Spring AI高级RAG功能查询重写和查询翻译

已于 2025-04-23 21:48:15 修改
阅读量354 收藏 5
点赞数 3
CC 4.0 BY-SA版权
分类专栏： deepseek 文章标签： spring 人工智能 java
于 2025-04-13 13:29:05 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/zsj777/article/details/147190800

1、创建查询重写转换器

// 创建查询重写转换器
         queryTransformer = RewriteQueryTransformer.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .build();

查询重写是RAG系统中的一个重要优化技术，它能够将用户的原始查询转换成更加结构化和明确的形式。这种转换可以提高检索的准确性，并帮助系统更好地理解用户的真实意图。

Spring AI提供了RewriteQueryTransformer来实现查询重写功能。以下是一个具体的示例：

package com.alibaba.cloud.ai.example.chat.openai.controller;

import jakarta.servlet.http.HttpServletResponse;
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.InMemoryChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.openai.OpenAiChatOptions;
import org.springframework.ai.rag.Query;
import org.springframework.ai.rag.preretrieval.query.expansion.MultiQueryExpander;
import org.springframework.ai.rag.preretrieval.query.transformation.QueryTransformer;
import org.springframework.ai.rag.preretrieval.query.transformation.RewriteQueryTransformer;
import org.springframework.http.MediaType;
import org.springframework.http.codec.ServerSentEvent;
import org.springframework.web.bind.annotation.GetMapping;
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;

import java.util.List;

/**
 * @Author: wst
 * @Date: 2024-12-16
 */

@RestController
@RequestMapping("/rag")
public class RagController {

    private final ChatClient openAiChatClient;

    private final ChatModel chatModel;

    private final MultiQueryExpander queryExpander;

   private final QueryTransformer queryTransformer;

    public RagController(ChatModel chatModel) {

        this.chatModel = chatModel;

//		 创建聊天客户端实例
// 设置系统提示信息，定义AI助手作为专业的室内设计顾问角色
        // 构造时，可以设置 ChatClient 的参数
        // {@link org.springframework.ai.chat.client.ChatClient};
        this.openAiChatClient = ChatClient.builder(chatModel)
                .defaultSystem("你是一位专业的室内设计顾问，精通各种装修风格、材料选择和空间布局。请基于提供的参考资料，为用户提供专业、详细且实用的建议。在回答时，请注意：\n" +
                        "1. 准确理解用户的具体需求\n" +
                        "2. 结合参考资料中的实际案例\n" +
                        "3. 提供专业的设计理念和原理解释\n" +
                        "4. 考虑实用性、美观性和成本效益\n" +
                        "5. 如有需要，可以提供替代方案")

                // 实现 Chat Memory 的 Advisor
                // 在使用 Chat Memory 时，需要指定对话 ID，以便 Spring AI 处理上下文。
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(new InMemoryChatMemory())
                )
                // 实现 Logger 的 Advisor
                .defaultAdvisors(
                        new SimpleLoggerAdvisor()
                )
                // 设置 ChatClient 中 ChatModel 的 Options 参数
                .defaultOptions(
                        OpenAiChatOptions.builder()
                                .topP(0.7)
                                .build()
                )

                .build();
        // 构建查询扩展器
// 用于生成多个相关的查询变体，以获得更全面的搜索结果
        queryExpander = MultiQueryExpander.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .includeOriginal(false) // 不包含原始查询
                .numberOfQueries(3) // 生成3个查询变体
                .build();
// 创建查询重写转换器
         queryTransformer = RewriteQueryTransformer.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .build();


    }


    @GetMapping("/multiQuery")
    public List<Query> multiQuery() {
// 执行查询扩展
// 将原始问题"请提供几种推荐的装修风格?"扩展成多个相关查询
        List<Query> queries = queryExpander.expand(
                new Query("请提供几种推荐的装修风格?"));
        return queries;
    }

    @GetMapping("/rewriteQuery")
    public String rewriteQuery( ) {
//        查询重写的主要优势：查询明确化：将模糊的问题转换为具体的查询点
//
//这种转换不仅有助于系统检索到更相关的文档，还能帮助生成更全面和专业的回答。

        // 创建一个模拟用户学习AI的查询场景
        Query query = new Query("我正在学习人工智能，什么是大语言模型？");
// 执行查询扩展
// 将原始问题"请提供几种推荐的装修风格?"扩展成多个相关查询
        // 执行查询重写
        Query transformedQuery = queryTransformer.transform(query);
        String rewirte = transformedQuery.text();

// 输出重写后的查询
        System.out.println(rewirte);
        return rewirte;
    }


}

重写后的查询可能会变成：

什么是大语言模型？

查询重写的主要优势：查询明确化：将模糊的问题转换为具体的查询点

这种转换不仅有助于系统检索到更相关的文档，还能帮助生成更全面和专业的回答

2、查询翻译

查询翻译是RAG系统中的一个实用功能，它能够将用户的查询从一种语言翻译成另一种语言。这对于多语言支持和跨语言检索特别有用。Spring AI提供了TranslationQueryTransformer来实现这一功能。

// 创建查询翻译转换器，设置目标语言为中文
        
 translationQueryTransformer = TranslationQueryTransformer.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .targetLanguage("chinese")  // 设置目标语言为中文
                .build();

完整代码

package com.alibaba.cloud.ai.example.chat.openai.controller;

import jakarta.servlet.http.HttpServletResponse;
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.InMemoryChatMemory;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.openai.OpenAiChatOptions;
import org.springframework.ai.rag.Query;
import org.springframework.ai.rag.preretrieval.query.expansion.MultiQueryExpander;
import org.springframework.ai.rag.preretrieval.query.transformation.QueryTransformer;
import org.springframework.ai.rag.preretrieval.query.transformation.RewriteQueryTransformer;
import org.springframework.ai.rag.preretrieval.query.transformation.TranslationQueryTransformer;
import org.springframework.http.MediaType;
import org.springframework.http.codec.ServerSentEvent;
import org.springframework.web.bind.annotation.GetMapping;
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;

import java.util.List;

/**
 * @Author: wst
 * @Date: 2024-12-16
 */

@RestController
@RequestMapping("/rag")
public class RagController {

    private final ChatClient openAiChatClient;

    private final ChatModel chatModel;

    private final MultiQueryExpander queryExpander;

   private final QueryTransformer queryTransformer;

    private  QueryTransformer translationQueryTransformer;

    public RagController(ChatModel chatModel) {

        this.chatModel = chatModel;

//		 创建聊天客户端实例
// 设置系统提示信息，定义AI助手作为专业的室内设计顾问角色
        // 构造时，可以设置 ChatClient 的参数
        // {@link org.springframework.ai.chat.client.ChatClient};
        this.openAiChatClient = ChatClient.builder(chatModel)
                .defaultSystem("你是一位专业的室内设计顾问，精通各种装修风格、材料选择和空间布局。请基于提供的参考资料，为用户提供专业、详细且实用的建议。在回答时，请注意：\n" +
                        "1. 准确理解用户的具体需求\n" +
                        "2. 结合参考资料中的实际案例\n" +
                        "3. 提供专业的设计理念和原理解释\n" +
                        "4. 考虑实用性、美观性和成本效益\n" +
                        "5. 如有需要，可以提供替代方案")

                // 实现 Chat Memory 的 Advisor
                // 在使用 Chat Memory 时，需要指定对话 ID，以便 Spring AI 处理上下文。
                .defaultAdvisors(
                        new MessageChatMemoryAdvisor(new InMemoryChatMemory())
                )
                // 实现 Logger 的 Advisor
                .defaultAdvisors(
                        new SimpleLoggerAdvisor()
                )
                // 设置 ChatClient 中 ChatModel 的 Options 参数
                .defaultOptions(
                        OpenAiChatOptions.builder()
                                .topP(0.7)
                                .build()
                )

                .build();
        // 构建查询扩展器
// 用于生成多个相关的查询变体，以获得更全面的搜索结果
        queryExpander = MultiQueryExpander.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .includeOriginal(false) // 不包含原始查询
                .numberOfQueries(3) // 生成3个查询变体
                .build();
// 创建查询重写转换器
         queryTransformer = RewriteQueryTransformer.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .build();


// 创建查询翻译转换器，设置目标语言为中文
         translationQueryTransformer = TranslationQueryTransformer.builder()
                .chatClientBuilder(openAiChatClient.mutate())
                .targetLanguage("chinese")  // 设置目标语言为中文
                .build();

    }


    @GetMapping("/multiQuery")
    public List<Query> multiQuery() {
// 执行查询扩展
// 将原始问题"请提供几种推荐的装修风格?"扩展成多个相关查询
        List<Query> queries = queryExpander.expand(
                new Query("请提供几种推荐的装修风格?"));
        return queries;
    }

    @GetMapping("/rewriteQuery")
    public String rewriteQuery( ) {
//        查询重写的主要优势：查询明确化：将模糊的问题转换为具体的查询点
//
//这种转换不仅有助于系统检索到更相关的文档，还能帮助生成更全面和专业的回答。

        // 创建一个模拟用户学习AI的查询场景
        Query query = new Query("我正在学习人工智能，什么是大语言模型？");
// 执行查询扩展
// 将原始问题"请提供几种推荐的装修风格?"扩展成多个相关查询
        // 执行查询重写
        Query transformedQuery = queryTransformer.transform(query);
        String rewirte = transformedQuery.text();

// 输出重写后的查询
        System.out.println(rewirte);
        return rewirte;
    }

    @GetMapping("/translationQuery")
    public String translationQuery( ) {
        Query query = new Query("What is LLM?");
// 执行查询翻译
        Query transformedQuery = translationQueryTransformer.transform(query);
// 输出翻译后的查询
        String transforme = transformedQuery.text();
        System.out.println(transforme);
        return transforme;
    }


}

查询翻译的主要优势：

  1. 多语言支持：支持不同语言之间的查询转换
  2. 本地化处理：将查询转换为目标语言的自然表达方式
  3. 跨语言检索：支持在不同语言的文档中进行检索
  4. 用户友好：允许用户使用自己熟悉的语言进行查询

Document Selection (文档选择)

在理解了检索增强顾问的基础上，我们来看看更复杂的文档选择机制。文档选择是RAG系统的核心组件之一，它决定了系统能够为用户提供多么准确和相关的信息。

3.7.1 文档结构设计

首先，让我们看一个结构良好的文档示例：

// 生成室内设计案例文档
List<Document> documents = new ArrayList<>();

// 现代简约风格客厅案例
documents.add(new Document(
        "案例编号：LR-2023-001\n" +
                "项目概述：180平米大平层现代简约风格客厅改造\n" +
                "设计要点：\n" +
                "1. 采用5.2米挑高的落地窗，最大化自然采光\n" +
                "2. 主色调：云雾白(哑光，NCS S0500-N)配合莫兰迪灰\n" +
                "3. 家具选择：意大利B&B品牌真皮沙发，北欧白橡木茶几\n" +
                "4. 照明设计：嵌入式筒灯搭配意大利Flos吊灯\n" +
                "5. 软装配饰：进口黑胡桃木电视墙，几何图案地毯\n" +
                "空间效果：通透大气，适合商务接待和家庭日常起居",
        Map.of(
                "type", "interior",    // 文档类型
                "year", "2023",        // 年份
                "month", "06",         // 月份
                "location", "indoor",   // 位置类型
                "style", "modern",      // 装修风格
                "room", "living_room"   // 房间类型
)));

每个文档包含两个主要部分：

  1. 文档内容：结构化的文本描述，包含项目编号、概述、详细信息等
  2. 元数据：用于快速筛选和分类的键值对，如类型、年份、位置等
3.7.2 高级检索实现

以下是一个完整的高级检索示例：

// 1. 初始化向量存储
SimpleVectorStore vectorStore = SimpleVectorStore.builder(embeddingModel)
        .build();

// 2. 配置AI助手角色
ChatClient chatClient = builder
        .defaultSystem("你是一位专业的室内设计顾问，精通各种装修风格、材料选择和空间布局。请基于提供的参考资料，为用户提供专业、详细且实用的建议。在回答时，请注意：\n" +
                "1. 准确理解用户的具体需求\n" +
                "2. 结合参考资料中的实际案例\n" +
                "3. 提供专业的设计理念和原理解释\n" +
                "4. 考虑实用性、美观性和成本效益\n" +
                "5. 如有需要，可以提供替代方案")
        .build();

// 3. 构建复杂的文档过滤条件
var b = new FilterExpressionBuilder();
var filterExpression = b.and(
        b.and(
                b.eq("year", "2023"),         // 筛选2023年的案例
                b.eq("location", "indoor")),   // 仅选择室内案例
        b.and(
                b.eq("type", "interior"),      // 类型为室内设计
                b.in("room", "living_room", "study", "kitchen")  // 指定房间类型
));

// 4. 配置文档检索器
DocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
        .vectorStore(vectorStore)
        .similarityThreshold(0.5)    // 设置相似度阈值
        .topK(3)                     // 返回前3个最相关的文档
        .filterExpression(filterExpression.build())
        .build();

// 5. 创建上下文感知的查询增强器
Advisor advisor = RetrievalAugmentationAdvisor.builder()
        .queryAugmenter(ContextualQueryAugmenter.builder()
                .allowEmptyContext(true)
                .build())
        .documentRetriever(retriever)
        .build();

// 6. 执行查询并获取响应
String userQuestion = "根据已经提供的资料，请描述所有相关的场景风格，输出案例编号，尽可能详细地描述其内容。";
String response = chatClient.prompt()
        .user(userQuestion)
        .advisors(advisor)
        .call()
        .content();

这个实现包含以下关键特性：

  1. 元数据过滤：

    • 使用FilterExpressionBuilder构建复杂的过滤条件
    • 支持精确匹配（eq）、范围查询（in）等多种过滤方式
    • 可以组合多个条件（and/or）实现精确筛选

  2. 相似度控制：

    • 通过similarityThreshold设置相似度阈值（0.3）
    • 使用topK限制返回结果数量（3）
    • 确保只返回最相关的文档

  3. 上下文感知：

    • 集成ContextualQueryAugmenter实现上下文感知
    • 允许空上下文查询（allowEmptyContext）
    • 自动关联相关文档和查询上下文

  4. 智能顾问集成：

    • 使用RetrievalAugmentationAdvisor增强查询效果
    • 自动整合文档检索和查询处理
    • 提供更智能的响应生成

通过这种多层次的文档选择机制，系统能够：

  1. 快速定位相关文档
  2. 准确评估文档相关性
  3. 智能组合多个信息源
  4. 生成高质量的回答
Spring AI-66.检索增强生成（RAG）模块参考文档总结
无
06-16 46
Spring AI 的检索增强生成（RAG）模块通过结合向量存储与语言模型，解决大模型在长文本处理和事实准确性上的局限。该架构包含检索、生成两阶段，支持预处理（查询转换/扩展）、检索（向量匹配）、后处理（排序/压缩）和生成（上下文增强）的自定义组件。内置两种顾问：QuestionAnswerAdvisor提供基础检索问答，RetrievalAugmentationAdvisor支持完整RAG流程定制。开发者可通过参数调优（相似度阈值、结果数量）和多语言处理（查询翻译）优化效果。模块化设计便于扩展各阶段组件，
7. 深入Spring AI：刨析 Advisors 机制
有一只柴犬的专栏
04-21 797
Spring AI Advisor 是连接 AI 模型与业务逻辑的核心中间件，其设计理念与 Spring AOP（切面编程）深度契合。他提供了一种灵活而强大的方法来拦截、修改和增强 Spring 应用程序中的 AI 驱动的交互。通过利用 Advisors API，开发人员可以创建更复杂、可重用和可维护的 AI 组件。例如，我们可能会建立聊天记录、排除敏感词或为每个请求添加额外的上下文。其大致的处理流程如下所示：我们将提示词发送给AI大模型；
Spring AI——CompressionQueryTransformer(压缩)和RewriteQueryTransformer(改写)
qq_52147854的博客
02-12 1045
最近在研究Spring AI，在RAG预检索部分有两个做转换输入查询的类，分别是CompressionQueryTransformer和RewriteQueryTransformer。
java 使用开源免费API实现翻译功能 - 代码基于spring ai和国产大模型
whisperzzza的博客
11-14 4106
在当今技术快速发展的背景下，利用#java基于免费开源API实现翻译功能成为了一个既实用又高效的解决方案。随着大模型技术的进步，尤其是阿里巴巴云开发的Qwen千问模型，在MMLU、TheoremQA等多方面测评中超越了Llama 3 70B，并荣登Hugging Face排行榜首，这表明我们可以转向更智能的方式来处理语言间的转换问题。通过Spring AI Alibaba框架的支持，不仅能够轻松调用先进的AI能力如Qwen模型来进行精准的多语言翻译工作，而且还能享受到100万免费Token额度带来的成本效益
Spring AI RAG 实战：MultiQueryExpander+RewriteQueryTransformer+CompressionQueryTransformer打造高精准多轮对话知识库
最新发布
weixin_38436441的博客
07-19 1343
本文详细介绍了基于SpringAI 1.0.0-SNAPSHOT版本的RAG（检索增强生成）系统从开发到生产落地的全流程实践。主要内容包括： 环境与依赖配置：详细说明JDK21、SpringBoot 3.3.0等核心组件的版本选型原则及兼容性矩阵 系统架构实现：采用DDD分层设计，包含查询预处理、多查询扩展、向量检索、结果合并等完整RAG流程 生产级优化：提供Redis向量存储配置、动态模型切换、全链路监控（Zipkin）、缓存策略等多维度优化方案 测试与部署：涵盖单元测试、JMH性能测试、Docker镜像
【Spring AI】Java实现类似langchain的向量数据库RAG_原理与具体实践
whisperzzza的博客
10-12 2556
spring ai rag 实现类似llamaindex / langchan 类似的向量检索能力
【spring ai】java 实现RAG检索增强，超快速入门
whisperzzza的博客
10-10 3681
spring ai rag 人工智能检索增强能力提升，快速入门
RAG 调优指南：Spring AI Alibaba 模块化 RAG 原理与使用
阿里巴巴云原生的博客
04-02 1163
RAG（Retrieval Augmented Generation，检索增强生成）是一种结合信息检索和文本生成的技术范式。
使用Spring AI中的RAG技术，实现私有业务领域的大模型系统
水中加点糖
11-12 3835
RAG，即，检索增强生成。它是大模型和信息检索技术的结合技术。百度百科上的解释为：当模型需要生成文本或者回答问题时，它会先从一个庞大的文档集合中检索出相关的信息，然后利用这些检索到的信息来指导文本的生成，从而提高预测的质量和准确性。“让大模型为行业赋能”。RAG的工作流程可参考SpringAI中的这张图：即：在用户向大模型检索某个信息时，会携带关于所需要检索的背景知识，这样以让大模型可以参考已有知识来进行应答。使用SpringAI内置的RAG和功能可以快速实现一个针对私有业务领域。
Java 基于Spring AI RAG组件做AI智能问答_rag检索增强_AI智能问答
whisperzzza的博客
12-03 1436
通义是由阿里集团输出的开源大模型服务，支持全尺寸，多模态大模型。并且在世界的中文开源模型业界，能力也是最领先的：1）能力排名靠前：QWen 在MMLU、TheoremQA、GPQA等客观评测指标上超越了Llama 3 70B。竞技场模式也在国产的第一梯队，仅次于open ai 的gpt、claude和马斯克的grek。2）可访问性和合规性： 在API调用的情况下是有安全保护的，基本不用担心出现恶意问题攻击问题。3）完全开源： 目前是最为开放的模型之一，提供了全尺寸的多模态大模型开源版本。
springai查询翻译重写
06-05
为了充分利用 Spring AI 的查询翻译和查询重写功能，开发者需要确保正确配置相关依赖项，并合理设计应用程序的架构。Spring AI 的核心优势在于其与 Spring 生态系统的无缝集成以及对多种 AI 提供商的支持[^2]。这...
Spring AI 实战：第二章、Spring AI提示词之玩转AI占卜的艺术
liaokailin的专栏
05-03 1287
引言：程序员的神秘学探索引言：程序员的神秘学探索“下个迭代能按时发布吗？“这次晋升机会有多大？“我写的代码为什么总在半夜出bug？作为一名开发者是否也曾被这些略带玄学问题困扰？那让我们用Spring AI和提示词工程打造一个专属于程序员的"赛博占卜师"，让大师来为你占卜一卦吧~一、提示词工程 - 与AI对话的艺术1.1 提示词工程是什么类比一下，AI就像一位刚从名校毕业的高材生它知识渊博但缺乏经验能解决复杂问题但需要明确指引有时会"过度脑补"（专业术语叫"幻觉"）
Spring AI Java程序员的AI之Spring AI（三）RAG实战
qq1071643762的博客
10-17 4204
Spring AI目前也可以实现RAG我们也分步骤来看如何实现。
springAI + DeepSeek 版 RAG 来啦！！！
hello！树先生！
02-21 3001
上篇文章我们了解了springAI+zhipu+pgvector实现RAG，从环境搭建到代码编写再到效果演示的完整过程。考虑到近期DeepSeek大火，很多开发者需要对接DeepSeek，所以，这篇文章，将带大家使用springAI+DeepSeek+zhipuEmbedding+pgvector实现RAG，希望能够帮到有需要的开发者。
Spring AI DocumentTransformer
王小工小工历程
01-23 2211
在Spring AI中，DocumentTransformer是ETL（提取、转换、加载）框架的一个关键组件。ETL框架是数据处理中的核心，特别是在检索增强生成（Retrieval Augmented Generation, RAG）的应用场景中。DocumentTransformer在Spring AI中主要负责将文档从一种形式转换为另一种形式，以便更好地进行后续处理或分析。
Spring AI之RAG入门
遥远
06-03 1676
本文介绍了RAG（检索增强生成）技术的概念、应用场景及核心流程，并详细说明了如何利用SpringAI框架实现RAG功能。
SpringAI框架中的RAG知识库检索与增强生成模型详解
XP_DSB的博客
05-09 1915
本文详细介绍了SpringAI框架中RAG技术的实现方式，包括QuestionAnswerAdvisor和RetrievalArgumentAdvisor两种主要方案，以及检索前预处理、检索、检索后处理和生成的完整流程示例。
SpringBoot+Spring AI Alibaba接入RAG应用实战，让你的微服务应用具备智能化能力，小白也能快速上手
2401_85375186的博客
03-03 2153
就像你无法回答一个陌生领域的问题一样，大模型也无法回答预训练阶段没有准确掌握的知识。但是我们可以在大模型直接回答私有领域问题之前，给大模型一些参考，让大模型结合参考来回答问题。这一技术被称为检索增强生成（Retrieval-Augmented Generation，RAG），非常适合于在私域知识问答场景中消除大模型幻觉（编造答案）。RAG 应用有两个关键过程：建立索引：这一阶段你需要将私有领域知识的文档（如 PDF、Word 等格式）存储起来并建立索引。
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

非ban必选

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