一文读懂 RAGFlow：从 0 到 1 教你搭建 RAG 知识库

最新推荐文章于 2025-05-12 11:48:53 发布
最新推荐文章于 2025-05-12 11:48:53 发布
阅读量1.1k 收藏 23
点赞数 28
文章标签： prompt 人工智能 云原生 机器人 数据库 大模型
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/weixin_72959097/article/details/147762998
版权

在人工智能技术飞速发展的当下，如何高效地管理和利用海量信息成为关键问题。基于检索增强生成（Retrieval-Augmented Generation，RAG）技术的解决方案应运而生，而 RAGFlow 作为其中极具潜力的工具，为搭建智能知识库提供了全新思路。接下来，我们将深入了解 RAGFlow，掌握从 0 到 1 搭建 RAG 知识库的方法。

一、RAGFlow 的定义

RAGFlow 是一款专注于检索增强生成技术落地的开源框架，旨在简化 RAG 系统的搭建与部署流程。它以模块化、可扩展的设计理念，整合了数据处理、检索、生成等多个核心环节，为开发者提供了一站式的 RAG 解决方案。通过 RAGFlow，用户无需深入复杂的底层技术细节，就能快速构建出适配不同业务场景的 RAG 知识库，实现基于大规模文本数据的智能问答、内容生成等功能。

二、RAGFlow 的特点

（一）高度模块化

RAGFlow 将 RAG 系统拆分为数据摄取、数据预处理、向量存储、检索模块、生成模型等多个独立模块。每个模块都有明确的功能和接口，开发者可以根据实际需求，灵活选择和替换不同模块。例如，在向量存储部分，既可以选择常用的 Chroma、Milvus 等开源向量数据库，也可以接入企业内部已有的存储系统，极大地提升了系统的适配性。

（二）易于扩展

随着业务的发展和技术的更新，RAGFlow 支持轻松扩展新的功能。无论是引入新的预训练模型，还是增加自定义的数据处理逻辑，都能通过简单的配置和代码修改实现。这种扩展性使得 RAG 知识库能够不断进化，持续满足企业日益增长的智能化需求。

（三）高效性能

在数据处理和检索环节，RAGFlow 采用了一系列优化策略。例如，在数据预处理阶段，利用多线程和并行计算技术加速文本清洗、分词等操作；在检索过程中，结合语义检索和关键词检索，快速定位相关信息，减少响应时间，为用户提供高效的交互体验。

（四）低门槛使用

对于没有深厚 AI 技术背景的开发者和企业来说，RAGFlow 提供了友好的操作界面和丰富的文档资源。通过简单的配置和少量的代码编写，就能完成 RAG 知识库的搭建，降低了技术使用门槛，让更多人能够享受到 RAG 技术带来的便利。

三、RAGFlow 应用场景

（一）智能客服

在企业客服场景中，RAGFlow 搭建的知识库可以整合产品手册、常见问题解答、历史服务记录等大量数据。当用户咨询问题时，系统快速检索相关信息，并结合生成模型生成准确、自然的回答，提升客服效率和服务质量，同时减少人工客服的工作压力。

（二）知识问答平台

针对教育、金融、医疗等领域的专业知识问答平台，RAGFlow 能够处理领域内复杂的专业文档和知识图谱。无论是学生的学科问题，还是投资者的金融咨询，或是患者的医疗疑问，系统都能基于知识库给出专业、可靠的答案，成为用户获取知识的得力助手。

（三）内容生成

在新闻写作、文案创作、报告生成等场景下，RAGFlow 可以根据用户输入的主题和要求，从知识库中检索相关素材，并辅助生成高质量的内容。例如，新闻工作者可以利用它快速收集事件背景资料，生成新闻稿件初稿，提高创作效率。

（四）企业内部知识管理

企业内部往往积累了大量的技术文档、项目经验、规章制度等知识资产。通过 RAGFlow 搭建的知识库，员工可以快速检索到所需信息，促进知识共享和传承，提升企业整体的协作效率和创新能力。

四、RAGFlow 系统架构

请添加图片描述

（一）数据层

数据层是 RAGFlow 的基础，负责数据的采集和存储。它支持从多种数据源获取数据，如本地文件（PDF、Word、Excel 等）、数据库、网页、云端存储等。采集到的数据会被存储在原始数据仓库中，等待进一步处理。

（二）处理层

  1. 数据预处理：对原始数据进行清洗、去重、格式转换等操作，提取关键文本信息。同时，利用自然语言处理技术进行分词、词性标注、命名实体识别等，为后续的向量表示做准备。

  2. 向量生成：将处理后的文本数据转换为向量形式，常用的方法是通过预训练的语言模型（如 BERT、GPT 等）生成文本嵌入向量，并将这些向量存储到向量数据库中，建立文本与向量的映射关系。

（三）检索层

检索层负责根据用户输入的问题，在向量数据库中检索相关信息。它采用语义检索和关键词检索相结合的方式，首先通过语义模型计算问题与知识库中文本的语义相似度，筛选出最相关的文本片段；然后结合关键词匹配，进一步缩小检索范围，提高检索的准确性和召回率。

（四）生成层

生成层基于检索到的相关信息和用户问题，利用预训练的生成模型（如 GPT 系列、LLaMA 等）生成回答。生成过程中，模型会结合检索内容的语义和逻辑，生成连贯、准确的自然语言回答，确保答案的质量和实用性。

（五）交互层

交互层是用户与 RAG 知识库的接口，它提供了多样化的交互方式，如 Web 界面、API 接口、移动端应用等。用户可以通过这些接口输入问题，获取回答，并对回答进行反馈，以便系统不断优化和改进。

以上全面介绍了 RAGFlow 相关知识和搭建 RAG 知识库的方法。若你对搭建过程有

五、环境准备与系统搭建

1、环境需求

在搭建RAGFlow系统前，需要确保开发与运行环境满足以下要求：

  • 硬件配置：建议采用多核CPU、充足内存（16GB及以上）以及支持高并发访问的存储设备；如需部署大规模检索服务，可考虑使用分布式存储集群。
  • 操作系统：推荐使用Linux发行版（如CentOS、Ubuntu）以便于Shell脚本自动化管理；同时也支持Windows环境，但在部署自动化脚本时可能需要适当调整。
  • 开发语言与工具：主要使用Java进行系统核心模块开发，同时结合Shell脚本实现自动化运维。
  • 依赖环境：需要安装Java 8及以上版本，同时配置Maven或Gradle进行依赖管理；对于数据检索部分，可采用ElasticSearch、Apache Solr等开源检索引擎；生成模块则依赖于预训练模型，可以借助TensorFlow或PyTorch进行实现。

2、服务器配置

  • CPU >= 4 核
  • RAM >= 16 GB
  • Disk >= 50 GB
  • Docker >= 24.0.0 & Docker Compose >= v2.26.1

3、安装

修改 max_map_count

确保 vm.max_map_count 不小于 262144

如需确认 vm.max_map_count 的大小：

$ sysctl vm.max_map_count

如果 vm.max_map_count 的值小于 262144，可以进行重置：

# 这里我们设为 262144:
$ sudo sysctl -w vm.max_map_count=262144

你的改动会在下次系统重启时被重置。如果希望做永久改动，还需要在 /etc/sysctl.conf 文件里把 vm.max_map_count 的值再相应更新一遍：

vm.max_map_count=262144
下载仓库代码
git clone https://github.com/infiniflow/ragflow.git
Docker拉取镜像

修改镜像为国内镜像并且选择embedding版本

修改文件docker/.env/

默认配置为：RAGFLOW_IMAGE=infiniflow/ragflow:v0.16.0-slim

修改为国内镜像：RAGFLOW_IMAGE=registry.cn-hangzhou.aliyuncs.com/infiniflow/ragflow:v0.16.0

RAGFlow image tagImage size (GB)Has embedding models?Stable?
v0.16.0≈9✔️Stable release
v0.16.0-slim≈2❌Stable release
nightly≈9✔️Unstable nightly build
nightly-slim≈2❌Unstable nightly build

运行命令拉取镜像

docker compose -f docker/docker-compose.yml up -d

image-20250218134526193查看日志

docker logs -f ragflow-server

提示下面提示说明启动成功

     ____   ___    ______ ______ __
    / __ \ /   |  / ____// ____// /____  _      __
   / /_/ // /| | / / __ / /_   / // __ \| | /| / /
  / _, _// ___ |/ /_/ // __/  / // /_/ /| |/ |/ /
 /_/ |_|/_/  |_|\____//_/    /_/ \____/ |__/|__/

 * Running on all addresses (0.0.0.0)
 * Running on http://127.0.0.1:9380
 * Running on http://x.x.x.x:9380
 INFO:werkzeug:Press CTRL+C to quit

访问IP，进入 RAGFlow，注意不是 9380 端口，Web是http://127.0.01默认为 80 端口

image-20250218135456390

六、应用

注册账号

image-20250218135625403

注册完直接登录

image-20250218135717184

添加模型

本文用到的模型类型：Chat 和 Embedding。 Rerank 模型等后续在详细介绍。

点击右上角->模型提供商->添加模型

image-20250219161523490

填写模型信息，模型类型选 chat

image-20250219161441642

再添加一个 Embedding 模型用于知识库的向量转换（RAGFlow 默认也有 Embedding）

image-20250219161827675

在系统模型设置中配置聊天模型和嵌入模型为我们刚刚添加的模型

image-20250219163114721

创建知识库

image-20250219162148401

填写相关配置

  • 文档语言：中文
  • 嵌入模型：选择我们自己运行的bge-m3:latest,也可以用默认的。具体效果大家自行评估

image-20250219162457976

上传文件

这里我自己造了一个测试文档来验证知识库，内容是编的，介绍一个 ABCD 工具，文档在文末提供下载。

image-20250219162616449

image-20250219162528361

文件上传后是未解析状态，需要解析才可以使用，点击解析

image-20250219162738069

解析成功后点击文件可以看到解析效果

image-20250219162906257

效果

image-20250219162931748

创建聊天

image-20250219163339314

设置模型。token 调整大一些

image-20250219163408611

验证效果

问题一：直接发送 ABCD

知识库回答

image-20250219163519619

原文档

image-20250219163648682

问题二：ABCD 错误代码有哪些

知识库回答

image-20250219164100751

原文档

image-20250219164043103

问题三：ABCD 支持哪些系统

知识库回答

image-20250219164230807

原文档

image-20250219164256131

问题四：ABCD 官网

知识库回答

image-20250219164944000

你也可以在回答的结果看到他引用的知识库

image-20250219165026381

原文档

image-20250219165057019

总结

本文介绍了 RAGFlow 的基础使用方法，从演示效果来看尚可。然而，在实际应用场景中，各类文件格式与结构各不相同，文件解析成为一大难题。一旦解析不准确，即便使用性能强劲的 Deepseek-R1 大模型（经亲测），也会出现分析错误的情况。因此，在 RAG 过程中，文件解析、Embedding 以及 LLM 是提升准确率的三大关键攻克点。疑问，或想了解更多 RAGFlow 的进阶应用，欢迎和我交流。

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

由于篇幅有限，⚡️ 朋友们如果有需要全套 《2025全新制作的大模型全套资料》，扫码获取~
在这里插入图片描述

👉大模型学习指南+路线汇总👈

我们这套大模型资料呢，会从基础篇、进阶篇和项目实战篇等三大方面来讲解。
在这里插入图片描述
在这里插入图片描述

👉①.基础篇👈

基础篇里面包括了Python快速入门、AI开发环境搭建及提示词工程，带你学习大模型核心原理、prompt使用技巧、Transformer架构和预训练、SFT、RLHF等一些基础概念，用最易懂的方式带你入门大模型。
在这里插入图片描述

👉②.进阶篇👈

接下来是进阶篇，你将掌握RAG、Agent、Langchain、大模型微调和私有化部署，学习如何构建外挂知识库并和自己的企业相结合，学习如何使用langchain框架提高开发效率和代码质量、学习如何选择合适的基座模型并进行数据集的收集预处理以及具体的模型微调等等。
在这里插入图片描述

👉③.实战篇👈

实战篇会手把手带着大家练习企业级的落地项目（已脱敏），比如RAG医疗问答系统、Agent智能电商客服系统、数字人项目实战、教育行业智能助教等等，从而帮助大家更好的应对大模型时代的挑战。
在这里插入图片描述

👉④.福利篇👈

最后呢，会给大家一个小福利，课程视频中的所有素材，有搭建AI开发环境资料包，还有学习计划表，几十上百G素材、电子书和课件等等，只要你能想到的素材，我这里几乎都有。我已经全部上传到CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
在这里插入图片描述
相信我，这套大模型系统教程将会是全网最齐全 最易懂的小白专用课！！

大模型RAG知识库使用案例：ragflow、maxkb
weixin_42357472的博客
04-18 3533
支持丰富的文件类型，包括 Word 文档、PPT、excel 表格、txt 文件、图片、PDF、影印件、复印件、结构化数据, 网页等。注意：Docker >= 24.0.0 & Docker Compose >= v2.26.1。5、ip+端口（我这里8082）进入前端页面，需要注册账号才能进入，随便注册即可。1、如果启动时候端口冲突，可以自己进入yml进行修改端口。3、运行docker compose。这里也可以提前默认设置好相关模型。7、聊天（选择知识库与模型）6、进入后可以设置添加模型。
RAG 实践- Ollama+RagFlow 部署本地知识库
AGI_GGbond的博客
10-28 3202
本文我们介绍另一种实现方式：利用 Ollama+RagFlow 来实现，其中 Ollama 中使用的模型仍然是Qwen2
快速搭建专业AI知识库的开源工具:Ragflow
m0_59163425的博客
02-04 2113
在大模型应用的蓬勃发展中，检索增强生成（Retrieval-Augmented Generation，RAG）技术占据了举足轻重的地位。它就像是大模型的智慧助手，通过从外部知识库中检索相关信息，并将其融入到大模型的回答生成过程中，有效提升了大模型回答的准确性、可靠性和时效性，在问答系统、智能客服、文档摘要等多个领域都发挥着关键作用。上图是一个常见的AI应用的数据流向图，文档分块之后向量化存储到向量数据库，然后输入文本内容，形成prompt，从向量数据库检索相关的知识背景，发送给LLM之后，返回结果。
RAG与知识库搭建，手把手教你构建RAG系统
qkh1234567的博客
11-13 4115
自从发现可以利用自有数据来增强大语言模型（LLM）的能力以来，如何将 LLM 的通用知识与个人数据有效结合一直是热门话题。关于使用微调（fine-tuning）还是检索增强生成（RAG）来实现这一目标的讨论持续不断。检索增强生成 (RAG) 是一种使用来自私有或专有数据源的信息来辅助文本生成的技术。它将检索模型（设计用于搜索大型数据集或知识库）和生成模型（例如大型语言模型 (LLM)，此类模型会使用检索到的信息生成可供阅读的文本回复）结合在一起。
RAGFlow完全指南：从0到1搭建RAG知识库，一篇文章全面掌握！非常详细收藏这一篇就够了！
2401_84204413的博客
03-27 3194
最近随着Deepseek的火爆，如何高效地整合海量数据与生成式模型成为了技术领域内的一大热点。传统的生成模型在回答复杂问题时常常依赖于预训练数据的广度与深度，而检索增强生成（Retrieval-Augmented Generation，简称RAG）则有效结合了检索与生成的优势，为各类应用场景提供了更为灵活、高效的解决方案。
读懂RAG这一篇就够了，万字详述RAG的5步流程和12个优化策略
热门推荐
2401_82452722的博客
01-30 2万+
©作者|帅气的桌子来源|神州问学RAG概述ChatGPT、GLM等生成式人工智能在文本生成、文本到图像生成等任务中表现出令人印象深刻的性能。但它们也存在固有局限性，包括产生幻觉、缺乏对生成文本的可解释性、专业领域知识理解差，以及对最新知识的了解有限。为了克服这些限制，提高模型的能力，有两种主要途径：一种是微调（Fine Tune）来更新模型，另一种是让他们能够与外部世界互动，以不同的形式和方式获取知识。微调固然效果好，可以让模型真正的“学会”一些私域知识。但是微调也会带来几个问题：首先，由于生成模型依赖于内
RagFlow搭建私有化知识库
weixin_43008312的博客
12-23 1942
♥♥♥知识库、无幻觉聊天和文件管理是RAGFlow的三大支柱。RAGFlow的AI聊天基于知识库。RAGFlow的每个知识库都作为知识源，将从本地机器上传的文件和文件管理中生成的文件引用解析为未来AI聊天的真正“知识”。
一文读懂RAGFlow：从 0 到 1教你搭建RAG知识库
python12345_的博客
02-26 6333
RAGFlow是一种融合了数据检索与生成式模型的新型系统架构，其核心思想在于将大规模检索系统与先进的生成式模型（如Transformer、GPT系列）相结合，从而在回答查询时既能利用海量数据的知识库，又能生成符合上下文语义的自然语言回复。该系统主要包含两个关键模块：数据检索模块和生成模块。数据检索模块负责在海量数据中快速定位相关信息，而生成模块则基于检索结果生成高质量的回答或文本内容。
RAGFlow：重型知识库引擎
m0_59164520的博客
08-27 7418
给大家推荐一款重磅产品。如果你对现在的知识库产品不满意，想要提升检索精确度，我推荐你试一试RAGFlow。它提供了更深度、更细致的选项，你可以根据自己文档的情况做针对性的调整。如果你们团队或者公司想要搭建一套本地知识库，我也建议你们先研究一下RAGFlow。我之前就在社群里说过：大概率，你们自己捣鼓出来的东西不会比它更好——还不如在它的基础上做定制化。RAGFlow是一套开源的RAG引擎。它重度集成了各种技术，而且更新很快。
基于 Ragflow 搭建知识库-初步实践
qq1164014750
12-28 5841
Ragflow 是一个强大的工具，可用于构建知识库，实现高效的知识检索和查询功能。本文介绍如何利用 Ragflow 搭建知识库，包括环境准备、安装步骤、配置过程以及基本使用方法。
RAG-基于Java实现的增强检索生成RAG项目-包含知识库+检索-附项目源码+流程教程-优质项目实战
10-20
从应用层面来看，RAG项目可以被应用于多种场景，如企业内部的知识管理系统、在线问答平台、客户服务系统等，它能够帮助用户快速找到他们需要的信息，从而提高工作效率和客户满意度。 本项目不仅是一个技术实现的...
基于RAG的私有知识库问答系统python源码+文档说明（毕业设计）
11-08
基于RAG的私有知识库问答系统python源码+文档说明（毕业设计）基于RAG的私有知识库问答系统python源码+文档说明（毕业设计）基于RAG的私有知识库问答系统python源码+文档说明（毕业设计）基于RAG的私有知识库问答...
深度解析RagFlow：本地大模型驱动的高效知识库应用搭建指南
最新发布
zhz5214的博客
05-12 822
摘要：RagFlow 凭借其丰富的功能、强大的数据处理能力和灵活的配置选项，为用户提供了构建高效知识库应用的优质方案。尽管部署过程可能具有一定挑战性，但对于追求个性化、专业级知识管理与问答服务的用户和团队来说，它无疑是一个极具价值的选择。
来自工业界的知识库 RAG 服务(二)，RagFlow 源码全流程深度解析
易迟的专栏
05-24 1万+
前面介绍过有道 QAnything 源码解析，通过深入了解工业界的知识库 RAG 服务，得到了不少调优 RAG 服务的新想法。因此本次趁热打铁，额外花费一点时间，深入研究了另一个火热的开源 RAG 服务RagFlow的完整实现流程，希望同样有所收获。首先依旧可以先从框架图入手，与常规的 RAG 架构进行一些比较可以看到右侧知识库被明显放大，同时最右侧详细介绍了文件解析的各种手段，比如OCR等，这些在常规的 RAG 中可能会作为一个不起眼的。
DeepSeek+ragflow构建企业知识库：高级应用篇，越折腾越觉得ragflow好玩
yxkong的专栏
03-05 1690
从知识检索测试来说，开启知识图谱的检索效果最好。从聊天效果来说，反而通用的更符合我的口味。我的需求不明确，只是随意拿着一份文档测试，测试没有目标性，只是体验下检索的效果以及差异性，这个需要专业的测试。
RAGFlow 本地知识库 环境配置
忙碌不会钓鱼的专栏
04-08 1215
上面试着本地添加了ollama的模型，实际上使用时，如果需要用本地跑不了的模型，或者一些不想本地跑的，都可以直接到对应平台申请相应的api key，再到RAGFlow的模型提供商里面进行添加就ok。官网直接下载安装，安装完成后配置下两个环境变量就ok了，一个是OLLAMA_HOST，因为后续ragflow在docker里跑，需要让ollama监听所有的ip；如果直接使用各大平台api的略过就ok了。ollama配置完成之后，直接在网站搜索对应需要的模型，复制运行指令到命令行就ok了，会自动下载完模型运行。
RAGFlow部署与使用（开源本地知识库管理系统，包括kibana配置）
weixin_59534602的博客
03-17 3114
给大家介绍RAGFlow的部署与使用。RAGFlow是一款基于深度文档理解构建的开源RAG的知识库管理平台。
代码搭建rag知识库
04-03
### 构建RAG知识库的核心流程 构建RAG（检索增强生成）知识库通常涉及以下几个核心部分：文档加载、向量存储、相似度计算以及模型推理。以下是基于Python的一个简化版RAG系统的实现示例，该示例结合了LangChain框架来完成主要功能。 #### 使用LangChain搭建RAG系统 以下是一个简单的代码示例，展示了如何利用LangChain快速创建一个基础的RAG系统[^2]： ```python from langchain.embeddings import OpenAIEmbeddings from langchain.vectorstores import FAISS from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain.llms import OpenAI from langchain.chains.question_answering import load_qa_chain from langchain.document_loaders import DirectoryLoader, TextLoader # 加载本地文件作为知识源 loader = DirectoryLoader("./data", glob="*.txt", loader_cls=TextLoader) documents = loader.load() # 将大段文本分割成较小的部分以便处理 text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200) texts = text_splitter.split_documents(documents) # 初始化嵌入模型并建立向量数据库 embeddings = OpenAIEmbeddings() db = FAISS.from_documents(texts, embeddings) # 定义问答链路 llm = OpenAI(temperature=0) qa_chain = load_qa_chain(llm, chain_type="stuff") def run_query(query): docs = db.similarity_search(query) # 向量搜索最相关的文档片段 result = qa_chain.run(input_documents=docs, question=query) # 基于LLM生成最终答案 return result # 测试查询 query = "什么是RAG？" response = run_query(query) print(response) ``` 上述代码实现了从加载文档到执行具体查询的过程。其中`DirectoryLoader`负责读取指定目录下的所有`.txt`文件；`RecursiveCharacterTextSplitter`则用来将这些长篇幅的内容拆分成适合后续操作的小块；接着通过OpenAI提供的嵌入服务把每一段文字转化为高维空间中的表示形式，并存放到FAISS这种高效的近似最近邻算法支持的数据结构里待查用。最后当用户输入一个问题时，程序会先找到与其最为匹配的知识条目再交由大型预训练语言模型给出精确回复。 #### 创建新知识库的具体步骤说明 如果按照另一份资料介绍的方式来进行，则需遵循如下指示去新建属于自己的工作区与对应的知识库实例[^1]: - 登录至目标平台的工作区域； - 寻找页面上的“知识库”选项卡； - 找到位于顶部右侧位置带有加号标记按钮的位置点击它即可启动新增流程。 以上便是有关借助编程手段打造具备检索强化特性的知识管理系统的大致方法论概述及相关实践案例分享。
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
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