使用weaviate实现向量存储

weaviate向量库安装 Weaviate 是一个开源的向量数据库和搜索引擎,专门用于存储、搜索和分析向量数据。它提供了一个简单易用的 REST API,使得用户可以轻松地将向量数据存储到数据库中,并且能够以高效的方式进行相似向量的搜索。以下是一些 Weaviate 向量库的特点和优势:支持向量数据: Weaviate 专门针对向量数据进行了优化,可以高效地存储和检索向量数据,适用于各种类型的向量数据,如图像特征、文本向量、语音特征等。 阅读详情
AI摘要

本文介绍了Weaviate,一个支持与知识图谱交互的向量数据库,重点讲述了如何使用Docker安装和配置Weaviate,以及如何通过Python接口进行数据操作,如创建索引、插入数据和使用向量和关键词查询功能。

使用weaviate实现向量存储

1 介绍

当下开源的向量数据库比较多,主要分嵌入式向量数据库(数据库和应用在一起)和客户端-服务器模型向量数据库(客户端和服务器分离),比较出名数据库如下:嵌入式包括Chroma、lancedb,客户端和服务器分离的包括:Milvus、Faiss、Qdrant和Weaviate等。本文选择Weaviate。

Weaviate是一个人工智能原生矢量数据库,强调与知识图的灵活高效交互,支持单节点和集群部署,支持关键词检索和语义检索。

Chroma在易用性上占优,适合在没用向量数据库服务器的场景下使用,是音频和视频搜索的理想选择。

Milvus强调在存储效率和数据查询性能上的平衡,适用于向量嵌入、高效相似搜索和AI应用;

Faiss可进行GPU加速的高速检索,擅长处理庞大数据集的快速最近邻搜索,适应用于快速、密集向量相似性搜索和分组。

嵌入式向量数据库

(1)Chroma

# Github地址
https://github.com/chroma-core/chroma

(2)lancedb

https://github.com/lancedb/lancedb

客户端和服务器分离的向量数据库

(1)Milvus

# Github地址
https://github.com/milvus-io/milvus

(2)Faiss

# Github地址
https://github.com/facebookresearch/faiss

(3)weaviate

# Github地址
https://github.com/weaviate/weaviate

# 官网地址
https://weaviate.io/developers/weaviate

# 使用的参考地址
https://weaviate.io/developers/weaviate/quickstart

2 使用Docker安装

参考官网:

https://weaviate.io/developers/weaviate/installation/docker-compose

参数说明

# 设置环境变量:

# 1 开启验证
# 开启连接数据库时验证
AUTHENTICATION_APIKEY_ENABLED: true

# 配置登录数据库的密钥,密钥列表如下,多个密钥对应多个用户
AUTHENTICATION_APIKEY_ALLOWED_KEYS: 'jane-secret-key,ian-secret-key'

# 配置登录数据库的用户,用户列表与上述密钥一一对应
AUTHENTICATION_APIKEY_USERS: 'jane@doe.com,ian-smith'

# 2 开启权限
# 配置登录数据库的用户权限
AUTHORIZATION_ADMINLIST_ENABLED: 'true'

# 具有管理员权限,可读、可写的用户列表,多个用户用英语逗号隔开
AUTHORIZATION_ADMINLIST_USERS: 'jane@doe.com'

# 仅仅具有可读权限的用户列表,多个用户用英文逗号隔开
AUTHORIZATION_ADMINLIST_READONLY_USERS: 'ian-smith'

docker命令安装weaviate

docker run -itd --name=weaviate \
--restart=always \
-p 8080:8080 \
-p 50051:50051 \
-e "AUTHENTICATION_APIKEY_ENABLED=true" \
-e "AUTHENTICATION_APIKEY_ALLOWED_KEYS=jane-secret-key,ian-secret-key" \
-e "AUTHENTICATION_APIKEY_USERS=jane@doe.com,ian-smith" \
-e "AUTHORIZATION_ADMINLIST_ENABLED=true" \
-e "AUTHORIZATION_ADMINLIST_USERS=jane@doe.com" \
-e "AUTHORIZATION_ADMINLIST_READONLY_USERS=ian-smith" \
cr.weaviate.io/semitechnologies/weaviate:1.25.0

对应关系

序号密钥用户权限
1jane-secret-keyjane@doe.com管理员,可读可写
2ian-secret-keyian-smith可读

3 使用Weaviate

3.1 安装环境

⚠️ 下面安装方式适应用客户端版本为4,Weaviate版本是1.23 or higher.

# 安装weaviate
pip install -U weaviate-client -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装SentenceTransformer
pip install -U sentence-transformers -i https://pypi.tuna.tsinghua.edu.cn/simple

3.2 Python使用Weaviate


# 词嵌入模型
from sentence_transformers import SentenceTransformer


# 使用 weaviate
import weaviate
from weaviate.auth import AuthApiKey
from weaviate.classes.config import Property, DataType
from weaviate.collections.classes.config import Configure
from weaviate.collections.classes.grpc import MetadataQuery


# 使用SentenceTransformer模型
model = SentenceTransformer("E:/model/all-MiniLM-L6-v2")


ip_addr = "192.168.108.200"

# 自定义连接
client = weaviate.connect_to_custom(
    http_host=ip_addr,
    http_port=8080,
    http_secure=False,
    grpc_host=ip_addr,
    grpc_port=50051,
    grpc_secure=False,
    # 对应AUTHENTICATION_APIKEY_ALLOWED_KEYS中的密钥
    # 注意:此处只需要密钥即可,不需要用户名称
    auth_credentials=AuthApiKey("jane-secret-key")
)


collection_name = "article"


def create_collection():
    """
    创建索引
    :return:
    """
    client.collections.create(
        name="Article",
        # 定义文本属性
        properties=[
            Property(name="title", data_type=DataType.TEXT),
            Property(name="summary", data_type=DataType.TEXT)
        ],
        # 定义向量属性
        vectorizer_config=[
            # 注意使用text2vec_openai、text2vec_cohere等需要设置连接API,并且官网提示后期将删除
            # 例如:vectorizer_config=Configure.Vectorizer.text2vec_openai(),
            # 设置不用模型,因为我用的时SentenceTransformer,所以使用none
            Configure.NamedVectors.none(name="title")
        ]
    )


def delete_collection():
    """
    删除索引
    :return:
    """
    # 删除索引
    client.collections.delete(collection_name)


def query_collection_info():
    # 查看读的状态
    print(client.is_ready())

    # 查看连接状态
    print(client.is_connected())

    # 查看索引
    print(client.collections.list_all())

    # 获取索引
    article_collection = client.collections.get(collection_name)

    # 获取全部数据
    # include_vector=True表示显示向量
    print(article_collection.query.fetch_objects(include_vector=True))

    # 迭代获取数据
    for item in article_collection.iterator(include_vector=True):
        print(item.properties)
        print(item.vector)


def insert_collection():
    """
    插入1条数据
    :return:
    """
    # 获取索引
    article_collection = client.collections.get(collection_name)

    # 插入1条数据,返回唯一标识uuid
    uuid = article_collection.data.insert(
        properties={
            "title": "A delicious Riesling",
            "summary": "This wine is a delicious Riesling which pairs well with seafood."
        },
        # 添加向量数据
        vector={
            "title": model.encode("A delicious Riesling"),
            "summary": model.encode("This wine is a delicious Riesling which pairs well with seafood.")
        }
    )
    print(uuid)


def batch_collection():
    """
    批量插入数据
    :return:
    """
    data_list = [
        {
            "title": "A man is eating food.",
            "summary": ""
        },
        {
            "title": "A man is eating a piece of bread.",
            "summary": ""
        },
        {
            "title": "The girl is carrying a baby.",
            "summary": ""
        },
        {
            "title": "A man is riding a horse.",
            "summary": ""
        },
        {
            "title": "A woman is playing violin.",
            "summary": ""
        },
        {
            "title": "Two men pushed carts through the woods.",
            "summary": ""
        },
        {
            "title": "A man is riding a white horse on an enclosed ground.",
            "summary": ""
        },
        {
            "title": "A monkey is playing drums.",
            "summary": ""
        },
        {
            "title": "A cheetah is running behind its prey.",
            "summary": ""
        }
    ]

    # 嵌入模型
    title_embedding_list = list()
    for item in data_list:
        # 文本转化为嵌入
        title_embedding_list.append(model.encode(item.get("title")))

    # 获取索引
    collection = client.collections.get(collection_name)

    # 添加到数据库中
    with collection.batch.dynamic() as batch:

        # 循环插入数据
        for i, data_row in enumerate(data_list):
            batch.add_object(
                properties=data_row,
                vector= {
                    "title": title_embedding_list[i]
                }
            )


def query_vector_collection():
    """
    使用向量查询数据
    :return:
    """
    article_collection = client.collections.get(collection_name)

    # 如果使用向量查询中的query.near_text,需要配置转化向量的模型,例如:连接互联网的API。
    # 使用向量查询,使用自定义的模型生成向量
    response = article_collection.query.near_vector(
        # 文本向量
        near_vector=model.encode("A man is eating pasta.").tolist(),
        # 限制输出的数量
        limit=10,
        # 设置返回的数据是否显示距离
        return_metadata=MetadataQuery(distance=True)
    )

    # 展示数据
    for o in response.objects:
        print(o.properties)
        print(o.metadata.distance)


def query_keyword_collection():
    """
    使用关键词查询数据,此处的关键词查询也叫"BM25 (Best match 25)"或者"sparse vector"。
    :return:
    """
    article_collection = client.collections.get(collection_name)

    # 使用关键词查询
    response = article_collection.query.bm25(
        query="food",
        return_metadata=MetadataQuery(score=True),
        limit=3
    )

    for o in response.objects:
        print(o.properties)
        print(o.metadata.distance)


if __name__ == '__main__':
    # delete_collection()

    # 1 创建索引
    # create_collection()

    # 2 插入数据
    # insert_collection()

    # 3 批量插入数据
    # batch_collection()

    # 4 查询索引
    # query_collection_info()

    # 5 使用向量查询
    query_vector_collection()

    # 6 使用关键词查询
    query_keyword_collection()

    # 关闭客户端
    client.close()

执行截图

在这里插入图片描述

探索 Weaviate:强大的开源向量数据库 Weaviate 是一种开源的向量搜索引擎,允许你以类似类属性的方式存储 JSON 文档,并将机器学习生成的向量附加到这些文档上。它支持多种媒体类型(文本、图像等)的低延迟向量搜索,提供语义搜索、问答提取、分类等功能。Weaviate 是一个功能强大的向量数据库,能够帮助开发者高效地处理和查询向量化数据。通过其模块化设计和易用的 API,开发者可以轻松地将 Weaviate 集成到现有项目中。Weaviate 官方文档Weaviate 示例笔记本。 阅读详情

相关推荐

使用 Weaviate 和 LangChain 实现向量存储和检索增强生成

Weaviate 是一个开源的向量数据库,可以将数据对象和来自你喜爱的机器学习模型的向量嵌入存储起来,并无缝扩展到数十亿个数据对象。结合 LangChain,我们可以轻松地存储和检索信息,增强大型语言模型(LLM)的功能,特别是在构建问答系统和检索增强生成(RAG)应用时。

fgayif的博客 616

【RAG落地利器】向量数据库Weaviate部署与使用教程

Weaviate 是一种开源的向量搜索引擎数据库,允许以类属性的方式存储 JSON 文档,并将机器学习向量附加到这些文档上,以在向量空间中表示它们。Weaviate 支持语义搜索、问答提取、分类等功能,并且可以通过 GraphQL-API 轻松访问数据。

Android23333的博客 9083

探索Weaviate:使用自查询检索器实现智能向量存储

Weaviate提供了一种强大的方式来存储和检索嵌入向量,结合自查询检索器实现更加智能的查询能力。Weaviate 官方文档Langchain 文档。

dfvcbipanjr的博客 541

向量数据库Weaviate使用教程(安装+使用)

向量数据库Weaviate使用教程(安装+使用)

weixin_45683241的博客 2万+

使用Weaviate与Self-Query Retriever构建智能电影检索系统

通过本文,我们展示了如何使用Weaviate和Self-Query Retriever构建一个智能化的电影查询系统。Weaviate官方文档。

afTFODguAKBF的博客 586

Embedding 与向量数据库

Qdrant(读作:quadrant /'kwɑdrənt/ n. 象限;象限仪;四分之一圆)是一个向量相似度搜索引擎。它提供了一个生产就绪的服务,具有方便的 API 来存储、搜索和管理点 - 带有附加载荷的向量。专门支持扩展过滤功能,使其对各种神经网络或基于语义的匹配、分面搜索和其他应用非常有用。以下展示了如何使用与向量数据库相关的功能。有各种运行的模式,取决于所选择的模式,会有一些细微的差异。选项包括:本地模式,无需服务器Qdrant 云请参阅安装说明。

1486

102 使用Weaviate向量存储实现混合搜索

通过这篇博客,我们学习了如何使用Weaviate向量存储和LlamaIndex实现混合搜索。我们从创建Weaviate客户端开始,下载并加载文档,构建向量存储索引,并使用默认向量搜索和混合搜索进行查询。希望这篇博客对你有所帮助,让你更好地理解和应用这些技术。如果你有任何问题或需要进一步的帮助,请随时在评论区留言。

xycxycooo的博客 792

ModaHub魔搭社区:向量数据库Weaviate与Milvus分析报告

在这份报告中,我们将深入分析Weaviate与Milvus两款开源向量数据库,通过比较其可扩展性、功能、设计等方面的差异,以帮助您根据自身需求选择最适合的数据库。Milvus支持Partition/Namespace/逻辑分组功能,使用户能够将数据库划分为逻辑上独立的组别,从而实现更灵活的数据管理和更好的性能。例如,在实时信息检索系统中,用户可以将不同类型的数据(如文本、图像或视频)划分为不同的Partition,以便更好地进行搜索和过滤。在选择时,请根据您的具体需求评估两款数据库的功能匹配度。

实战AI智能体 2923

使用Weaviate向量存储索引实现高级搜索

在现代的AI和数据管理过程中,向量存储和检索变得至关重要。今天我们将介绍如何使用现有的Weaviate向量存储,借助LlamaIndex实现高级搜索功能。在开始之前,请确保你已经安装以下依赖包: 连接到Weaviate客户端 首先,我们需要连接到Weaviate实例: 定义Schema 接下来,我们为"Book"类创建一个schema,包含4个属性:title(str),author(str),content(str),以及year(int): 定义样本数据 我们创建4本样书作为示例数据: 添加数据到Wea

qq_29929123的博客 756

102_Spring AI 干货笔记之 Weaviate 向量存储

本文介绍了Spring AI中Weaviate向量存储的集成方案。Weaviate是开源向量数据库,支持存储数据对象和向量嵌入。文章提供了通过Spring Boot自动配置或手动编程两种方式创建WeaviateVectorStore实例的方法,包括设置主机、协议、API密钥等参数。同时,展示了如何使用可移植元数据过滤器进行高级查询,将通用表达式转换为Weaviate GraphQL过滤器格式,并可通过getNativeClient()访问底层WeaviateClient执行特定操作,为构建RAG应用提供指导

在科技的浪潮中,我们寻找着创新的火种,在代码的海洋里,我们编织着智慧的网。腾飞开源,就是这样一个由技术精英汇聚而成的博客平台,我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上,你会看到紧跟技术前 1601

抖音视频数据获取实战:从API调用到热门内容挖掘

通过抖音API获取视频数据,企业可快速构建数据驱动的运营体系。本文提供了从权限申请到商业落地的全流程指南,建议结合自身业务扩展功能。如有技术问题,欢迎​​评论​​区留言讨论!#抖音开发 #数据挖掘 #短视频运营 #API调用 #Python实战。

WBKJ_Noah_的博客 6411

DocArray x Weaviate | 打造高效的云端数据存储

Weaviate 作为 DocArray 中的 Document Store,可以使得 Document 在云端的处理和检索更加迅速。 DocArray & Weaviate 大起底 DocArray: Data structure for unstructured data DocArray 是一种可扩展数据结构,完美适配深度学习任务,主要用于嵌套及非结构化数据的传输, 支持的数据类型包括文本、图像、音频、视频、3D mesh 等。 与其他数据结构相比: ✅ 表示完全支持,✔ 表示部分支持,.

Jina AI 的博客 1041

从零到一:使用阿里云百炼搭建企业级 AI Agent 完全实战手册(2026超详细版)

本文是一份企业级AI Agent构建手册,主要面向企业技术负责人、AI产品经理和后端开发工程师。手册详细介绍了如何在阿里云百炼平台上搭建企业智能体应用的全流程,包括环境准备、知识库构建、智能体创建、工具集成、工作流编排等核心环节。重点内容包括: 准备工作:阿里云账号注册、百炼服务开通、免费额度领取、API Key管理 知识库构建:文档格式要求、内容优化原则、RAG系统搭建 智能体开发:Agent创建、工具集成、复杂业务工作流设计 生产部署:多渠道接入、监控运维、安全治理 成本控制:Token预算管理、选型决

u010323587的专栏 1113

如何利用Weaviate实现智能音频搜索:语音识别向量化完整指南

Weaviate作为一款开源的云原生向量数据库,不仅支持文本和图像的多模态搜索,还提供了强大的音频处理能力。本文将详细介绍如何利用Weaviate的音频向量化功能构建智能语音识别和音频搜索系统。🎤 ## 🔍 Weaviate音频处理核心功能 Weaviate通过其多模态向量化模块支持音频内容的智能处理。核心的音频处理功能主要集中在以下几个模块: 1. **multi2vec-bind模块

gitblog_01014的博客 471

红外热成像仪原理及应用

目录什么是红外热成像背景介绍热成像技术原理热成像分类红外热成像和夜视仪之间的区别红外热像仪夜视仪红外照明相机对比红外热像仪都能看透什么如何选择制冷型和非制冷型红外热像仪制冷型红外热像仪非制冷型红外热像仪实例对比成像速度空间分辨率灵敏度光谱滤波同步何如选择合适的红外热像仪像素测温范围和被测物温度分辨率空间分辨率温度稳定性热像仪的距离系数比常见热成像仪关键参数量程视场角 (FOV)红外分辨率热灵敏度(NETD)焦距光谱范围精度内置优化分析NTED(热灵敏度)什么是NETD如何测量NETD?NETD如何影响测量?

zhy295006359的博客 2万+

零基础学习simulink-- 四旋翼和六旋翼无人机的建模与动力学分析

通过上述代码实现,您可以逐步创建和搭建一个多旋翼无人机(如四旋翼、六旋翼)的动力学模型,并结合自适应控制器进行仿真。该模型不仅考虑了无人机的基本动力学行为,还引入了空气阻力、螺旋桨之间的相互作用以及气流干扰等复杂效应,使得仿真结果更加接近实际情况。Simulink 提供了强大的建模和仿真工具,使得控制系统工程师能够快速构建复杂的控制算法,并将其应用于实际工程中。多旋翼无人机动力学建模:建立四旋翼和六旋翼无人机的动力学模型,包括平移运动和旋转运动方程。升力和扭矩模型。

amy_mhd的博客 390

补充(十)Weaviate的数据存储问题的代码实现展示-半结构数据的处理

本文介绍了如何对手机商品数据进行处理,提出了两种存储方案:分块存储(快速实现但无法精确过滤)和结构化存储(支持精确查询但前期工作量大)。示例代码展示了使用Weaviate进行分块存储的实现,包括初始化LLM模型、连接向量数据库、加载商品文本数据并按段落处理。文章建议根据实际需求选择存储方式,短期项目可用分块存储,长期项目推荐结构化存储以获得更好的查询能力。

ai12345678900008的博客 1129

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

基于Verilog的8位CPU设计及UART扩展实现方案,包含完整的架构设计、核心代码实现和仿真验证方法

a_zxswer的博客 193

补充(六):Weaviate向量数据库的基本使用

本文介绍了如何使用Python客户端连接和操作Weaviate向量数据库。主要内容包括: 连接Weaviate服务:通过指定HTTP/gRPC地址和端口建立连接,支持API Key认证 创建集合操作:演示如何创建新的数据集合,包含属性定义和向量器配置 错误处理机制:尝试多种向量器(text2vec-openai/text2vec-cohere),失败时禁用自动向量生成 资源管理:提供连接状态检查和资源释放功能 代码示例展示了完整的操作流程,包括连接测试、集合创建和清理等关键步骤。

ai12345678900008的博客 366

Autosar PNC网络管理配置-UserData的使用

之前配置的网络管理报文中的data都由ComM管理,后面客户新增了需求,最后两个byte需要发送,本文记录一下相关配置的修改能配置生成的,尽量不手码,毕竟手写一堆bug~

赞的博客 1910

AUTOSAR进阶图解==>AUTOSAR_EXP_VFB

AUTOSAR虚拟功能总线(VFB)摘要 AUTOSAR虚拟功能总线(VFB)是汽车开放系统架构中的核心抽象概念,为分布式电子系统提供统一通信模型。VFB允许软件组件在不了解底层物理通信机制的情况下交互,通过运行时环境(RTE)实现组件间的数据交换。系统配置过程将抽象的VFB视图转换为具体实现,包括组件到ECU的映射和通信机制选择。VFB采用"last-is-best"语义进行数据通信,并支持模式管理机制,使组件能根据系统状态调整行为。此外,VFB还支持与非AUTOSAR系统的交互,通常

一名留德华的,康德的信徒的,专注于汽车电子领域的博客 1119

补充(九)对LangChain框架入门13:从0到1学习Weaviate向量数据库重置

本文介绍了如何将Excel文件转换为JSON格式并存储到Weaviate向量数据库中。主要内容包括:1) 使用Weaviate Python客户端连接向量数据库,并进行身份验证;2) 初始化Ollama嵌入模型将文本转换为高维向量;3) 创建Collection(类似数据库表)并定义数据结构;4) 演示数据插入操作,包括生成唯一ID和向量数据。文章详细说明了Weaviate的配置参数、嵌入模型的选择以及Python相关库的使用方法,为处理结构化文档数据提供了完整的实现方案。

ai12345678900008的博客 670

Testbench编写:激励生成、响应监控、仿真时间控制

本文介绍了Verilog/VHDL Testbench的核心技术,重点阐述了激励生成、响应监控和仿真时间控制三大关键环节。通过时钟生成、复位信号生成等具体代码示例,展示了如何有效构建测试平台。文章还总结了波形输出、自动检查等验证方法,并提出了模块化设计、自动化检查等最佳实践,帮助开发者提升FPGA仿真效率和验证质量。这些技术要点为数字电路设计的正确性验证提供了系统化的解决方案。

2301_79143213的博客 112

超实用Weaviate存储优化指南:SSD与HDD混合存储方案

你是否在使用Weaviate时遇到存储成本过高的问题?或者向量数据库查询速度不理想?本文将为你介绍如何通过SSD与HDD混合存储策略,在控制成本的同时保持高性能,让你的Weaviate部署更加高效经济。读完本文后,你将了解到:Weaviate的存储架构、SSD与HDD混合存储的配置方法、性能监控指标以及实际应用案例。 ## Weaviate存储架构概述 Weaviate作为一款开源向量数据库(

gitblog_00116的博客 541

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

【Weaviate】数据库:向量存储与搜索的新纪元

WeaviateWeaviate 是一个向量数据库,它的主要作用是存储和搜索文本、图片、音频等数据的向量表示。想象你有一个大图书馆📚,但里面的书没有分类、没有索引,想找某一本书只能一本一本翻,效率非常低。Weaviate 就像一个超级智能图书管理员,它会把每本书的内容转换成数字(向量),然后存起来,想要搜索时,输入一句话,它就能迅速找到最相似的内容!💡2、Weaviate 能做什么?1️⃣智能搜索🔍 你输入 "一部关于人工智能的科幻电影",它能立刻找到《黑客帝国》《她》等类似的电影。

博客虽小,世界尽在其中 3521

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

上一篇: 使用docker安装doccano
下一篇: 简单使用ollama
MasonYyp
博客等级 码龄9年 301粉丝 297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