LangChain+Neo4j：5分钟构建动态知识图谱

最新推荐文章于 2025-03-13 15:47:16 发布
最新推荐文章于 2025-03-13 15:47:16 发布
阅读量1.2k 收藏 21
点赞数 14
文章标签： langchain neo4j 知识图谱 AI大模型 大模型应用 人工智能 AI
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/xxue345678/article/details/145586057
版权

利用知识图谱从大量文档、视频中提取信息，建立实体之间的关系，有利于加速信息处理，提取文档中的数据，以及发现实体之间潜在关系和规律。

AI大模型的快速发展，大模型和知识图谱的结合，有了更多可能性。

本文我将演示下面我将演示如何在5分钟内上传数据源，构建一个动态知识图谱，可用于提取实体关系，并且与数据对话。

这里使用的工具是大模型知识图谱构建器（LLM Knowledge Graph Builder ）。

这个工具是Neo4j生态系统中常用的GraphRAG工具之一，能够将非结构化数据转化为动态知识图谱，还可以可以通过自然语言查询数据并获得解释性见解。

先简单介绍下什么是大模型知识图谱构建器，及其工作流程。

什么是大模型知识图谱构建器

Neo4j 大模型知识图谱构建器是一款在线应用，无需编写代码和使用Cypher语言即可将非结构化文本转化为知识图谱，操作起来非常方便。

利用机器学习模型将PDF文件、网页和YouTube视频等转化为包含实体及其关系的知识图谱。

前端是基于我们Needle Starter Kit的React应用，后端是Python FastAPI应用。该应用使用了Neo4j为LangChain贡献的llm-graph-transformer模块。

该应用体验丝滑，分为以下四个简单步骤：

  1. \1. 导入数据：支持多种数据源，包括PDF文档、wiki页面、YouTube视频等。
  2. \2. 识别实体：使用AI大模型识别并提取非结构化文本中的实体和关系。
  3. \3. 构建图谱：将识别出的实体和关系转换为图谱格式，利用Neo4j的图谱功能。
  4. \4. 使用图谱：提供直观的网页界面，用户可以方便地与应用互动，包括上传数据源、可视化生成的图谱以及与RAG代理交互。这一功能特别令人兴奋，因为它使用户能够直观地与数据互动，宛如与知识图谱对话，无需任何技术知识。

img

你可以在Neo4j官网使用应用程序，无需绑定支付信用卡和AI大模型密钥，使用过程无任何障碍。

如果你想在本地或自己的环境中运行该程序，可以访问GitHub仓库并按照我们将在本文中介绍的步骤进行操作。

现在我们开始。

环境准备

在使用大模型知识图谱构建器之前，你需要创建一个新的Neo4j数据库。

你可以按照以下步骤使用免费的AuraDB数据库：

  • 1、访问 https://console.neo4j.io 并登录或创建账户。
  • 2、在Instances下创建一个新的AuraDB Free数据库。
  • 3、下载凭证文件。
  • 4、等待实例启动。

完成上述步骤后，Neo4j数据库已经启动，并且有了凭证。点击右上角的Connect to Neo4j，你打开大模型知识图谱构建器，

img

将之前下载的凭证文件拖到连接对话框中，所有信息会自动填充。你也可以手动输入所有信息。

创建知识图谱

首先将非结构化数据导入，然后通过AI大模型识别关键实体及其关系。

你可以将PDF和其他文件拖到左侧的第一个输入区域。

第二个输入框允许你复制粘贴YouTube视频（暂不支持其他视频网站）链接。

第三个输入框则用于输入wiki页面链接。

在这里，我将上传了：1）一家供应链公司内部的PDF文件，文档详细记录了他们的整个供应链策略和产品。2）福布斯的新闻文章；3）一个关于《企业可持续发展尽职调查指令》（CSDDD）的YouTube视频；4）以及wiki上的两篇文章。

你可以选择只上传pdf文档，视频或者wiki页面。

上传文件时，应用程序会使用LangChain文档加载器，以及YouTube解析器将上传的文件存储为图中的文档节点。

所有文件上传完毕后，你会看到类似如下的界面：

img

现在，我们只需要选择使用的模型，点击Generate Graph，系统将为你完成其余的工作！

如果你只想生成特定文件的图谱，可以先选择文件（在表格第一列的复选框中勾选），然后点击Generate Graph。

⚠️ 如果你想使用预定义的或自定义的图模式，可以点击右上角的设置图标，然后从下拉菜单中选择一个预定义模式。你也可以通过输入节点标签和关系来使用自定义模式，还可以从现有的Neo4j数据库中提取模式，或者粘贴文本，让AI大模型分析并提供建议的模式。

处理文件并创建知识图谱是如何进行的呢？我把工作原理总结如下：

  1. \1. 内容被分割成小块。
  2. \2. 小块存储在图中，并连接到文档节点和彼此，以实现高级RAG模式。
  3. \3. 高度相似的小块通过SIMILAR关系连接，形成K最近邻图。
  4. \4. 计算并存储小块的嵌入和向量索引。
  5. \5. 使用llm-graph-transformer或diffbot-graph-transformer，从文本中提取实体和关系。
  6. \6. 实体存储在图中，并连接到原始小块。

探索知识图谱

从文档中提取的信息被结构化为图形格式，其中实体成为节点，关系则成为连接这些节点的边。

Neo4j的优势在于它能够高效地存储和查询这些复杂的数据网络，使生成的知识图谱能够立即用于各种应用。

在使用RAG代理提问之前，可以选中一个或多个文档，点击显示图谱（Show Graph）按钮。这将显示所选文档中的实体，你也可以在该视图中显示文档和块节点。

img

点击Open Graph with Bloom按钮将启动Neo4j Bloom，将可视化创建的知识图谱。点击删除文件（Delete files）将从图中删除选定的文档和块（如果在选项中选择，也会删除实体）。

与你上传的数据对话

现在进入最后一个部分：使用右侧面板中的RAG代理（RAG agent）对话。

这部分是如何工作的呢？

下图展示了GraphRAG过程的简化视图。

img

当用户提出问题时，使用Neo4j向量索引和检索查询来找到与问题最相关的块及其连接的实体，深度最多可达两跳。

还可以总结聊天记录，并将其作为一个元素来丰富上下文。

各种输入的信息（问题、向量结果、聊天记录）都会被发送到选定的AI大模型中，通过一个自定义提示，向选定的AI大模型提供问题的各种输入和来源，并请求其根据这些元素和上下文提供并格式化问题的回答。当然，这个提示还包括其他方面，比如格式化要求引用来源，在不清楚答案时不进行推测等。

完整的提示和指令可以在QA_integration.py文件中找到，标记为FINAL_PROMPT。

文件地址：https://github.com/neo4j-labs/llm-graph-builder/blob/main/backend/src/QA_integration.py#L59

对话界面功能

在主屏幕右侧的聊天窗口，你会看到三个按钮：

  • • 关闭：关闭聊天机器人界面。
  • • 清除聊天记录：删除当前会话的聊天记录。
  • • 最大化窗口：以全屏模式打开聊天机器人界面。

RAG代理回答后，还有三种功能：

  • • 详情：打开检索信息弹出窗口，显示RAG代理如何收集和使用来源（文档）、块和实体的信息。还包括所用模型的信息和令牌消耗情况。
  • • 复制：将回答内容复制到剪贴板。
  • • 文字转语音：将回答内容朗读出来。

img

与知识图谱对话

现在，我就可以询问上传文档的知识了（使用之前上传的数据），比如查询这家公司生产的产品列表，以及这些产品是否受到CSDDD法规的影响，如果受到影响，具体的影响是什么。

img

结尾

如果你想更深入地了解AI大模型知识图谱构建器，可以访问GitHub仓库，那里有丰富的信息，包括源代码和文档。

此外，你可以查看更详细的入门指南，更多知识图谱构建经验。

GitHub仓库：https://github.com/neo4j-labs/llm-graph-builder

更详细的入门指南：https://neo4j.com/labs/genai-ecosystem/llm-graph-builder/

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传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】

👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

img

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭CSDN大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传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】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。

【技术解密】LangChain + GraphRAG：构建智能金融知识问答系统
海棠AI实验室
12-31 1379
金融领域充满了复杂的专业术语、错综的市场关系以及庞大的实时数据。如何构建一个能够理解用户提问并提供专业解答的金融知识问答系统，一直是金融科技领域的难题。传统的问答系统往往依赖于关键词匹配和信息检索技术，这种方法在面对金融领域复杂的语义和知识推理需求时显得力不从心。GraphRAG作为一种新兴的技术，通过将知识图谱与检索增强生成（RAG）技术结合，为构建更智能、更可靠的金融知识问答系统提供了强有力的支持。
【AI大模型应用开发】AI+知识图谱极简入门：手把手带你体验LangChain实现知识图谱创建和查询（附代码和源码分析）
同学小张的博客
05-20 2757
最近在大模型应用中使用图数据库或知识图谱越来越流行。图在表示和存储多样化且相互关联的信息方面具有天然优势，能够轻松捕捉不同数据类型间的复杂关系和属性，从而更好地给大模型提供上下文或数据支持。本文一起来看下如何在大模型应用中使用图数据库或知识图谱。
使用 LangChain 和 Neo4j 构建智能图数据库查询系统
aehrutktrjk的博客
09-11 1529
本文介绍了如何使用 LangChain 和 Neo4j 构建一个智能图数据库查询系统。通过实体映射、Cypher 查询生成和自然语言回答生成，我们能够创建一个强大的系统来回答与图数据库相关的问题。Neo4j 官方文档LangChain 文档OpenAI API 文档图数据库和知识图谱课程 - Coursera。
LangChain - 构建知识图谱提升RAG
AI工程化、开源分享、文档翻译、代码笔记
05-22 2472
一、使用 Neo4j 和 LangChain 在 RAG 应用程序中构建和检索知识图谱信息的实用指南 二、创建知识图谱 Neo4j 环境设置 三、数据摄取 四、RAG 的混合检索 非结构化数据检索器 图检索器 最后的retriever 五、定义RAG链 六、总结
Neo4j + LangChain：如何构建基于知识图谱的最强RAG系统？看完这一篇你就懂了！！
最新发布
Gaga246的博客
03-13 1094
自从 Neo4j 宣布与 LangChain 的集成以来，我们已经看到许多围绕使用 Neo4j 和大语言模型（LLM）构建检索增强生成（RAG）系统的用例。这导致了近年来知识图谱在 RAG 中使用的快速增加。基于知识图谱的 RAG 系统在处理幻觉方面的表现似乎优于传统的 RAG 系统。我们还注意到，使用基于代理的系统可以进一步增强 RAG 应用程序。为此，LangGraph 框架已被添加到 LangChain 生态系统中，以为 LLM 应用程序添加循环和持久性。
使用 LangChain+大模型，基于文本数据构建知识图谱
2301_78285120的博客
02-18 3203
知识图谱，也被称为语义图，是一种智能结构，以高效的方式存储数据。数据以节点和边的形式存储。如下图所示，节点代表对象，边表示它们之间的关系。知识图谱所代表的数据模型有时被称为资源描述框架（RDF）。RDF定义了在万维网中相互链接站点的方式。
用国产大模型+LangChain+Neo4j建立知识图谱 之一 实体关系提取与导入
python123456_的博客
02-15 2270
本篇以网络小说《悟空传》的前7章来演示用国产LLM+LangChain+Neo4j（中文版）从非结构化的文本文档中构建知识图谱，开发支持微软GraphRAG论文中所述的全局查询与局部查询的具体过程。分为两个语料文件以演示从多文档数据集中构建知识图谱，第1个文本文件包含第17章。从结构化的存量知识库中构建知识图谱会更简单一些，直接写Cypher查询语句灌入Neo4j就可以了。
超好用！五分钟内将文本转为图谱，可用于发现实体之间关系和规律，与文本对话
m0_59164304的博客
07-17 1985
利用知识图谱从大量文档、视频中提取信息，建立实体之间的关系，有利于加速信息处理，提取文档中的数据，以及发现实体之间潜在关系和规律。AI大模型的快速发展，大模型和知识图谱的结合，有了更多可能性。本文我将演示下面我将演示如何在5分钟内上传数据源，构建一个动态知识图谱，可用于提取实体关系，并且与数据对话。这里使用的工具是大模型知识图谱构建器（LLM Knowledge Graph Builder ）。
使用 Neo4j 和 Langchain 进行知识图谱创建
2301_76225313的博客
07-01 1213
这种结构允许高效地回答复杂的查询，例如“找出所有在[年份]发布的电影，其中包含演员X”，还允许深入的分析，例如识别演员职业生涯中的模式或了解电影类型随时间的变化趋势。我们将使用 Neo4j，它帮助我们管理和结构化我们的图形，以及 Langchain，它帮助我们处理文本。该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
LangChain 2 ONgDB：大模型+知识图谱实现领域知识问答
马超的博客
04-29 4943
然后，代理向 LLM 模型发送请求，其中包括用户问题和代理提示，代理提示是代理应该遵循的一组自然语言指令。对于工具的使用大多数情况下，我们的第一反应是使用可用的工具从外部来源获取更多信息。使用 LangChain 构建应用程序后，当有用户提问时，系统会先通过代理找到合适的工具（知识图谱），然后通过工具获取数据，最后由 LLM + 私域数据生成一个流畅表达并回复用户。整个过程代理的调用会更复杂一些，当生成回复后系统会自动判断该LLM回复是否需要继续执行其它任务，是一个完全自主的递归调用流程。
使用GraphRAG+LangChain+Ollama：LLaMa 3.1跑通知识图谱与向量数据库集成（Neo4j）
mama19971023的博客
08-08 2385
我将向你展示如何使用（一个本地运行的模型）来执行操作，总共就50号代码。。。首先，什么是GraphRAG？GraphRAG是一种通过，关键概念是。▲ 知识图谱与向量数据库集成知识图谱与向量数据库集成是GraphRAG 架构之一：这种方法利用知识图谱和向量数据库来收集相关信息。知识图谱的构建方式可以捕获向量块之间的关系，包括文档层次结构。知识图谱在从向量搜索中检索到的块附近提供结构化实体信息，从而通过有价值的附加上下文丰富提示。这个丰富的提示被输入到 LLM 中进行处理，然后 LLM 生成响应。
【待修改】使用GraphRAG+LangChain+Ollama（LLaMa 3.1）知识图谱与向量数据库集成（Neo4j）
caoyongsheng的博客
08-14 1579
图数据库需要这种实体，所以我们将创建一个名为 Entities 的自定义模型，继承自 BaseModel，我们希望提取实体，这可以通过提供这个属性 entities 来完成，它是一个字符串列表。首先我们要连接到数据库，我们将使用驱动方法，传入我们的 URI（存储在 Neo4j URI 环境变量中），还需要提供用户名和密码进行身份验证，并创建驱动实例。s 是起始节点，r 是结束节点，t 是关系。我们传入创建的文档，计算可能需要一些时间，即使是这个很小的例子，也花了我大约 3 分钟时间，所以稍等片刻。
使用Neo4j和Langchain创建知识图谱
yuxingwu9872的博客
05-02 2426
使用知识图谱以及Neo4j和Langchain等工具，我们可以将复杂的非结构化文本转换为更容易分析的结构化、相互关联的数据。4. 迭代改进:提取、增强和扩展的过程可以根据需要重复，结合额外的文件、外部数据源和用户反馈，不断改进和提高图表的相关性和准确性。通过遵循这种结构化的方法并结合你的文件中的相关数据，可以创建一个全面的动态知识图谱。将文本分割成块:接下来，我们将提取的文本分割成更小的块，以方便进一步处理。1. 摘要:最初，从文档中摘录相关信息，这些数据被解析并结构化为可管理的块，作为知识图中的节点。
使用 Neo4j 和 Langchain 进行知识图创建：详细指南
iCloudEnd的博客
05-04 390
知识图是组织和集成信息的强大工具。它们提供了一种表示知识的结构化方式，以实体作为节点，以关系作为边缘。这种结构化表示可以实现高效的查询、分析和推理，使得知识图谱在从搜索引擎和推荐系统到自然语言处理和人工智能的广泛应用中具有无价的价值。例如，在人工智能领域，知识图可以通过提供额外的上下文信息来帮助提高机器学习模型的性能。它们可以通过绘制不同单词或短语之间的关系来帮助提高对自然语言的理解。此外，它们还可以通过提供丰富的结构化信息来源来帮助创建更具交互性和智能的人工智能系统，供这些系统利用。以电影数据库为例。
使用LangChain和Neo4j快速创建RAG应用
csdn1561168266的博客
05-10 3237
综上所述，Neo4j 通过整合其内置的向量搜索功能，显著提升了对检索增强生成（RAG）应用的支持能力。这不仅加强了其在传统结构化数据分析方面的优势，还使其能够更有效地处理非结构化文本数据。本文详细介绍了如何利用Neo4j Aura和Neo4j Desktop来存储向量索引，并在LangChain框架的辅助下，构建出高效的RAG应用。
使用LangChain构建知识图谱：从文本到图数据库的完整指南
m0_57781768的博客
09-08 632
知识图谱（Knowledge Graph，简称KG）是一种用于表示实体及其之间关系的结构化数据模型。它通过节点和边的形式展示信息，其中节点代表实体，边代表实体之间的关系。知识图谱的应用范围广泛，涵盖了搜索引擎、智能问答、推荐系统等多个领域。与传统的数据库相比，知识图谱能够以更加灵活的方式展示复杂关系。在RAG（检索增强生成）系统中，知识图谱可以为生成模型提供明确的实体和关系，使得生成的内容更加准确和可信。除了基本的节点和关系提取外，LLMGraphTransformer还支持提取节点的属性信息。通过设置。
langchain+neo4j 实现图谱GraphRAG
weixin_43816875的博客
06-24 4383
参考文档：https://blog.langchain.dev/enhancing-rag-based-applications-accuracy-by-constructing-and-leveraging-knowledge-graphs/源代码参考复现：https://github.com/tomasonjo/blogs/blob/master/llm/enhancing_rag_with_graph.ipynb?3.后续需要调整代码，限制节点的类型，以及关系的类型。② 构建结构化的检索器。
Neo4j + LangChain：如何构建基于知识图谱的最强RAG系统？
python1222_的博客
08-27 3785
这个工作流程结合了许多步骤，而我在这里没有讨论所有步骤。然而，我承认，仅使用 LangChain 构建高级 GraphRAG 应用程序遇到了一些困难。通过使用 LangGraph 解决了这些困难。最让我沮丧的是无法在提示模板中引入所需的多个输入变量，并将该模板传递给 LangChain Expression Language 中的 Graph QA 链。起初，LangGraph 看起来需要大量的学习，但一旦你克服了这个障碍，它就会变得顺畅起来。未来，我会尝试将代理引入到工作流程中。
知识图谱构建实战neo4j
08-31
知识图谱构建实战中，Neo4j是一个非常常用的图形数据库。首先，需要安装Java JRE和Neo4j。然后，使用Cypher语句对数据库进行操作，包括创建实体、创建关系、导入CSV数据等操作。在构建知识图谱时，可以采用三元组的形式来表示每一条数据或事实，即<实体，属性，属性值>、<实体, 关系, 实体>。Neo4j的查询语言Cypher已经成为事实上的标准，在属性图中，图是由顶点（Vertex）、边（Edge）和属性（Property）组成的。每个节点和关系都可以设置属性，可以由一个或多个属性。通过使用Neo4j构建的图是一个有向图，可以进行灵活的查询和可视化展示。 在实际应用中，可以使用Python中的py2neo库来连接Neo4j数据库。通过py2neo库，可以进行数据库的创建、实体的清空、节点的创建、关系的创建等操作。通过这些操作，可以构建出一个完整的知识图谱。 此外，还可以结合其他工具和技术来完善知识图谱的构建。例如，可以使用Scrapy爬虫框架来爬取相关数据，使用MongoDB进行存储和解析得到的结构化数据。然后再将这些数据导入到Neo4j数据库中，构建出更加丰富和完整的知识图谱。 总之，通过使用Neo4j和相关工具，可以进行实战级别的知识图谱构建，从而实现对复杂关系和知识的存储、查询和可视化展示。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* [Neo4j入门实战之红楼梦知识图谱](https://blog.csdn.net/weixin_43653890/article/details/124718147)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *2* [【知识图谱实战】 Neo4j入门与示例](https://blog.csdn.net/u012736685/article/details/100554313)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] - *3* [医疗领域知识图谱构建实战](https://download.csdn.net/download/qq_36758270/88243468)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 33.333333333333336%"] [ .reference_list ]
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