Kotlin kapt插件报错全解析:从Could not load module到彻底解决(含Gradle 8.2.2适配指南)

gradlew compile error: Could not load module <Error module> 注释项目中所有的module对kapt插件的引用; 阅读详情

Kotlin kapt编译报错深度排查:从“Could not load module”到Gradle 8.2.2适配实战

如果你正在使用Kotlin进行Android开发,并且最近升级了Gradle或Kotlin版本,那么很可能在某个深夜的构建过程中,突然遇到了那个令人沮丧的错误信息:Could not load module <Error module>。这个错误就像一道无形的墙,挡住了你的构建流程,而Gradle给出的错误信息却含糊不清,只告诉你kaptGenerateStubsDebugKotlin任务失败了,却不告诉你具体哪里出了问题。

我最近在将一个大型项目迁移到Gradle 8.2.2和Kotlin 1.9.0时,就连续几天被这个问题困扰。每次构建失败,都只能看到那个神秘的<Error module>,没有任何具体的文件路径或行号提示。经过大量的排查和实验,我总结出了一套系统性的解决方案,不仅能够快速定位问题,还能从根本上理解kapt的工作原理,避免未来再次踩坑。

1. 理解kapt的工作原理与常见故障模式

在深入解决具体问题之前,我们需要先理解kapt(Kotlin Annotation Processing Tool)到底在做什么。kapt是Kotlin的注解处理器,它允许你在Kotlin代码中使用Java的注解处理器,比如Dagger、Room、Glide等库都依赖它来生成代码。

1.1 kapt的工作流程

kapt的工作流程比大多数人想象的要复杂。它实际上分为两个阶段:

  1. 生成存根(Stub Generation):kapt首先会为所有包含注解的Kotlin类生成Java存根文件。这是因为大多数Java注解处理器只能处理Java源代码,不能直接处理Kotlin代码。
  2. 注解处理(Annotation Processing):使用生成的Java存根文件运行注解处理器,生成新的Java/Kotlin源文件。
  3. 编译生成的代码:将生成的源代码与原始源代码一起编译。

当出现Could not load module <Error module>错误时,通常是在第一阶段——生成存根时出了问题。但错误信息被抽象化了,没有告诉你具体是哪个模块、哪个文件、哪行代码导致了问题。

1.2 为什么错误信息如此模糊?

这个问题源于Kotlin编译器内部的一个设计决策。当kapt在处理模块依赖时遇到无法解析的符号或类型,它会创建一个"错误模块"作为占位符,而不是立即失败并给出具体信息。这种设计原本是为了让编译过程能够继续,收集更多错误信息,但在实践中,它常常导致开发者难以定位问题的根源。

常见触发场景:

  • 模块间的循环依赖
  • 注解处理器版本不兼容
  • Kotlin编译器插件冲突
  • Gradle配置不一致
  • JDK版本不匹配

注意:从Kotlin 1.9.0开始,kapt默认启用了JVM IR后端,这虽然提高了性能,但也引入了一些新的兼容性问题,特别是在与某些旧版本的注解处理器一起使用时。

2. 系统化诊断方法:从表象到根源

面对Could not load module错误,大多数人的第一反应是尝试各种"偏方":清理缓存、重启Android Studio、重新同步Gradle。这些方法有时能解决问题,但更多时候只是暂时掩盖了问题。我们需要一套系统化的诊断流程。

2.1 第一步:获取详细错误日志

Gradle默认的错误输出往往不够详细。我们需要使用更详细的日志级别来获取更多信息:

# 使用--info获取详细信息
./gradlew :app:kaptGenerateStubsDebugKotlin --info

# 使用--debug获取最详细的日志
./gradlew :app:kaptGenerateStubsDebugKotlin --debug

# 使用--stacktrace查看完整的调用栈
./gradlew :app:kaptGenerateStubsDebugKotlin --stacktrace

# 生成构建扫描报告(需要网络)
./gradlew :app:kaptGenerateStubsDebugKotlin --scan

构建扫描报告特别有用,它会生成一个在线的、交互式的构建报告,你可以看到:

  • 所有任务的依赖关系图
  • 每个任务的输入和输出
  • 配置缓存的状态
  • 插件版本信息

2.2 第二步:检查kapt生成的存根文件

kapt在build/tmp/kapt3/stubs/目录下生成存根文件。检查这些文件可以帮助你理解kapt是如何看待你的Kotlin代码的:

# 查看生成的存根文件
find . -name "*.java" -path "*/tmp/kapt3/stubs/*" | head -20

# 检查特定模块的存根
ls -la app/build/tmp/kapt3/stubs/debug/

有时候,问题就出在生成的存根文件上。例如,我曾经遇到过一个情况:一个Kotlin的object类被错误地生成了Java存根,导致注解处理器无法正确处理。

2.3 第三步:隔离问题模块

当项目包含多个模块时,确定是哪个模块导致的问题至关重要。这里有一个实用的技巧:

  1. 临时禁用所有模块的kapt: 在每个模块的build.gradle.kts或build.gradle文件中,注释掉kapt插件的应用:

    // 注释掉这行
    // id("kotlin-kapt")
    
    // 或者对于旧式插件应用方式
    // apply plugin: 'kotlin-kapt'
    
  2. 逐个重新启用: 一次只启用一个模块的kapt,重新构建,直到错误再次出现。

  3. 检查模块间的依赖关系: 使用Gradle的依赖关系报告:

    ./gradlew :app:dependencies --configuration kaptDebug
Android开发中Gradle报错:Could not load module<Error module>的3种快速定位方法 本文详细解析了Android开发中Gradle报错'Could not load module<Error module>'的3种快速定位方法,特别针对Kotlin kapt(Kotlin注解处理工具)的使用场景。通过理解错误本质、利用Gradle诊断模式、系统化依赖检查以及针对性kapt问题排查技巧,帮助开发者高效解决这一常见但棘手的编译问题。 阅读详情

相关推荐

Gradle 8.2.2下kapt报错Could not load module的完整排查与适配方案

在Kotlin与Android工程实践中,注解处理器(Annotation Processor)是提升开发效率的关键机制,而kapt作为Kotlin官方支持的注解处理工具,其稳定运行直接影响构建链路。kapt通过生成Java桩代码并调用Java编译器执行处理,这个过程依赖classpath的完整性与编译器模块的加载。当Gradle升级到8.2.2后,不少开发者会遇到“Could not load module”的报错,本质是Kotlin编译器、Gradle与JDK版本兼容性失配,或是注解处理器依赖作用域错误

weixin_28839699的博客 287

Gradle 8.2.2升级后Kapt插件‘Could not load module‘排查全解

在Java/Kotlin工程中,构建工具与注解处理器的兼容性是稳定编译的基石。当Gradle升级到8.2.2后,Kapt插件常常抛出Could not load module错误,根源往往不在代码,而在于版本矩阵、模块缓存与元数据校验等深层机制。理解Gradle的依赖解析、插件加载原理以及Configuration Cache的影响,有助于快速定位问题。本文基于真实升级事故,系统梳理从报错信息到Caused by的排查链路,覆盖Kotlin插件版本选择、JDK一致性、kapt类路径配置、动态版本锁定与镜像仓

weixin_31286719的博客 159

Gradle 8.2.2下kapt报Could not load module的完整排查与迁移指南

在Kotlin与Java混合构建的Android工程中,注解处理器承担着代码生成的核心任务,而kapt作为Kotlin编译与Java注解处理之间的桥梁,其稳定性直接依赖Gradle、Kotlin插件与JDK的版本协同。当构建环境升级到Gradle 8.2.2后,kapt可能因模块信息加载失败而抛出IllegalStateException,这类构建报错往往并非业务代码问题,而是版本矩阵失配或工具链冲突所致。理解kapt依赖javac生成stub的工作机制,掌握从日志定位到版本对齐的排查方法,能显著提升构建排

weixin_28834169的博客 124

Android天气应用开发:从零搭建MVVM架构与Jetpack Compose实战

在移动应用开发领域,架构设计与技术选型是决定项目成败的关键基础。MVVM(Model-View-ViewModel)架构模式通过清晰的关注点分离,实现了数据驱动UI的核心原理,显著提升了代码的可测试性与可维护性。结合Kotlin协程的异步处理能力,能够优雅地管理数据流与状态。这种技术组合在现代Android开发中展现出巨大价值,尤其适用于数据实时更新、UI状态复杂的应用场景,例如天气类应用。本文以构建一个Android天气APP为例,系统阐述如何运用Jetpack Compose这一声明式UI框架与MVVM

weixin_33782386的博客 492

Android DataBinding与MVVM架构实战指南

数据绑定(DataBinding)是Android开发中实现UI与数据自动同步的核心技术,其本质是通过编译时生成的绑定类建立视图与数据模型的连接。结合MVVM架构模式,开发者可以彻底摆脱手动更新UI的繁琐操作,实现真正的数据驱动界面。在工程实践中,DataBinding通过@BindingAdapter支持自定义属性绑定,配合LiveData可实现响应式编程,大幅提升代码可维护性。典型应用场景包括表单处理、列表展示和状态管理,特别是在电商类App的商品详情、购物车等模块能显著减少样板代码。随着Android

weixin_30512043的博客 370

playwright-mcp 安装使用的详细教程

Playwright MCP 快速入门指南 Playwright MCP Server 是由微软开发的浏览器自动化服务,通过 MCP 协议为 AI/Agent/LLM 提供网页交互能力。它基于可访问性树而非屏幕截图,支持多种浏览器和运行模式。 安装要求: Node.js v18+ 命令行操作能力 支持 MCP 的客户端 安装方式: 通过 npx 快速启动:npx @playwright/mcp@latest 项目依赖安装:npm install @playwright/mcp 主要特性: 支持 Chrome

上善若水 8032

VCSA 6.7证书更新全流程指南:从故障诊断到完整替换

本文详细介绍了VCSA 6.7证书更新的全流程,包括故障诊断、证书替换操作步骤及常见问题解决方案。通过使用官方脚本和证书管理器,帮助管理员快速解决证书过期问题,确保vCenter系统的稳定运行。特别强调了STS证书修复和全量证书重置的关键步骤,适用于vcsa6.7环境下的证书管理需求。

weixin_42634811的博客 451

有限时间 vs 固定时间 vs 预定时间滑模:稳定性分析与仿真验证方法对比(中)

有限时间滑模控制(FTSMC)和固定时间滑模控制(FixTSMC)是两种重要的控制策略,旨在实现系统状态的快速收敛。FTSMC通过设计滑模面和控制律,确保系统状态在有限时间内收敛到原点,但其收敛时间与初始状态相关。FixTSMC则进一步优化,使收敛时间与初始状态无关,适用于高动态环境,具有更强的鲁棒性和更平滑的控制信号。两种方法均通过李雅普诺夫函数证明其稳定性,并通过仿真验证其有效性。FixTSMC在工程应用中更为可靠,尤其适合安全关键系统。

Lyajpunov的博客 3228

微信小程序 - 苹果ios无法播放视频、安卓android手机可以播放,使用video播放MP4视频时安卓正常播放视频iOS无法播放出现黑屏、加载失败或一片黑没反应等(uniapp微信小程序也能解决)

微信小程序ios无法播放视频,微信小程序 video标签 ios不能播放视频或视频黑屏,ios无法播放视频,android手机可以播放,视频格式为mp4,uniapp微信小程序安卓设备android可以播放在线网络视频 ,苹果ios设备无法播放视频,微信小程序 video标签 ios不能播放视频或视频黑屏,安卓手机正常播放iPhone手机却黑屏,如何解决这个问题,在线播放视频URL链接,iOS无法播放MP4视频文件的解决方案,在Android设备上可以正常播放,但在iOS设备上却出现黑屏、无法加载或无法播放

🏆 前端领域优质创作者 1万+

YOLO11改进 - 卷积Conv | StripBlockStripBlock大条带卷积块,通过顺序条带卷积捕获方向性长程依赖,强化高长宽比目标特征提取 | AAAI 2026

本文介绍了面向高纵横比目标检测的条带卷积模块——StripBlock,适用于遥感、船只、车道等细长结构目标的特征增强。该方法先通过 `5×5` 深度卷积提取局部空间信息,再利用 `1×19` 与 `19×1` 的正交长条卷积分别建模横向和纵向长程依赖,最后通过 `1×1` 卷积生成空间注意力权重,并以逐元素门控方式重标定输入特征。我们将 StripBlock 成功集成进 YOLO11,在检测头的多尺度特征层中引入条带式空间建模能力,从而增强模型对细长目标和复杂遥感场景的定位与识别效果。

魔改工程师的博客 235

CycloneDDS(C++版本)开源代码在Linux(X86平台)系统上编译生成可执行文件的详细步骤

cyclonedds里面已经有现成的实例供我们参考,在根目录下的example目录下面,我们打开此目录,此目录下有CMakeLists.txt文件以及一些其他的文档,我们需要在此目录(example目录)下编译构建出。我们可以看到cyclonedds-cxx-master包下的example目录下有很多文件,包括CMakeLists.txt等,其中我们要构建的可执行文件所需要的源文件等就在。此过程会稍微慢一点。之后会报错,如下:(图片中是c版本出现的问题截图,不影响,c++也是这个影响,问题是一样的)

qq_42595610的博客 1252

Python爬虫实战:京东/淘宝商品价格与评论监控系统——从User-Agent伪装到编码陷阱的全面攻克

在电商数据驱动决策的今天,无论是个人消费者想抓住历史低价,还是市场分析师需要追踪竞品动态,抑或是算法交易员依赖实时价格信号,自动化的商品价格与评论监控系统都已成为不可或缺的工具。然而,电商平台的反爬虫策略日益严苛,字符编码的“暗坑”更是让初学者屡屡碰壁。本文将以京东(JD.com和淘宝(Taobao.com两大主流平台为目标,手把手带你构建一个稳定、高效的商品监控爬虫。User-Agent伪装——如何模拟真实浏览器行为,突破初级反爬。GBK/UTF-8编码混战。

2201_76125261的博客 75

CAPL如何设置或修改CANoe TCP/IP协议栈的底层配置

MSS = MTU - tcpHeader - ipHeader,也就是MTU = MSS(1360) + tcpHeader(20) + ipHeader(20) = 1400,说明CAPL是可以动态设置网络底层配置参数的!然后在CAPL中设置此网卡MTU值为1400,然后创建UDP套接字,一次性发送2000个字节,在Trace窗口看看首帧报文二层Data的长度。所以我们还不能用UDP协议来验,应该用TCP协议来验,也就是在TCP三次握手时通过Tester的MSS值推导出自己的MTU值。

jasonj333 995

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

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")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

上一篇: USB PD 3.0快充协议详解:为什么你的Type-C接口可能不支持快充?
下一篇: 避坑指南:普中科技开发板控制直流电机常见的5个硬件问题(附风扇调速解决方案)
rrr55
博客等级 码龄18年 48粉丝 1383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  | 博主筛选后可见
 
 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