Day103-RAG 性能优化:检索延迟/并发/批量与缓存分层

[F2F] Java后端AI大纲 120 道 Java 后端 AI 方向面试题,按六个类别整理:数据与接口契约、高并发与流式响应、状态与架构、性能安全成本、工程化与可观测性、Function Calling 与 RAG。排版沿用 MySQL 经典 50 题的做法,第 3 节把试卷整份摊开供自测,第 4 节按同一套全局编号给参考答案:每题一句一针见血的结论,加 2~4 条能落到白板上的要点,写到具体类名、注解、配置项和阈值。 阅读详情

上篇我们把 embedding 这枚"源头旋钮"拧到了领域微调,召回质量这一关算过了。但有个现实问题躲不掉:Demo 里一次问答 2 秒能忍,线上几百 QPS 同时打进来,向量库和 LLM 一起抽风,响应直接飙到 10 秒开外。这篇专门讲 RAG 的性能优化——延迟怎么拆、并发怎么顶、批量怎么榨、缓存怎么分层。


一、先把延迟拆开看,不然无从下手

很多团队的"RAG 很慢"是一句笼统的抱怨,谁都改不动。真正能优化的前提是先把端到端延迟拆成三段,每一段都有独立的优化手段:

用户提问
  │
  ├─[段1 检索]  Query 改写 + 向量召回 + 重排        ← 通常 200ms~1.5s
  │
  ├─[段2 组装]  拼接上下文 + Prompt 组装           ← 通常 <50ms(可忽略)
  │
  └─[段3 生成]  LLM 流式输出(首 token + 吞吐)    ← 首 token 300ms~1s,全文 2~8s

关键点:段3 是用户"体感"的主要来源,但段1 是"并发天花板"的主要来源。两端优化策略完全不同——段3 靠流式输出和模型选型,段1 靠批量、并发、缓存。

下面按"最容易见效"的顺序逐段给代码。


二、段1 优化:Embedding 批量 + 异步,把 GPU 喂饱

单条文本调一次 Embedding 接口,GPU 大部分时间在空转。RAG 里有两个高频批量场景:入库时给一批文档算向量、多路 Query 改写后一次性算多个子问题向量。核心是把 N 次串行 RPC 合并成 1 次批量 RPC。

// EmbeddingBatchService.java
// 依赖:Spring AI 1.0+(org.springframework.ai:spring-ai-openai-spring-boot-starter)
// 思路:把单条 embedding 调用改成批量,并用虚拟线程异步处理,避免阻塞 Tomcat 线程
@Service
public class EmbeddingBatchService {
​
    private final EmbeddingClient embeddingClient; // Spring AI 抽象,底层可换 bge/m3e/OpenAI
​
    public EmbeddingBatchService(EmbeddingClient embeddingClient) {
        this.embeddingClient = embeddingClient;
    }
​
    /**
     * 批量算向量。一次 RPC 返回 N 个向量,吞吐比逐条调用高 5~10 倍。
     * 注意:批量大小别贪,单次 32~64 条是大多数 embedding 服务的甜点区,太大反而超时。
     */
    public List<float[]> batchEmbed(List<String> texts) {
        // Spring AI 的 embedForResponse 支持一次传多个 text
        EmbeddingResponse resp = embeddingClient.embedForResponse(texts);
        return resp.getResults().stream()
                .map(Embedding::getOutput)
                .toList();
    }
​
    /**
     * 多路改写后的子问题,一次性并发嵌入(虚拟线程,JDK21+)。
     * 用 CompletableFuture 串虚拟线程,既不阻塞业务线程,又不占用平台线程池。
     */
    public List<float[]> parallelEmbed(List<String> subQueries) {
        List<CompletableFuture<float[]>> futures = subQueries.stream()
                .map(q -> CompletableFuture.supplyAsync(
                        () -> embeddingClient.embed(q),        // 单条,但跑在虚拟线程上
                        Thread.ofVirtual().factory()))           // JDK21 虚拟线程工厂
                .toList();
        return futures.stream().map(CompletableFuture::join).toList();
    }
}

经验值:入库批量我一般压到 64 条/批;线上检索侧的"多子问题并发"用虚拟线程开 4~8 路足够,再多向量库先扛不住了。


三、检索并发合并:让"召回+重排"并行跑

高级 RAG(Day 98 讲过)经常是多路检索:向量一路、BM25 一路、可能还有图检索一路。这三路之间没有依赖,完全可以并发打出再融合。串行 3 路 = 3 倍延迟,并发 3 路 ≈ 最慢那一路的延迟。

// ConcurrentRetriever.java
// 思路:用虚拟线程同时打多路召回,RRF 融合后统一交重排,整体延迟取"最慢一路"
@Component
public class ConcurrentRetriever {
​
    private final VectorRetriever vectorRetriever;   // 向量召回(Day 101 的 Qdrant/Milvus)
    private final KeywordRetriever keywordRetriever; // BM25 关键词召回
    private final Reranker reranker;                 // Cross-Encoder 重排
​
    public List<DocChunk> retrieve(String query) {
        // 三路并发:各自跑在虚拟线程,join 等最慢的一路
        var fVec = CompletableFuture.supplyAsync(
                () -> vectorRetriever.search(query, 20), Thread.ofVirtual().factory());
        var fKw  = CompletableFuture.supplyAsync(
                () -> keywordRetriever.search(query, 20), Thread.ofVirtual().factory());
​
        List<DocChunk> vec = fVec.join();
        List<DocChunk> kw  = fKw.join();
​
        // RRF 融合(Day 98 讲过),再交重排压到 top-5
        List<DocChunk> fused = RrfFusion.fuse(List.of(vec, kw));
        return reranker.rerank(query, fused, 5);
    }
}

注意一个坑:多路并发时总 QPS 会被乘上去。比如 2 路并发、外层 100 QPS,向量库实际承受 ~200 QPS。压测时一定要按"并发倍数"算容量,别只盯外层 QPS(这点 Day 101 容量规划时就要预留)。


四、热点 Query 缓存:RAG 里最被低估的一招

RAG 的查询有个特征:少量热点问题占了大部分流量("怎么退款""运费怎么算"这类 FAQ 式提问反复出现)。这些问题的召回结果几乎不变,完全没必要每次都打向量库 + LLM。缓存是性价比最高的优化,没有之一。

缓存要分两级:

  • L1 检索结果缓存:query → 召回的 top-k 文档。命中就跳过向量检索和重排,直接进生成。

  • L2 完整答案缓存:query → 最终回答。命中连 LLM 都省了,延迟从秒级降到毫秒级。

// RagCache.java
// 依赖:Caffeine(本地)+ Redis(集群共享),Spring Boot 3.x
// 关键:缓存 key 要做语义归一,否则"运费咋算""运费怎么算"会被当成两个 key
@Component
public class RagCache {
​
    // L1:本地 Caffeine,存检索结果,TTL 短(话题会变)
    private final Cache<String, List<DocChunk>> recallCache =
            Caffeine.newBuilder().maximumSize(2000).expireAfterWrite(Duration.ofMinutes(10)).build();
​
    // L2:Redis,存完整答案,TTL 可长一点
    private final RedisTemplate<String, String> redis;
​
    /** 对 query 做归一化,去掉标点/空格/大小写差异,让近义问法命中同一缓存 */
    private String normalize(String q) {
        return q.replaceAll("[\\s\\p{P}]+", "").toLowerCase();
    }
​
    /** L2 命中直接返回答案;L1 命中跳过检索;都 miss 才走全链路 */
    public Optional<String> getAnswer(String query) {
        String key = normalize(query);
        String cached = redis.opsForValue().get("rag:ans:" + key);
        return Optional.ofNullable(cached);
    }
​
    public Optional<List<DocChunk>> getRecall(String query) {
        return Optional.ofNullable(recallCache.getIfPresent(normalize(query)));
    }
​
    public void putRecall(String query, List<DocChunk> chunks) {
        recallCache.put(normalize(query), chunks);
    }
​
    public void putAnswer(String query, String answer) {
        redis.opsForValue().set("rag:ans:" + normalize(query), answer, Duration.ofHours(1));
    }
}

两个纪律:

  1. 缓存 key 必须归一化(上面 normalize),不然同义问法各存一份,命中率起不来。

  2. 答案缓存只适合事实稳定的内容。政策类、价格类问题 TTL 要短,且写入时打"数据版本号"——底层知识库一更新就批量清对应前缀(接 Day 99 的来源溯源思路)。


五、段3 优化:流式输出救"体感"

段3(LLM 生成)是用户体感延迟的大头,但首 token 延迟通常只有几百毫秒。只要把生成改成流式(边生成边往前端推),用户"看到字在动"的体感延迟就从"等全文 5 秒"变成"0.5 秒出第一个字"。这是投入产出比极高的一招。

// StreamingAnswerController.java
// 依赖:Spring AI ChatClient,SSE 流式返回
@RestController
@RequestMapping("/rag")
public class StreamingAnswerController {
​
    private final ChatClient chatClient;
​
    public StreamingAnswerController(ChatClient.Builder builder) {
        this.chatClient = builder.build();
    }
​
    @GetMapping(value = "/ask", produces = MediaType.TEXT_EVENT_STREAM_VALUE)
    public Flux<String> ask(@RequestParam String q, @RequestParam List<String> ctx) {
        String prompt = """
                你是客服助手,仅依据下面提供的上下文回答,不知道就说不知道。
                上下文:
                %s
                问题:%s
                """.formatted(String.join("\n---\n", ctx), q);
​
        // stream() 返回 Flux<String>,每个元素是一小段增量文本,前端边收边渲染
        return chatClient.prompt(prompt).stream().content();
    }
}

配合前端 fetch + ReadableStream 或 EventSource,用户几乎感觉不到"在等"。切记:流式只改善体感,不减少总 token 消耗;真正的算力成本是另一回事,靠 Day 102 的模型选型和下面的清单控。


六、端到端优化清单(直接照抄)

把上面所有手段汇总成一张清单,按"见效快慢"排好序,别一上来就搞最复杂的:

优先级手段主要压的对象预期收益复杂度
P0热点 Query 答案缓存(L2)段3 + 段1 全跳过毫秒级,削峰 30%~60%低
P0生成端流式输出段3 体感体感 5s→0.5s低
P1Embedding 批量 + 异步段1 吞吐入库/检索吞吐 3~8x低
P1多路检索并发合并段1 延迟多路延迟砍到 1 路中
P2检索结果缓存(L1)段1 跳过省向量库 QPS低
P2重排 top-k 收窄(如 20→5)段1+段3 输入生成更快更准低
P3换小模型做首轮召回/重排段1 算力成本降,延迟降中

调优铁律:每次只动一项,用 Day 95 的回归集跑出延迟和召回的对比数字。并行改三处,你永远不知道哪处涨了哪处跌了——性能优化和评测一样,得单变量看。


七、实战建议

  1. 先量后优,别凭感觉。上线前用真实流量形态压一遍,画出"延迟分布直方图"。80% 的请求卡在段1 还是段3,决定了你该先上缓存还是先上流式。我见过团队花两周做重排模型蒸馏,结果瓶颈在 LLM 首 token——白干。

  2. 缓存是头号杠杆,但一定要配失效策略。L1 靠 TTL,L2 靠"知识库版本号"主动失效。没有失效机制的缓存,迟早变成"用户投诉回答是上周的旧政策"。

  3. 压测按并发倍数算容量。多路检索、批量嵌入都会放大对下游(向量库/LLM)的实际 QPS,容量规划时把倍数算进去,否则上线即雪崩。


慢不是 RAG 的原罪,不知道它慢在哪才是。把延迟拆开,每一段都有现成的扳手。

下篇预告:Day 104 我们收口 RAG 深水区这一周,聊聊 RAG 的"记忆与状态"——多轮会话怎么记住上下文、长期用户画像怎么沉淀、个性化口径怎么落地。性能拧好了,接下来让 RAG 更"懂"你的用户。

【信息科学与工程学】计算机科学与自动化 第二百零一十一 软件开发模型01 编号类型模型领域模型中的知识点/因素/参数关联知识和法律法规1传统顺序模型瀑布模型 (Waterfall)通用软件开发、硬件紧密耦合系统、政府/军工项目、需求稳定的传统信息系统严格线性阶段:可行性研究→需求分析(SRS,含功能/非功能/接口/约束,使用IEEE 830模板)→系统设计(概要设计HLD:架构、模块划分、数据库ER图;详细设计LLD:伪代码、类图、接口定义)→实现(编码规范、代码审查、静态分析工具SonarQube)→测试(单元测试JUnit、集成测试、系统测试、验收测试UAT,测试计划提前编写 阅读详情

相关推荐

【信息科学与工程学】【通信工程】第二百 四十五篇 “意图网络/意图驱动网络(Intent-Based Networking, IBN)1001 意图网络中的任务01

意图网络任务;1. 意图存在性公理:∀需求∃意图表达 2. 可满足性公理:合法意图必可被满足 3. 可验证性公理:意图实现必可验证 4. 可优化公理:意图实现可优化 5. 可组合公理:简单意图可组合为复杂意图 6. 可分解公理:复杂意图可分解为简单意图 数学工具族 → 在IBN/ADN中的落点 集合论与逻辑:意图匹配域、ACL五元组、LTL/μ-calculus合规校验 图论:拓扑、SFC、依赖DAG、跨域意图图、SRv6路径 线性/非线性优化:QoS、容量、切片资源、节能(LP/MILP/凸优化) 排队论

weixin_49199313的博客 37

【Infra】大模型分布式训练:从并行策略到性能优化

大模型训练系统的核心可以归纳为三个层次: 第一层:并行策略。 DP/FSDP 解决数据与模型状态分片,TP/PP 解决模型规模,EP 解决 MoE 专家分布,CP 解决长上下文。 第二层:计算与通信优化。 通过高效 GEMM、Attention Kernel、通信计算重叠和拓扑感知调度,提升 MFU 与 Tokens/s。 第三层:训练系统工程。 面向 SFT、GRPO、多模态和百卡训练,解决资源调度、训推协同、性能监控及故障恢复。 总结:分布式训练的本质,就是在显存、计算、通信和稳定性之间寻找最优平衡。

发现问题,并解决问题,批判性思维 383

性能优化实战:当向量库超过 10 万行,如何把检索延迟压到 50ms 以内?

本文系统优化 pgvector 向量检索性能,针对 10 万行数据下查询延迟高达数百毫秒的问题,通过四步优化:选用 HNSW 索引、调优 ef_search、用内积替代余弦距离、结合过滤索引,将延迟从 280ms 降至 3ms 以内。实测表明,合理选型与参数配置可实现毫秒级响应,满足实时场景需求,并附避坑指南,强调索引适用阈值与维护策略。

xianyinsuifeng的博客 42

成本与性能优化:让账单不再像心跳图

—而电话费按分钟计。

m0_62724751的博客 232

Windows 下安装 Hermes Agent 完整教程(含踩坑记录)

不支持原生 Windows,必须通过 WSL2 (Windows Subsystem for Linux 2) 运行。WSL2 是 Windows 内置的 Linux 兼容层,可以在 Windows 上运行完整的 Linux 环境。

weixin_50191542的博客 4284

HT7036计量芯片SPI通信与数据读取实战解析

本文详细解析HT7036计量芯片的SPI通信与数据读取实战,涵盖SPI时序配置、命令发送、数据读取及常见问题排查。重点介绍如何通过SPI接口与MCU通信,实现电能数据的稳定采集与处理,为智能电表等应用提供实用解决方案。

vscode5coder的博客 267

UGUI 与 NGUI 使用及性能优化

本文解析 Lua 与 ToLua 在 Unity 中的运行机制及热更新原理。Lua 作为可嵌入语言,通过编译字节码由虚拟机执行,支持运行时加载新脚本;ToLua 实现 C# 与 Lua 的双向调用,通过生成 Wrap 代码注册类型接口;热更新依赖于宿主动态加载并执行新脚本,结合资源管理、版本控制与状态处理机制。关键点包括:table 共享引用、函数值不随重定义更新、闭包捕获状态、元表实现类逻辑,以及对象跨语言传递的生命周期管理。完整热更新需独立设计补丁分发与回滚策略。

2503_90324697的博客 399

半导体工厂自动化实战:用secs4net实现设备与MES系统通信(附完整代码)

本文详细介绍了如何利用secs4net框架实现半导体工厂设备与MES系统的高效通信。通过解析SECS/GEM协议的核心架构、关键业务场景实现及性能优化实践,帮助开发者快速掌握工业自动化通信技术,提升生产效率和系统稳定性。

transformer2023的博客 896

低代码平台性能优化实战:从用户认证模块出发的基准测试与优化

整个系统由以下几个核心部分组成:- 前端:基于 React 构建的登录页面 - 后端:Node.js + Express 接口服务 - 数据库:MySQL 用户信息存储前端部分通过 fetch 请求后端/api/login接口,并在接口中处理身份验证、数据库查询与返回结果。// 示例:Node.js 后端 /api/login 接口逻辑(伪代码)return res.status(500).send({ error: '数据库查询失败' });} else {});});

后台模板 209

QT西游回合制源码+java后台管理系统

这是一套回合制游戏源码,很适合学习。

renkai721的专栏 2540

手把手教你学Simulink--基于车联网与智能交通系统的场景实例:基于车联网(V2X)的实时路况信息共享与处理

《基于Simulink的车联网(V2X)实时路况共享系统仿真》摘要:本文详细介绍使用Simulink构建V2X智能交通系统的完整方法。系统包含交通路网建模、V2X通信实现(支持DSRC/C-V2X标准)、多源路况信息融合、动态路径规划等核心模块。通过对比实验,验证V2X可使平均车速提升52%,行程时间缩短34%,显著提升交通效率。文章还探讨了AI预测调度、车辆编队等高级应用,为智慧交通系统开发提供实用参考。所需工具包括Simulink、SimEvents及无线通信工具箱等。

MHD0815的博客 739

深入 MyBatis-Plus:避开常见陷阱与性能优化实践

本文结合日常后端开发经验,梳理 MyBatis-Plus 在现代 Spring Boot 环境中的核心用法与易踩坑点。重点讲解 Wrapper 链式调用、自动填充机制、分页插件序列化问题及批量操作的底层行为,分析动态 SQL 生成逻辑与索引失效场景,并提供可验证的代码示例与排查思路。内容聚焦工程落地,明确版本依赖差异,指出官方未强调的性能边界与替代方案。

2402_83344867的博客 461

西门子TP900精智系列触摸屏和三菱Q系列PLC以太网通信的组态步骤

西门子TP900精智系列触摸屏和三菱Q系列PLC以太网通信的组态步骤

Robot_PLC_HMI_Automation 6102

Caddy反向代理性能优化实战:基准测试到瓶颈定位的5大关

在数据统计报表与BI系统中,反向代理作为流量调度的关键节点,其性能直接影响到整体系统的响应效率。Caddy作为一种轻量级、高性能的Web服务器和反向代理工具,常被用于此类场景。然而,随着访问量的增长,若未进行适当的性能优化,系统可能会出现延迟高、吞吐低等问题。本文将结合真实业务场景,深入探讨如何通过基准测试、瓶颈定位以及优化手段提升Caddy在数据报表服务中的性能表现,并提供可复用的实践经验。

wuchangjian的专栏 206

基于STM32L4XX 、HAL库的DRV8912QPWPRQ1步进电机驱动器驱动程序应用设计

define DRV8912_REG_PWM0 0x14 /* PWM发生器0占空比寄存器 */#define DRV8912_CMD_WRITE (0x00 << 15) /* 写操作 (RW = 0) */#define DRV8912_CMD_READ (0x01 << 15) /* 读操作 (RW = 1) */#define DRV8912_REG_OCP 0x0C /* 过流保护配置 *//* 读操作时,数据字段通常写0 */

PP_Cottage的博客 47

5分钟用AI搞定顶刊级引言!掌握三段式结构+避坑要点,让你的Introduction更有说服力(附提示词)

说明你是怎么来填补这个缺口的,一句话概括你的研究,再简述你采用了什么新方法、新模型或新视角,也就是创新点,最后说明你的方案是怎么克服第二段提到的缺口的,带来了哪些贡献,注意要确保方案与第二段提到的缺口一一对应。以上三段式引言模板,是非常经典的问题导向型结构,相比传统的结构,这种结构更能吸引是审稿人的注意,希望这篇分享的模板能给在你写论文引言时,提供一点帮助。上一段写好后,就在前人研究的基础上,亮出自己的方案,借助AI说明自己的研究,用了什么新方法/框架/理论/视角来填补这个缺口的。

智能AI让学术科研更容易 747

大规模点要素地图渲染性能优化实践

本文针对OpenLayers 6.14 CPU Canvas渲染下万级点要素性能瓶颈,提出在不改变架构的前提下,通过样式模板缓存、消除图层反查、修正async误用等优化手段,显著提升渲染流畅度。核心收益来自减少重复对象创建与低效调用,LOD抽稀与参数调优为辅助。实践表明,当前方案可稳定支持五十万级要素,明确技术栈适用边界,避免过早引入复杂重构。

思特奇时空智能的博客 757

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Chrome性能优化实战:让老旧浏览器重获流畅体验

Chrome越用越卡、打开十几个标签页就占满内存、滚动页面掉帧?不用换电脑也不用重装系统,通过调整原生设置和清理冗余资源,就能让老旧设备上的Chrome重新变得流畅。本文从内存管理、后台限制、缓存优化到实验性功能开启,一步步帮你榨干浏览器性能潜力。

MyBili的博客 279

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

性能优化实战:常见性能问题定位与解决方案整理

性能优化那点事

sun_daming的博客 348

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

【Android 性能优化实战 60 讲】10 Jetpack App Startup 内核魔改:手写异步懒加载启动框架,根治串行初始化耗时

针对Jetpack App Startup全量串行、不支持懒加载的三大局限,手写FastStartup启动框架,实现单Provider入口、异步并发、Kahn拓扑排序依赖调度、基于Kotlin委托属性的无感懒加载,附大厂级增强能力、实测收益对比与5大避坑指南,并提供与官方Startup的兼容适配层。

Jm0218Xx的博客 204

Windows 11 26H2 游戏性能优化指南:Xbox 模式、图形设置与延迟调优

Windows 11 26H2 游戏怎么调最顺?本文详解 Xbox 模式的开启路径与实测内存收益、高级着色器分发与 DirectStorage 升级的作用,并整理游戏模式、硬件加速 GPU 计划、动态刷新率等必开设置,附延迟调优与掉帧排查思路。

the3clipse的博客 328

Kafka 生产实践指南:使用要点、性能优化与运维维护

Kafka 的稳定运行,既依赖开发侧对可靠性、幂等性、顺序性和分区设计的正确使用,也依赖运维侧完善的监控、巡检和应急体系。用对:生产者保证不丢、消费者保证幂等、分区设计兼顾并行与顺序。调优:从批量、压缩、线程、页缓存、JVM 等维度持续优化吞吐与延迟。养好:建立监控告警、定期巡检、规范变更和应急预案,把问题消灭在爆发之前。只有开发与运维协同,才能让 Kafka 在高并发场景下真正成为可靠的消息基础设施。

飞奔的瓜牛的专栏 484

再生HDPE户外家具板材性能优化全链路方案

再生HDPE板材刚性不足、变形、低温发脆?本文系统解析分子链修复、共混增强、多层共挤与场景化定制配方,覆盖沿海盐雾、高寒、轻量化等场景,附工程实测数据与标准依据。

m0_64658355的博客 401

【Jetpack Compose娓娓道来】第41课:动画性能优化与调试——让动画丝滑,而不是烧CPU

动画性能瓶颈源于状态读取阶段错误。将动画值(如animX)在组合阶段读取会导致每帧重组,耗损大量CPU;正确做法是将其移至绘制或布局阶段的lambda中(如graphicsLayer { translationX = animX }),实现零重组、单节点重绘。此“延迟状态读取”原则是优化动画的核心,配合Layout Inspector、Composition Tracing等工具可精准定位性能问题,确保动画丝滑流畅。

jackchuanqi的博客 419

单并发提速73%,多并发能力达原来2.4倍:Qwen3.8-27B性能优化实践

推理优化需同时考虑场景配置、引擎实现和底层计算。

SmartX 超融合 289
上一篇: 深度学习22:Stable Diffusion 实战——文生图工作流与 LoRA 画风定制
下一篇: Hydrogen-1.0 部署实战:科学大模型,连失败实验都成了训练数据
老梁聊IT
博客等级 码龄18年 792粉丝 298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

打赏作者

老梁聊IT

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