如何才能做好测试自动化(TA)?

灵御TA2:本地部署与集成指南,实现视觉AI自动化 视觉AI与多模态模型正成为自动化领域的关键技术,其核心原理在于通过计算机视觉理解屏幕内容,并将其转化为可执行的操作指令。这项技术的核心价值在于显著降低自动化脚本的编写门槛,将复杂的UI元素定位和操作逻辑自动化。在工程实践中,它尤其适用于软件自动化测试、RPA流程增强以及效率工具开发等场景,能够处理非标准控件并快速录制操作流程。本文聚焦于“灵御TA2”这一具体项目,深入探讨其作为本地部署工具的硬件要求、环境配置、API集成以及批量任务处理能力,为开发者构建从验证到集成的完整技术路径。 阅读详情

在自动化测试引入和应用中,我们清楚一些基本的原则:

-选择好工具,最流行的工具不一定适合自己,真正适合自己的工具才是最好的。如Robot不一定是最好的,但它的多机交互协作能力是其它工具没有的

-根据客户端、Web和服务器的不同特点可选择不同的测试工具,如Web的链接、UI变化快和复杂的逻辑,工具的录制功能要强、稳定,适应不同的平台(Windows, Linux, Mac OS)和浏览器(IE, ForeFox, NS, ...)。而服务器一般不存在UI界面,主要是对不同协议的支持。

-负载、性能自动化测试比较容易实现,但功能性测试更困难

-软件测试自动化(TA)虽然具有很多优点,但只是对手工测试的一种补充,TA绝不能代替手工测试。在系统功能逻辑测试、验收测试、适用性测试、涉及物理交互性测试时,多采用黑盒测试的手工测试方法; 单元测试、集成测试、系统负载或性能、稳定性、可靠性测试等比较适合采用TA。

- 工具本身并没有想象力和灵活性,自动测试只能发现15-30%的缺陷,而手工测试可以发现70-85%的缺陷;TA工具在进行功能测试时,其准确的含义是回归测试工具,因为工具不能发现更多的新问题,但可以保证对已经测试过部分进行测试的准确性和客观性 

 -找准测试自动化的切入点,一般从长期的新产品开始、同步进行,并选用一些相对容易进行自动化处理的、手工测试较繁的模块着手,如大量API调用、邮件模板处理等;

 -把测试开发纳入整个软件开发体系,是必要的,系统不具有可测试性,再好的工具也无能为力。而且测试自动化前期投入大,这样软件开发的前期分配的时间要多些,测试执行的时间可短些;人力分配也不同,进行资源的合理调度。
 

-测试自动化依赖测试流程和测试用例。没有好的测试流程或者没有设计有效的测试用例,测试工具会事倍功半。
 软件测试自动化的投入较大
 

但有一个问题困扰着我们,即采用下面哪种模式更好?

1。专门的TA团队,负责自动化模块开发,开发完后交给进行功能测试的队伍。人为增加了一个交接工作、沟通层次,但TA团队全心再Scipting, 开发效率高,而且有利于留住TA engineer

2. 将产品的部分模块承包给TA团队,TA开发好了,他们手工测试就少了,让TA团队自己Drive自己,效果应该不错,但开发效率可能会低,或TA团队感觉压力太大,或不喜欢手工测试,容易被逼走去做开发。

欢迎大家评论!



Trackback: http://tb.blog.youkuaiyun.com/TrackBack.aspx?PostId=779294


如何才能做好测试自动化(TA)? 如何才能做好测试自动化(TA)?软件测试-选择好工具,最流行的工具不一定适合自己,真正适合自己的工具才是最好的。如Robot不一定是最好的,但它的多机交互协作能力是其它工具没有的-根据客户端、Web和服务器的不同特点可选择不同的测试工具,如Web的  如何才能做好测试自动化(TA)?  软件测试  -选择好工具,最流行的工具不一定适合自己,真正适合自己的工具才是最好的。如Robot不一定是最好的,但它的多机交互协作能力是其它工具没有的  -根据客户端、Web和服务器的不同特点可选择不同的测试工具,如Web的链接、UI变化快和复杂的逻辑,工具的录制功能要强、稳定,适应不同的平台(Windows, 立即下载

相关推荐

基于verilog的16QAM调制

思路1:正交调幅法——实现16QAM调制,可以理解为时相位相差90度的两个正弦波的4PAM叠加。 4比特输入经过2->4进制转化得到两路2比特输入,然后分别经过4PAM后叠加所得输出即为16QAM调制结果。 具体程序稍后编写。 思路2:复合相移法——可以借助前面编写的QPSK,相当于两路幅度不同的QPSK的叠加,比如幅度分别取1和3 。 思路1正交调幅法的设计方案: 两正弦波相位差...

weixin_30725467的博客 2929

软件测试行业中ta表示什么意思,软件测试架构师(TA)的职位特点

LV-gd"F8T-hV(e0软件测试架构师是一个新职位,但确实是一个非常必要的职位,主要有几点:.vE$Cd4O4Se0HQnR't"[%D6U {01.根据V模型、广义测试概念等,(静态)测试的越早,发现缺陷越早,越有利于产品的质量、加快产品开发周期、降低企业的成本。更重要预防设计出现严重的缺陷,如果设计出现缺陷,在系统集测试发现问题时,所造成的返工将是可怕的。这就需要对设计进行复审、评审,而...

weixin_32493541的博客 2250

锐浪报表 Grid++Report 子报表 Delphi

锐浪报表 Grid++Report 是国内较好的报表控件,本人一直使用它,做出很多特色的报表。可以说你的报表设计出来,它基本上能做出来。 但是它帮助文件上,说的不深,近期因为要做一个有关社工的报表,大表中,嵌套2个子表。可以说,一个表到三个数据集,分别打印。 在认真看了帮助的基础上,网上探索,基本无此类,特别是Delphi的帮助,几乎为零。经二天摸索,做出来了。 一、设计思路 1、大表和二个小表,可以设计为三个表,分别使用三个GridppReport控件,取名...

lyhoo163的专栏 9077

我所知道的TA测试框架

就我目前接触的主要接触了两种TA框架,或者说实现方式吧,是目前市面上相对成熟的方式,一种是Python+Robot Framework框架,当然要在CI(持续进程)+Jekins(显示结果)。 简单点说,在Robot Framework中写Key Word, 来调Python中一个个函数模块,来达到自动化测试的目的,可在HTML中显示,也可以输出到*.log文件中,当然也可以将日志发送到邮箱中。

杰瑞的专栏 3811

AD9253 LVDS 高速ADC驱动开发

对应:data clock时钟为500M DDR mode。具体内容:下文的参考博客写的很清楚,我就不详细写了。参考博客clock align模块不完整,本文新增这个模块。3、该款ADC工作在125Msps下,14bit - 2Lane - 1frame 模式。2、查阅Xilinx xapp524手册。1、查阅AD9253器件手册。

CAOXUN_FPGA的博客 2111

微信支付开发之平台给用户转账到零钱的功能

请求消息中应包含商家批次单号、转账名称、appid、转账总金额、转账总笔数、转账openid、收款用户姓名等信息。批次已受理成功,若发起批量转账的30分钟后,转账批次单仍处于该状态,可能原因是商户账户余额不足等。【转账场景ID】 该批次转账使用的转账场景,如不填写则使用商家的默认场景,如无默认场景可为空,可前往“商家转账到零钱-前往功能”中申请。【转账总笔数】 一个转账批次单最多发起一千笔转账。【商家批次单号】 商户系统内部的商家批次单号,要求此参数只能由数字、大小写字母组成,在商户系统内部唯一。

程序员weixin_sodomany的博客 3456

软件测试行业中ta表示什么意思,温度冲击测试ta/tc分别代表什么意思

温度冲击试验也称高低温循环冲击或者冷热冲击,此试验的机理是:利用物体中所含物质的在不同温度情况下因热胀冷缩所产生的应力考验产品的质量,一般有LED都要做的,此实验本身是一个破坏性实验.温度范围-45度---+105度每隔半小时一个循环。高低温冲击试验箱该产品适用于电子元气件的安全性能测试提供可靠性试验、产品筛选试验等,同时通过此装备试验,可提高产品的可靠性和进行产品的质量控制。一、TA温度代表的是...

weixin_29237635的博客 7343

2025年MathorCup数学应用挑战赛【B题完整论文】附参考代码(免费分享)

摘。

RS_handy的博客 2694

菜鸟如何学习自动化测试?新梦想

对于测试人员来说,不管进行功能测试还是自动化测试,还是性能测试,都是需要编写测试用例,所以我们必须先要了解清楚手工测试用例与自动化测试用例的一些特点,才能更好的开展自动化测试工作。 1.1 手工测试用例和自动化测试用例 手工测试用例是针对功能测试人员的,而自动化测试用例是针对自动化测试用例框架或工具的。 1 手工测试用例特点: (1)较好的异常处理能力,能通过人为的逻辑判断校验当前步骤是否正确实现...

newdreamIT的博客 1765

保姆级教程:用Docker一键部署vLLM大模型推理服务(附常见报错解决方案)

本文提供了一份详细的Docker化vLLM大模型推理服务部署指南,涵盖从环境准备到性能调优的全流程。通过容器化技术解决大语言模型部署中的显存利用率、吞吐量等核心问题,并附常见报错解决方案,帮助开发者快速构建高效、可扩展的AI推理服务。

weixin_29248313的博客 494

Open3D 点云转深度图像【2026最新版】

python版本Open3D 实现的点云转深度图像,博客长期更新,本文最新更新时间为:2026年5月10日。

点云侠的博客 2838

ta-lib-python与GitHub Actions:自动化工作流配置终极指南

ta-lib-python是一个基于Cython的高性能Python技术分析库,提供150多种金融指标计算功能。通过GitHub Actions的自动化工作流配置,开发者可以确保项目的持续集成和测试质量。📈 本文将详细介绍如何为ta-lib-python项目配置GitHub Actions自动化工作流,让您的技术分析项目始终保持最佳状态。 ## 🚀 为什么需要GitHub Actions自

gitblog_00835的博客 1068

AI摄影师:自动构图与修图算法设计

AI摄影师:自动构图与修图算法设计​ ,人工智能,计算机视觉,大模型,AI,AI 摄影师的核心能力体现在两方面:自动构图(通过算法优化画面元素布局)与智能修图(自动调整光影、色彩、细节)。例如,手机摄影中的 “AI 构图建议” 功能可实时框选最佳拍摄区域,修图软件中的 “一键增强” 能在 0.1 秒内完成专业级调色,这些都依赖于计算机视觉与深度学习的深度融合。

不踩坑,不知道坑有多深;不总结,踩过的坑白踩。 16万+

PL2303TA兼容串口转换稳定性测试

本文对PL2303TA USB转串口芯片进行多平台、高负载下的稳定性测试,涵盖Windows、Linux和macOS系统,分析其在不同波特率、线缆质量和环境条件下的误码率与断连问题,揭示正品与兼容版模块的性能差异,并提出设计优化建议。

weixin_35749440的博客 1029

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

如何为ta-lib-python搭建GitLab CI/CD:自动化测试与部署的完整指南 [特殊字符]

ta-lib-python是Python技术分析库TA-Lib的官方封装,为金融量化分析提供强大的技术指标计算能力。在本文中,我们将深入探讨如何为这个重要的金融分析工具搭建完整的GitLab CI/CD流水线,实现自动化测试、构建和部署。 ## 为什么ta-lib-python需要CI/CD? 📈 ta-lib-python作为金融量化分析的核心库,其稳定性和可靠性至关重要。GitLab C

gitblog_01140的博客 830

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。

如何才能做好测试自动化

在自动化测试引入和应用中,我们清楚一些基本的原则: -选择好工具,最流行的工具不一定适合自己,真正适合自己的工具才是最好的。如Robot不一定是最好的,但它的多机交互协作能力是其它工具没有的 -根据客户端、Web和服务器的不同特点可选择不同的测试工具,如Web的链接、UI变化快和复杂的逻辑,工具的录制功能要强、稳定,适应不同的平台(Windows, Linux, Mac OS)和浏览器(IE,...

119

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")

闲聊软件测试自动化(1):测试自动化的好处我们知道多少?

笔者按: 在学生时代,参与过一些软件项目,也开发过一些模块,但对软件测试几乎一片空白、没有任何概念。进入工业界后,有幸在软件测试部门工作近两年。在实践中,深深体会到软件测试之于软件质量的重要性。测试自动化(Test Automation, TA)作为软件测试的发展方向,日益受到重视。笔者在对TA的学习、实践、交流中,逐渐形成了一些关于TA的认识和思考。在此稍作整理,分享给大家。

测试不将就 2243

天翼空间TA云测试平台改版上线

如今在智能手机在人们的生活中不可或缺的重要地位,随着移动互联网的飞速发展,让各种各样的手机应用也不断涌现出来。但是每一个移动应用从研发到被人们广泛认可和使用,都需要经历一个重要的步骤,即应用的测试。为此中国电信天翼空间应用工厂为广大开发者及测试适配人员打造方便快捷的手机应用测试系统---TA云测试平台。   中国电信天翼空间应用工厂TA云测试平台,作为国内第一个完整远程虚拟真机的成熟终端适配测试

testappcn的专栏 1134

对 单元测试&测试驱动开发&自动化测试 的理解和实践

对 UT&TDD&TA之我见 -刚刚开始学,文中可能会有很多错误和没说明白之处,最近很忙,很久没有写博客了,我想我以后应该上升一个高度,不应该仅仅停留在简单的代码阶段了。 TA =test automation .. 我是程序员sylar,我只以一个coder的身份来说明一些问题。 现在客户需要我们公司完成一个产品,当...

dengweidan3299的博客 215

ISTQB AL高级认证系列02:ISTQB AL-TA测试分析员学习目标

ISTQB AL-TA(ISTQB高级测试分析员模块)主要是针对测试业务分析人员而设立的知识和实践。学习完ISTQB AL-TA模块之后,高级测试分析员应能负责完成如下工作: (1)        从业务需求角度构造测试策略中定义的任务。 (2)        详细分析系统以

郑文强的专栏 1739

2011新年新TA

新年新TATA :     Test Automation, 自动化测试。搞 TA 也有好几个年头了,时间长了,越发觉得TA 实在不 “自动化”。如果兄弟你也是写TA脚本的,你会不会头疼:1. 库越来越大,维护成本居高不下。2. 黑盒测试一分钟的事,写个一整天(是不是俺的水平太菜了,我指的写包括封装库函数,研究接口定义等,总之从零开始。)3. 调试时经常遇到失败,不停地检查环境,检查logs.4. case 脚本超长,至少一屏,调用N个tool。5. 工期超紧,如果写脚本开始的早,不得不面对开发改动。6.

rocky2com的专栏 870

自动化测试

自动化测试的基本流程 制定测试计划——分析测试需求——设计测试用例——搭建测试环境——编写测试脚本——分析测试结果、记录测试问题——跟踪测试bug——自动化脚本维护 自动化测试的工具: Selenium(https://www.seleniumhq.org/download/) 用于WebUI自动化测试,直接运行在浏览器中,就像真正的用户一样在操作。升级版本为Webdriver 主要功能: 测试...

qq_39991513的博客 311
上一篇: 职场实录:我在盛大的日子
下一篇: 软件单元测试工具比较
techweb
博客等级 码龄19年 226粉丝 3842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