大模型学习： 亲测DockerCompose 部署支持 GPU 的 向量数据库Milvus

原创 已于 2025-05-07 13:47:53 修改 · 1k 阅读 · 16 ·
CC 4.0 BY-SA版权
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。
文章标签：

#docker #milvus #容器

于 2025-05-06 18:25:56 首次发布

    Zilliz 采用 Milvus 作为其开源高性能、高扩展性向量数据库的名称，该数据库可在从笔记本电脑到大规模分布式系统等各种环境中高效运行。它既是开源软件，也是云服务。

    Milvus 由 Zilliz 开发，并很快捐赠给了 Linux 基金会下的 LF AI & Data 基金会，现已成为世界领先的开源向量数据库项目之一。它采用 Apache 2.0 许可发布，大多数贡献者都是高性能计算（HPC）领域的专家，擅长构建大规模系统和优化硬件感知代码。核心贡献者包括来自 Zilliz、ARM、英伟达、AMD、英特尔、Meta、IBM、Salesforce、阿里巴巴和微软的专业人士。

有趣的是，Zilliz 的每个开源项目都以鸟命名，这种命名方式象征着自由、远见和技术的敏捷发展。

非结构化数据、Embeddings 和 Milvus

    非结构化数据（如文本、图像和音频）格式各异，蕴含丰富的潜在语义，因此分析起来极具挑战性。为了处理这种复杂性，Embeddings 被用来将非结构化数据转换成能够捕捉其基本特征的数字向量。然后将这些向量存储在向量数据库中，从而实现快速、可扩展的搜索和分析。

Milvus 提供强大的数据建模功能，使您能够将非结构化或多模式数据组织成结构化的 Collections。它支持多种数据类型，适用于不同的属性模型，包括常见的数字和字符类型、各种向量类型、数组、集合和 JSON，为您节省了维护多个数据库系统的精力。

安装 Milvus

要使用 Docker Compose 安装支持 GPU 的 Milvus，请按照以下步骤操作。

1.下载并配置 YAML 文件

下载 milvus-standalone-docker-compose-gpu.yml并手动保存为 docker-compose.yml，或使用以下命令

mkdir milvus
cd milvus
wget https://github.com/milvus-io/milvus/releases/download/v2.5.10/milvus-standalone-dock
最低0.47元/天 解锁文章

200万优质内容无限畅学
【微服务】SpringBoot 整合Redis Stack 构建本地向量数据库相似性查询
congge
11-24 2万+
SpringBoot 整合Redis Stack 构建本地向量数据库相似性查询
CentOS使用docker-compose在线部署milvus服务（超详细）
qq_43640212的博客
08-17 2618
部署milvus服务（在线部署docker、docker-compose、milvus服务） ;CentOS使用docker-compose在线部署milvus服务（超详细）
docker部署milvus
x1173727303的博客
05-22 520
本文介绍了如何在单机模式下使用 Docker 部署 Milvus v2.4.5，并通过 PyMilvus 进行完整流程测试。首先，通过 docker pull 命令拉取 Milvus 和 MinIO 的镜像，然后创建 docker-compose.yml 文件，配置 Milvus、etcd 和 MinIO 服务。启动服务后，使用 PyMilvus 进行连接、创建集合、插入数据、创建索引、搜索向量等操作，验证三组件的协同工作。最后，提供了完整的测试脚本，确保 Milvus 正常运行并完成数据存储与检索任务。
【向量数据库 Milvus】Milvus2.5-GPU版本docker安装
赖德发的博客
01-14 1023
【代码】【向量数据库 Milvus】Milvus2.5-GPU版本docker安装。
【大模型RAG】Docker 一键部署 Milvus 完整攻略
weixin_41645791的博客
06-08 3745
Milvus 2.5 Stand-alone 版可通过 Docker 在几分钟内完成安装，官方提供了 Docker Compose 编排脚本，可一键启动 Milvus、etcd 及 MinIO 容器并暴露 19530 和 9091 端口【 】【 】。为了加速国内安装，推荐使用腾讯云镜像或 FastGit 替代 GitHub 地址拉取 Compose 文件【 】【 】。数据持久化通过在 Compose 中将宿主机目录挂载到容器的 /var/lib/milvus 实现，首次启动后宿主机指定目录下会生成
Milvus【部署 02】Docker部署向量数据库Milvus的CPU和GPU版本
Java与大数据相关实践内容分享！
06-20 2044
Docker部署向量数据库Milvus的CPU和GPU版本
一文带你入门向量数据库milvus：含docker安装、milvus安装使用、attu 可视化，完整指南启动 Milvus 进行了向量相似度搜索
热门推荐
丨汀、的博客
07-21 4万+
一文带你入门向量数据库milvus：含docker安装、milvus安装使用、attu 可视化，完整指南启动 Milvus 进行了向量相似度搜索
企业级 Milvus 部署全攻略：Docker Compose 安装 + 外部访问 + 持久化存储
AI Agent 首席体验官
03-12 2068
Milvus 是一个开源的向量数据库，专为嵌入式向量相似度搜索和 AI 应用设计。本指南将详细介绍如何通过 Docker Compose 进行企业级部署，包括持久化存储配置和外部访问设置。
win10在docker上部署milvus2.0(单机版)教程
qq_36819661的博客
11-08 3085
win10在docker上部署milvus2.0(单机版)教程
【云馨AI-大模型】Docker Compose 一键部署 Milvus v2.5.13 向量数据库及 Attu 可视化工具（无需科学上网）
起而行动，方能平定心中的惶恐
06-12 759
Milvus是一款开源向量搜索引擎，专为高效处理海量向量数据设计，支持多种索引类型和相似性算法，适用于图像检索、推荐系统等AI场景。本文详细介绍了使用Docker Compose部署Milvus的完整流程，包括准备yaml配置文件、拉取镜像、启动服务等步骤，并推荐了可视化工具Attu的使用方法。通过简单的命令即可完成部署，Attu提供了直观的管理界面，使Milvus的使用更加便捷。该方案既适合开发测试环境，也可用于生产部署，为AI应用提供了强大的向量检索能力。
向量数据库Milvus快速入门——AIDOCZH.COM上线Milvus中文文档
数智笔记
06-17 2993
本页面旨在通过回答几个问题来为您提供Milvus的概述。阅读本页面后，您将了解Milvus是什么，它是如何工作的，以及关键概念、为什么使用Milvus、支持的索引和度量、示例应用程序、架构和相关工具。Milvus是在2019年创建的，其唯一目标是存储、索引和管理由深度神经网络和其他机器学习（ML）模型生成的大规模嵌入向量。作为一个专门设计用于处理输入向量查询的数据库，它能够在万亿级别上对向量进行索引。与现有的主要处理遵循预定义模式的结构化数据的关系型数据库不同，Milvus是从底层开始设计的，用于处理从。
深入理解 Milvus：新一代向量数据库的基础技术与实战指南
hello.reader
09-09 1783
在当今以数据驱动的世界中，向量数据的存储和检索正变得愈发重要。向量数据广泛应用于机器学习、深度学习等 AI 场景中，涉及到图像检索、推荐系统、自然语言处理等多种领域。传统数据库在处理结构化数据时得心应手，但面对高维向量数据却捉襟见肘，尤其在大规模、高维度场景下难以高效支持。这时候，Milvus——一款面向 AI 的开源向量数据库应运而生，它专为大规模向量数据检索而设计，能够有效应对复杂场景中的高效检索需求。
Docker Compose 安装了 Milvus 单机版启用安全验证
gs80140的专栏
02-24 1879
在使用 Docker Compose 安装了 Milvus 单机版（Standalone），默认情况下是没有启用安全验证（即用户认证）的。要为 Milvus 添加安全验证，需要修改配置文件 milvus.yaml，启用认证功能，并确保 Docker Compose 正确映射该配置文件。
docker 向量库milvus安装教程
sujincehn的博客
04-08 498
在 配置 Milvus 时，将 milvus.yaml 中的 common.security.authorizationEnabled 设为 true 以启用身份验证。首先需要本身已经安装过docker环境，docker 版本别安装7.0.0会报错的。下载docker-compose.yml。可以手动或使用以下命令创建Yml。由于使用了docker，milvus.yaml文件在docker容器里。报错找不到命令安装 pip和docker-compose插件。运行不了，检查docker状态。
使用docker 安装向量数据库Milvus
曼陀罗的博客
04-09 852
向量数据库：Milvus是一款云原生向量数据库，它支持多种类型的向量，如浮点向量、二进制向量等，并且可以处理大规模的向量数据。向量在Milvus中作为基本数据单元，用于表示高维空间中的点，可以是图像、音频、文本等数据的特征表示。向量搜索：Milvus通过计算向量之间的距离来评估向量之间的相似度，支持高效的相似度搜索和向量索引功能。-f 指定使用的 Compose 模板文件，默认为 docker-compose.yml，可以多次指定，指定多个 yml。首先，访问 milvus 的Github开源地址。
使用 Docker Compose 安装 Milvus（单机版）
openeis的专栏
06-16 311
如需其他版本，请替换链接中的版本号（如。
Milvus2.0的单机Docker部署
渡江客涂鸦板
07-27 1853
（1）下载保存docker-compose.standalone.yml并保存为docker-compose.yml（2）启动单节点执行命令docker-compose up -d（3）通过命令确定单节点安装完成（4）关闭Milvus：在docker-compose.yml目录下（5）启动：在docker-compose.yml目录下。
服务器上部署GPU版的milvus向量数据库
Galen_xia的博客
04-15 1947
服务器上部署GPU版的milvus向量数据库
Milvus向量数据库 docker安装
单纯的叶子、的博客
04-23 1007
在standlone.environment下添加 MILVUS_USERNAME和MILVUS_PASSWORD设置密码。如若下载报错，可以设置docker镜像代理，来解决下载问题(下载无问题，可以跳过)保存并退出，重启docker，再重新执行docker compose up -d。2.如果要设置密码需修改docker-compose.yml文件，不设置可跳过。1.找个目录，下载 docker-compose.yml。修改/etc/docker/daemon.json文件。安装成功后，如下进行连接。
分别在两台服务器啥上安装了Ubuntu 24.04系统，一台使用Ollama（本地大模型运行环境）、CUDA、Python等软件；另外一台安装Milvus（向量数据库）。 目标：建立本地文档的向量数据库，调用本地大模型API读取向量数据。
最新发布
07-30
<think>我们首先需要明确目标：在Ubuntu 24.04服务器上配置Ollama（支持CUDA加速）、Python环境，并部署Milvus向量数据库，最终实现通过本地大模型API读取向量数据。 步骤分解： 1. 安装Ubuntu 24.04系统（假设已经完成） 2. 安装NVIDIA驱动和CUDA（如果服务器有NVIDIA GPU） 3. 安装Docker（因为Milvus通常使用Docker部署） 4. 部署Milvus向量数据库 5. 安装Ollama（支持GPU加速） 6. 配置Python环境（建议使用conda管理） 7. 编写代码：使用Ollama的API进行文本嵌入（embedding）和生成，并将文档存入Milvus；然后通过本地大模型API读取向量数据 详细步骤： ### 1. 安装NVIDIA驱动和CUDA 如果服务器有NVIDIA GPU，需要安装驱动和CUDA。 添加NVIDIA官方驱动仓库并安装： ```bash sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update sudo apt install nvidia-driver-535 # 根据你的GPU型号选择最新驱动 ``` 安装CUDA Toolkit（以CUDA 12.3为例）： 访问[NVIDIA CUDA下载页面](https://developer.nvidia.com/cuda-downloads)选择对应版本，按照指令安装。 例如： ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-ubuntu2404.pin sudo mv cuda-ubuntu2404.pin /etc/apt/preferences.d/cuda-repository-pin-600 wget https://developer.download.nvidia.com/compute/cuda/12.3.2/local_installers/cuda-repo-ubuntu2404-12-3-local_12.3.2-545.23.08-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu2404-12-3-local_12.3.2-545.23.08-1_amd64.deb sudo cp /var/cuda-repo-ubuntu2404-12-3-local/cuda-*-keyring.gpg /usr/share/keyrings/ sudo apt update sudo apt install cuda-toolkit-12-3 ``` 安装完成后，设置环境变量： ```bash echo 'export PATH=/usr/local/cuda-12.3/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.3/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` 验证安装： ```bash nvidia-smi nvcc --version ``` ### 2. 安装Docker 按照官方文档安装Docker： ```bash sudo apt update sudo apt install ca-certificates curl sudo install -m 0755 -d /etc/apt/keyrings sudo curl -fsSL https://download.docker.com/linux/ubuntu/gpg -o /etc/apt/keyrings/docker.asc sudo chmod a+r /etc/apt/keyrings/docker.asc echo "deb [arch=$(dpkg --print-architecture) signed-by=/etc/apt/keyrings/docker.asc] https://download.docker.com/linux/ubuntu $(. /etc/os-release && echo "$VERSION_CODENAME") stable" | sudo tee /etc/apt/sources.list.d/docker.list > /dev/null sudo apt update sudo apt install docker-ce docker-ce-cli containerd.io docker-buildx-plugin docker-compose-plugin ``` 将当前用户加入docker组（避免每次sudo）： ```bash sudo usermod -aG docker $USER newgrp docker # 刷新组，或重新登录 ``` ### 3. 部署Milvus Milvus官方推荐使用Docker Compose部署，这里我们使用单机版（Standalone）。 下载docker-compose.yml： ```bash wget https://github.com/milvus-io/milvus/releases/download/v2.4.0/milvus-standalone-docker-compose.yml -O docker-compose.yml ``` 启动Milvus： ```bash docker compose up -d ``` 验证： ```bash docker ps # 查看容器是否正常运行 ``` Milvus会启动三个容器：etcd、minio和milvus-standalone。默认端口：19530（Milvus服务端口），9091（Web端口）。 ### 4. 安装Ollama 按照Ollama官方文档安装（支持GPU）： ```bash curl -fsSL https://ollama.com/install.sh | sh ``` 启动Ollama服务： ```bash systemctl start ollama ``` 下载模型（例如Qwen:7b）： ```bash ollama pull qwen:7b ``` 注意：Ollama会自动使用GPU（如果检测到CUDA环境）。可以通过环境变量`OLLAMA_GPU_LAYERS`设置使用GPU的层数（例如50层）： ```bash export OLLAMA_GPU_LAYERS=50 ``` ### 5. 配置Python环境 建议使用conda创建虚拟环境。 安装Miniconda： ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh ``` 创建并激活环境： ```bash conda create -n rag python=3.10 conda activate rag pip install pymilvus ollama langchain ``` ### 6. 编写代码 我们将使用LangChain集成Milvus和Ollama。主要步骤： - 加载文档（假设为txt文件） - 使用Ollama的嵌入模型（如nomic-embed-text）将文档向量化 - 存入Milvus - 查询时，将问题向量化，检索Milvus，将结果和问题一起发给Ollama生成答案 示例代码（rag.py）： ```python from langchain_community.document_loaders import TextLoader from langchain_text_splitters import CharacterTextSplitter from langchain_community.vectorstores import Milvus from langchain_community.embeddings import OllamaEmbeddings from langchain_community.llms import Ollama # 1. 加载文档 loader = TextLoader("./document.txt") documents = loader.load() text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0) docs = text_splitter.split_documents(documents) # 2. 初始化嵌入模型和向量数据库 embeddings = OllamaEmbeddings(model="nomic-embed-text") # 确保已下载此模型：ollama pull nomic-embed-text vector_db = Milvus.from_documents( docs, embedding=embeddings, connection_args={"host": "127.0.0.1", "port": "19530"}, collection_name="my_docs" ) # 3. 检索 query = "用户的问题" results = vector_db.similarity_search(query) # 4. 使用大模型生成答案 llm = Ollama(model="qwen:7b") context = "\n".join([doc.page_content for doc in results]) prompt = f"基于以下上下文：\n{context}\n\n请回答：{query}" response = llm.invoke(prompt) print(response) ``` 注意：需要先下载嵌入模型：`ollama pull nomic-embed-text` 运行代码前，确保Milvus和Ollama服务已启动。 ### 7. 通过API提供服务 我们可以使用FastAPI构建一个简单的API服务。 安装FastAPI： ```bash pip install fastapi uvicorn ``` 创建main.py： ```python from fastapi import FastAPI from pydantic import BaseModel from typing import List from rag import vector_db, llm # 假设上面的代码封装在rag.py中，并做了适当调整 app = FastAPI() class Query(BaseModel): question: str @app.post("/ask") async def ask(query: Query): # 检索 results = vector_db.similarity_search(query.question) context = "\n".join([doc.page_content for doc in results]) # 生成答案 prompt = f"基于以下上下文：\n{context}\n\n请回答：{query.question}" response = llm.invoke(prompt) return {"answer": response} # 注意：需要提前初始化vector_db和llm（考虑全局初始化一次） ``` 启动API： ```bash uvicorn main:app --reload --host 0.0.0.0 --port 8000 ``` 这样，就可以通过`http://服务器IP:8000/ask`发送POST请求（body: {"question": "你的问题"}）来获取答案。 注意事项： - 确保服务器防火墙开放相应端口（8000, 19530等） - 如果文档更新，需要重新加载到Milvus - 根据硬件调整模型大小（如7B模型需要约4GB GPU显存） 以上步骤涵盖了从环境配置到API服务的整个流程。根据实际需求，可能还需要调整参数（如分块大小、重叠大小等）。 §§相关问题§§ 1. 如何在Ubuntu 24.04上安装NVIDIA驱动和CUDA？ 2. 如何验证Milvus是否成功启动？ 3. Ollama支持哪些嵌入模型？ 4. 如何更新Milvus中的文档数据？ 5. 如何优化向量检索的性能？</think>以下是在Ubuntu 24.04服务器上配置Ollama、CUDA、Python和Milvus的完整方案，实现本地文档向量数据库及大模型API调用： --- ### **1. 系统准备与驱动安装** #### 1.1 更新系统 ```bash sudo apt update && sudo apt upgrade -y sudo reboot ``` #### 1.2 安装NVIDIA驱动（GPU服务器必需） ```bash # 检测推荐驱动 ubuntu-drivers devices # 安装驱动（示例为535版本） sudo apt install nvidia-driver-535 -y # 验证安装 nvidia-smi ``` #### 1.3 安装CUDA Toolkit 12.3 ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/cuda-ubuntu2404.pin sudo mv cuda-ubuntu2404.pin /etc/apt/preferences.d/cuda-repository-pin-600 sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/3bf863cc.pub sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2404/x86_64/ /" sudo apt install cuda-toolkit-12-3 -y # 添加环境变量 echo 'export PATH=/usr/local/cuda-12.3/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-12.3/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc ``` --- ### **2. 安装Ollama（支持CUDA）** #### 2.1 安装Ollama ```bash curl -fsSL https://ollama.com/install.sh | sh sudo systemctl enable ollama sudo systemctl start ollama ``` #### 2.2 配置GPU加速 ```bash # 编辑配置文件 sudo nano /etc/systemd/system/ollama.service ``` 在`[Service]`部分添加： ```ini Environment="OLLAMA_GPU_LAYERS=50" # 根据GPU显存调整 Environment="PATH=/usr/local/cuda-12.3/bin:$PATH" Environment="LD_LIBRARY_PATH=/usr/local/cuda-12.3/lib64" ExecStart=/usr/local/bin/ollama serve ``` 重启服务： ```bash sudo systemctl daemon-reload sudo systemctl restart ollama ``` #### 2.3 下载大模型（示例Qwen 7B） ```bash ollama pull qwen:7b # 验证模型运行 ollama run qwen:7b "你好" ``` --- ### **3. 部署Milvus向量数据库** #### 3.1 安装Docker ```bash sudo apt install docker.io docker-compose -y sudo usermod -aG docker $USER newgrp docker ``` #### 3.2 启动Milvus单机版 ```bash wget https://github.com/milvus-io/milvus/releases/download/v2.4.0/milvus-standalone-docker-compose.yml -O docker-compose.yml docker compose up -d ``` 验证： ```bash docker ps | grep milvus ``` --- ### **4. Python环境配置** #### 4.1 安装Miniconda ```bash wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh bash Miniconda3-latest-Linux-x86_64.sh source ~/.bashrc ``` #### 4.2 创建虚拟环境 ```bash conda create -n rag python=3.10 -y conda activate rag ``` #### 4.3 安装依赖库 ```bash pip install pymilvus langchain-community ollama sentence-transformers ``` --- ### **5. 构建文档向量系统** #### 5.1 文档向量化存储脚本 (`ingest.py`) ```python from langchain_community.document_loaders import TextLoader from langchain_community.embeddings import OllamaEmbeddings from langchain_community.vectorstores import Milvus from langchain_text_splitters import RecursiveCharacterTextSplitter # 加载文档 loader = TextLoader("your_doc.txt") documents = loader.load() # 文档分块 text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) docs = text_splitter.split_documents(documents) # 生成嵌入向量并存储 embeddings = OllamaEmbeddings(model="nomic-embed-text") # 高效文本嵌入模型 vector_db = Milvus.from_documents( docs, embeddings, connection_args={"host": "localhost", "port": "19530"}, collection_name="doc_collection" ) ``` #### 5.2 查询API服务 (`api.py`) ```python from fastapi import FastAPI from pymilvus import connections, Collection from langchain_community.embeddings import OllamaEmbeddings from langchain_community.llms import Ollama app = FastAPI() # 连接Milvus connections.connect("default", host="localhost", port="19530") collection = Collection("doc_collection") # 初始化模型 embeddings = OllamaEmbeddings(model="nomic-embed-text") llm = Ollama(model="qwen:7b") @app.post("/query") async def query_doc(question: str): # 向量化问题 query_vec = embeddings.embed_query(question) # 向量检索 results = collection.search( data=[query_vec], anns_field="embedding", limit=3, output_fields=["text"] ) # 组合上下文 context = "\n".join([hit.entity.get("text") for hit in results[0]]) # 大模型生成答案 prompt = f"基于以下文档：\n{context}\n\n回答：{question}" response = llm.invoke(prompt) return {"answer": response} ``` #### 5.3 启动API ```bash uvicorn api:app --reload --host 0.0.0.0 --port 8000 ``` --- ### **6. 系统验证** 1. 文档入库： ```bash python ingest.py ``` 2. API测试： ```bash curl -X POST http://localhost:8000/query \ -H "Content-Type: application/json" \ -d '{"question": "文档中提到的关键技术是什么？"}' ``` --- ### **资源要求建议** | 组件 | 7B模型 | 13B模型 | |------------|--------|---------| | **GPU VRAM** | 4GB | 8GB | | **内存** | 16GB | 32GB | | **存储** | 50GB SSD | 100GB NVMe | > 注：Ollama量化模型可降低显存需求[^1] --- ### **常见问题解决** - **CUDA不可用**：检查`nvidia-smi`和`nvcc --version`输出 - **Ollama GPU加速失败**：尝试设置`OLLAMA_GPU_LAYERS=35`（降低层数） - **Milvus连接问题**：确认端口`19530`开放，执行`docker logs milvus-standalone` ---
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

终极量化数据

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