手把手教你！Dify 工作流实战全解析 —— 附 YML 配置文件实操案例

最新推荐文章于 2025-07-29 22:22:34 发布
最新推荐文章于 2025-07-29 22:22:34 发布
阅读量2.6k 收藏 30
点赞数 75
CC 4.0 BY-SA版权
分类专栏： dify AI 开源模型 文章标签： dify AI 人工智能 AI编程 工作流 agent 实战
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/haolove527/article/details/149723451

Dify 工作流实战指南

引言

Dify 是一个开源的低代码/无代码 AI 应用开发平台，其工作流（Workflow）功能通过可视化节点连接，允许用户快速构建复杂的多步骤逻辑，适用于聊天机器人、问答系统、数据分析和自动化任务等场景。本文提供一个详细、可实施的 Dify 工作流实战指南，基于 Deep Research 模板构建一个自动化研究助手，输入研究主题（如“AI 在医疗领域的应用”），通过迭代搜索和信息整合生成带引用的综合报告。同时，补充 Dify 本地化部署所需的 YAML 文件（docker-compose.yml 和 docker-compose.middleware.yml），以及工作流配置文件（workflow.yaml），以支持本地运行工作流。本指南逻辑清晰，步骤明确，适合初学者和进阶用户。

实战目标

通过 Dify 的 Deep Research 工作流模板，构建一个自动化研究助手，展示以下功能：

  • 意图识别：捕获用户输入的研究主题和迭代深度。
  • 迭代搜索：使用搜索工具（如 Exa Answer 或 Serper）获取相关信息。
  • 信息合成：通过大型语言模型（LLM）分析结果，生成结构化报告。
  • 本地部署：使用 Docker Compose 部署 Dify，确保工作流在本地运行。

准备工作

在开始实战之前，确保完成以下准备：

  • Dify 环境：
    • 云端部署：注册 Dify 账号（Dify 官网），无需本地安装。
    • 本地部署（推荐用于本实战）：参考 Dify 文档 - 本地部署，需至少 2 vCPU 和 8GB 内存。
  • 硬件要求：2 vCPU，8GB 内存，20GB 存储空间。
  • 软件要求：
    • Docker（Linux 使用 Docker Engine，Windows/macOS 使用 Docker Desktop，建议启用 WSL 2）。
    • Git（用于克隆 Dify 仓库）。
  • LLM API 密钥：获取 OpenAI、Claude 或本地模型（如 Ollama）的 API 密钥。Ollama 部署命令：
    docker run -d --name ollama --rm -p 11434:11434 ollama/ollama
  • 工具配置：注册并获取搜索工具的 API 密钥，如：
  • 基础知识：了解 Dify 的核心组件，如节点（Start、LLM、Tools、Answer 等）、变量和 RAG 管道。

实战步骤：构建 Deep Research 工作流

以下是基于 Dify Deep Research 模板的详细、可实施步骤，涵盖工作流创建、配置、测试和发布。

1. 本地部署 Dify

为确保工作流在本地运行，先完成 Dify 的本地化部署。

1.1 克隆 Dify 仓库
git clone https://github.com/langgenius/dify.git
cd dify/docker
1.2 配置 docker-compose.middleware.yml

此文件定义中间件服务（PostgreSQL、Redis、Weaviate），支持工作流的数据库、缓存和向量搜索功能。

version: '3.8'
services:
  db:
    image: postgres:16.4
    container_name: dify-postgres
    restart: always
    environment:
      - POSTGRES_USER=dify
      - POSTGRES_PASSWORD=difyai123456
      - POSTGRES_DB=dify
    volumes:
      - ./pgdata:/var/lib/postgresql/data
    ports:
      - "5432:5432"
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U dify"]
      interval: 5s
      timeout: 5s
      retries: 5

  redis:
    image: redis:7
    container_name: dify-redis
    restart: always
    volumes:
      - ./redis:/data
    ports:
      - "6379:6379"
    healthcheck:
      test: ["CMD", "redis-cli", "ping"]
      interval: 5s
      timeout: 5s
      retries: 5

  weaviate:
    image: semitechnologies/weaviate:1.26.1
    container_name: dify-weaviate
    restart: always
    environment:
      - QUERY_DEFAULTS_LIMIT=25
      - AUTHENTICATION_ANONYMOUS_ACCESS_ENABLED=true
      - PERSISTENCE_DATA_PATH=/var/lib/weaviate
      - DEFAULT_VECTORIZER_MODULE=none
      - ENABLE_MODULES=text2vec-transformers
      - TRANSFORMERS_INFERENCE_API=http://t2v-transformers:8080
    volumes:
      - ./weaviate:/var/lib/weaviate
    ports:
      - "8080:8080"
      - "50051:50051"
    healthcheck:
      test: ["CMD", "curl", "-f", "http://localhost:8080/v1/.well-known/ready"]
      interval: 10s
      timeout: 5s
      retries: 5

  t2v-transformers:
    image: semitechnologies/transformers-inference:sentence-transformers-multi-qa-MiniLM-L6-cos-v1
    container_name: dify-t2v-transformers
    environment:
      - ENABLE_CUDA=0
1.3 配置 docker-compose.yml

此文件定义 Dify 的核心服务，包括前端、后端和工作进程。

version: '3.8'
services:
  api:
    image: langgenius/dify-api:0.10.0
    container_name: dify-api
    restart: always
    depends_on:
      db:
        condition: service_healthy
      redis:
        condition: service_healthy
      weaviate:
        condition: service_healthy
    environment:
      - SECRET_KEY=${SECRET_KEY:-your-secret-key}
      - DB_HOST=db
      - DB_PORT=5432
      - DB_USER=dify
      - DB_PASSWORD=difyai123456
      - DB_DATABASE=dify
      - REDIS_HOST=redis
      - REDIS_PORT=6379
      - WEAVIATE_HOST=weaviate
      - WEAVIATE_PORT=8080
      - DEPLOY_ENV=PRODUCTION
      - EDITION=SELF_HOSTED
    volumes:
      - ./api:/app/api
    ports:
      - "5001:5001"

  web:
    image: langgenius/dify-web:0.10.0
    container_name: dify-web
    restart: always
    depends_on:
      - api
    environment:
      - API_PREFIX=http://api:5001
      - DEPLOY_ENV=PRODUCTION
      - EDITION=SELF_HOSTED
    ports:
      - "3000:3000"

  worker:
    image: langgenius/dify-api:0.10.0
    container_name: dify-worker
    restart: always
    depends_on:
      db:
        condition: service_healthy
      redis:
        condition: service_healthy
      weaviate:
        condition: service_healthy
    environment:
      - SECRET_KEY=${SECRET_KEY:-your-secret-key}
      - DB_HOST=db
      - DB_PORT=5432
      - DB_USER=dify
      - DB_PASSWORD=difyai123456
      - DB_DATABASE=dify
      - REDIS_HOST=redis
      - REDIS_PORT=6379
      - WEAVIATE_HOST=weaviate
      - WEAVIATE_PORT=8080
      - DEPLOY_ENV=PRODUCTION
      - EDITION=SELF_HOSTED
    command: ["celery", "-A", "app.celery", "worker", "-P", "gevent", "-c", "1", "--loglevel", "INFO", "-Q", "dataset,generation,mail,ops_trace"]
    volumes:
      - ./api:/app/api
1.4 配置环境变量
  • 复制环境变量模板：
    cp .env.example .env
cp middleware.env.example middleware.env
  • 编辑 .env，设置关键变量：
    DOCKER_COMPOSE_PORT=80
STORAGE_TYPE=local
OLLAMA_BASE_URL=http://localhost:11434
SECRET_KEY=$(openssl rand -base64 42)
1.5 启动 Dify
  • 启动中间件服务：
    docker compose -f docker-compose.middleware.yaml up -d
  • 启动 Dify 服务：
    docker compose up -d --build
  • 访问初始化页面：打开浏览器，访问 http://localhost/install，设置管理员账户。
  • 访问 Dify：初始化完成后，访问 http://localhost。

2. 创建 Deep Research 工作流

  1. 登录 Dify：
    • 访问 http://localhost，使用管理员账户登录。
    • 点击“Create Application”。
  2. 选择模板：
    • 在“Explore”页面，搜索“DeepResearch”模板。
    • 点击“Create”，命名应用（如“ResearchBot”），进入工作流编辑器。
    • 若无模板，从空白 Workflow 开始，手动添加节点。

3. 配置 Start 节点

  • 设置输入参数：
    • research_topic：文本类型（如“AI in healthcare”）。
    • max_loop：数字类型（默认 5）。
  • 配置示例：
    research_topic: AI in healthcare
max_loop: 5
  • 连接：输出连接到 Iteration 节点。

4. 添加 Iteration 节点

  • 拖放节点：拖动 Iteration 节点，连接 Start 节点的 research_topic 输出。
  • 配置输入：
    • 输入：search_keywords（数组类型，初始值从 research_topic 分解，如 [“AI diagnostics”, “AI patient care”]）。
  • 输出：iteration_results（每次循环的搜索结果）。

5. 配置搜索工具（Tools 节点）

  • 添加节点：拖动 Tools 节点，连接 Iteration 节点的 search_keywords 输出。
  • 选择工具：
    • 选择“Exa Answer”或“Serper”。
    • 输入 API 密钥（需在 exa.ai 或 serper.dev 注册）。
  • 配置输入：
    • 查询：{{iteration.search_keywords}}。
  • 输出变量：search_results（搜索结果列表，包含标题、URL、摘要）。

6. 添加 LLM 节点

  • 选择模型：
    • 选择 gpt-4o、Claude 或 Ollama（URL：http://localhost:11434）。
  • 设置提示：
    Based on the search results: {{search_results}}, identify knowledge gaps and suggest the next search topic. Output in JSON format:
{
  "nextSearchTopic": "string",
  "shouldContinue": boolean
}
  • 输出变量：
    • nextSearchTopic：如“AI patient outcome prediction”。
    • shouldContinue：true/false。
  • 连接：输入为 search_results，输出连接到 If/Else 节点。

7. 添加 If/Else 节点

  • 配置条件：
    • 条件：{{llm.shouldContinue}} == true
  • 分支：
    • True 分支：连接回 Iteration 节点。
    • False 分支：连接到 Answer 节点。

8. 配置 Answer 节点

  • 配置输出：
    • 使用 Jinja2 模板：
      # Research Report on {{start.research_topic}}
## Findings
{% for result in iteration.iteration_results %}
- {{result.snippet}}
{% endfor %}
## References
{% for result in iteration.iteration_results %}
- {{result.title}}: {{result.url}}
{% endfor %}
  • 连接：输入为 iteration.iteration_results。

9. 配置工作流 YAML 文件

以下是 Deep Research 工作流的 YAML 配置，用于定义节点和逻辑。

version: '1.0'
nodes:
  - id: start
    type: Start
    inputs:
      research_topic:
        type: string
        value: ''
      max_loop:
        type: number
        value: 5
    outputs:
      research_topic: string
      max_loop: number
  - id: iteration
    type: Iteration
    inputs:
      search_keywords: '{{start.research_topic}}'
      max_iterations: '{{start.max_loop}}'
    outputs:
      iteration_results: array
  - id: search_tool
    type: Tool
    tool: ExaAnswer
    inputs:
      query: '{{iteration.search_keywords}}'
      api_key: '${EXA_API_KEY}'
    outputs:
      search_results: array
  - id: llm
    type: LLM
    model: gpt-4o
    inputs:
      prompt: |
        Based on the search results: {{search_results}}, identify knowledge gaps and suggest the next search topic. Output in JSON format:
        {
          "nextSearchTopic": "string",
          "shouldContinue": boolean
        }
      search_results: '{{search_tool.search_results}}'
    outputs:
      nextSearchTopic: string
      shouldContinue: boolean
  - id: if_else
    type: IfElse
    condition: '{{llm.shouldContinue}} == true'
    true_branch: iteration
    false_branch: answer
  - id: answer
    type: Answer
    inputs:
      output: |
        # Research Report on {{start.research_topic}}
        ## Findings
        {% for result in iteration.iteration_results %}
        - {{result.snippet}}
        {% endfor %}
        ## References
        {% for result in iteration.iteration_results %}
        - {{result.title}}: {{result.url}}
        {% endfor %}
    outputs:
      report: string
  • 保存文件：保存至 dify/workflows/research_bot.yaml。
  • 导入工作流：
    • 在 Dify 仪表板，点击“Import Workflow”，上传 workflow.yaml。
    • 验证节点连接和配置。

10. 测试与调试

  • 预览工作流：
    • 点击“Preview”，输入：
      research_topic: AI in healthcare
max_loop: 5
    • 检查输出报告。
  • 调试工具：
    • 使用“Workflow Process”面板，检查节点输入/输出。
    • 验证变量值（如 search_results、nextSearchTopic）。
  • 常见问题：
    • 搜索结果不准确：检查 API 密钥或关键词。
    • 迭代未结束：验证 max_loop 或 shouldContinue。

11. 发布与集成

  • 发布应用：
    • 点击“Publish”，生成 WebApp 链接（如 http://localhost/apps/research_bot）。
  • API 集成：
    • 获取 API 端点：
      curl -X POST http://localhost:5001/v1/workflows/run \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"research_topic": "AI in healthcare", "max_loop": 5}'

示例输出

# Research Report on AI in Healthcare
## Findings
- AI improves diagnostics through image analysis, such as MRI and CT scans, achieving over 90% accuracy.
- Predictive models reduce hospital readmissions by 15%.
## References
- AI in MRI Analysis: https://pubmed.ncbi.nlm.nih.gov/...
- WHO Report on AI in Healthcare: https://www.who.int/...

高级优化

  • 并行处理：使用 Dify v0.8.0+ 的并行分支，同时运行多个搜索工具。
  • RAG 管道：上传医疗文档，使用 Knowledge Retrieval 节点。
  • 调试增强：利用 Dify v1.5.0 的节点输出保存功能

注意事项

  • API 密钥安全：使用环境变量存储密钥。
  • 资源需求：复杂工作流建议 16GB 内存。
  • 更新维护：定期运行 git pull 和 docker compose pull。
  • 社区支持：参考 Difyt 模板库。

结论

本实战指南通过本地部署和 Deep Research 工作流构建，展示了 Dify 的强大功能。提供的 YAML 文件确保了部署和工作的可实施性。用户可快速上手，构建高效 AI 应用，适用于从原型到生产的各种场景。

在Debian Docker环境一键部署Dify：手把手教你搭建本地AI应用开发平台 ——零代码实现大模型应用，开启智能开发新体验
汽车软件开发
04-07 395
Dify是一个开源的**LLM应用开发平台**，支持通过可视化界面快速构建智能问答、网页分析、Agent助手等AI应用，无需深入编码即可实现大模型（如GPT-4、DeepSeek等）的集成与部署。通过Docker部署Dify，仅需10分钟即可搭建私有化AI开发平台。- 修改`docker-compose.yml`中的端口映射（如`80:80`改为`8080:80`）。进入Dify控制台，即可创建应用、配置模型（如DeepSeek、Ollama等）。多模型支持：兼容主流开源及闭源大模型，支持私有化部署。
Dify智能体：知识库检索工作流.yml
04-25
Dify智能体：知识库检索工作流.yml
DeepSeek+Dify搭建工作流.zip
03-26
提供以下解决方案及资料： （1）Dify搭建工作流(专题论文、DeepResearch等实操)文档 （2）Dify的本地部署方案 （3）Diffy源代码+Docker win系统安装包 （4）提供上述视频学习地址
手把手教你玩转Dify：外部知识库接入与精准召回实战
最新发布
ceshiren_com的博客
07-29 871
本文提供企业级精准知识问答系统构建指南，通过Dify与RagFlow深度集成解决内置知识库的跨类别混淆问题。详解混合检索策略（向量+关键词+元数据过滤），实现医疗设备等专业领域98%的精准匹配率，并给出动态更新、多库路由等进阶方案，助力企业将碎片知识转化为智能服务。
利用Dify编制用户问题意图识别和规范化回复
hhue2007的专栏
03-22 3677
整体感觉dify在工作流可视化编排方面非常好，部分功能无法实现，可以通过代码执行模块或者自定义工具来实现（后续再具体分享），agent方面也有提示词引入、变量定义、知识库引入和工具引入等，同时支持多轮对话，总体感觉workflow和agent结合着用非常方便，供大家参考。本次要是在游泳健身方面实现了用户提出的有关游泳健身方面问题意图识别、分类，包括有关游泳健身和健身app使用方面的咨询，最终形成规范化问题反馈输出，这里设计到如何构建知识库，如何设计workflow、如何将工作流发布为工具等等。
保姆教程篇：手把手教你从零开始本地部署Dify工作流
热门推荐
He_r_o的博客
08-11 9万+
本教程将手把手指导您在个人电脑上安装和配置 Dify。
保姆教程篇（改进版）：手把手教你从零开始本地部署Dify工作流
大灰狼智算中心
03-15 4330
本教程将指导您在上安装和配置 Dify。但是我按照这篇文章部署的时候遇到了一些问题，因此了为了大家少走弯路，我在这篇文章的基础上，补充我踩过的坑补上；
华为云Flexus+DeepSeek征文 | 手把手教你用Flexus X实例一键部署Dify高可用版
摘星编程的博客
06-02 2万+
我是摘星，一名专注于云计算和AI技术的开发者。本次通过华为云MaaS平台体验DeepSeek系列模型，将实际使用经验分享给大家，希望能帮助开发者快速掌握华为云AI服务的核心能力。
10分钟搭建合同审查AI智能体！Dify+Qwen3保姆级教程，小白轻松上手
c18213590220的博客
06-26 1272
大家好，我是小肥肠，专注AI干货知识分享，今天给大家分享的是Dify智能体教程：教你从0到1搭建合同审查小助手。
Dify 工作流 DSL 文件
02-27
在探讨“Dify 工作流 DSL 文件”的主题时，首先需要明确“工作流”这一术语的含义。工作流，简单来说，是工作过程中的步骤和程序，它规定了在特定环境下，任务如何被处理、流转、执行和监控。而DSL，即领域特定语言...
dify 工作流 迭代 dify 工作流 迭代
03-06
dify工作流迭代 dify工作流迭代是一种在企业应用开发中常用的技术，其核心思想在于通过不断优化工作流的每一个步骤来提高工作效率和降低出错率。工作流迭代主要涉及两个方面：工作流的设计和工作流的执行。 工作流...
手把手教你在 Windows 上用 Dify+Langbot 搭建微信智能小助手
代码瞬间移动工程师的博客
06-19 990
Dify 是一款强大的 LLM 应用开发平台，能轻松构建 AI 工作流与对话模型；Langbot 则是支持多平台的即时通信机器人框架，二者结合可快速实现微信接入。它们的优势在于高稳定性、丰富的插件生态以及对多种大语言模型的支持，非常适合打造个性化的微信小助手。 作者：AI转型之路 链接：https://juejin.cn/spost/7517116929376370739 来源：稀土掘金 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
Datawhale 科大讯飞AI大赛（模型蒸馏）
1ncludeSteven
07-27 1412
使用教师模型蒸馏学生模型（小模型），使得学生模型尽可能在数学推理任务中表现更好，评分标准由4个指标组成：Overall Score=0.4×AS+0.3×CQS+0.2×ES+0.1×MLS。通过上述方法构建了3个对应的数据集，目前想要对最终的模型使用的数据集进行消融实验，训练及评分过程较慢。三个数据集合并后共包含2126条数据。模型微调后，创建应用，发布服务即可提交赛题，目前赛题评分中，待更新最后分数。
SpringAI入门及浅实践，实战 Spring‎ AI 调用大模型、提示词工程、对话记忆、Adv‎isor 的使用
WDJ54068923的博客
07-28 1247
本文摘要： 文章系统介绍了Spring AI中关于提示词工程（Prompt）与对话记忆的核心知识点。提示词工程部分详解了提示词的基本概念与分类（基于角色/功能），并总结了14条优化技巧，强调清晰指令、结构化输出和任务拆解等关键点。对话记忆部分展示了通过ChatClient实现多轮对话的多种方式，包括构造器注入、建造者模式、不同响应格式（ChatResponse/实体对象/流式返回）以及动态提示词模板的应用。全文通过代码示例直观呈现了Spring AI处理AI交互的核心技术方案。
AI算法实现解析-C++实例
keny-大成的博客
07-29 1874
本文摘要： 本文汇总了基于C++实现的多种AI/机器学习技术，涵盖计算机视觉、自然语言处理和强化学习等领域。主要内容包括： 计算机视觉： 目标检测（YOLOv3/YOLO Tiny） 人脸识别（OpenCV Haar级联/OpenFace） 图像风格迁移（OpenCV DNN模块） 特征匹配（SIFT/Lucas-Kanade光流） 自然语言处理： 文本分类（朴素贝叶斯/TF-IDF） 语言模型（N-gram/Word2Vec） 文本生成（LSTM/GRU） 情感分析（FastText/深度学习） 强化学习
AI模型训练中过拟合和欠拟合的区别是什么？
workflower的博客
07-28 1327
定义：模型未能充分学习到数据中的规律，对训练数据的拟合程度较差，在训练集和测试集上的表现都不好（如准确率低、损失值高）。- 定义：模型过度学习了训练数据中的细节（包括噪声和随机波动），导致对训练数据拟合效果极好，但对未见过的测试数据泛化能力差。- 表现：训练集性能极好（如准确率接近100%），但测试集性能明显下降，两者差距很大。- 表现：训练集和测试集的性能指标（如准确率）都较低，且两者差距不大。- 过拟合：模型“学太死”，只对训练数据表现好，对新数据没用。- 模型结构过于复杂（如参数过多）；
AI崛起后，对使用AI的一些小思考
2303_81991798的博客
07-29 865
AI编程工具的快速发展极大降低了技术门槛，使普通用户也能轻松制作静态网页等项目。然而，真正的技术壁垒在于后端开发、SEO优化等专业领域。开发者需从用户需求出发，关注解决实际痛点而非技术本身。在变现方面，需设计符合用户心理的定价策略，如免费增值模式和小额支付。面对大厂竞争，应通过优化体验、建立品牌等方式提升用户粘性。AI时代，创意和服务能力比技术实现更重要。
车载图传系统：移动场景下的 “信息中枢”
伟博 图传解决方案
07-28 1070
车载图传系统凭借其卓越的技术性能、丰富的功能特性以及广泛的应用场景，已成为现代移动作业不可或缺的重要组成部分。它不仅为各行业的高效运转提供了有力支撑，更在保障公共安全、提升城市治理水平等方面发挥着关键作用。随着技术的不断进步，车载图传系统必将迎来更广阔的发展空间，为构建更加智能、安全、高效的社会环境贡献更大力量。
dify工作流实战项目
02-25
### Dify 工作流实战项目示例 #### 使用 Dify 和 Moonshot API 构建 AI 应用程序 构建应用程序时，可以利用 Dify 平台及其集成的 Moonshot API 来实现复杂的功能。官方文档提供了详细的指导说明如何设置环境以及编写必要的配置文件[^3]。 ```bash docker run --name my-dify-app -p 80:80 nginx:latest ``` 这段命令展示了启动一个基于 Nginx 的容器实例的基础方式，在实际操作中会涉及到更复杂的参数设定来适配具体的应用需求。 #### 创建跨平台的内容分发网络 通过结合 Dify 提供的服务接口与第三方工具，能够建立一套适用于多渠道发布的自动化流程体系。这不仅限于社交媒体平台上的图文推送，还包括视频剪辑、音频处理等多个方面的工作支持[^2]。 #### 小红书文案自动生成方案 针对特定场景下的营销推广活动策划，有开发者分享了借助 Dify 联合 OpenAI 推出的语言模型完成从小红书笔记撰写到封面设计的一站式服务体验介绍[^4]。 ```python import dify_sdk as sdk client = sdk.Client(api_key="your_api_key") def generate_post(prompt): response = client.create_completion( engine="text-davinci-003", prompt=prompt, max_tokens=150 ) return response.choices[0].text.strip() ``` 上述 Python 代码片段演示了调用 Dify SDK 中的方法创建一段由人工智能生成的文字内容的过程，其中 `engine` 参数指定了所使用的预训练模型版本号；而 `prompt` 则是要传递给算法作为输入提示的信息字符串。
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