- 博客(125)
- 收藏
- 关注
RSS订阅原创 构建高效智能客服Agent评估体系：从指标设计到性能优化实战
最近在优化我们团队的智能客服系统，发现评估环节真是个大坑。以前我们基本就是看个“意图识别准确率”，觉得数字高了就万事大吉，结果上线后用户投诉一点没少，经常是“答非所问”或者“反应太慢”。人工抽检成本高、反馈慢，想做A/B测试吧，从设计到出结果周期长得让人崩溃，模型迭代速度根本提不上来。痛定思痛，我们花了一段时间，从零搭建了一套相对完整的评估体系，把评估效率提升了不止3倍。今天就把这套从指标设计到性能优化的实战经验分享出来，希望能帮到有同样困扰的朋友。
2026-03-25 08:30:09
429
原创 政务大模型在智能客服中的实践：从架构设计到性能优化
构建一个政务大模型智能客服系统，是一个将前沿AI技术与严谨的工程实践、深刻的需求理解相结合的过程。它不仅仅是一个模型调用，更是一个包含数据、算法、工程、安全、运维的复杂系统。我们目前的系统已经平稳运行了一段时间，有效分担了人工客服的压力。但迭代从未停止，例如我们正在探索如何让模型在对话中主动、清晰地“引用”政策条文编号，让回答更具可信度；也在研究如何更好地评估模型在复杂多轮对话中的长期一致性。如果你也在负责或参与类似的政务数字化项目，不妨思考一下：你现有的客服系统最大的痛点是什么？
2026-03-25 07:13:50
394
原创 蜂答AI智能客服源码解析：从架构设计到生产环境部署实战
通过深入研读和改造蜂答AI智能客服的源码，我对一个工业级智能对话系统的构建有了更立体的认识。从微服务拆分、核心NLU模型选型，到状态管理、性能优化和生产部署，每一个环节都需要在技术先进性和工程可行性之间做权衡。目前我们的系统在BERT-base模型下，意图识别准确率在测试集上能达到92%以上，线上对话自动解决率约75%。但模型大小和推理延迟依然是瓶颈。一个值得深入思考的开放问题是：在保证识别准确率不大幅下降的前提下，有哪些可行的模型压缩与加速方案？
2026-03-24 14:23:45
42
原创 基于Rasa的智能客服机器人模型研发：从架构设计到生产环境部署
这个文件定义了机器人能处理的所有内容：意图、实体、槽位（用于存储对话信息）、动作和回复模板。
2026-03-24 13:46:27
160
原创 智能客服搭建指南：从零构建高可用对话系统的实战解析
方面优势明显，特别适合我们这种对中文识别精度有要求、且需要深度结合内部业务系统的项目。因此，我们最终选择了Rasa。
2026-03-24 12:13:20
96
原创 智能客服系统架构解析：客户端、会话页面与后端的高效交互设计
在构建现代在线客服系统时，客户端、会话交互页面与后端系统之间的高效、可靠交互是核心挑战。尤其在面对海量用户并发咨询、消息实时性要求高、网络环境复杂等场景时，传统的请求-响应模式往往捉襟见肘。本文将深入解析一种结合WebSocket与消息队列的混合架构，探讨如何设计一个低延迟、高可用的智能客服通信链路。
2026-03-24 10:29:35
139
原创 CosyVoice 2 流式语音处理：从入门到生产环境实战
比如，实时语音转文字的字幕生成、智能客服的即时语音响应、会议系统的实时翻译，还有在线教育里的语音互动点评。流式处理为了低延迟，往往只能基于有限的近期上下文做判断，这肯定会损失一些长距离的依赖信息，比如一句话末尾的词可能需要开头的信息才能准确识别。最近在做一个需要实时语音处理的项目，遇到了延迟高、资源占用大的问题，尝试了 CosyVoice 2 的流式处理功能后，感觉找到了一个不错的解决方案。下面是一个简化的 Python 示例，展示了音频流的分帧和实时特征提取的核心逻辑，并包含了基本的异常处理。
2026-03-24 08:17:14
269
原创 语义分割毕设从入门到部署：技术选型、实现细节与避坑指南
走完这一整套流程，一个完整的、可演示的语义分割毕设项目就初具雏形了。在有限的算力下，我们该如何平衡模型的精度与效率？我的经验是，不要一味追求SOTA模型。对于本科毕设，清晰的问题定义、严谨的实验设计、完整的工程流程和深入的结果分析，远比盲目堆砌一个庞大但难以驾驭的模型更有价值。选择一个像U-Net这样结构清晰的模型，吃透它的每一行代码，针对你的数据集做好数据增强和损失函数调优，最后稳稳当当地完成部署。这个过程所锻炼的工程能力和解决问题的思维，才是毕设带给你的最大财富。希望这篇笔记能为你点亮一盏灯。
2026-03-24 06:57:24
301
原创 基于CosyVoice与macOS MPS的AI辅助开发实战：从语音处理到性能优化
经过这一轮优化，我们的语音处理模块从“卡顿的负担”变成了“流畅的功能”。基于CosyVoice和MPS的技术栈，特别适合在macOS平台上开发需要实时、高效语音处理的应用程序，比如语音助手、实时翻译、音频内容审核、辅助创作工具等。核心收获是：对于Apple Silicon Mac，一定要让GPU动起来。PyTorch MPS后端是性价比最高的入门方式，能解决大部分性能问题。当遇到更极致的性能需求时，再考虑深入MPS Graph或Core ML。量化。
2026-03-24 04:32:39
338
原创 ChatGPT绘图功能技术解析：从API调用到图像生成实战
提示词工程是关键：好的提示词能显著提升图像质量，需要不断测试和优化错误处理要完善：网络波动、API限流等异常情况都需要妥善处理性能优化要持续：从缓存、并发、重试等多个角度优化系统性能成本控制要重视：AI服务的成本可能快速增长，需要提前规划如果你对AI绘图技术感兴趣，想要亲自动手实践，我推荐你尝试从0打造个人豆包实时通话AI这个动手实验。这个实验不仅涵盖了AI绘图，还涉及语音识别、对话生成等更多AI能力的集成，能够帮助你全面了解AI应用的开发流程。
2026-03-24 04:15:50
392
原创 基于Dify构建图片+文字智能客服助手的架构设计与实战
市面上做对话机器人的平台不少，比如Rasa（开源）、DialogFlow（Google）。但在处理“图片+文字”这个混合输入的任务上，Dify的定位更贴合。Rasa：非常强大和灵活，但本质上是一个以NLU（自然语言理解）为核心的框架。要接入视觉能力，需要自己写自定义组件（Custom Component），去调用外部CV API（如CLIP、ViT），然后自己设计策略来处理多模态输入和对话状态。这对工程能力要求高，集成起来比较重。DialogFlow。
2026-03-24 04:05:23
354
原创 智能客服分流率优化实战：基于意图识别与负载均衡的技术方案
通过这套结合了混合特征意图识别和动态权重负载均衡的方案，我们成功地将客服系统的分流准确率提升至接近90%，平均响应时间降低了40%以上。技术方案的选择永远是权衡的艺术，在成本、时延和准确率之间找到最适合当前业务阶段的平衡点。如何更有效地解决长尾意图（Long-tail Intent）的识别问题？这些意图出现频率极低，但种类繁多，难以收集足够的训练样本。是依赖小样本学习（Few-shot Learning）？还是利用大规模预训练模型的零样本（Zero-shot）能力？
2026-03-24 03:17:00
345
原创 ChatGPT安卓手机版下载与集成开发实战指南
按照上述步骤，你应该能够构建一个稳定、高效且相对安全的安卓端ChatGPT对话应用。这里的关键不仅仅是功能的实现，更是对网络、性能、安全等移动端特有问题的综合考虑。示例项目（请将链接替换为你自己的仓库地址）。功能扩展思路语音输入/输出：集成Android的实现语音转文字输入，再结合TTS（Text-to-Speech）将AI回复读出来，打造全语音交互体验。本地模型集成：对于简单任务或离线场景，可以探索集成在设备端运行的轻量级模型（如通过TensorFlow Lite）。上下文持久化：使用Room。
2026-03-18 01:08:03
268
原创 基于大语言模型的毕设实战：从选题到部署的完整技术路径
回顾整个流程，从具体的选题切入，到选择的技术栈，再到一步步实现后端、集成记忆、搭建前端，最后考虑性能、安全和部署，我们其实完成了一个微型的AI产品闭环。做毕设，尤其是基于LLM的毕设，最重要的可能不是用了多前沿的模型，而是如何将你的学术创新点（比如一种新的提示方法、一个特定的微调策略）与工程可行性完美结合，做出一个完整、健壮、可演示的系统。我强烈建议你按照这个框架，动手复现一遍，把每个环节都吃透。然后，尝试加入你自己的创新点，比如接入一个特定的知识库，或者实现一个有趣的Agent功能。
2026-03-17 02:01:34
164
原创 ChatTTS 实战教程：如何高效构建企业级语音对话系统
通过以上步骤，我们基本搭建了一个以 ChatTTS 为核心、具备一定性能和高可用性的企业级语音对话后端。流式优先：对于对话场景，流式输出能极大提升体验感知。资源池化：模型实例是重型资源，必须池化管理。缓存无处不在：合理的多级缓存是应对高并发、降低延迟的利器。可观测性：没有监控的系统就是在裸奔，指标和日志要打好。延伸思考情感与风格迁移：能否根据对话上下文（如用户情绪愤怒）自动调整合成语音的情感倾向？可以探索在文本前端加入情感标签预测，或使用提示词工程引导模型。个性化音色。
2026-03-16 01:16:48
211
原创 ChatTTS 语音合成中的停顿问题：原理分析与优化实践
最近在项目里用 ChatTTS 做语音合成，发现一个挺烦人的问题：生成的语音里总有一些不自然的停顿，听起来就像说话时突然卡壳，或者在不该停的地方停了一下，体验很不好。今天就来聊聊这个“停顿”问题，看看它到底是怎么产生的，以及我们能怎么优化。
2026-03-16 01:01:06
263
原创 ChatTTS 部署实战：从模型加载到生产环境优化
经过这一套“组合拳”优化，ChatTTS 从实验室模型变成了一个可以在生产环境里扛压的服务。整个过程的核心思想就是“将灵活的研发模型转化为高效的静态计算图”，并利用现代推理引擎的优化能力。当然，优化无止境。比如，对于多说话人（Multi-Speaker）的 ChatTTS 模型，如何高效地管理和切换说话人嵌入向量？能否将说话人特征也作为模型输入的一部分进行动态批处理？更进一步，针对端侧部署，是否有机会尝试 MNN、NCNN 等更轻量的推理引擎？这些都是值得继续探索的方向。
2026-03-15 01:46:32
395
原创 影刀千牛智能客服实战：高并发场景下的架构设计与性能优化
我们现在处理的是单平台（影刀千牛）的会话。如果未来需要整合多个客服渠道（如微信客服、企业自有APP客服），实现。
2026-03-15 01:03:00
268
原创 网络工程毕业设计题目简单快速：新手入门实战指南与避坑清单
最近在帮几个学弟学妹看网络工程的毕业设计，发现大家普遍被几个问题困扰：时间紧、没做过完整项目、实验室环境不好搭。其实，毕业设计不一定要搞得多高深，关键是“完整”和“能跑通”。今天就来聊聊，怎么选一个既简单又能快速上手的网络工程毕设题目，并把它做出来。
2026-03-14 01:24:34
192
原创 基于AI的智能客服系统搭建实战：从架构设计到生产环境优化
从架构设计到性能调优，再到持续优化，搭建一个AI驱动的智能客服系统确实是个系统工程。混合架构（Rasa+BERT）给了我们兼顾控制力和智能度的灵活性，微服务化让各模块能独立演进，而性能优化和避坑经验则是保障稳定运行的基石。最让我有成就感的是设计反馈闭环，看着系统通过A/B测试一点点变聪明，那种感觉就像在培育一个数字生命。希望这篇笔记里的代码和思路，能帮你少走些弯路。当然，每家公司业务不同，具体细节还需要你亲自调整和打磨。如果有更好的想法，欢迎一起交流。
2026-03-14 01:03:29
209
原创 智能客服PRD开发实战：从需求分析到系统设计的避坑指南
通过“对话树+有限状态机”这个组合，我们就能快速搭建一个逻辑清晰、可控性强的智能客服核心。先让规则版的跑起来，收集数据，再用NLP去优化其中的意图识别和实体提取环节，这是一个非常稳妥的落地路径。如何设计一个支持多租户的对话引擎？假设你的系统要同时给A公司、B公司使用，他们的业务流程、话术、产品数据完全不同。你不可能为每个公司都复制一套代码。租户隔离：对话状态、上下文、NLP模型如何按租户隔离？流程配置化：每个租户的对话流程（状态机）能否通过管理后台动态配置和发布？
2026-03-13 02:23:52
199
原创 ChatTTS实时语音合成：从零搭建高可用语音交互系统的实践指南
经过这一轮的实践，我把端到端的语音合成延迟从最初的2-3秒优化到了200毫秒以内，效果还是挺明显的。如何平衡低延迟与合成自然度？为了降低延迟，我不得不对模型进行量化，虽然延迟降下来了，但音质确实有轻微的损失。在实际应用中，可能需要根据场景动态调整——对实时性要求高的场景（如实时对话）使用轻量模型，对音质要求高的场景（如音频内容生产）使用完整模型。流式处理中的上下文保持也是一个挑战。当文本分块处理时，如何保持语音的连贯性和情感一致性？我尝试在分块时保留一定的重叠区域，但效果还有提升空间。多语言混合支持。
2026-03-13 01:53:18
245
原创 ChatTTS文本转语音模型：从原理到生产环境部署的避坑指南
随着智能客服、有声阅读、内容创作等场景的快速发展，文本转语音（TTS）技术已成为人机交互的关键一环。然而，在实际的企业级应用部署中，开发者常常面临一系列棘手的技术挑战，导致最终用户体验不佳或系统稳定性不足。这些痛点直接影响了产品的用户体验质量（QoE）。因此，选择一个在自然度、效率、扩展性上表现均衡的TTS模型，并配以成熟的生产环境部署方案，显得至关重要。
2026-03-12 01:51:20
214
原创 ChatGPT Plus 实战指南：如何构建高可用 AI 对话服务
在将 ChatGPT Plus 的 API 集成到生产级应用时，许多开发者会遇到一个共同的困境：模型能力强大，但直接调用往往伴随着稳定性、成本和性能的挑战。服务可能因速率限制而中断，响应延迟影响用户体验，高昂的 API 成本也让项目难以持续。本文将分享一套经过实战检验的解决方案，帮助你构建一个真正高可用的 AI 对话服务。
2026-03-10 01:57:57
210
原创 ComfyUI热门长视频模型：技术原理与高效部署实战
通过上述的技术解析与实战优化，我们可以看到，将ComfyUI中的热门长视频模型投入生产应用，是一个涉及模型理解、工程优化和系统部署的综合课题。从架构上选择适合时序处理的模型，到应用量化、批处理、混合精度等优化技术，再到解决生产环境中的各种稳定性与性能问题，每一步都至关重要。精度与效率的帕累托前沿：模型量化、剪枝和知识蒸馏在提升效率的同时，不可避免地会带来精度损失。对于视频生成这种对时序一致性和细节保真度要求极高的任务，如何科学地评估这种损失？
2026-03-09 02:57:12
164
原创 供配电设计毕业设计入门指南：从规范解读到系统建模实战
最近在辅导几位电气工程专业的学弟学妹做毕业设计，发现大家面对“供配电设计”这个题目时，普遍感到无从下手。理论课上学过，但真要把一个建筑或一个小区的供电系统从零到一设计出来，还得符合规范、通过答辩，确实是个不小的挑战。我自己当年也踩过不少坑，今天就把这些经验系统梳理一下，希望能帮你理清思路，高效完成设计。
2026-03-09 01:57:30
271
原创 人工智能专业毕业设计题目入门指南：从选题到可运行原型的完整路径
跟着以上步骤，你应该已经拥有了一个结构清晰、可以运行的图像分类项目骨架。这已经达到了毕业设计的基本要求。但如果你想获得更高的评价，可以思考如何将这个MVP扩展为更具创新性的研究方向一：模型改进：能否在ResNet的基础上加入注意力机制（如SE Block, CBAM）？或者尝试更轻量的模型（如EfficientNet, MobileNetV3）并对比效果？方向二：任务深化：从简单的猫狗分类，升级到细粒度分类（如区分不同品种的猫）、目标检测（在图片中框出猫和狗的位置）或图像分割（标出猫狗的每个像素）。
2026-03-09 01:21:16
198
原创 大模型+RAG智能客服系统实战：Agent设计的核心原理与避坑指南
其核心思想是“先检索，后生成”。系统首先从企业专属知识库（如产品文档、客服话术、历史工单）中检索出与用户问题最相关的片段，然后将这些片段作为上下文，连同用户问题一起提交给大模型，让其生成最终答案。在我们的实践中，采用RAG后，回答的准确率从纯LLM的约85%提升到了95%以上，平均响应时间也降低到了800毫秒左右。通过测试，我们可能发现，当并发超过150时，响应时间P99会显著上升，这可能指向检索模块或大模型调用成为瓶颈，需要针对性地优化，例如增加缓存、对检索结果进行预过滤以减少送入模型的文本长度等。
2026-03-09 01:06:03
153
原创 ChatGPT苹果手机充值功能的技术实现与AI辅助开发实践
实现一个稳定可靠的iOS IAP支付模块，确实是对开发者细心和架构能力的考验。它要求我们不仅熟悉StoreKit的API，更要设计好客户端与服务器端协同的状态机，并妥善处理每一个异常分支。在这次开发中，AI辅助工具（如基于大模型的代码助手）在生成基础代码模板、编写重复性高的状态判断逻辑、甚至根据错误信息搜索解决方案思路时，提供了显著的效率加成。它像一个不知疲倦的结对编程伙伴，帮助我更快地搭建起安全框架，但最终的决策、深度调试和架构设计，仍然离不开开发者自身的经验与思考。支付流程的优化永无止境。
2026-03-07 01:30:27
275
原创 毕业设计开题报告模板：基于结构化框架的高效撰写方法与自动化工具链
解决文档问题，常见的工具有 Word、LaTeX 和 Markdown。：所见即所得，易上手，但格式控制依赖手动操作，难以保证一致性，版本管理困难（虽然可以用OneDrive/Git，但体验不佳），自动化能力弱。LaTeX：排版强大，格式精准，学术圈标准。但学习曲线陡峭，环境配置复杂，对于非数学、计算机专业同学不够友好，编写过程不够直观。Markdown + 模板引擎：这是我认为的“甜点”方案。Markdown：纯文本编写，专注于内容本身，语法简单，五分钟就能学会。用表示标题，表示列表，**加粗**
2026-03-02 01:17:09
289
原创 基于Python的毕业设计题目开发效率提升指南：从脚手架到自动化部署
作为一名刚刚经历过毕业设计“洗礼”的过来人，我深知在有限的时间里，既要保证功能完整，又要追求代码质量，是一件多么有挑战性的事情。很多同学在确定了“基于Python的毕业设计题目”后，往往在项目搭建、环境配置、重复编码和最终部署上耗费大量不必要的时间，导致后期赶工，代码质量堪忧。今天，我想结合自己的实践，分享一套能系统性提升开发效率的“组合拳”，希望能帮你把更多精力放在核心业务逻辑和创新点上，而不是陷入繁琐的工程细节。
2026-03-01 01:32:11
335
原创 ChatTTS语音包下载效率优化实战：从原理到批量处理
通过这次ChatTTS语音包下载优化实践，我深刻体会到：性能优化不是一蹴而就的，而是需要根据具体场景选择合适的技术方案，并在实践中不断调整和完善。多线程能有效提升IO密集型任务的效率，但要注意线程数的合理设置缓存机制对于重复性任务至关重要，能极大减少资源浪费完善的异常处理是生产环境代码的必备要素监控和日志是排查问题、优化性能的重要工具支持断点续传：对于大文件，断点续传能避免网络中断时的重复下载分布式下载：将任务分发到多台机器，进一步提升下载速度。
2026-02-22 17:00:17
976
原创 大模型智能客服实战：从零构建高可用对话系统的7个最佳实践
构建基于大模型的智能客服系统是一个涉及算法、工程、用户体验的综合工程。本文从痛点分析开始，逐步介绍了技术选型、核心实现、生产避坑和性能验证的全流程。通过采用“提示工程+RAG”的架构，结合稳健的工程实践，我们能够在控制成本的同时，显著提升客服系统的准确率和用户体验。在实际落地过程中，持续监控、迭代优化至关重要。建议重点关注用户反馈中的bad case，不断丰富知识库、优化提示词、调整检索策略。随着大模型技术的快速发展，保持架构的灵活性和可扩展性，以便快速融入新的技术成果。
2026-02-22 16:44:43
644
原创 信息安全毕设检测系统源码入门：从零构建一个可扩展的检测框架
构建Web应用，Python生态下有Django、Flask、FastAPI等多个优秀框架。对于毕设场景，我强烈推荐Flask。轻量级与灵活性：Flask是一个“微框架”，核心非常简单。它不会强制你使用某种目录结构或数据库（ORM）。这意味着你可以从零开始，按需添加功能（如数据库用SQLAlchemy，表单用WTForms），非常适合用来理解Web应用的各个组件是如何组装起来的。相比之下，Django功能强大但“全家桶”式设计，学习曲线更陡，且容易让新手被其复杂的目录结构绕晕。快速上手与清晰的学习路径。
2026-02-22 15:26:48
622
原创 Coqui-AI STT 部署实战：从模型选型到生产环境优化
最近在做一个需要语音转文字功能的小项目，之前用过一些云服务，虽然方便但成本不低，而且对数据隐私也有些顾虑。于是开始研究开源方案，Coqui-AI 的 STT 框架进入了我的视线。经过一番折腾，总算把它从本地测试跑通，到最终部署上线稳定运行。这里就把整个实践过程，包括踩过的坑和优化心得，整理成笔记分享给大家。语音识别（STT）要把连续的音频信号转换成文字，听起来简单，真要在自己服务器上部署一个好用又省资源的服务，挑战还真不少。在选型时，我对比了几个主流开源方案。
2026-02-22 12:35:28
1032
原创 基于CosyVoice Paraformer的语音识别实战：从模型部署到生产环境优化
通过上述步骤，我们完成了从CosyVoice Paraformer模型部署、动态批处理实现、性能量化优化到生产环境避坑的完整流程。实践表明，经过优化的服务可实现吞吐量（QPS）提升300%的目标，同时保持较低的延迟和稳定的资源占用。互动思考题：如何设计降级方案应对ASR服务雪崩？参考答案要点多级降级：设立健康检查，当主服务（Paraformer）RTF过高或错误率上升时，自动切换至备选服务（如更轻量的流式模型或第三方ASR API）。限流与熔断：使用令牌桶或漏桶算法对入口请求限流。
2026-02-22 11:51:08
1036
原创 FunASR语音识别系统在Conda环境下的高效部署指南
FunASR是一个基于深度学习的端到端语音识别系统，它依赖于PyTorch、TorchAudio等深度学习框架，以及一系列音频处理库。传统的部署方式通常采用依赖冲突：FunASR对PyTorch、CUDA等核心库的版本有特定要求，可能与系统中已安装的其他机器学习库产生版本冲突环境污染：直接在系统Python环境中安装会污染全局环境，导致不同项目间的依赖相互干扰可复现性差：难以保证在不同机器上部署的环境完全一致，给团队协作和项目迁移带来困难。
2026-02-22 11:40:56
913
原创 ChatTTS在Linux环境下的高效部署与优化实战
通过Docker容器化部署，我们成功地将ChatTTS从复杂的系统环境中隔离出来，实现了环境一致性、便捷迁移和资源控制。配合Nginx、异步任务队列、缓存和监控，构建了一个相对健壮的生产级语音合成服务原型。本文的优化主要针对单GPU场景。如果你拥有多张不同型号的GPU（例如一张V100用于推理，一张T4用于编码），如何设计部署方案以实现异构计算资源的合理调度与负载均衡？当并发请求量持续增长，单个Celery Worker队列成为瓶颈时，如何设计更分布式的任务调度系统？
2026-02-22 11:04:44
706
原创 AI 辅助开发实战：高效完成人工智能毕设选题的工程化路径
通过这一套结合AI辅助工具的工程化实践，我的毕设开发流程变得顺畅了许多。从痛苦的环境调试和代码复现中节省出来的时间，可以被用于更深入的文献阅读、更严谨的实验设计和更有创意的模型改进上。AI辅助开发不是“一键生成毕设”，而是将我们从重复劳动中解放出来的“杠杆”。它要求我们具备更强的架构设计能力、代码审查能力和实验思维。最终，项目的核心创意、严谨的评估以及你对整个系统的深刻理解，才是毕设成功的关键。
2026-02-22 10:45:46
614
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人