- 博客(464)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 腾讯云Lighthouse 一键部署 OpenClaw 转化为专属股市分析师实战教程
OpenClaw 暂无内置定时调度，可通过以下方式实现“每日自动”：在服务器上用 cron 职结合 openclaw message send 命令推送触发消息。通过本场景，可将 OpenClaw 转化为专属私人股市分析师，每日早盘捕捉开盘方向、尾盘识别资金意图，大幅提升信息获取效率。结合社区不断丰富的金融 Skills，未来玩法将更强大。立即试试，让OpenClaw AI 助手开始盯盘吧！
2026-02-05 08:58:43
6125
原创 弹窗大战15年祭，零信任iOA的枪口，正对准哪吒的方向盘
昔日网络安全江湖，刀光剑影，杀毒软件们内卷成风。而今，iOA以极简之道破局，让企业不再提心吊胆，IT管理员也能安心摸鱼。正所谓："昔日杀毒拼刀枪，今朝防护靠智商。若问哪家最省心？iOA前笑苍茫！"——《甲辰年·终端安全新篇》（PS：某0、某山粉丝勿喷，江湖切磋，点到为止！胜败乃常事，放下键盘，喝杯茶可好？）
2025-07-28 09:31:55
12793
原创 【源力觉醒 创作者计划】文心4.5系列模型开源的深远意义与思考
百度文心4.5大模型全面开源：AI生态迎来新变革 2025年6月，百度宣布文心4.5系列大模型开源，涵盖47B、3B混合专家模型及0.3B稠密模型，引发行业震动。开源模型不仅提供高性能（多项基准测试超越国际竞品），还简化了部署与微调流程，显著降低开发门槛。开发者可通过在线Playground、FastDeploy和ERNIEKit工具快速实现从创意到原型的转化。尽管存在滥用风险和性能质疑，但文心4.5在推理、多模态等任务中的优异表现，以及配套的合规措施，展现了国产AI的竞争力与生态潜力。开源大模型正推动行业
2025-07-07 14:49:47
1790
原创 CloudBase AI Toolkit 让我用“嘴”开发出的第一款网页游戏
我在写小说，它在写代码。整场开发我几乎没碰过 HTML 标签，也没写事件监听、样式布局这些“繁琐”部分。我只负责创意和故事——CloudBase AI Toolkit 帮我把它变成了现实。它记得我说过什么，理解我说的“修仙风格”，还能自己补全内容，生成对话、剧情、UI 和逻辑。用人类语言，也能“写出”一个完整的交互式网页游戏。CloudBase AI Toolkit 正在打破“代码门槛”，让创意落地变得更轻松。对我这种非专业开发者而言，它不是工具，更像是一个“懂创作、能理解、会实现”的神仙实习生。
2025-06-30 10:10:32
2201
1
原创 腾讯云RAG技术携手DeepSeek-R1/V3模型：落地低代码创新实践赋能普惠法律服务
正如德国法学家耶林所言："法律需要为正义而斗争"。正是DeepSeek模型与法律知识引擎深度融合，使我们得以见证每个劳动争议咨询背后，是大模型对823个法律特征的精准分析；每份合规审查报告的产生，都承载着大模型对司法数据的深度解读。这或许AI时代对"努力让人民群众在每一个司法案件中感受到公平正义"的最佳技术注脚。腾讯云知识引擎通过"RAG+大模型+工作流"的技术，不仅实现了霍姆斯"经验沉淀"的数字化，更让罗翔教授"触手可及的正义"成为可量化的服务指标。
2025-02-24 08:30:20
2903
6
原创 腾讯云WorkBuddy实战, 全场景智能体工作搭子，这只龙虾真能帮你干活吗
腾讯WorkBuddy AI办公助手体验报告：零部署、易上手，三分钟完成复杂任务。文章通过实测展示其文件整理、文档生成、微信遥控和定时任务四大核心功能。安装仅需3分钟，指令式操作让混乱文件秒变有序，还能自动生成报告和远程控制电脑。特别适合需要高效处理重复性工作的职场人士，但需注意权限管理和指令精确度。
2026-03-26 22:52:52
227
原创 从零讲解：AI 如何使用数据进行模型训练
│ 数据采集 │───→│ 数据清洗 │───→│ 数据标注 │───→│ 数据划分 ││▼│ 特征工程 │───→│ 模型训练 │───→│ 模型评估 │───→│ 模型优化 ││▼│ 模型部署 │。
2026-03-25 23:45:53
247
原创 一句话，QClaw帮我自动运营小红书，一日涨粉数百人，这才是社媒运营的终极武器
腾讯推出QClaw AI助手，基于OpenClaw优化升级，主打零门槛部署和智能化办公。文章详细体验了其核心功能：一键安装、远程电脑控制、技能插件、定时任务、文件整理和手机办公。特别展示了小红书自动化运营能力，从热点追踪到内容创作发布全流程仅需一句话指令。QClaw大幅提升了工作效率，尤其适合内容创作者和运营人员，实现了AI助手的场景化落地应用。
2026-03-19 21:32:16
443
原创 别再只打日志了：用 openJiuwen 采集 Agent Trajectory，搭一套 RL 训练数据流水线
Agent系统面临的核心挑战不是能否运行，而是如何实现可解释性和可优化性。传统日志记录方式只能反映系统状态，无法捕捉完整的决策轨迹，导致团队难以分析Agent为何成功或失败。openJiuwen的轨迹采集方案通过结构化记录工具描述、LLM参数等关键信息，将Agent运行过程转化为可分析、可训练的数据对象。这种转变使优化工作不再依赖经验猜测，而是基于可回放、可比较的行为轨迹数据。要实现Agent系统的持续优化，首要任务是建立完整的轨迹采集基础设施，而非单纯调整提示词或更换模型。
2026-03-16 09:28:24
28550
原创 从通用Agent到招标文件合规引擎：基于 openJiuwen + Skills 的工程化落地实践
本文探讨了如何将通用Agent技术应用于招标文件合规审查场景，构建可落地的工程化系统。作者指出传统基于Prompt的智能体在实际业务中存在执行边界模糊、规则难版本化、流程不可复现等问题，提出采用openJiuwen平台作为基座，通过其Skills机制将业务规则转化为可管理的工程资产，结合SysOperation实现受控执行。文章详细阐述了合规审查Skills的模块化设计、规则引擎构建方法，以及如何生成可归档的审查报告，为AI工程实践提供了从Demo到生产系统的转化思路。
2026-03-13 10:42:48
50566
原创 不用VPS！纯Windows安装OpenClaw，RTX显卡直驱本地AI Agent
摘要：本文详细介绍了在Windows系统上通过WSL安装OpenClaw的完整流程。首先需要安装Git和WSL2，配置Ubuntu环境并开启systemd服务。然后安装Node.js 22+版本，使用pnpm管理依赖，克隆OpenClaw官方仓库并安装。最后通过onboard向导完成配置。文章特别提醒了安装过程中的常见问题，包括WSL内存限制、PATH配置、浏览器相关依赖安装等安全注意事项。该教程提供了从零开始搭建OpenClaw开发环境的完整解决方案。
2026-03-09 16:03:06
452
原创 Qwen最强阵容，林俊旸走了，郁博文走了，惠彬原走了，李凯鑫走了，原因是没有对齐颗粒度
阿里大模型团队Qwen核心成员密集离职引发行业震动。3月初，包括技术负责人林俊旸在内的4名核心研发人员相继离职，他们均为阿里自主培养的AI人才，曾带领Qwen跻身全球开源第一梯队。离职潮源于阿里管理层决定将原本垂直整合的团队拆分为多个水平部门，这与技术团队主张的紧密协作理念相冲突。讽刺的是，Qwen最成功的时期正是团队在"无人打扰角落"自主创新阶段。接替者来自Google Gemini团队，凸显本土培养与海外引进的人才路线差异。此事折射出大厂创新困境：技术驱动的创业式运作与标准化管理体系
2026-03-05 13:16:18
402
原创 通俗理解孪生网络（Siamese Network）
孪生网络是一种独特的深度学习架构，通过比较输入对的相似度而非直接分类来工作。本文系统介绍了孪生网络的核心概念、发展历程、架构设计（共享权重的子网络和相似度计算层）、关键损失函数（对比损失和三元组损失）及其数学原理。文章还展示了孪生网络在人脸识别、签名验证等场景的应用，并提供了PyTorch实现代码。这种网络特别适合数据稀缺的相似度计算任务，通过将输入映射到嵌入空间来学习"相似性"。全文兼顾理论深度与实践指导，是了解孪生网络的综合性指南。
2026-02-11 08:36:50
740
原创 通俗理解混合专家模型（MoE）
混合专家模型（MoE）是一种高效AI架构，通过"稀疏激活"机制在保持高性能的同时降低计算成本。MoE由多个专家网络和路由器组成，仅激活与输入相关的专家，类似医院分诊系统。其发展历程从1990年代的理论研究到2020年代在大型语言模型（如GPT-4、Mixtral）中的广泛应用。MoE工作原理包括专家网络处理特定任务、路由器动态分配任务以及结果加权合并。相比传统稠密模型，MoE能大幅减少计算量（如仅激活1/4参数）。PyTorch代码示例展示了如何构建简单MoE层。该模型优势包括计算高效、
2026-02-11 08:36:28
780
原创 通俗理解胶囊网络（Capsule Network）
摘要： 胶囊网络（CapsNet）是Geoffrey Hinton提出的新型神经网络架构，旨在解决传统CNN在姿态变化、旋转等场景下的局限性。CapsNet通过胶囊（向量输出单元）替代神经元，结合动态路由算法，实现特征的空间层次建模，提升等变性和鲁棒性。其核心包括：向量化输出（长度表概率，方向编码属性）、动态路由（低层胶囊投票加权）及Squash激活函数。实验显示，CapsNet在小样本学习和抗干扰方面优于CNN，但计算复杂度较高。未来或推动可解释AI和多模态学习发展。
2026-02-10 08:46:00
760
原创 通俗理解神经图灵机
本文系统介绍了神经图灵机(NTM)的原理与实现。NTM创新性地将图灵机的内存机制与神经网络结合，通过外部可读写内存矩阵和注意力机制，解决了传统RNN在处理长序列时的记忆瓶颈问题。文章从图灵机基础入手，对比分析了RNN、LSTM与NTM的差异，详细阐述了NTM的架构设计，包括控制器、内存矩阵和读写头的工作机制，重点讲解了基于内容寻址和位置寻址的可微分读写操作。最后提供了PyTorch实现的关键代码片段，展示了NTM在复制任务等算法学习中的应用潜力。NTM为记忆增强神经网络奠定了基础，在需要复杂算法推理的任务中
2026-02-10 08:45:35
809
原创 通俗理解记忆网络（Memory Network）——从0到1彻底掌握End-to-End MemNN
文章摘要 Memory Networks是2014-2015年由Facebook AI Research提出的革命性框架，首次实现了可微分的外部记忆与多跳推理，为现代Memory-Augmented Neural Networks和RAG（检索增强生成）奠定了基础。相较于传统RNN/LSTM，Memory Networks通过显式外部记忆支持多跳推理，显著提升了长距离依赖的建模能力，并具备更高的可解释性。核心架构包括单跳和多跳推理机制，结合位置编码（PE）和时间编码（TE）优化输入表示。数学推导清晰展示了记
2026-02-09 11:11:56
911
原创 通俗理解消息传递机制
摘要 消息传递机制是计算机系统中进程、服务间通信的核心方式，广泛应用于操作系统和分布式系统。本文从基础概念入手，通俗讲解了消息传递的原理、类型及实际应用。通过对比同步/异步、点对点/发布订阅模型，结合操作系统IPC（如Linux消息队列）和分布式消息中间件（如RabbitMQ、Kafka）的代码示例，帮助读者深入理解其工作机制。文章还分析了消息传递的优缺点、应用场景及常见问题解决方案，为开发者在高并发、分布式场景下的技术选型提供参考。
2026-02-09 11:06:49
1170
原创 通俗理解图卷积网络（GCN）
V是节点集（Vertices），如用户。E是边集（Edges），如友谊关系。无向图：边无方向，如Facebook好友。有向图：边有方向，如Twitter关注。加权图：边有权重，如道路距离。异构图：节点/边有不同类型，如知识图谱。例如，Karate Club数据集是一个经典的无向图，用于社区检测。图类型特点示例无向图对称关系分子结构有向图单向关系引用网络加权图边有数值交通流量GAT引入注意力，权重不同邻居。
2026-02-06 11:38:25
868
原创 通俗理解图神经网络（GNN）
本文系统介绍了图神经网络(GNN)的基础知识和核心原理。首先从图论基础入手，解释了图的定义、类型及表示方法；接着回顾传统神经网络的局限性，引出GNN的必要性。重点阐述了GNN的消息传递机制和常见模型（如GCN、GAT等），通过直观比喻和公式说明其工作原理。文章还列举了GNN在社交网络、推荐系统、生物医药等领域的应用实例，并提供了代码实现参考。最后探讨了GNN面临的挑战和发展趋势，为读者构建了从理论到实践的完整知识框架。全文采用生活化比喻和可视化图表，使复杂的图神经网络概念更易理解。
2026-02-06 11:16:13
910
原创 通俗理解U-Net架构
文章摘要 U-Net是一种革命性的图像分割架构，以其独特的U形对称设计和跳跃连接闻名。它通过编码器（收缩路径）提取高级语义特征，解码器（扩展路径）恢复空间细节，结合跨层跳跃连接实现精准分割。本文详细解析U-Net的核心原理、数学公式、PyTorch/TensorFlow实现，并探讨其在医疗影像等领域的应用。内容涵盖历史背景、架构解析、训练技巧、变体模型（如U-Net++）及实战调优建议，帮助读者全面掌握这一经典分割网络。
2026-02-06 11:04:31
645
原创 通俗理解流模型（Flow-based Model）——从零到生成图像全解析
流模型：精确生成与密度估计的平衡之道 流模型(Flow-based Model)作为生成模型家族的重要成员，通过可逆变换和变化变量公式，实现了精确密度计算与高效采样的独特平衡。本文系统介绍了流模型的核心思想、数学基础、经典架构(NICE→RealNVP→Glow)及其PyTorch实现，并对比分析了其与GAN/VAE/Diffusion模型的优劣。流模型凭借可逆变换、稳定训练和并行采样等特性，在图像编辑、异常检测等领域展现独特价值，尽管面临高维数据处理的挑战，仍是生成模型领域的重要发展方向。
2026-02-05 08:56:27
659
原创 通俗理解去噪过程
本文全面介绍了去噪技术的原理与方法。首先阐述了噪声的来源与类型，包括高斯噪声、椒盐噪声等常见形式。然后详细讲解了传统去噪方法，如空间域滤波（均值、中值、高斯滤波）和频域滤波（傅里叶变换、小波变换）。接着介绍了基于机器学习的现代去噪技术，包括自编码器、CNN和GAN等深度学习方法。文章还提供了Python代码示例，并比较了不同方法的优缺点。最后探讨了去噪在图像处理、医疗影像等领域的实际应用。全文系统性地展示了从基础到前沿的去噪技术发展脉络，为读者提供了全面的去噪知识框架。
2026-02-04 08:53:04
644
原创 通俗理解扩散模型（Diffusion Model）
摘要 扩散模型（Diffusion Model）是近年来生成式AI领域的重要技术，通过模拟物理扩散过程实现高质量数据生成。本文从零基础讲解扩散模型的核心原理、数学推导和代码实现，主要内容包括： 基本原理：扩散模型通过前向加噪和反向去噪两个过程，将数据逐步转化为噪声再重建，基于马尔可夫链和高斯噪声假设。 数学基础：详细推导了变分下界（ELBO）优化目标，解释了噪声调度β_t、累积α_t等关键参数的计算方法。 模型架构：采用U-Net作为去噪网络，处理图像生成任务，支持时间步嵌入。 代码实现：提供PyTorch
2026-02-04 08:52:38
769
原创 通俗理解GAN的训练过程
GAN是一种无监督学习框架，用于生成新数据样本，这些样本与训练数据分布相似。最经典的应用是生成图像，比如从噪声中生成名人脸庞或艺术画作。不同于传统的生成模型（如VAE），GAN不直接学习数据分布，而是通过对抗来逼近它。简单来说，GAN解决了“如何让机器创造新东西”的问题。在训练过程中，没有明确的标签，只有“真假”的判断。这使得GAN在创意领域大放异彩，但也增加了训练难度。表格1：GAN与其他生成模型的比较模型核心机制优点缺点GAN对抗训练生成质量高，锐利训练不稳定，模式崩溃VAE。
2026-02-03 08:34:19
708
原创 零基础 Clawdbot（Moltbot）完整对接飞书教程，手把手教你搭建专属 AI 助手
你有没有遇到过这种情况，好不容易找到一个超好用的AI工具，结果发现只支持Slack、Discord这些国外软件。我最近就碰上了这事儿。Clawdbot这个AI机器人真的很强，但它就是不支持飞书、钉钉这些国内常用的通讯工具。每次想用都得翻墙打开Slack，说实话挺麻烦的。我寻思着，能不能让Clawdbot直接在飞书上跑起来？于是我花了点时间，写了个桥接工具。现在你可以在飞书里直接呼叫Clawdbot干活了，整个过程10分钟就能搞定。
2026-02-02 09:10:44
1653
原创 通俗理解变分自编码器（VAE）
本文是一篇关于变分自编码器(VAE)的入门教程，采用通俗易懂的方式讲解其核心原理和应用。文章首先介绍VAE的基本概念，将其比作"聪明的摄影师"：能够压缩数据并生成新样本。随后从自编码器基础讲起，逐步引入变分推理等数学原理，详细解释VAE的损失函数构成（重建损失+KL散度）。文中包含PyTorch代码实现示例，展示如何在MNIST数据集上构建VAE模型，并讨论其网络结构和训练过程。最后还提供了VAE在图像生成等领域的应用场景，以及常见问题解答。全文约7000字，配有代码片段、图表和表格说明
2026-02-02 09:09:37
831
原创 通俗理解生成对抗网络（GAN）
本文从零基础出发，通俗易懂地讲解生成对抗网络（GAN）的核心原理、数学基础、训练机制、常见痛点、多种变体、实际应用，并提供完整PyTorch代码实现（MNIST手写数字生成 + DCGAN示例）。全文结构清晰、图表代码丰富，适合初学者到进阶开发者阅读。预计阅读时间：25-40分钟。
2026-02-02 09:09:08
727
原创 通俗理解自编码器（AutoEncoder）
自编码器从“简单复制”发展到“概率生成”，是理解无监督学习的绝佳入口。瓶颈与重构是提取本质特征的两大法宝。未来方向：Diffusion AutoEncoder、Masked AutoEncoder (MAE for Vision)、结合Transformer的AE等。
2026-01-30 08:35:15
743
原创 通俗理解生成模型概述
本文系统介绍了生成模型的核心概念与主流方法，包括GAN、VAE、流模型、自回归模型和扩散模型。通过架构解析、工作原理和代码示例（如PyTorch实现MNIST生成），对比了各类模型的优缺点。生成模型通过学习数据分布创造新内容，在图像生成、文本创作等领域有广泛应用，但面临训练不稳定等挑战。文章结合图表和实例，为读者提供了生成模型的全面技术概览。
2026-01-30 08:34:45
616
原创 通俗理解长序列建模
摘要： 本文探讨了长序列建模在AI领域的重要性与挑战，介绍了传统序列模型（如RNN、LSTM）的局限性，并重点分析了Transformer及其改进方案（如Sparse Transformer、Reformer、Longformer）如何突破长序列处理的瓶颈。通过代码示例和可视化图表，文章展示了高效序列建模的技术原理与应用场景，为开发者和研究者提供了实用指导。 关键词： 长序列建模、Transformer、注意力机制、计算优化、AI应用
2026-01-29 08:54:33
890
原创 通俗理解稀疏注意力
文章摘要： 本文通俗讲解深度学习中的稀疏注意力机制(Sparse Attention)，旨在帮助初学者理解这一热门技术。文章避开复杂数学公式，通过生活比喻、示例和代码，系统介绍稀疏注意力的原理与应用。内容涵盖标准注意力机制回顾、稀疏注意力的必要性、核心原理及主流模型(Longformer、BigBird、Reformer等)，并附代码实现和性能对比。稀疏注意力通过选择性关注关键信息，显著降低Transformer模型的计算复杂度，使其能高效处理长序列任务。全文逻辑清晰，配有图表和伪代码，适合想快速掌握该技术
2026-01-29 08:54:07
1315
原创 送你保姆级的Clawdbot部署教程
你敢信？同样一个教程，在闲鱼上卖几块到十几块不等。（图片来源于Yangyi老师，我就不去咸鱼上在截一个了）今天我就不信这个邪了。大半夜的，我就熬夜带你把Clawdbot从安装到实战全部跑通。你想拿去赚钱也行，自己玩也罢，反正看完这篇，你就血赚。话不多说，直接开搞！
2026-01-28 09:11:27
1003
原创 通俗理解Flash Attention
本文深入解析了Flash Attention这一革命性优化技术，针对Transformer模型中标准注意力机制的计算和内存瓶颈问题。文章从Transformer基础入手，详细阐述了标准注意力机制O(N²)复杂度带来的挑战，特别是在长序列处理时的内存爆炸和IO瓶颈。Flash Attention通过IO感知设计、分块计算(Tiling)和在线Softmax等创新方法，将内存占用降至O(N)，同时显著提升计算效率。文章还探讨了Flash Attention 2/3的改进、实际应用案例及性能优势，为读者全面理解这
2026-01-28 08:45:20
683
原创 通俗理解KV Cache加速推理
摘要 本文深入解析了Transformer模型中提升推理效率的关键技术——KV Cache。在自回归生成场景下，传统方法因重复计算导致O(n²)复杂度，而KV Cache通过缓存历史token的Key-Value矩阵，将计算复杂度降至线性。文章从Transformer基础架构入手，详细拆解自注意力机制的计算过程，揭示推理瓶颈，并通过代码示例展示KV Cache的实现原理。实验表明，该技术可使Llama-2等大模型推理速度提升2-5倍，特别适用于长文本生成。文中还探讨了内存管理、批处理优化等实践挑战，为开发者
2026-01-28 08:44:53
1052
原创 Clawdbot部署教程，10分钟白嫖Qwen，给自己搭个7x24小时AI助理
简单说，它就是一个可以跑在你自己设备上的AI助手。Mac、Windows、Linux都行，关键是它能直接接入你平时在用的聊天软件——WhatsApp、Telegram、Discord、Slack、Signal，甚至iMessage。想象一下，你在Telegram里跟它说"帮我记下这笔账"，它立马就给你记好了。这种感觉，真的比打开各种App方便太多。话不多说，咱们直接开始搭。我用Ubuntu服务器做演示，MacOS和CentOS也完全一样的操作。小提示：如果你用服务器部署，建议选境外的，能省不少麻烦。
2026-01-27 08:59:39
4664
原创 通俗理解Encoder-Decoder架构（T5类）
本文深入剖析了Transformer架构中的Encoder-Decoder模型，重点介绍了T5（Text-to-Text Transfer Transformer）的设计与应用。文章从Transformer的基础知识入手，详细讲解了注意力机制、位置编码等核心概念，系统阐述了Encoder-Decoder的交互原理。以T5模型为例，分析了其text-to-text统一框架、预训练任务及不同参数规模的变体。此外，还探讨了该架构在机器翻译、文本摘要等NLP任务中的实际应用，并提供了代码实现示例。通过对比不同模型变
2026-01-27 08:58:55
1048
原创 通俗理解Decoder-Only架构（GPT类）
本文深入解析了Decoder-Only架构及其代表GPT系列模型的发展历程。从Transformer基础出发，详细介绍了Decoder-Only的核心组件，包括嵌入层、自注意力机制和前馈网络等关键技术。文章通过对比GPT-1到GPT-5的演进，展示了参数规模扩展带来的性能突破，并提供了代码实现示例。最后探讨了Decoder-Only架构在文本生成、代码补全等领域的应用，以及未来发展方向。全文以通俗易懂的方式，帮助读者全面理解这一AI领域的重要技术。
2026-01-27 08:58:36
913
原创 通俗理解Encoder-Only架构（BERT类）
本文深入探讨了自然语言处理中Encoder-Only架构（以BERT为代表）的核心技术与应用。文章从Transformer基础入手，详细解析了自注意力机制、位置编码等关键组件，并通过BERT模型展示其实现原理。内容涵盖理论解析、代码实战（Hugging Face应用示例）及实际案例分析（如搜索引擎优化、聊天机器人等）。文章还探讨了BERT家族的改进变体、优缺点评估及优化技巧，最后展望了该技术的未来发展方向。全文通过通俗语言和丰富示例（包括PyTorch代码），为读者系统呈现了Encoder-Only架构在N
2026-01-26 09:05:06
757
[itpub.net]ORACLE备份与恢复(包括RMAN) by yangtingkun BLOG(精)
2018-11-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人