- 博客(148)
- 收藏
- 关注
RSS订阅原创 从零构建实时语音交互系统：基于Chat、STT、TTS、STS的技术实践
作为一名开发者，你是否曾对智能音箱、语音助手背后的实时对话能力感到好奇？想要自己动手搭建一个，却发现从语音识别到智能回复再到语音合成，链路长、坑点多，尤其是对延迟和稳定性的要求极高。今天，我就结合自己的实践，聊聊如何从零构建一个稳定、低延迟的实时语音交互系统，核心就是串联起Chat（对话）、STT（语音转文本）、TTS（文本转语音）和STS（会话状态管理）这四大模块。
2026-03-25 11:45:47
147
原创 SpringBoot点餐系统毕设效率提升实战：从单体架构到高内聚模块化设计
做完这个重构项目，我最大的体会是：毕设周期短，功能要完整，代码还要漂亮，这确实是个挑战。“核心流程精益求精，边缘功能点到为止”。像下单、支付（模拟）、菜品管理这样的核心链路，必须按照高内聚、可测试、安全可靠的标准来写，这是你技术深度的体现。而对于一些辅助功能，比如复杂的报表统计、管理员操作日志，在时间紧张的情况下，可以适当降低设计复杂度，先保证功能可用。记住，一个结构清晰、没有严重BUG、演示流畅的“精致单体”应用，远比一个漏洞百出、无法运行的“粗糙微服务”更能获得好评。先让系统跑起来，再让系统跑得好。
2026-03-25 10:47:59
286
原创 Claude Prompt 编程实战：AI辅助开发的效率提升与避坑指南
经过这一番折腾，我深刻体会到，AI 辅助编程的效率提升，关键不在于 AI 本身有多智能，而在于我们如何“管理”和“引导”它。把 Prompt 工程化，本质上是在建立一套与 AI 高效协作的协议和规范。它确实帮我省去了大量样板代码的编写时间，尤其是在探索新库、编写工具脚本、生成单元测试用例这些方面。AI 是副驾驶，不是自动驾驶。最终的代码质量、系统安全和架构决策，责任仍然在开发者肩上。除了人工审查和测试用例通过率，我们应该如何建立一套更量化的指标，来评估 AI 生成代码的可靠性？
2026-03-25 05:20:28
220
原创 从0到1：基于LLM搭建智能客服系统的工程实践与避坑指南
最开始我们团队也考虑过用传统的规则引擎或者基于检索的问答（如Elasticsearch + 模板）。这类方案在特定、封闭的领域内确实稳定可控，比如“查询订单状态”、“重置密码”这类有固定流程的问题。但是，一旦用户的问题稍微复杂一点，或者表达方式千变万化，规则引擎就力不从心了。比如用户问：“我昨天下的那个单，怎么还没发货，是不是出问题了？” 这句话里包含了“时间”（昨天）、“意图”（查询订单状态/物流）和“情绪”（焦虑）。
2026-03-25 03:25:49
198
原创 ChatGPT自定义指令实战指南：从基础配置到高级优化
在AI驱动的应用开发中，如何让ChatGPT这类大语言模型精准地理解并执行复杂的任务，是开发者面临的核心挑战。自定义指令（Custom Instructions）作为连接开发者意图与模型行为的桥梁，其设计质量直接决定了应用的稳定性和用户体验。然而，在复杂的对话场景或多轮交互中，开发者常常会遇到指令冲突、上下文丢失、响应偏差等问题。本文将深入解析ChatGPT自定义指令的核心机制，通过技术对比、代码实现和性能分析，提供一套从基础到高级的实战指南。
2026-03-25 01:22:23
157
原创 pb毕业设计技术选型指南：从Protobuf入门到工程实践
面对这些问题，Protobuf 提供了一种不同的思路。特性JSONXML编码格式二进制，紧凑文本，易读文本，冗长序列化速度非常快较快慢数据大小非常小(约 JSON 的1/3-1/10)大非常大可读性差（需.proto定义文件）好好类型安全强（需预定义）弱弱版本兼容原生支持（向前/向后兼容）需手动处理需手动处理跨语言支持官方支持多语言所有语言都支持所有语言都支持核心优势总结性能王者。
2026-03-25 01:01:06
145
原创 ChatTTS离线包序列号管理：AI辅助开发实践与性能优化
最近在做一个AI语音合成的项目，用到了ChatTTS来生成离线语音包。随着用户量上来，一个之前没太在意的问题浮出了水面：离线包的序列号管理。这玩意儿听起来简单，不就是给每个生成的包一个唯一ID嘛，但在高并发、AI辅助生成的场景下，一不小心就成了性能瓶颈和安全漏洞的源头。今天就来聊聊我们趟过的坑和最终的优化方案。
2026-03-24 12:36:25
8
原创 C++高效遍历文件夹下PCM文件的工程实践与性能优化
在音频处理、语音识别等项目中，我们经常需要批量处理海量的PCM音频文件。无论是进行采样率统一校验、批量格式转码，还是作为AI模型训练的数据预处理环节，第一步往往都是：如何高效、可靠地遍历指定文件夹下的所有目标文件？今天，我们就来深入聊聊用C++解决这个问题的工程实践。
2026-03-24 10:45:19
8
原创 基于CosyVoice LLM的高效对话系统优化实践：从模型部署到性能调优
在构建基于大语言模型（LLM）的实时对话系统时，开发者常常面临一个核心矛盾：模型强大的生成能力与苛刻的实时性要求之间的冲突。CosyVoice LLM作为一款性能优异的对话模型，在直接部署后，往往会暴露出几个典型的效率瓶颈。首先，是普遍问题。在流式对话场景中，请求往往是稀疏且不规律的。传统的静态批处理方式，要么为了等待请求凑成一批而造成延迟，要么以小批量（甚至batch size=1）进行推理，导致GPU强大的并行计算能力无法被充分利用，计算单元大量时间处于空闲状态。其次，，影响用户体验。
2026-03-24 09:43:35
123
原创 智能客服系统从零搭建指南：架构设计与核心功能实现
对话状态持久化：千万别只存在内存里。异步落盘数据库：在Redis存储的同时，异步将状态快照写入MySQL或MongoDB，做双重备份。记录操作日志：像记账一样，把用户的每一个意图和系统动作都记下来。即使状态丢了，也能通过回放日志重建到最后状态。定期检查点（Checkpoint）：对于超长对话，定期把完整状态持久化一次。敏感词过滤：直接用一堆连接的正则表达式，性能是灾难。使用前缀树（Trie树）：将敏感词库构建成Trie树，一次扫描文本即可高效匹配多个模式。正则表达式编译优化。
2026-03-24 09:14:46
142
原创 CiteSpace关键词时间线图高效生成：从数据清洗到可视化优化全流程
用Python重构CiteSpace时间线图生成流程，核心收获不在于复现一个软件，而在于获得了对分析全链路的。
2026-03-24 06:09:31
139
原创 ChatGPT绘画实战：如何用AI生成高质量完整画作的技术解析
很多开发者初次尝试用ChatGPT生成画作时，经常会遇到这样的问题：生成的画面构图断裂，人物可能只有上半身，背景一片空白；或者风格前后不一致，同一个画面里出现写实和卡通两种画风；细节更是经常缺失，比如手指数量不对、物体透视错误等。这些问题的核心，其实在于我们没有把ChatGPT当作一个“画家”来准确指挥。
2026-03-24 06:05:02
18
原创 自动化专业毕业设计选题指南：从工业控制到智能系统的技术实现路径
毕业设计是串联大学所学知识的绝佳机会。《自动控制原理》：当你需要让仓库恒温恒湿，设计一个PID控制器来控制空调或加湿器时，这门课的理论就派上用场了。《检测技术》：你需要了解DHT22、MQ-2这些传感器的原理、精度、线性度以及如何校准。《计算机控制技术》/《嵌入式系统》：树莓派/STM32的程序设计、中断、定时器。《网络与通信》：MQTT、Wi-Fi/TCP-IP协议的理解。不要被复杂的系统吓倒。从点亮一个LED，读取一个传感器数据开始，逐步扩展。
2026-03-24 05:31:22
284
原创 大模型智能客服的实战指南：从零搭建到生产环境优化
搭建大模型智能客服是一个系统工程，技术选型（RAG vs. 微调）是方向，稳健的API和对话状态管理是骨架，性能优化（缓存、批处理）是肌肉，安全与幂等设计是免疫系统，而基于数据和A/B测试的持续迭代则是让它保持活力的血液。希望这篇笔记里提到的思路和代码片段，能帮你少走些弯路。
2026-03-24 03:25:08
137
原创 物联网工程本科毕业设计：从选题到部署的全链路技术指南
通过以上步骤，你已经拥有了一个功能完整、架构清晰的物联网毕设原型。它麻雀虽小，五脏俱全，涵盖了感知、传输、云端处理和应用交互的全链路。增加传感器：加入光照、空气质量（PM2.5）、噪音传感器，丰富监测维度。强化边缘计算：在ESP32上实现简单的算法，比如判断是否有人（通过红外或声音），再决定是否上报数据，以节省流量和电量。丰富云端应用：除了仪表盘，可以写一个简单的Web应用或微信小程序，实现更复杂的数据分析（如历史趋势图）和设备管理界面。思考可维护性。
2026-03-24 02:36:55
207
原创 企业微信群聊智能客服架构设计与性能优化实战
最近在做一个企业微信群聊智能客服的项目，遇到了不少性能上的挑战。当企业搞大型活动，用户咨询量激增时，系统就有点“扛不住”了，消息延迟、会话状态错乱等问题接踵而至。经过一番架构重构和性能调优，总算把系统稳定了下来。今天就来分享一下我们是如何设计和优化这套系统的，希望能给遇到类似问题的朋友一些参考。
2026-03-24 02:31:30
219
原创 计算机本科毕业设计实战指南：从选题到部署的全链路技术实践
很多同学的项目在本地完美运行，一上服务器就“见光死”。1. Git提交规范混乱的提交历史是团队的噩梦。新功能修复bug文档更新代码格式调整，不影响逻辑代码重构测试用例fix(user): 修复用户登录时密码验证失败的问题2. 环境变量管理这是最重要的实践之一！将配置与代码分离。在或中，只保留本地开发配置。对于生产环境的数据库地址、密码、第三方API密钥等，全部通过环境变量注入。
2026-03-24 02:10:31
9
原创 ChatTTS API 调用效率提升实战：从并发瓶颈到性能优化
经过这一系列的优化，我们的 ChatTTS 集成服务终于能够稳定、高效地处理大批量语音合成任务了。对于 I/O 密集型的网络 API 调用，异步并发和资源复用是提升性能的银弹。当然，优化无止境。我们目前主要关注了延迟和吞吐量。如何平衡生成速度与语音质量？有些 TTS 服务提供不同的“质量”或“速度”等级参数。在追求极致延迟的场景下（如实时对话），我们是否可以选择一个速度更快但音质稍逊的模型？反之，对于播客、视频配音等场景，是否可以接受更长的等待时间来换取更自然、富有表现力的声音？
2026-03-24 01:40:32
225
原创 ComfyUI 负面提示词深度解析：原理、实践与避坑指南
在使用 ComfyUI 这类AI图像生成工具时，我们常常会遇到一个令人头疼的问题：生成的图片里总会出现一些我们不想要的东西，比如多余的手指、扭曲的面部，或者一些不符合预期的背景元素。这时候，“负面提示词”（Negative Prompt）就成为了一个至关重要的控制开关。它就像一位严格的“内容审查官”，告诉模型：“这些元素，请务必不要出现在我的画面里。然而，很多开发者朋友在实际使用中，对负面提示词的理解还停留在“随便写几个词”的阶段，效果时好时坏，甚至适得其反。
2026-03-20 01:12:11
376
原创 ChatGPT API对接实战：从鉴权到流式响应的工程化实践
通过以上几个步骤，我们构建了一个具备生产级鲁棒性的ChatGPT API客户端。它具备了自动重试、优雅的流式处理、安全的鉴权管理和清晰的上下文维护能力。这套模式不仅适用于OpenAI，也可以作为对接其他提供类似HTTP流式API的AI服务（如国内的一些大模型平台）的参考模板。核心思想就是将通信、策略、业务逻辑分离，让每个部分都足够健壮且可替换。如果你觉得从零开始搭建这套基础设施有点复杂，或者想更快速地体验构建一个能实时语音对话的AI应用，可以关注一下火山引擎提供的相关实验和模型服务。例如，在。
2026-03-19 02:12:51
187
原创 电子工程毕业设计选题实战指南：从需求分析到嵌入式系统落地
作为一名即将毕业的电子工程学生，我深知选题是毕业设计的第一道难关，也是最容易“踩坑”的地方。回想当初，我和身边的同学都曾雄心勃勃地想做一个“高大上”的项目，比如复杂的机器人或者智能家居中控，结果往往因为硬件选型不当、供应链断裂或者调试难度远超预期，导致项目后期举步维艰，甚至无法完成。今天，我想结合自己的实战经验和教训，分享一套从需求分析到系统落地的选题与实现思路，希望能帮你避开那些“美丽的陷阱”，选出一个既具创新性又切实可行的课题。
2026-03-16 01:48:57
194
原创 CosyVoice 微调训练实战：从零构建高效语音模型
通过这次 CosyVoice 的微调实践，我深刻体会到，成功的关键不在于用了多复杂的模型，而在于对数据、训练策略和问题本身的深入理解。从选择高效的 LoRA 微调，到应用混合精度和梯度累积来优化训练，再到针对过拟合和显存问题的各种应对策略，每一步都是平衡艺术。最后，抛出一个开放性问题供大家思考：在小样本场景下（比如只有几十条语音数据），除了数据增强和强正则化，我们还能从哪些角度优化微调效果？利用无监督或自监督的预训练数据：能否在微调前，先用领域内的无监督数据让模型进行“预热”？
2026-03-14 01:39:14
178
原创 ChatGPT Plus付费方式优化指南：如何高效管理订阅与成本控制
作为一名长期与各类AI工具打交道的开发者，我深知在追求效率的同时，成本控制和管理复杂度是绕不开的课题。特别是像ChatGPT Plus这样的订阅服务，当它成为工作流中不可或缺的一环时，如何高效、经济地管理它，就成了一项值得研究的“技术活”。今天，我想分享一套基于技术手段的优化方案，希望能帮你把订阅费用花在刀刃上。
2026-03-12 02:10:55
186
原创 AI智能客服架构图实战：从设计到高并发优化的全链路解析
经过这一轮架构重构和优化，我们的智能客服系统成功扛住了多次大促流量洪峰的考验，实现了从“可用”到“高可用、高性能”的转变。通过事件驱动解耦强依赖，通过异步化削峰填谷，通过精细化缓存和锁机制保障数据一致性。当监控发现意图识别服务的准确率持续低于预设的阈值（例如90%）时，作为架构师或运维负责人，你应该优先扩容模型服务实例，还是增加人工审核队列的容量？我的初步思路是，这取决于准确率下降的原因。如果是因流量过大导致模型服务响应超时、部分请求被快速返回了默认或低置信度结果，那么扩容模型服务可能更直接。
2026-03-12 02:00:33
151
原创 基于CLIP4Clip的视频片段检索实战：从算法原理到工程优化
在AI辅助开发视频内容理解应用时，我们常常遇到一个核心痛点：如何让机器像人一样，用一句话就找到视频里对应的片段？传统的视频检索方法，比如“关键帧提取+CNN特征匹配”，在实际应用中经常“卡壳”。举个例子，你想在长达数小时的监控录像里找“一个人正在挥手告别”的片段。传统方法会先抽出一堆关键帧，然后用图像分类模型（比如ResNet）提取每帧的特征，最后和“挥手”这个文本关键词的特征做匹配。但问题来了：单张关键帧可能只拍到举起的手，模型很难理解“告别”这个连续动作的时序语义。
2026-03-11 01:16:02
164
原创 ChatGPT安卓版下载与集成指南：从官方API到私有化部署
作为一名Android开发者，想要在应用中集成ChatGPT这样的智能对话能力，听起来很酷，但实际操作起来，坑可真不少。官方应用有地区限制，直接调用API又担心配额和延迟，想在端侧跑模型还得考虑性能开销。今天，我就结合自己的踩坑经验，跟大家聊聊从下载到集成，再到深度优化的完整路线图。
2026-03-09 02:43:03
161
原创 ChatGPT for Mac 开发实战：AI辅助编程的本地化集成方案
于是，我决定动手搞一个深度集成到本地开发环境的ChatGPT助手，目标是打造一个低延迟、高隐私、可定制的AI编程伙伴。我们可以将API返回的结果，以问题（或问题的哈希值）为键，缓存到本地SQLite数据库或文件中，并设置过期时间。我跟着做了一遍，流程清晰，代码也很直观，对于理解现代AI应用的完整链路非常有帮助，感觉像是亲手给代码注入了灵魂。如果你对从零开始集成AI能力到具体应用感兴趣，特别是想体验如何为AI赋予“听觉”和“声音”，构建一个能实时对话的智能体，我强烈推荐你试试火山引擎的。
2026-03-08 01:47:38
206
原创 Comfy UI 提示词实战：从零构建高效工作流与避坑指南
许多开发者在实践中会遇到几个典型问题：首先，在多轮对话场景中，上下文状态的维护变得异常复杂，简单的字符串拼接难以跟踪用户意图的演变，容易导致对话逻辑混乱。通过采用状态机或DSL进行工作流编排，结合健壮的解析器与性能优化，并规避生产环境的常见陷阱，开发者可以构建出高效、稳定且易于维护的交互系统。通过将可控的规则引擎与LangChain的模型调用、工具使用能力相结合，开发者可以在享受大语言模型强大生成能力的同时，确保关键业务流程的稳定性和可控性，这或许是构建高可靠生产级AI应用的一个有效路径。
2026-03-06 01:28:05
189
原创 嵌入式ARM方向毕设实战：从裸机开发到RTOS任务调度的完整实现
通过这个从裸机到FreeRTOS的温控系统实战，我们不仅实现了一个功能完整的项目，更重要的是掌握了一套模块化、解耦的嵌入式开发方法。外设驱动被封装成独立的模块，任务各司其职并通过安全的机制通信，调试也有了更专业的工具和思路。这套代码结构清晰、注释完整，稍作修改就能应用到其他类似的项目中，比如智能小车、环境监测站等，绝对是毕设的加分项。
2026-03-03 01:55:11
237
原创 小程序商城智能客服系统实战：基于AI辅助开发的最佳实践
不必追求一步到位的大而全系统，而是抓住核心痛点（意图识别），选择合适的技术组合快速上线，再通过真实用户反馈和数据持续迭代优化。一开始我们的模型也很笨，但每收集一批真实数据微调一次，就能看到明显的进步。现在这个客服系统已经能处理我们小程序商城70%以上的常见咨询，人工客服的压力大大减轻，用户满意度也有提升。当然，它离真正的“智能”还有距离，比如情感理解、复杂推理等。下一步我们计划引入更细粒度的情感分析模块，在用户表达不满时能更及时地安抚并转人工。
2026-03-03 01:33:14
308
原创 深入解析CosyVoice Matcha-TTS：从语音合成原理到生产环境实践
总的来说，CosyVoice Matcha-TTS通过将扩散模型的强大生成能力与流式推理的效率相结合，为生产级语音合成提供了一个非常有竞争力的选项。它的优势在于能够在可控的延迟内，提供比传统流式模型更富表现力和自然度的语音。最终部署时，使用这个轻量化的学生模型进行单步或少数几步的前向传播，就能生成高质量的声学特征，实现了流式速度与扩散模型质量的结合。它采用了一个非自回归的生成器，但通过引入扩散过程来建模语音特征的复杂分布，从而在并行生成的同时，保留了生成高质量、多样化语音的潜力。首先，确保安装必要的库。
2026-03-03 01:24:41
315
原创 Chatbot多轮对话语义理解：从状态管理到上下文建模实战
你是否曾与某个Chatbot对话时，感觉它像个“金鱼”，说完上句就忘了下句？比如你问“北京天气怎么样？”，它回答“北京今天晴”。你接着问“那上海呢？”，它却一脸茫然地反问“上海什么？这种体验的根源，就是多轮对话中的——AI无法理解当前问题与历史对话的关联。在真实的业务场景，如智能客服、任务型助手（订票、点餐）中，流畅的多轮对话能力是核心。今天，我们就来深入拆解Chatbot如何“记住”并“理解”连续对话，从经典的规则驱动到现代的深度学习，并附上可运行的代码与工程实践思考。
2026-03-03 01:15:31
418
原创 Coqui STT实战指南：开源语音转文字方案选型与性能优化
做技术选型，不能光看名气，得拿数据说话。Coqui STT和。核心指标就看三个：识别准确率（WER）、推理延迟和内存占用。1.1 准确率（WER）与模型特性Coqui STT： 它算是 DeepSpeech 的一个活跃分支和增强版。核心是基于或的端到端模型。在 LibriSpeech 测试集上，其英文模型 WER 可以做到 5% 左右，对于开源模型来说相当不错。它的优势在于社区活跃，持续有预训练模型更新，并且从一开始就考虑了多语言场景。
2026-03-02 01:16:18
295
原创 ChatTTS UI界面参数深度解析：如何通过top_t和top_k优化语音生成效率
折腾top_t和top_k的过程，让我深刻体会到语音合成中“控制”的艺术。它们不是魔法旋钮，而是精密的调节阀。没有绝对的最优值，只有最适合当前场景的平衡点。如何找到这个平衡点？明确需求 -> 基准测试 -> 迭代优化。明确需求：你的场景最看重什么？是分秒必争的实时性，还是滴水不漏的稳定性，或是绘声绘色的表现力？基准测试：用一批有代表性的文本，在几组不同的典型参数配置下（如本文提到的组合A、B、C）进行合成，客观记录生成时间，并主观评估语音质量。迭代优化：根据基准测试结果，向目标方向微调。
2026-03-02 01:13:15
311
原创 CosyVoice Train 实战：构建高可用语音训练系统的架构设计与避坑指南
实战的第一步是构建项目的基础结构。下面通过关键代码示例，展示如何使用CosyVoice Train的范式来组织代码。语音数据通常以音频文件路径和对应文本的列表形式存在。负责封装数据加载、预处理和数据集划分的所有逻辑。audio_max_length: float = 10.0, # 单位：秒self.save_hyperparameters() # 保存超参数，便于日志记录# 此处可放置只需在单个GPU上执行一次的代码，如下载数据pass# 为每个进程分配数据，支持分布式训练。
2026-03-01 01:48:43
328
原创 智能客服对话评估智能体设计：从零搭建高可用评估系统
规则引擎：基于关键词、正则表达式。优点是简单、可解释性强，但泛化能力差，无法理解语义，维护成本高。传统机器学习：使用TF-IDF等特征+SVM/随机森林。效果优于规则，但对复杂语义和上下文依赖捕捉能力有限。深度学习（端到端）：使用纯BERT等预训练模型。语义理解能力强，但模型较大，推理速度慢，且对序列的长期依赖建模不如RNN系模型直接。综合考量效果、性能和实现复杂度，我们选择了BERT + BiLSTM 的混合架构。BERT作为强大的语义编码器。
2026-02-28 03:08:41
325
原创 基于Rasa的智能客服机器人实战：从意图识别到上下文感知的完整实现
这个文件定义了机器人的“知识范围”，包括它能理解的用户意图、需要记住的信息（槽位）、能做出的回应以及可以执行的动作。# 1. 用户可能表达的意图intents:- greet # 问候- goodbye # 告别- inquire_balance # 查询余额- transfer_money # 转账- affirm # 肯定，如“是的”- deny # 否定，如“不是”# 2. 需要在对话中收集和存储的实体信息（槽位）slots:account_type: # 账户类型槽位。
2026-02-28 01:03:42
322
原创 Chrome TTS 报错排查指南：解决播放不出声音的常见问题
排查 Chrome TTS 没声音的问题，就像侦探破案，需要从权限、状态、流程等多个角度去检查。确保在用户交互后调用、确保音频上下文活跃、确保语音合成对象被正确创建和调用。希望这篇笔记里提到的步骤和代码示例，能帮你快速定位并解决“无声”的困扰，让网页重新“开口说话”。
2026-02-28 01:02:49
423
原创 强化学习在电商智能客服中的实战应用：从算法设计到系统集成
经过几个月的迭代，这套基于强化学习的智能客服策略引擎在我们核心商城的客服入口上线后，取得了比较明显的效果：智能客服的首次问题解决率提升了约15%，平均对话轮次减少了，在大促期间，人工客服的转接率确实下降了近30%，响应速度也因为分流而提升。当然，强化学习项目的投入成本不低，需要数据、算法、工程紧密配合，并且要有持续迭代的耐心。它不是一个“上线即完美”的解决方案，而是一个能够不断学习、持续进化的系统核心。如果你也在为客服系统的智能化头疼，不妨考虑引入强化学习这条“鲶鱼”，或许能带来意想不到的突破。
2026-02-22 19:44:46
168
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