快速入门Java+Spring Ai+deepseek 开发

最新推荐文章于 2025-06-01 22:37:20 发布
最新推荐文章于 2025-06-01 22:37:20 发布
阅读量1.2k 收藏 28
点赞数 7
分类专栏： Spring Ai 文章标签： java spring 人工智能 deepseek SpringAI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/doomwatcher/article/details/148291086
版权

Java入门Spring AI应用开发

环境

  • JDK 17

  • Springboot3.5 +spring AI 1.0 (最新版本)

  • qwen模型 or deepseek R1

  • nodejs 22 这我这里懒得弄用的 18 做了一些小操作

前置了解

此文章是学习黑马spring ai+大模型教程的 笔记+思路理解

关于推理大模型的一些小知识 :

  1. 文中所提到的大模型 指 LLM 也就是大语言模型 （Large Language Models, LLM）目前很火的LLM模型大多基于一种源于NLP(自然语言处理)中的一个神经网络模型 Transformer
  2. 这种模型可以对输入的参数进行推理 , 就是将我们给出的prompt作为开头 推理后续的内容 采用持续生成的方式 在海量的训练数据中推理出一句话 也就是比如 你问gpt 我是一个广东人 你推荐我今天吃什么 他会根据你的词 比如 广东 今天 从吃什么 去推理出 比如广东的数据里有早餐 有概率数据 比如多少人早上选择肠粉 那么他继续推理就可以推荐你今天早上吃肠粉
  3. 其他前置知识 比如什么是 llm 什么是ai应用 可以自行去搜索了解

环境选择

image-20250528164423069

这里推荐两种方式 :

  1. 选择基于 ollama本地部署 deepseek r1:8b 模型用于开发学习
  2. 选择阿里云免费送100wtokens 的首次开通服务

阿里云

现在阿里云注册送很多 免费额度 可以直接查看底下的spring ai 开发简单ai应用了

本地部署

这里 博主的主机是 12g现存的 4070s 所以可以小玩一下 之后的演示 也会基于本地部署的r1:8b模型来展示一些操作

首先 打开 ollama 的官网下载 并且安装 ollama 然后搜索deepseek-r1 选择模型参数

官网地址 : https://ollama.com/

安装完成后 直接可以在cmd中查看到 ollama相关的命令

image-20250528170311674

可以看到和 docker的命令非常的相似

这里我选择 8b 先试试水 因为也是第一次

image-20250528165227867

打开 ollama的控制台 输入命令ollama run deepseek-r1:8b 直接复制即可

image-20250528170114189

image-20250528170404859

下载完成之后 就会启动大模型 我们就可以通过控制台和本地的模型对话了 因为参数低 可能会很慢

小贴士:

什么是大模型应用?

就是通过自己平台调用 推理模型返回结果的平台 比如目前非常常见的各大厂商免费的ai问答网站 都属于大模型应用的一种

RAG应用是什么

其实就是在大模型应用的基础上外挂了一层字典 也可以理解成知识库 可以通过这个知识库快速的检索问题 从而提升回复的精准性和可靠性, 核心思想就是通过实时检索外部知识库作为回复的根基 而不是纯靠大模型

Spring AI

简单的了解

Spring ai 帮我们把接入大模型到使用简化到了 三步:

  • 正确的依赖引入
  • 配置文件
  • 简单的Spring注入

然后只需要按照官方文档提供的调用模式 调用client就可以完成对模型的prompt发送以及获取回复的信息

image-20250528172817945

简单问答助手

创建全新Springboot 项目 ai-web

依赖

    <properties>
        <java.version>17</java.version>
        <spring-ai.version>1.0.0</spring-ai.version>
    </properties>
    <dependencies>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-starter-model-ollama</artifactId>
        </dependency>

        <dependency>
            <groupId>com.mysql</groupId>
            <artifactId>mysql-connector-j</artifactId>
            <scope>runtime</scope>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
        </dependency>
    </dependencies>

编写配置文件 :

设置 模型的类型和ollama为我们提供的 默认在 localhost:11434端口下的 api 服务

Spring:
  application:
    name: ai-web
  ai:
    ollama:
      base-url: http://localhost:11434
      chat:
        model: deepseek-r1:8b
server:
  port: 8080
#用于查看会话日志
logging:
  level:
    org.springframework.ai.chat.client.advisor: debug
    com.hyc.aiweb: debug

Spring ai 其实已经非常的成熟了 我们编写配置之后只需要少量的代码就可以完成 对大模型的调用

配置一下 client

package com.hyc.aiweb.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @author 冷环渊
 * @date 2025/5/28 17:24
 * @description ModelClientConfiguration
 */
@Configuration
public class ModelClientConfiguration {
    @Bean
    public ChatClient chatClient(OllamaChatModel model) {
        return ChatClient.builder(model)
                .defaultSystem("现在你是小冷的助手,请以小冷助手来回答问题")
                .build();
    }
}

简单的对话连接

package com.hyc.aiweb.controller;

import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import reactor.core.publisher.Flux;

/**
 * @author 冷环渊
 * @date 2025/5/28 17:29
 * @description ChatController
 */
@RestController
@RequestMapping("/ai")
@RequiredArgsConstructor
public class ChatController {

    private final ChatClient chatClient;

//    @RequestMapping("/chat")
//    public String chat(@RequestParam String prompt) {
//        //阻塞式的调用 当全部结果返回的时候才会返回
//        return chatClient.prompt()
//                .user(prompt)
//                .call()
//                .content();
//    }

    @RequestMapping(value = "/chat", produces = "text/html;charset=utf-8")
    public Flux<String> chat(@RequestParam String prompt) {
        //流式调用
        return chatClient.prompt()
                .user(prompt)
                .stream()
                .content();
    }
}

测试

image-20250528174722819

到这里我们已经完成最简单的 本地模型 交互

会话日志

Spring AI 给我们提供了基于aop的回话增强 Advisor 用于提供一些辅助 比如交互式ai平台最常见的 对话记录

image-20250528175248574

添加基础日志环绕增强

@Configuration
public class ModelClientConfiguration {
    @Bean
    public ChatClient chatClient(OllamaChatModel model) {
        return ChatClient.builder(model)
                .defaultSystem("你是一个可爱的助手, 名字叫小冷")
                .defaultAdvisors(new SimpleLoggerAdvisor())
                .build();
    }
}

刷新一下网页 之后查看idea控制台的日志 就可以看到我们的请求信息和回复信息 以 json的格式

image-20250528175839103

接入前端

这里我们使用黑马提供的前端来让交互看起来更加的贴近平台, 可以去黑马程序员公众号自行的搜索获取代码资源

前端项目

这里我们需要去做一些前后端分离必须要做的事情 , 前端项目的依赖和启动

npm i
npm run start

image-20250528182610976

后端项目配置跨域

package com.hyc.aiweb.config;

import org.springframework.context.annotation.Configuration;
import org.springframework.web.servlet.config.annotation.CorsRegistry;
import org.springframework.web.servlet.config.annotation.WebMvcConfigurer;

/**
 * @author 冷环渊
 * @date 2025/5/28 17:24
 * @description ModelClientConfiguration
 */
@Configuration
public class CorsConfiguration implements WebMvcConfigurer {

    public void addCorsMappings(CorsRegistry registry) {
        registry.addMapping("/**")
                .allowedOrigins("*")
                .allowedMethods("GET", "POST", "PUT", "DELETE", "OPTIONS")
                .allowedHeaders("*");
    }
}

重启项目 就可以在智能对话中 开始对话了

效果

image-20250528182834869

会话记忆

我们刷新界面会发现 对话的内容什么的 全部都消失了 ,现在我们需要增加 会话记录和会话记忆的小功能

大模型本身并不具备记忆功能 , 这里我们将利用 client中的 一个消息类型 ASSISTANT 来实现对大模型生产的消息进行进行反复的使用 达成一个模拟场景记忆的效果 , 以阿里云的大模型文本调试控制台为例

image-20250528183708467

Spring ai 提供了一个接口 叫做 ChatMemory 用于规范我们使用会话记忆, 这里我们的制作思路是 :

  1. 每一段会话都会有一个id
  2. 存储方式基于ChatMemory 也就是 id+消息集合的方式

定义ChatMemory

spring ai ga1 版本中 与视频有差异 可以采用builder的方式来实现定义

package com.hyc.aiweb.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.client.advisor.SimpleLoggerAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.chat.memory.MessageWindowChatMemory;
import org.springframework.ai.ollama.OllamaChatModel;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

/**
 * @author 冷环渊
 * @date 2025/5/28 17:24
 * @description ModelClientConfiguration
 */
@Configuration
public class ModelClientConfiguration {

    @Bean
    public ChatMemory chatMemory() {
        return MessageWindowChatMemory.builder().build();
    }

    /**
     * 注入 chatclient 用于 ai对话
     *
     * @author 冷环渊
     * date: 2025/5/28 18:41
     */
    @Bean
    public ChatClient chatClient(OllamaChatModel model, ChatMemory chatMemory) {
        return ChatClient.builder(model)
                .defaultSystem("你是一个可爱的助手, 名字叫小冷,请以小冷的身份和语气回答问题")
                .defaultAdvisors(
                        new SimpleLoggerAdvisor(),
                        MessageChatMemoryAdvisor.builder(chatMemory).build())
                .build();
    }
}

定义完之后 我们就有了对话记忆 但是我们缺少什么? 我们会发现所有的会话都是混乱的记忆

基于id来管理记忆

黑马提供的前端项目中帮我们生成了 id 我们只需要接受id 并且设置在client 中就完成了 基于id 区分和管理 对话记忆

image-20250528185352069

这里视频中的演示已经过时 最新的官方文档中提示

The main changes that impact end user code are: In VectorStoreChatMemoryAdvisor: The constant CHAT_MEMORY_RETRIEVE_SIZE_KEY has been renamed to TOP_K. The constant DEFAULT_CHAT_MEMORY_RESPONSE_SIZE (value: 100) has been renamed to DEFAULT_TOP_K with a new default value of 20. The constant CHAT_MEMORY_CONVERSATION_ID_KEY has been renamed to CONVERSATION_ID and moved from AbstractChatMemoryAdvisor to the ChatMemory interface. Update your imports to use org.springframework.ai.chat.memory.ChatMemory.CONVERSATION_ID

image-20250528190045288

根据以上规则 去 编写逻辑

    @RequestMapping(value = "/chat", produces = "text/html;charset=utf-8")
    public Flux<String> chat(@RequestParam String prompt, String chatId) {
        //流式调用
        return chatClient.prompt()
                .user(prompt)
                .advisors(a -> a.param(ChatMemory.CONVERSATION_ID,chatId))
                .stream()
                .content();
    }

测试

默认会话 :

image-20250528190249547

这是会话1:

image-20250528190330838

实现了上下文的隔离 以及一段对话的记忆 , 查看日志

image-20250528191234587

在下一段对话响应前 会先传入上次对话的结果 类型为 ASSISTANT,再多输入一段内容 就会将上次的两个内容先传入到对话中再去执行内容 这就是对话记忆

image-20250528191422070

会话历史

根据请求的业务类型和id记录历史

image-20250528192336713

这个就是简单的业务了 :

  1. 查询左侧的会话记录并且返回 一个id集合
  2. 查询单次id的会话历史返回消息的集合
  3. 我们就是用map在内存中保存记录

创建接口

package com.hyc.aiweb.repository;

import java.util.List;

public interface ChatHistoryRepository {

    /**
     * 保存会话记录
     *
     * @author 冷环渊
     * date: 2025/5/28 19:27
     */
    void save(String type, String chatId);

    /**
     * 根据业务类型返回id列表
     *
     * @author 冷环渊
     * date: 2025/5/28 19:27
     */
    List<String> getChatIds(String type);
}

实现接口

package com.hyc.aiweb.repository;

import org.springframework.stereotype.Component;

import java.util.ArrayList;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

/**
 * @author 冷环渊
 * @date 2025/5/28 19:28
 * @description ChatHistoryRepositoryImpl
 */
@Component
public class ChatHistoryRepositoryImpl implements ChatHistoryRepository {
    //    存储到map中
    private final Map<String, List<String>> chatHistoryMap = new HashMap<>();

    @Override
    public void save(String type, String chatId) {
        List<String> chatIds = chatHistoryMap.computeIfAbsent(type, k -> new ArrayList<>());
        if (chatIds.contains(chatId)) {
            return;
        }
        chatIds.add(chatId);
    }

    @Override
    public List<String> getChatIds(String type) {
        return chatHistoryMap.getOrDefault(type, List.of());
    }
}

VO对象

package com.hyc.aiweb.controller.vo;

import lombok.Data;
import org.springframework.ai.chat.messages.Message;

/**
 * @author 冷环渊
 * @date 2025/5/28 19:37
 * @description MessageVO
 */
@Data
public class MessageVO {
    private String role;
    private String content;

    public MessageVO(Message message) {
        switch (message.getMessageType()) {
            case USER:
                role = "user";
                break;
            case ASSISTANT:
                role = "assistant";
                break;
        }
        this.content = message.getText();
    }
}

controller

package com.hyc.aiweb.controller;

import com.hyc.aiweb.controller.vo.MessageVO;
import com.hyc.aiweb.repository.ChatHistoryRepositoryImpl;
import lombok.RequiredArgsConstructor;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.web.bind.annotation.*;
import reactor.core.publisher.Flux;

import java.util.List;

/**
 * @author 冷环渊
 * @date 2025/5/28 17:29
 * @description ChatController
 */
@RestController
@RequestMapping("/ai")
@RequiredArgsConstructor
public class ChatController {

    private final ChatClient chatClient;
    private final ChatHistoryRepositoryImpl chatHistoryRepository;
    private final ChatMemory chatMemory;


//    @RequestMapping("/chat")
//    public String chat(@RequestParam String prompt) {
//        //阻塞式的调用 当全部结果返回的时候才会返回
//        return chatClient.prompt()
//                .user(prompt)
//                .call()
//                .content();
//    }

    @RequestMapping(value = "/chat", produces = "text/html;charset=utf-8")
    public Flux<String> chat(@RequestParam String prompt, String chatId) {
        chatHistoryRepository.save("chat", chatId);
        //流式调用
        return chatClient.prompt()
                .user(prompt)
                .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, chatId))
                .stream()
                .content();
    }

    @GetMapping(value = "/history/{type}")
    public List<String> historyChat(@PathVariable("type") String type) {
        return chatHistoryRepository.getChatIds(type);
    }

    @GetMapping(value = "/history/{type}/{chatId}")
    public List<MessageVO> historyChat(@PathVariable("type") String type, @PathVariable("chatId") String chatId) {
        List<MessageVO> messageList = chatMemory.get(chatId).stream().map(MessageVO::new).toList();
        if (messageList == null) {
            return List.of();
        }
        System.out.println(messageList);
        return messageList;
    }
}

测试

这是第一个会话的记录:

image-20250528200628953

第二个会话的记录:

image-20250528200649756

从测试中我们就可以看到 我们成功的保留了有内容的会话,并且每个会话都有消息历史

总结

通过这么一个短篇小文章 就已经接触到了 基于llm开发ai应用的门槛 我们在这次学习中 学习到了一些关于模型的知识 以及Spring ai的使用 ,这里我们复习一下逻辑

  1. llm是基于推理模型来完成对话的
  2. Spring ai的使用分为 配置client 如果需要上下文对话这需要开启advisors,并且添加到client配置项
  3. 如果需要记录历史 则需要配置chatMemory 并且添加新的MessageChatMemoryAdvisor.builder(chatMemory).build()到client的defaultAdvisors中之后就可以通过 chatMemory来对会话的历史进行操作

小拓展

可以将历史存入 redis中进行三十天有效 或者更长的时间来处理

SpringAI+DeepSeek实现流式对话
wjianwei666的专栏
03-28 119
在 Spring Boot 中实现流式输出可以使用 Sse（Server-Sent Events，服务器发送事件）技术来实现，它是一种服务器推送技术，适合单向实时数据流，我们。以上代码中的“$”代表的是 jQuery。
Spring AI+DeepSeek快速构建AI智能机器人_spring ai deepseek
HUANGXIN9898的博客
02-12 4264
本文详细介绍了如何使用Spring AI快速搭建一个具备自然语言处理能力的智能对话机器人，并结合实现前后端交互。
Spring AI 实战：第一章、Spring AI入门之DeepSeek调用_spring ai 实战第十一章、spring ai agent之知行合一
HUANGXIN9898的博客
05-08 789
Spring AI的出现，为Java开发者提供一整套大模型应用研发基础底座，为众多Java生态企业级的应用迈向AI领域开辟一条航向；AI时代已然到来，让我们一起扬帆起航~~~
Spring AI 实战：第一章、Spring AI入门之DeepSeek调用
liaokailin的专栏
05-03 1338
Spring AI的出现，为Java开发者提供一整套大模型应用研发基础底座，为众多Java生态企业级的应用迈向AI领域开辟一条航向；AI时代已然到来，让我们一起扬帆起航~~~
Spring AI Alibaba + Ollama：国产 LLM DeepSeek 低成本AI应用开发认知
2301_79455190的博客
03-13 1213
Spring AI 是由 Spring 官方维护的 AI 开发框架，旨在简化企业级 AI 应用构建。Spring AI借鉴了 Python 生态的 LangChain 等工具的设计理念，但并非直接移植，而是专注于解决 Java 开发者面临的 AI 集成核心难题——将企业数据/API 与 AI 模型无缝连接，突破 Python 生态垄断，推动生成式 AI 应用向多语言生态扩展。是阿里云为Java开发者打造的开源 AI 开发框架，基于Spring AI深度集成通义系列模型，提供标准化接口和高阶抽象能力。
Spring AI与DeepSeek强强联合：快速构建AI智能机器人
m0_65555479的博客
03-18 1103
本文详细介绍了如何使用Spring AI快速搭建一个具备自然语言处理能力的智能对话机器人，并结合实现前后端交互。
我用Spring AI + DeepSeek开发了一个 AI 应用
ytt0523_com的博客
04-07 1028
在当今数字化时代，人工智能（AI）已成为推动技术进步和创新的核心力量。从智能语音助手到图像识别系统，从个性化推荐引擎到自动化流程，AI 的应用无处不在，正深刻地改变着我们的生活和工作方式。与此同时，软件开发领域也在不断演进，以适应快速变化的技术需求和业务场景。Spring Boot 作为 Java 生态系统中最受欢迎的框架之一，以其 “约定优于配置” 的理念和丰富的功能，为开发者提供了一种高效、便捷的方式来构建企业级应用程序。
SpringAI+DeepSeek大模型应用开发——4 SpringAI入门：对话机器人
kongbaidemumu的博客
04-07 1612
用一个对话机器人案例作为SpringAI+DeepSeek实战的入门案例，讲解了包括快速上手SpringAI+DeepSeek实现对话机器人的基本对话功能，然后讲解了日志功能、会话记忆功能、会话历史。最后做了一点拓展，实现会话记忆的持久化保存。
从青铜到王者，DeepSeek+Spring AI 搭建 RAG 知识库
xxue345678的博客
02-13 2243
在人工智能飞速发展的当下，大语言模型（LLMs）已广泛应用于各种自然语言处理任务。但它们也存在一些局限性，如 “幻觉” 问题，即生成的内容可能与事实不符或缺乏足够的准确性。为了解决这些问题，检索增强生成（Retrieval-Augmented Generation，RAG）技术应运而生。RAG 技术的核心在于将检索与生成相结合。传统的生成模型依赖大量的训练数据来生成回答，当面对新问题或新兴领域知识时，可能会产生不准确或不合逻辑的回答。
【Netty系列】Netty 框架介绍
技术改变世界
05-28 1016
Netty是一个基于 Java NIO（Non-blocking I/O）的异步事件驱动网络应用框架，旨在快速开发高性能、高可靠性的网络服务器和客户端。它简化了 TCP/UDP 等协议的编程，并提供了高度可定制的组件，适用于高并发场景（如游戏服务器、即时通讯、分布式系统等）。
Redis击穿，穿透和雪崩详解以及解决方案
hqxstudying的博客
05-28 1393
在 Java 开发中，Redis 作为常用的缓存中间件，可能会面临这三类经典问题。
SpringBoot实战：高效获取视频资源
热门推荐
阿Q的小窝
05-28 2万+
在短视频行业高速发展的背景下，海量内容数据日益增长，每天都有新的视频、评论、点赞、分享等数据涌现。如何高效、精准地获取并处理这些庞大的数据，已成为各大平台和开发者面临的核心挑战。
java基础学习(二十)
AbaseZ的博客
06-01 511
在子类中可以根据需要对从父类中继承来的方法进行改造，也称为方法的重置、覆盖。在程序执行时，子类的方法将覆盖父类的方法。
Spring Boot项目中实现单点登录(SSO)完整指南
wa_ka_ka的博客
05-28 1759
单点登录(Single Sign-On, SSO)是一种身份验证机制，允许用户使用一组凭证(如用户名和密码)登录多个相关但独立的系统。
Java BigInteger类详解与应用
m0_74482103的博客
05-31 679
通过合理运用BigInteger类，开发者可以处理任意精度的整数运算需求，适用于金融计算、密码学、科学计算等领域。注意根据具体场景选择合适的方法，并做好异常处理与性能优化。Biglnteger b1 = new Biglnteger("整数");2.如何获取BigInteger的对象?总结：1.Biglnteger表示一个大整数。
从零开始搞个简易分布式部署环境
循此苦旅，以达天际
05-28 1819
【云服务器搭建简易分布式开发环境指南】 本文介绍如何在云服务器上搭建一个简易的分布式开发环境。主要内容包括： 选择租用云服务器并安装Docker环境，解决常见安装问题 配置多版本JDK（8/11/17）容器环境，提供环境变量切换脚本 创建MySQL 5.7和8.0容器并配置资源限制 部署Redis和RabbitMQ容器服务 配置Nginx反向代理 强调使用容器资源限制参数(--memory/--cpus)的重要性 特点：所有组件都部署在单个云服务器上，通过Docker容器模拟分布式环境，节省成本且便于测试。
【Redis】数据类型补充
最新发布
Sakura_ding的博客
06-01 573
【代码】【Redis】数据类型补充。
JVM 性能调优
samsung_samsung的专栏
05-30 1538
这确保了类与类之间的依赖关系一致性，避免因不同类加载器加载同一类的不同版本导致的兼容性问题，维护了程序运行的稳定性。属于应用程序自定义类，不在 JRE 核心类库中，启动类加载器和扩展类加载器均无法加载，最终由应用类加载器从 ClassPath 路径下找到对应的。全盘负责委托机制是双亲委派机制的延伸，指当一个类加载器加载某个类时，该类的所有依赖类也由同一个类加载器负责加载。，先将加载请求委托给父加载器（扩展类加载器 Extension ClassLoader），扩展类加载器再委托给启动类加载器。
评论
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

冷环渊

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