LLM - 从 LLM 到 RAG、Agent、MCP 的一体化工程实践

原创 于 2025-12-14 07:00:00 发布 · 1.2k 阅读 · 14 ·
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：

#rag #agent #mcp

文章目录

在这里插入图片描述

引言

2025 年，企业用大模型做应用，主线已经从「能聊天」转向「能干活」。 很多团队不再满足于一个对话机器人，而是希望它能看业务数据、理解流程、调用系统，真正完成任务闭环。

与此同时，LLM、RAG、Agent、MCP 这些关键词几乎出现在所有技术分享和方案白皮书中，但实际落地时常见两种极端：要么停留在 Hello World Demo，要么堆满名词却难以维护和扩展。 对行业开发者来说，关键问题不是“多几个术语”，而是：在企业环境中，究竟如何组合 LLM + RAG + Agent + MCP，搭出一套可运行、可迭代、可治理的 AI 基础设施。

LLM：一切能力的基座

从 GPT-3 到现在，主流大语言模型在参数规模、训练数据与推理能力上持续进化，但在工程视角下，可以把 LLM 看成一个「通用语义引擎 + 推理引擎」。 对企业开发者来说，更重要的是：它不是全能大脑，而是上层系统的一个「能力组件」，重点在于如何为它准备好上下文、工具和约束边界。

在选型上，行业里逐渐形成了「云端闭源 + 自建/托管开源 + 混合」三大路径：云端模型负责高质量通用推理，本地或私有部署模型处理敏感数据、低延迟或成本敏感场景。 对大多数企业来说，一个务实的策略是：用更轻量的模型配合高质量 RAG 和 Agent 设计，而不是盲目追求最“大”的模型。

RAG：让模型真正“懂你的业务”

RAG 的核心价值

单靠通用 LLM，很难解决企业私有知识、强时效数据和严谨合规回答的问题，这时就需要 RAG（Retrieval-Augmented Generation，检索增强生成）。 RAG 的基本思路是：在大模型生成前，用向量检索等手段从企业文档、数据库、知识图谱中找到相关信息，再把这些信息作为上下文喂给模型，让输出“有据可依”。

标准 RAG 流程大致包括：文本切分、特征向量化、建立索引、检索召回、可选重排与过滤、构造提示词、模型生成回答。 在企业知识库问答、内部政策解读、产品 FAQ 和运维手册查询等场景中，合理设计 RAG 往往能比“纯 LLM”显著提升准确率并降低幻觉。

关键工程决策

对行业开发者而言，RAG 的难点不在“有没有向量库”，而在工程细节上：分块策略、Embedding 选型、召回与重排策略、缓存策略和评估。 例如在长文档、多章节政策场景中，如果分块过大，检索不精确；太小，又会丢失上下文语义，容易导致模型误解。

评估方面，当前常见做法包括：构造标注问答集，基于 LLM 或规则对回答进行相关性、完整性和事实性评分，并监控命中率、上下文利用率、token 成本等指标。 在银行、政府、能源等高风险领域，越来越多实践引入 GraphRAG、知识图谱和多路检索，以兼顾可解释性和复杂推理能力。

Agentic RAG：从“检索+生成”到“可规划+可协作”

传统 RAG 多数只是“一问一答”的直线流程，而 Agentic RAG 则让 RAG 拥有了规划、决策和迭代能力。 在这种范式下，Agent 会根据问题拆解任务、选择检索策略、多轮调用不同数据源，并可能在中间步骤自我反思和修正。

典型做法包括：动态选择检索通道（向量库、全文检索、知识图谱等）、多跳检索（先找概览再深挖细节）、对中间结论进行验证或反问用户补充信息等。 在复杂业务问题上，例如“针对近半年投诉数据和政策变化，评估某产品的合规风险”，Agentic RAG 通常比单次 RAG 有更好的逻辑性和覆盖度。

Agent：从「聊天机器人」到「业务协作体」

Agent 是什么

在工程实践中，一个 AI Agent 通常指具备目标感知、任务规划、工具选择与调用、结果整合与反思能力的智能组件。 与普通 LLM 调用的区别在于：Agent 可以根据长期目标自动拆解子任务，灵活调用多种工具或其他 Agent，并在过程中保留记忆和状态。

Agent 常见能力包括：RAG 查询、数据库与 API 访问、代码执行、流程编排、文件操作等，这些能力通常通过工具调用或协议（如 MCP、A2A 等）暴露给 Agent。 在企业里，Agent 可以被抽象为“一个角色”：财务分析助手、测试助手、运维助手、客服 Copilot 等。

架构模式与演进

当前 Agent 架构大致有三种主流形态：

  • 单体 Agent：一个 Agent + 若干工具，适合简单任务自动化，如报表生成助手、FAQ 助手。
  • 工作流型 Agent：预定义流程结合 LLM 决策，用于需要较强确定性的业务，如审批流程、订单处理。
  • 多 Agent（Agent 社群）：多个 Agent 扮演不同角色，通过对话或协议协作解决复杂问题，如跨部门分析、项目管理等。

大量实践表明，企业级落地时往往会将 Agent 能力压缩到“窄任务 + 强约束”的形态，并辅以工作流编排，避免“过度自由导致不可控”。 在 toB 业务中，一个务实的演进路径是：从单 Agent + 简单工具调用起步，逐步引入多 Agent 协作和自动规划能力。

MCP：把 LLM 体系接上「真实世界」

MCP 的基本思想

MCP（Model Context Protocol）可以理解为“为模型生态设计的一套标准化上下文与工具接入协议”，它定义了模型如何发现、描述、调用外部工具和数据源，并统一了请求与响应规范。 在工程上，MCP 规范了一类“Server（工具/数据源提供者）– Client（LLM/Agent 调用方）”的交互模式，使不同系统可以以插件化方式被模型使用。

相比传统的零散 Function Calling 或自定义 API 适配，MCP 提供统一的能力发现、权限声明、调用约定和上下文管理，让 Agent 能在较稳定的协议层之上动态挂载与替换后端能力。 这对多团队协作、跨系统集成、多云或混合部署场景尤为关键。

MCP + RAG + Agent 的协同

在很多最新实践中，MCP 被用来把 RAG 服务、知识库、业务系统和外部工具统一暴露给 Agent：例如“知识检索 MCP 服务”“工单系统 MCP 服务”“报表生成 MCP 服务”等。 Agent 不需要关心这些服务背后是向量库、搜索引擎还是数据库，只需通过 MCP 约定的接口发现能力并调用。

同时，MCP 自身也开始与 RAG 深度结合，比如通过 MCP 把多个知识源聚合为统一检索入口，或由 MCP 控制器根据问题类型路由到不同 RAG 管线。 在企业级 Agent 平台中，以 MCP 为核心构建“AI 能力中台”已经逐步成为趋势，有利于把 AI 能力沉淀为可治理的基础设施。

LLM + RAG + Agent + MCP：一体化企业架构长什么样？

总体分层与数据流

面向行业的典型企业架构，一般可以分成四层：数据与系统层、AI 能力层（RAG、模型服务等）、Agent 与编排层、应用与业务层。 MCP 作为协议与连接层，贯穿在 AI 能力层与 Agent/应用层之间，实现统一的工具与数据接入。

一个用户请求从进入系统到完成任务，往往会经历：由 Agent 理解意图与规划任务，决定是否需要检索知识或访问业务系统，通过 MCP 调用 RAG 服务、数据库或业务 API，汇总中间结果并生成对用户友好的输出。 在复杂场景下，多 Agent 之间还会通过任务图或会话协商来协作完成跨域任务。

核心关注点：安全、权限与治理

在企业环境中，架构设计不能只看技术可行性，还要遵守安全、合规和治理要求。常见要求包括：对不同 MCP 服务实施权限控制，限制 Agent 能访问的数据范围和操作权限；记录每次调用的审计日志，用于追溯问题和合规检查；在关键业务流程中引入人工确认环节。

同时，企业会关注多租户、成本与延迟、监控与告警等问题，这就需要在架构上设计好模型路由、缓存策略、服务限流与降级方案，并配合 LLMOps 平台进行全链路观测和灰度发布。

一个端到端案例：企业内部知识 Copilot（行业开发者视角）

以“企业内部知识助手 / Copilot”为例，这是目前 RAG + Agent + MCP 最常见的落地场景之一，适用于咨询、互联网、制造、金融等多种行业。

1. 业务需求与目标

典型需求包括：统一查询内部文档（规范、政策、研发文档、运维手册等），支持自然语言提问，给出引用清晰、可追溯的答案，必要时还能帮用户生成邮件、报告等文档。 附加目标往往是：减少新人培训成本、提升客服或运维一线效率，并为管理层提供一定的数据洞察能力。

2. 技术选型与组件

在这种场景下的常见选型包括：一到两个主力大模型（云端通用 + 本地/私有模型）、一个向量数据库或检索引擎、一个面向知识的 RAG 服务、一个 Agent 编排框架和 MCP 兼容的工具层。

  • LLM：选择支持工具调用且在中文和业务领域表现良好的模型，并预留后续切换或多模型路由的空间。
  • RAG：为主要知识域（如产品、政策、技术文档）构建向量索引，设计多路召回与重排策略，并引入基本的评估能力。
  • Agent：实现一个“知识 Copilot Agent”，负责意图识别、选择检索策略、组织引用、生成答案和辅助文档。
  • MCP：把知识检索、文档存储、工单系统、用户信息服务等封装为 MCP 服务，供 Agent 动态调用。

3. 流程拆解

一个典型的问答请求，大致包括以下步骤：

  1. 用户在前端提出问题，Agent 分析意图，判断是简单 FAQ 还是复杂综合问题。
  2. Agent 调用 MCP 暴露的 RAG 服务，请求相关文档片段及其元数据；对复杂问题可能进行多轮检索或多源合并。
  3. Agent 结合检索结果与用户上下文（部门、权限等），组织答案草稿，并附上引用来源链接。
  4. 如需要进一步操作（如创建工单、生成通知邮件等），Agent 再通过 MCP 调用相应业务系统服务。

在部分实践中，为了增强可解释性和稳定性，会在 RAG 层增加知识图谱、规则引擎或结构化检索，以实现更可靠的多跳推理和关系查询。

2025 之后值得关注的趋势

2025 年之后，大模型应用在企业的演进重点将逐步从“是否使用 AI”转向“如何把 AI 融入核心业务流程并持续运营”。 多模态 LLM、图像与文档理解、多模态 RAG、长记忆与个性化 Agent 等方向，将进一步扩大全球企业在数据分析、决策支持、质量控制等方面的自动化空间。

与此同时，低代码/平台化的 Agent 开发平台和 AI 应用中台会继续成熟，AgentDevOps、RaaS（Result-as-a-Service）、统一的 MCP/A2A 协议等，将把“开发一个企业级 Agent”变成更标准化的工程活动，而不是一次性的系统集成项目。 对行业开发者来说，尽早在 LLM + RAG + Agent + MCP 组合上建立体系化认知，将直接决定未来几年在团队中的技术话语权和业务影响力。

Agent / RAG / MCP / 数据架构 资料索引

本部分对 Agent、多 Agent、RAG、MCP、企业数据架构、云原生与中间件实践 相关资料进行导航式整理，强调“好扫读、好回看、好定位”。

一、Agent 与 Multi-Agent 基础与实践

二、RAG（检索增强生成）与知识增强

三、MCP / 工具协议 / Agent 能力接入

四、企业数据架构 × GenAI

五、云原生 / API 网关 / 中间件

六、研究报告与行业分析

七、视频与多媒体资料

在这里插入图片描述

MaxKB 是一款即用型 RAG 聊天机器人，具有强大的工作流程和 MCP 工具使用功能 它支持广泛的主流大型语言模型 （LLM），包括 DeepSeek-R1、Llama 3.3、OpenAI等
04-11
MaxKB 是一款先进的RAG（Retrieval-Augmented Generation）聊天机器人，它的设计宗旨在于提供一种即插即用的解决方案，使得用户能够快速部署并投入到日常的对话交流或者特定的工作流程之中。RAG技术的核心在于结合了...
LLM大模型智能引擎实战--SpringAI+RAG+MCP+实时搜索
江黎
09-13 182
【代码】LLM大模型智能引擎实战--SpringAI+RAG+MCP+实时搜索。
基于MCP架构的LLM-Agent融合—构建AI Agent的技术体系与落地实践
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
07-23 1281
本文提出以模型上下文协议（MCP）为核心，构建AI Agent的“神经中枢”，解决大模型调用外部工具的标准与效率瓶颈。通过系统实践OpenAI Agents SDK、LangGraph、LlamaIndex等八大主流Agent框架，验证了MCP在多架构下的通用性。结合工业质检与教育辅助双场景案例，展示了MCP如何实现算法模型与业务系统的高效集成。
关于LLM、RAG、AGENT和MCP的深度解析，涵盖概念、作用、技术原理及实际应用
qq_45746199的博客
04-05 2077
关于LLM、RAG、AGENT和MCP的深度解析，涵盖概念、作用、技术原理及实际应用
LLMs之 RAG：《RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
06-08 1485
​ LLMs之 RAG：《RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation》翻译与解读 目录 《RAG-MCP: Mitigating Prompt Bloat in LLM Tool Selection via Retrieval-Augmented Generation》翻译与解读 Abstract 1、Intr
mcp+llm+rag
m0_46221545的博客
05-03 939
MCP（Model Connectivity Protocol） 是连接 AI 助手与数据系统的新一代开放标准，旨在打破数据孤岛，让前沿模型能够更高效地访问内容存储库、业务工具和开发环境中的数据，从而生成更精准、更相关的响应。当前，尽管 AI 助手的推理能力和生成质量快速提升，但其潜力仍受限于数据隔离问题——关键信息往往分散在孤立的遗留系统和封闭平台中。每接入一个新数据源，都需要定制化开发，导致扩展困难、维护成本高昂。MCP 通过统一的协议解决了这一挑战。
LLM - 一文搞懂 AI Agent 八大核心概念
小工匠
07-07 1852
本文系统解析了AI Agent的八大核心技术概念：1）具备自主决策能力的智能体（Agent）；2）多智能体协作系统（Multi-Agent System）；3）结合检索与生成的RAG技术；4）任务执行流程化的Work Flow；5）针对行业优化的微调技术；6）连接外部系统的Function Calling；7）标准化的MCP协作协议；8）实现智能体互通的A2A协议。文章通过智能旅行规划、工厂自动化等案例，展示了这些技术在实践中的应用价值，同时客观分析了准确性、可靠性、数据依赖等关键挑战。这些核心技术共同构成
一文搞懂AI Agent、LLM和RAG那些事儿
wholeliubei的博客
02-26 1043
人工智能体（AI Agent）是一种模拟人类智能行为的计算实体，它能够独立感知环境、做出决策并执行任务，以完成既定目标。这些智能体通常具备自主性反应性主动性推理和学习能力，能够与人类或其他智能体进行交互，并适应不断变化的环境。AI Agent通过探索AI Agent的学习和研究，让我体会到了人工智能在自动化和效率提升方面的巨大潜力。通过实践，也学会了将AI Agent融入到不同的业务场景中，推动一些实际工作中决策的制定和客户体验。
AI应用开发必知词汇（LLM、Function calling、MCP、RAG、Agent）
同名公众号：dify实验室
04-21 1380
人工智能（AI）正以前所未有的速度融入我们的生活与工作，驱动着从科研到日常应用的深刻变革。理解这些核心概念，不仅能帮助我们跟上技术前沿，更能洞察未来智能发展的脉络。掌握这些核心词汇，就如同获得了一张导航图，能帮助我们更好地理解当前的技术格局，把握未来的发展机遇。以其独特的“注意力机制”脱颖而出，它能高效捕捉文本中的长距离依赖关系，成为现代自然语言处理的基石。当大语言模型具备了与外部世界交互和获取实时知识的能力后，人工智能便朝着更高级的形态——的理念则指向了未来更标准化、模块化的智能系统构建方式。
一文读懂MCP、RAG、Agent
2401_85116933的博客
09-19 875
最近，AI 圈被三个词刷屏了 ——MCP、RAG、Agent！几乎每天都有新的相关工具冒出来，各大技术论坛、行业群聊得热火朝天。但不少朋友一看到这些术语就犯迷糊：它们到底是啥？能干啥？和我们普通人又有啥关系？别慌！今天就用最接地气的方式，带你彻底搞懂这些概念，看完秒变 AI 达人！
基于KelvinQiu802-llm-mcp-rag的Python实现版本，用于学习和实践LLM、MCP和RAG技术.zip
09-15
项目中的文件名"exp-llm-mcp-rag-main"表明，用户将找到一个主目录，其中包含了实验的主体部分。在这里，用户将找到启动实验、分析结果和调整实验设置所必需的所有文件和代码。通过这个主目录，用户可以开始他们的...
基于StrayDragon_exp-llm-mcp-rag，加入desktop-commander mcpserver，
08-25
标题中提到的“StrayDragon_exp-llm-mcp-rag”似乎是指一款使用了预训练语言模型（LLM）、多任务学习（MCP）以及检索增强生成（RAG）技术的软件或技术框架。这类技术框架能够通过深度学习算法，使计算机更好地理解和...
基于 KelvinQiu802_llm-mcp-rag 的 Python 实现版本，用于学习和实践 LLM、MCP 和
08-22
KelvinQiu802_llm-mcp-rag的Python实现版本是一个集语言模型、多任务学习和检索增强生成技术于一体的实践工具，为AI的学习者和实践者提供了一个宝贵的资源。通过这个工具，用户不仅能够加深对LLM、MCP和RAG理论知识...
基于PHP与Bootstrap框架构建的自媒体信息发布系统_集成内容管理用户权限控制多平台适配与响应式设计的全功能自媒体平台_旨在为个人创作者小型媒体团队及企业提供一站式内容.zip
12-13
基于PHP与Bootstrap框架构建的自媒体信息发布系统_集成内容管理用户权限控制多平台适配与响应式设计的全功能自媒体平台_旨在为个人创作者小型媒体团队及企业提供一站式内容.zip
一个基于SpringBoot后端与Vue前端构建的现代化校园信息管理与互动平台_该系统实现了校园新闻的发布浏览收藏评论论坛交流发帖回帖留言反馈用户注册登录个人中心管理以及管理员端的.zip
12-13
一个基于SpringBoot后端与Vue前端构建的现代化校园信息管理与互动平台_该系统实现了校园新闻的发布浏览收藏评论论坛交流发帖回帖留言反馈用户注册登录个人中心管理以及管理员端的.zip
Qt纯代码记事本（Python）.zip
最新发布
12-13
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 Material Note 采用Material Design风格的记事本
JAVA毕业设计含文档和代码springboot郑州旅游景点智能推荐系统
12-13
JAVA毕业设计含文档和代码springboot郑州旅游景点智能推荐系统
【掺铒光纤放大器(EDFA)模型】掺铒光纤放大器（EDFA）分析模型的模拟研究（Matlab代码实现）
12-13
【掺铒光纤放大器(EDFA)模型】掺铒光纤放大器（EDFA）分析模型的模拟研究（Matlab代码实现）内容概要：本文主要介绍了一项关于掺铒光纤放大器（EDFA）分析模型的模拟研究，通过Matlab代码实现对EDFA的工作原理和性能特性进行数值仿真与分析。研究涵盖了EDFA的基本理论模型、增益特性、噪声系数以及泵浦方式等关键参数的建模过程，并利用目标级联法等优化方法提升仿真精度与效率。文中提供的Matlab代码有助于读者深入理解EDFA在光通信系统中的实际应用与行为表现，适用于开展相关科研与教学实践。; 适合人群：具备一定光学通信基础知识和Matlab编程能力的高校学生、科研人员及工程技术人员；适用于从事光纤通信系统设计与仿真的研究人员； 使用场景及目标：①掌握EDFA的核心工作原理及其数学建模方法；②学习如何使用Matlab实现光器件的数值仿真；③为光放大器的设计优化与系统集成提供理论支持和技术参考； 阅读建议：建议读者结合光通信相关理论知识，逐步运行并调试所提供的Matlab代码，重点关注模型中各参数对增益和噪声性能的影响，同时可扩展至其他光纤器件的仿真研究，以深化对光通信系统整体架构的理解。
基于Spring框架构建的新闻发布与管理系统_采用SpringMVC处理前端请求和页面渲染集成MyBatis实现数据库持久化操作利用Jedis进行Redis缓存管理以提升数据读.zip
12-13
基于Spring框架构建的新闻发布与管理系统_采用SpringMVC处理前端请求和页面渲染集成MyBatis实现数据库持久化操作利用Jedis进行Redis缓存管理以提升数据读.zip
rag agent mcp
04-16
### RAG Agent 实现与 MCP 框架组件 RAG（Retrieval-Augmented Generation）是一种结合检索增强生成的方法，能够有效解决传统大语言模型的知识时效性和准确性问题[^3]。通过引入外部知识库或文档作为输入的一部分，RAG使得模型能够在推理过程中动态获取最新信息。 在实际实现中，可以采用如下方式来设计基于MCP（Multi-Component Pipeline）框架的RAG Agent： #### 架构概述 1. **检索模块** 使用向量数据库或其他高效检索引擎，在大量结构化或非结构化的数据集中快速找到最相关的片段。这些片段随后被传递给后续的大语言模型用于上下文理解[^4]。 2. **Agent 控制器** 这部分负责任务分解和工具调用逻辑的设计。具体来说，它会依据用户的请求制定计划，并决定何时以及如何利用其他辅助功能（比如特定API接口或者预训练好的子模型）。例如，“订票”这一操作可能涉及多个阶段——查询航班时间表、比较价格选项直至最终确认预订细节[^2]。 3. **记忆机制** 记忆单元用来保存之前的交流记录以便维持长时间跨度内的对话一致性。这对于某些需要反复澄清需求的应用场合尤为重要，如客户服务聊天机器人等场景下保持良好的用户体验至关重要[^4]。 #### 技术栈推荐 为了搭建这样一个复杂的系统架构，可以选择一些流行的开源技术和平台来进行集成开发工作： - **LangChain**: 提供了一套完整的链路支持从原始资料提取到最终响应呈现整个过程中的各个环节衔接顺畅； - **FAISS/ChromaDB**: 高效矢量化存储方案帮助加速近似最近邻搜索速度从而提升整体性能表现； - **DeepSpeed/Megatron-LM**: 如果考虑自行微调基础LLMs，则上述两个项目提供了优化后的分布式训练算法降低资源消耗成本的同时加快收敛速率。 下面给出一段简单的Python伪代码展示基本思路: ```python from langchain import PromptTemplate, LLMChain import faiss # 或 chromadb 等替代品 class RagBasedAgent: def __init__(self, llm_model, db_index_path): self.llm = llm_model self.db_index = faiss.read_index(db_index_path) def query_relevant_docs(self, question): vectorized_question = ... # 将问题转化为嵌入表示形式 distances, indices = self.db_index.search(vectorized_question, k=5) relevant_documents = [...] # 根据索引取出对应文档内容 return "\n".join(relevant_documents) def generate_answer(self, user_input): context_info = self.query_relevant_docs(user_input) template = """Given the following extracted parts of a long document and a question, provide an accurate answer. Context Information:\n{context}\n\nQuestion:{question}""" prompt_template = PromptTemplate(template=template, input_variables=["context", "question"]) chain = LLMChain(prompt=prompt_template, llm=self.llm) response = chain.run({"context": context_info, "question": user_input}) return response if __name__ == "__main__": model_instance = load_pretrained_llm() # 加载已有的大型语言模型实例 agent = RagBasedAgent(model_instance, "./data/faiss_index") while True: inp = input("Ask me anything:") ans = agent.generate_answer(inp) print(f"Answer is {ans}") ``` 问题
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
 
红包 添加红包
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

打赏作者

小小工匠

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