻略规划Agent的代码示例，展示了如何集成天气查询、酒店推荐和交通工具等模块，构建实用的多工具交互系统。LangChain提供了开箱即用的类和方法，简化了Agent开发流程。
2025-10-31 11:22:02
1036
原创 【LangChain】LangChain工具的调用
摘要： 本文详细介绍了LangChain中Tools组件的使用方法。首先阐述了Tools作为功能单元的基本概念，支持搜索、计算等操作。然后展示了如何加载预定义工具（如搜索引擎、数学计算等）及创建代理执行任务。接着讲解两种自定义Tools的方法：使用@tool装饰器和继承BaseTool类，并提供BMI计算、货币转换等示例。此外，还介绍了Toolkits的预定义和自定义实现，包括SQL、文件管理等工具包。最后通过一个完整示例演示如何构建多功能代理，整合天气查询、新闻搜索等自定义工具与预置功能。
2025-10-31 10:24:01
357
原创 【LangChain】LangChain的数据检索（RAG）
LangChain数据检索模块是构建RAG应用的核心，包含五个关键组件：文档加载器从多种数据源加载内容；文本分割器将长文档切分为适合LLM处理的块；嵌入模型将文本转换为向量表示；向量存储高效存储和检索向量；检索器执行相似性搜索。该模块通过标准化流程（加载→分割→向量化→存储→检索）实现外部数据与LLM的高效连接，支持多种具体实现方案（如Chroma/FAISS/Pinecone等向量数据库）。
2025-10-31 10:22:22
560
原创 【LangChain】LangChain的记忆（Memory）机制详细讲解
LangChain提供多种记忆机制使AI对话更具连贯性，包括简单缓冲、滑动窗口、摘要总结和向量检索四种记忆类型。缓冲记忆保存完整历史但消耗大，窗口记忆保留最近对话，摘要记忆通过LLM压缩历史，向量记忆则实现语义检索。开发者可根据对话长度、细节需求和性能要求选择合适类型，并通过ConversationChain或LCEL集成到对话系统中，从而使无状态的LLM具备上下文记忆能力。
2025-10-30 09:05:43
1440
原创 【LangChain】LangChain的链及LCEL详解
摘要： LangChain中的LCEL（LangChain Expression Language）通过声明式方法简化链式应用的构建。核心组件包括： RunnableSequence（顺序执行，支持同步/异步/批处理） RunnableParallel（并行执行并合并结果） RunnablePassthrough（传递或增强数据） RunnableLambda（集成自定义函数）。
2025-10-30 09:02:24
1003
原创 【LangChain 】LlamaIndex vs LangChain 在企业知识库场景的深度对比
LlamaIndex和LangChain在企业知识库场景各有优势。LlamaIndex在检索性能和开发效率上表现突出，特别适合大规模文档检索和复杂查询需求。LangChain则在生态系统和生产部署方面更强，适合需要复杂业务流程和多系统集成的场景。技术实现上，LlamaIndex提供专用检索优化和增量更新功能，而LangChain支持完整工具链和复杂工作流编排。企业应根据核心需求选择：专注高效检索选LlamaIndex，需系统集成选LangChain。
2025-10-29 17:42:01
1398
原创 【LangChain】LangChain 输出解析器
LangChain提供了多种输出解析器，用于处理不同格式的模型响应： 列表解析器：将逗号分隔文本转为Python列表，适用于关键词提取 日期解析器：专门处理时间日期信息，返回datetime对象 JSON解析器：解析JSON数据为字典，适合结构化数据提取 XML解析器：处理XML格式响应，解析复杂嵌套数据 Pydantic解析器（推荐）：基于类型安全的Pydantic模型，支持复杂数据结构验证 其中PydanticOutputParser最为强大，通过定义数据模型可确保字段类型正确性，适合企业级应用。
2025-10-29 08:12:50
460
原创 【LangChain】LangChain提示词模板
LangChain提供了多种提示词模板，主要包括SystemMessage（系统指令）、HumanMessage（用户输入）、AIMessage（AI回复）和自定义角色的ChatMessage模板。这些模板通过定义不同的消息角色（系统/人类/AI/自定义）来控制AI的回应方式。常见组合包括System+Human用于单轮对话，加入AI模板构建多轮对话上下文，ChatMessage用于特殊场景。模板支持参数化输入，通过format方法动态生成内容，可与聊天模型配合实现智能对话功能。
2025-10-29 08:09:52
994
原创 【LangChain】LangChain Model 模型分类
LangChain的Model I/O模块将语言模型抽象为三类：LLMs（文本补全，单次任务）、Chat Models（多轮对话，结构化消息）和Embedding Models（文本向量化）。LLMs适合独立文本生成，Chat Models优化了对话交互，Embedding Models用于语义分析。LangChain提供统一接口调用不同模型，建议优先使用Chat Models，并通过环境变量管理敏感配置参数。
2025-10-28 11:37:39
537
原创 【LangChain】LangChain核心组件与功能
LangChain 1.0框架采用模块化设计，将大语言模型应用开发分解为6大核心模块：Model I/O（处理模型交互）、Retrieval（实现RAG应用）、Chains（构建工作流）、Agents（自主决策）、Memory（状态持久化）和Callbacks（自定义逻辑插入）。其中，Model I/O标准化输入输出流程，Retrieval实现外部数据检索，Chains串联多个组件，Agents赋予模型决策能力，Memory保存对话状态，Callbacks支持执行监控。
2025-10-28 11:13:49
1279
原创 【AI 智能体】AI 智能体工作原理
AI智能体通过"工具+记忆+推理"的协同机制实现自主任务处理。其工作流程包含5个步骤：需求解析、推理规划、工具调用、记忆存储和优化输出。三大核心组件各司其职：推理作为决策中心规划任务步骤，工具作为交互接口获取外部资源，记忆作为数据仓库存储关键信息。这种闭环协同使AI智能体从被动问答升级为主动规划，能处理多步骤、需上下文的复杂任务，如自动生成天气通勤周报或跟踪股票趋势。未来，这种机制将让AI成为真正实用的个人助手，在工作、生活和学习中提供更智能的服务。
2025-10-27 08:56:02
917
原创 【Mineru】保姆教程 Mineru API使用全指南
Mineru API文档解析与批量处理指南 摘要：Mineru API提供高效文档解析能力，支持PDF、Word等格式的文本、公式和表格提取。使用前需获取Token并通过Authorization头认证。单文件解析通过创建任务和查询结果两步完成，支持OCR、公式识别等功能。批量处理支持本地文件上传和URL批量解析两种方案，前者通过请求上传URL后PUT上传文件自动解析。注意事项包括文件大小限制、格式支持和每日配额管理。API还提供进度查询、结果回调等增强功能，帮助用户高效完成各类文档处理需求。
2025-10-27 08:49:20
5633
1
原创 【RAG】摘要索引在RAG场景中的技术分析与实现
摘要索引是一种针对半结构化文档的RAG优化技术，通过为文档块生成语义摘要并构建摘要向量数据库，有效解决了传统RAG在文档分割中的结构破坏问题。其核心优势包括：保持表格、代码等结构化内容完整性，提升检索精度20%以上，支持多粒度检索。实现流程包含文档分割、摘要生成和索引构建三个阶段，采用UUID关联机制确保摘要与原始文档的精准映射。检索时通过"摘要匹配-文档回溯-答案生成"的三级流程，显著提升问答系统的响应质量，特别适用于学术论文、技术文档等复杂场景。
2025-10-17 09:42:13
1266
原创 【智能体】企业智能体落地，从阶段划分到痛点破局
企业智能体落地：五阶段演进与痛点突破 摘要：AI智能体在企业应用中呈现五阶段演进路径，从Level 1固定任务执行到Level 5多智能体协同管理。当前90%企业应用集中在Level 1-2，面临四大核心痛点：大模型幻觉可通过RAG+微调+反馈闭环解决；RAG效果不佳需优化检索逻辑与知识库利用；信息孤岛需安全打通API接口；安全问题需建立全链路监控与数据分级机制。企业应聚焦"可用性"，在现有阶段解决实际问题，而非盲目追求高阶能力。
2025-10-17 09:04:42
1224
原创 【RAG】一文掌握RAG技术全貌
RAG技术通过检索外部知识库增强大模型回答的事实准确性，其核心流程包括索引、检索和生成三个阶段。优化策略涵盖提问改写、多路召回、索引结构优化、检索后处理和生成约束五大方面。评估需结合检索指标（如召回率）和生成指标（如事实一致性），并辅以人类评估。针对幻觉问题，可通过强化Prompt约束、引用标注和事实核查等方法解决。RAG技术实现了知识检索与智能生成的有机结合，为构建可信AI系统提供了有效路径。
2025-10-16 16:11:41
526
原创 【 RAG】多查询检索 RAG 实现原理
多查询检索 RAG 实现原理摘要：该系统通过 LLM 从原始问题生成多个相关扩展问题（3-4个不同角度的问题），然后并行检索这些扩展问题，最后合并去重检索结果用于生成最终答案。相比单查询检索，该方法能解决词汇不匹配问题，提高检索召回率，更全面地覆盖问题各个方面。代码实现包含查询扩展、并行检索和结果融合三个核心模块，使用 LangChain 框架集成 LLM 和向量数据库(Milvus)，支持异步并行检索优化性能。系统还设计了备用查询生成机制，确保在主流程失败时仍能提供基本检索能力。
2025-10-16 16:03:19
373
原创 从部署到微调：Deepseek大模型本地化落地指南
本文介绍了如何将Deepseek大语言模型本地化部署和微调，适用于个人和小团队的需求。文章首先强调了本地化的重要性，尤其是在数据隐私和离线场景下。随后，推荐了两款适合本地化的Deepseek模型（7B参数版本），并提供了硬件要求和许可信息。 第二部分详细讲解了使用Ollama工具一键部署Deepseek模型的步骤，包括安装、拉取模型和交互方式。第三部分则深入介绍了如何利用QLoRA技术对模型进行本地微调，包括环境准备、数据格式要求和核心代码实现。
2025-10-15 10:08:58
2295
Spring+SpringMvc+Mybatis+Dubbo 小Demo
2017-10-17
springbootg整合 mybatis, swagger-ui的小案例
2017-10-18
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人