LLM - CentOS上离线部署Ollama+Qwen2.5-coder模型完全指南

已于 2025-03-25 19:25:25 修改
阅读量2.3k 收藏 21
点赞数 50
分类专栏： 【LLM大模型】 文章标签： Ollama Qwen2.5-coder 离线部署
于 2025-03-22 14:00:04 首次发布
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/yangshangwei/article/details/146430299
版权

文章目录

在这里插入图片描述

离线安装Ollama

Ollama下载

https://github.com/ollama/ollama/releases

在这里插入图片描述

Ollama硬件需求

Ollama 对硬件的基础要求较低，但不同规模的模型对资源的需求不同 .可参考如下配置：

模型参数模型大小建议 CPU建议内存建议显存特点
1.5B1.1GB4 核4~8GB4GB轻量级，普通文本处理
7B4.7GB8 核16GB14GB硬件要求适中，性能较好
8B4.9GB8 核16GB14GB略强于 7B，精度更高
14B9GB12 核32GB26GB适合复杂任务，如数学推理、代码生成
32B20GB16 核64GB48GB高精度任务
70B43GB32 核128GB140GB大规模计算和高复杂度任务
671B404GB64 核512GB1342GB超大规模，性能卓越

如果没有显卡，就不要折腾了，线上服务器16Core 32G内存， 无显存。 实测部署了个qwen2.5-coder 7B的模型， 对话延时400多秒… qwen2.5-coder 0.5B 延时近30秒, 每秒基本保持在5个token…基本无法使用。

Ollama 常用命令参考

ollama 提供了丰富的命令行工具，方便用户对模型进行管理。

   ollama --help：查看帮助信息。
    ollama serve：启动 Ollama 服务。
    ollama create <model-name> [-f Modelfile]：根据一个 Modelfile 文件导入模型。
    ollama show <model-name:[size]>：显示某个模型的详细信息。
    ollama run <model-name:[size]>：运行一个模型。若模型不存在会先拉取它。
    ollama stop <model-name:[size]>：停止一个正在运行的模型。
    ollama pull <model-name:[size]>：拉取指定的模型。
    ollama push <model-name>：将一个模型推送到远程模型仓库。
    ollama list：列出所有模型。
    ollama ps：列出所有正在运行的模型。
    ollama cp <source-model-name> <new-model-name>：复制一个模型。
    ollama rm <model-name:[size]>：删除一个模型。

Ollama安装

上传 ollama linux amd64.tgz到服务器 ，解压

# 解压安装包
tar -zxvf  ollama linux amd64.tgz

# 将 ollama 执行命令移动到 /usr/bin 目录下 （可选，为了后面的服务配置做准备）
sudo mv bin/ollama /usr/bin/ollama

# 创建执行用户 （可选 ， 有 ollama 执行权限的用户都可以，这里我使用了root）
sudo useradd -r -s /bin/false -U -m -d /usr/share/ollama ollama
sudo usermod -a -G ollama $(whoami)

Ollama 服务管理&开机启动

创建文件 /etc/systemd/system/ollama.service, 其中的 User 和 Group 根据上一步的选择填写

[Unit]
Description=ollama
After=local-fs.target sockets.target

[Service]
User=root
Group=root
RemainAfterExit=yes
ExecStart=/usr/bin/ollama serve
Restart=always
EnvirOnment="OLLAMA HOST=0.0.0.0"
EnvirOnment="OLLAMA ORIGINS=*"

[Install]
WantedBy-multi-user.target

# 加载配置
sudo systemctl daemon-reload
# 设置开机启动
sudo systemctl enable ollama
# 启动 ollama 服务
sudo systemctl start ollama

开启局域网访问 Ollama 服务

默认情况下，Ollama API 仅允许本机访问。如果需要局域网其他设备访问，需要修改 OLLAMA_HOST 和 OLLAMA_ORIGINS 环境变量

Windows

# Windows（CMD）设置
setx OLLAMA_HOST 0.0.0.0:11434
setx OLLAMA_ORIGINS *

Linux

临时方案（当前会话有效）​

export OLLAMA_HOST=0.0.0.0:11434
export OLLAMA_ORIGINS=*
sudo systemctl restart ollama  # 重启服务使配置生效

永久生效（推荐）​

​创建 systemd 配置文件， 适用于通过 systemd 管理的 Ollama 服务：

[Unit]
Description=ollama
After=local-fs.target sockets.target
 
[Service]
User=root
Group=root
RemainAfterExit=yes
ExecStart=/usr/bin/ollama serve
Restart=always
EnvirOnment="OLLAMA HOST=0.0.0.0"
EnvirOnment="OLLAMA ORIGINS=*"
 
[Install]
WantedBy-multi-user.target

重新加载配置并重启服务

sudo systemctl daemon-reload
sudo systemctl restart ollama
sudo systemctl status ollama
ss -tuln | grep 11434

离线安装模型

我们这里采用 gguf 模型安装方式

gguf 文件格式

GGUF（GPT-Generated Unified Format）是新一代专为本地大语言模型（LLM）优化的文件格式，由 llama.cpp 团队设计，用于替代旧版 GGML 格式。

  • 目标：提升模型推理效率、兼容性和可扩展性，同时降低资源占用。
  • 典型特性：
    • ✅ 单文件结构：模型权重、参数、元数据（如上下文长度）直接嵌入文件，无需外挂配置文件。
    • ✅ 跨平台兼容：原生适配 CPU/GPU/NPU 混合计算，支持量化模型（如 4-bit/5-bit）。
    • ✅ 动态扩展性：允许开发者灵活添加新功能（例如新增量化类型），无需破坏旧版本兼容性。

下载Qwen2.5-Coder-7B-Instruct-GGUF

访问 https://huggingface.co/Qwen ，查找我们要部署的Coder

在这里插入图片描述

  • Qwen2.5：阿里云通义千问模型系列的第 2.5 代版本，性能和功能相较于前代有优化。
  • Coder：表明该模型专为代码生成、理解与补全任务设计，擅长处理编程语言（如 Python、Java、C++ 等）。
  • 7B：模型参数量为 70 亿级别（7 Billion Parameters），属于中等规模模型。
  • Instruct：表示该模型经过指令微调（Instruction Tuning），能更精准理解用户指令并生成符合要求的响应。

请选择 GGUF格式的模型

格式选择 ( gguf 版本 )

Qwen/Qwen2.5-Coder-7B-Instruct-GGUF

在这里插入图片描述
这里需要结合模型具体的量化。

我们通过Ollama部署，就要去Ollama官网看下 7b支持情况

https://ollama.com/library/qwen2.5-coder:7b

在这里插入图片描述

Model Arch: Qwen2 ：模型架构为 Qwen2，即阿里云通义千问模型的第二代架构。

Parameters: 7.62B ：模型参数量为 7.62 亿（7.62 Billion Parameters）。

Quantization: Q4_K_M ：模型经过 4-bit 量化，具体为 Q4_K_M 量化方法。

我们去找 Q4_K_M 格式的 GGUF文件

在这里插入图片描述
一般来说大模型文件会比较大，会被分片存储 。 上图就是两个文件，下面就要进行模型文件合并。 我们可以直接下载qwen2.5-coder-7b-instruct-q4_k_m.gguf

如果自己要合并的话可以下载llama.cpp

https://github.com/ggerganov/llama.cpp/releases

然后进到解压包里面使用命令进行合并， 通过如下命令
bash ./llama-gguf-split.exe --merge ../qwen2.5-7b-instruct-q4_k_m-00001-of-00002.gguf ../qwen2.5-7b-instruct-q4_k_m.gguf

构建Modelfile文件

将下载后的文件qwen2.5-coder-7b-instruct-q4_k_m.gguf上传到服务器的目录， 并重命名为 qwen2.5-coder-7b.gguf, 这里重命名为了方便Modelfile中FROM引用

Modelfile格式

​命令​描述
​FROM（必需的）引入使用的模型或者模型源文件。
​PARAMETER设置大模型的运行参数。
​TEMPLATE用于大模型请求的 prompt 提示词模板。
​SYSTEM设置大模型默认的系统消息。
​ADAPTER定义适用于模型的（Q）LoRA 适配器。
​LICENSE指定 license。
​MESSAGE指定消息历史。

在模型的同级目录下创建文件 Modelfile, 添加如下内容

在这里插入图片描述

# 刚才命名的模型名
FROM ./qwen2.5-coder-7b.gguf

# 可以到 ollama 网站上的模型库去寻找, 如qwen2.5-coder-7b的见上图 https://ollama.com/library/qwen2.5-coder/blobs/e94a8ecb9327
# 直接复制 ollama 上的 Template 到如下三个双引号中间
TEMPLATE """

{{- if .Suffix }}<|fim_prefix|>{{ .Prompt }}<|fim_suffix|>{{ .Suffix }}<|fim_middle|>
{{- else if .Messages }}
{{- if or .System .Tools }}<|im_start|>system
{{- if .System }}
{{ .System }}
{{- end }}
{{- if .Tools }}

# Tools

You may call one or more functions to assist with the user query.

You are provided with function signatures within <tools></tools> XML tags:
<tools>
{{- range .Tools }}
{"type": "function", "function": {{ .Function }}}
{{- end }}
</tools>

For each function call, return a json object with function name and arguments within <tool_call></tool_call> XML tags:
<tool_call>
{"name": <function-name>, "arguments": <args-json-object>}
</tool_call>
{{- end }}<|im_end|>
{{ end }}
{{- range $i, $_ := .Messages }}
{{- $last := eq (len (slice $.Messages $i)) 1 -}}
{{- if eq .Role "user" }}<|im_start|>user
{{ .Content }}<|im_end|>
{{ else if eq .Role "assistant" }}<|im_start|>assistant
{{ if .Content }}{{ .Content }}
{{- else if .ToolCalls }}<tool_call>
{{ range .ToolCalls }}{"name": "{{ .Function.Name }}", "arguments": {{ .Function.Arguments }}}
{{ end }}</tool_call>
{{- end }}{{ if not $last }}<|im_end|>
{{ end }}
{{- else if eq .Role "tool" }}<|im_start|>user
<tool_response>
{{ .Content }}
</tool_response><|im_end|>
{{ end }}
{{- if and (ne .Role "assistant") $last }}<|im_start|>assistant
{{ end }}
{{- end }}
{{- else }}
{{- if .System }}<|im_start|>system
{{ .System }}<|im_end|>
{{ end }}{{ if .Prompt }}<|im_start|>user
{{ .Prompt }}<|im_end|>
{{ end }}<|im_start|>assistant
{{ end }}{{ .Response }}{{ if .Response }}<|im_end|>{{ end }}

"""

有的模型，比如qwq有参数，比如

在这里插入图片描述

如果后续运行有问题，可以在Modefile中添加参数

在这里插入图片描述

# 这一步参考 ollama 上的 parameters, 但是 ollama 上的 qwen2.5-coder-7b 是没有参数的, 按照下面的格式添加即可
PARAMETER stop "<|im_start|>"	
PARAMETER stop "<|im_end|>"

加载并运行离线模型

# 通过模型描述文件, 创建并运行 qwen2.5 模型
ollama create qwen2.5-coder-7b -f  ./Modelfile
# 查看模型运行列表, 是否正在运行
ollama ls

在这里插入图片描述

在这里插入图片描述

测试

# 通过 api 调用模型, 检测模型是否运行正常
curl --location --request POST 'http://127.0.0.1:11434/api/generate' \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen2.5-coder-7b",
    "stream": false,
    "prompt": "你好,你是谁?"
}' \
-w "Time Total: %{time_total}s\n"

model的名字，请保持和ollama create qwen2.5-coder-7b -f Modelfile中的一致

等待正常返回即可

我这里截一个0.5b的图

在这里插入图片描述

返回后，ollama ps （以0.5b的为例）就可以看到了（我之前看不到，以为有问题）

在这里插入图片描述

集成客户端

如何将 Chatbox 连接到远程 Ollama 服务：逐步指南

在这里插入图片描述

设置下 模型即可

在这里插入图片描述

对话如下

在这里插入图片描述

问题

缺少依赖

运行ollama ,报错

./ollama: /lib64/libstdc++.so.6: version GLIBCXX_3.4.25 not found (required by ./ollama)

检查

strings /usr/lib64/libstdc++.so.6 | grep GLIBCXX

就然只到了3.4.24 ， 我从 https://download.csdn.net/download/gyqhlbt/86752716 下载了一个

把原来的软连接删除，上传新的，重新软连一下 即可 ln -s

strings /usr/lib64/libstdc++.so.6 |grep GLIBC

结果如下：

GLIBCXX_3.4
GLIBCXX_3.4.1
GLIBCXX_3.4.2
GLIBCXX_3.4.3
GLIBCXX_3.4.4
GLIBCXX_3.4.5
GLIBCXX_3.4.6
GLIBCXX_3.4.7
GLIBCXX_3.4.8
GLIBCXX_3.4.9
GLIBCXX_3.4.10
GLIBCXX_3.4.11
GLIBCXX_3.4.12
GLIBCXX_3.4.13
GLIBCXX_3.4.14
GLIBCXX_3.4.15
GLIBCXX_3.4.16
GLIBCXX_3.4.17
GLIBCXX_3.4.18
GLIBCXX_3.4.19
GLIBCXX_3.4.20
GLIBCXX_3.4.21
GLIBCXX_3.4.22
GLIBCXX_3.4.23
GLIBCXX_3.4.24
GLIBC_2.2.5
GLIBC_2.3
GLIBC_2.6
GLIBC_2.4
GLIBC_2.3.2

第二步：拷贝 libstdc++.so.6.0.26 库到/usr/local/lib64目录

第三步：备份 libstdc++.so.6

mv  libstdc++.so.6 ./libstdc++.so.6.bak

第四步：建立建立软连接

ln -s libstdc++.so.6.0.26 libstdc++.so.6

第五步：查看软链接libstdc++.so.6
命令：ls -l libstdc++.so.6

结果如下：

lrwxrwxrwx. 1 root root 36 12月 30 16:01 libstdc++.so.6 -&gt; /usr/local/lib64/libstdc++.so.6.0.26

第六步：再检查运行时看看

strings  libstdc++.so.6 | grep GLIBC

结果如下：

GLIBCXX_3.4
GLIBCXX_3.4.1
GLIBCXX_3.4.2
GLIBCXX_3.4.3
GLIBCXX_3.4.4
GLIBCXX_3.4.5
GLIBCXX_3.4.6
GLIBCXX_3.4.7
GLIBCXX_3.4.8
GLIBCXX_3.4.9
GLIBCXX_3.4.10
GLIBCXX_3.4.11
GLIBCXX_3.4.12
GLIBCXX_3.4.13
GLIBCXX_3.4.14
GLIBCXX_3.4.15
GLIBCXX_3.4.16
GLIBCXX_3.4.17
GLIBCXX_3.4.18
GLIBCXX_3.4.19
GLIBCXX_3.4.20
GLIBCXX_3.4.21
GLIBCXX_3.4.22
GLIBCXX_3.4.23
GLIBCXX_3.4.24
GLIBCXX_3.4.25
GLIBCXX_3.4.26
GLIBC_2.2.5
GLIBC_2.3
GLIBC_2.6
GLIBC_2.4
GLIBC_2.3.2

第七步：运行程序不会报了

小结

其他的模型，也可以按照上面的方式来安装，别浪费了你的卡子， 赶紧私有化起来吧 ‘

在这里插入图片描述’

开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-玩转ollama（一）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
10-28 6648
Ollama通过极大简化机器学习模型的下载和管理过程，降低了AI技术的入门门槛，为开发者和爱好者提供了便捷的本地运行环境，有助于保护数据隐私并促进创新与社区合作。
Linux CentOS 上 Ollama 的安装与部署：从入门到实践
RodJohnsonDoctor的专栏
02-23 881
Ollama 是一个开源的 AI 模型管理工具，专注于简化大模型的部署和使用。它支持多种开源模型（如 LLaMA、Mistral 等），并提供了高效的模型推理能力。Ollama 的设计目标是让开发者能够轻松地在本地或边缘设备上运行大模型，而无需复杂的配置和高昂的硬件成本。Ollama 为开发者提供了一个简单而强大的工具，用于在本地环境中部署和管理大模型。通过本文的介绍，您可以在 CentOS 系统上快速安装 Ollama，并部署如 LLaMA2 等热门模型。
Qwen2.5-7B-Instruct 私有化部署
最新发布
llc的博客
03-19 405
内存：128GB。
[特殊字符]vLLM本地部署Qwen2.5-VL多模态大模型！70亿参数即可打造监控视频目标查找项目！轻松实现监控视频自动找人！部署Qwen2.5-VL-7B-Instruct模型实战教
m0_71165399的博客
02-14 943
Qwen2.5-VL 是由阿里云通义千问团队开发的最新一代多模态大型语言模型。Qwen2.5-VL 能够处理图像和视频等多模态输入，准确理解其中的内容和关系。它在物体检测、场景识别、图像描述等任务上表现出色，可以应用于智能安防、图像搜索、视频分析等领域。Qwen2.5-VL 擅长处理各种类型的文档，包括扫描件、网页、PDF 等。它能够提取文档中的文字、表格、图片等信息，并进行结构化处理，方便用户进行信息检索、内容摘要和智能问答。
保姆级！Qwen2.5 VL 本地部署实践！含可视化页面！
不会吉他的肌肉男不是好的挨踢男的专栏
02-26 2224
版本（我的版本）下载链接。
centos7.6离线安装ollama以及deepseek
ssp584731180的博客
02-10 1620
centos7.6安装ollama以及deepseek
离线环境下安装Ollama
keyboard专栏
12-24 6665
准备文件：在有外网的环境中下载并传输等相关文件。修改脚本：修改安装脚本中的curl下载命令，将其指向本地文件路径。执行安装：在离线环境中执行修改后的安装脚本。手动启动：如果不使用systemd，可以手动启动 Ollama 服务。检查安装：确认 Ollama 是否成功安装并启动。通过这些步骤，你可以在离线环境中成功安装和运行 Ollama。如果有任何问题，随时可以咨询！
离线部署ollam以及大模型
zuidenaoshi的专栏
04-29 3111
到这里是参考官方文档: https://github.com/ollama/ollama/blob/main/docs/linux.md .有网机器上下载ollama: wget https://ollama.com/download/ollama-linux-amd64。创建用户: sudo useradd -r -s /bin/false -m -d /usr/share/ollama ollama。大模型存储在: /usr/share/ollama/.ollama。
如何离线安装ollama
eagle89的专栏
02-14 985
如何离线安装ollama
开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现离线推理-降本增效（一）
热门推荐
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
10-15 2万+
将Qwen2.5模型与vLLM框架进行有效整合，通过离线推理为实际项目带来更大的价值。
开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-玩转ollama-Modelfile文件（二）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
10-29 7037
通过使用Modelfile，Ollama能够简化模型的管理和部署，使得用户能够更方便地进行模型的加载、运行和版本控制。
开源模型应用落地-qwen模型小试-Qwen2.5-7B-Instruct-玩转ollama-Modelfile使用技巧（四）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
11-01 5219
掌握 `Modelfile` 的使用技巧，提升模型开发的效率和质量，从而加速项目的进展
开源模型应用落地-Qwen2.5-7B-Instruct与vllm实现离线推理-结构化输出（五）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
11-22 1万+
通过结构化输出将模型生成的结果组织为易于解析和处理的数据格式，使得后续的数据处理、分析和集成变得更加高效和灵活，便于开发者和应用程序自动提取关键信息，实现更复杂的功能和交互。
CentOS上安装Ollama
keyboard专栏
06-07 3449
【代码】CentOS上安装Ollama。
Linux的Ollama离线部署与各模型gguf文件离线导入
qq_45875033的博客
03-07 1375
curl --location --request POST 'http://127.0.0.1:11434/api/generate' \--header 'Content-Type: application/json' \--data '{"model": "deepseek-14b","stream": false, "prompt": "1加1等于几?修改vi /etc/systemd/system/ollama.service，修改里面的11434。5、修改环境的端口，让外部服务器可以访问。
centos上部署Ollama平台，实现语言大模型本地部署
做GIS梦的人
06-29 2102
网上有很多大模型，很多都是远程在线调用ChatGPT的api来实现的，自己本地是没有大模型的，这里和大家分享一个大模型平台，可以实现本地快速部署大模型。Ollama是一个开源项目，它提供了一个平台和工具集，用于部署和运行各种大型语言模型（LLM，Large Language Model）。Ollama简化了在本地机器上运行这些模型的过程，使得用户不需要深入的机器学习知识就可以利用先进的语言模型进行自然语言处理任务，如对话生成、文本补全等。Ollama的官方网站是。
ollama + qwen2.5-coder + VS Code + Continue 自动写代码
码农的专栏
12-02 2411
ollama + qwen2.5-coder + VS Code + Continue 自动写代码
Centos 7 部署Ollama+dify+deepseek(含无网环境)
一朵纯洁的小白花的博客
02-17 958
1.安装Ollama2.拉取deepseek模型3.安装docker4.安装dify5.运行模型系统环境：Centos7安装方式：手动安装1、首先，你需要从 Ollama 的官方发布页面（https://github.com/jmorganca/ollama/releases ）下载适用于 CentOS 系统的 包。选择与你的系统架构（如 或 ）相匹配的版本。你可以使用 命令在终端中下载，示例如下（假设下载的是 版本）：请根据实际的版本号和系统架构修改上述命令中的链接。2、使用命令解压下载好的文件。
qwen2.5-coder-7b本地部署
02-05
### qwen2.5-coder-7b 模型本地部署教程 #### 环境准备 为了成功部署 Qwen2.5-Coder-7B 模型，环境配置至关重要。确保安装了 Python 3.x 版本，并且推荐使用虚拟环境来管理依赖项。 所需的主要软件包及其最低版本如下： - `transformers` 库版本应不低于 4.37.0，这是加载模型所必需的工具[^4]。 - `accelerate` 库有助于提高模型运行效率，在资源有限的情况下尤为重要。 - `gradio` 是构建简单 Web 用户界面的理想选择，方便测试和展示模型功能。 可以通过 pip 安装这些库： ```bash pip install transformers>=4.37.0 accelerate gradio ``` #### 下载并克隆项目仓库 获取官方提供的 Qwen2.5-Coder-7B-Instruct Git 存储库，该存储库包含了必要的脚本和支持文件: ```bash git clone https://www.modelscope.cn/qwen/Qwen2.5-Coder-7B-Instruct.git cd Qwen2.5-Coder-7B-Instruct ``` 此命令会创建一个新的目录并将所有必要文件复制到当前工作区中[^1]。 #### 加载预训练模型 利用 Hugging Face 的 Transformers 库加载已预先训练好的 Qwen2.5-Coder-7B 模型实例。这一步骤通常涉及指定正确的权重路径以及设置设备参数（CPU 或 GPU），以便优化性能表现。 ```python from transformers import AutoModelForCausalLM, AutoTokenizer model_name_or_path = "path_to_downloaded_model" tokenizer = AutoTokenizer.from_pretrained(model_name_or_path) model = AutoModelForCausalLM.from_pretrained(model_name_or_path) # 如果有GPU可用，则移动模型至GPU if torch.cuda.is_available(): model.to('cuda') ``` 这段代码片段展示了如何初始化 tokenizer 和 model 对象，同时考虑到了硬件加速的可能性。 #### 创建Web应用程序接口 最后一步是集成 Gradio 来快速搭建一个简易但实用的网页版聊天机器人。Gradio 提供了一个简洁易用的方式让用户输入提示词并通过 API 获取来自 LLM 的响应。 ```python import gradio as gr def generate_response(prompt): inputs = tokenizer(prompt, return_tensors="pt").to(device=model.device) outputs = model.generate(**inputs, max_length=512) response = tokenizer.decode(outputs[0], skip_special_tokens=True) return response demo = gr.Interface(fn=generate_response, inputs="text", outputs="text") demo.launch() ``` 上述代码定义了一个函数 `generate_response()` ，它接受用户输入作为参数，并返回由模型生成的回答；接着通过调用 `launch()` 方法启动交互式的 web 页面。
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

小小工匠

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