腾讯开源 Agent 记忆中心：让所有 AI Agent 共享一个“团队大脑“---TencentDB Agent Memory

原创 于 2026-08-20 08:49:55 发布 · 116 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
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。
GEO检测

一、它是什么？

TencentDB Agent Memory 是腾讯云开源的团队级 AI Agent 记忆中心。口号：

Agents remember. Humans innovate.（Agent 负责记忆，人类负责创新。）

它从一个实际问题出发：

用 Agent 干活时，已经解释过的项目上下文，新会话不该重复说；已经读过的文档，每个 Agent 不该从头再读；已经跑通的工作流，下次不该重新摸索。

核心思路：把对话、文档、代码转化成四种可复用的记忆资产，统一治理、共享、跨 Agent/跨框架装配。

它的价值主张可以浓缩成一行：

Existing information → Reusable memory assets → Fewer turns → Less rework → More stable results and higher efficiency
（现有信息 → 可复用记忆资产 → 更少轮次 → 更少返工 → 更稳定的结果和更高效率）

二、四种记忆资产（核心设计）

这是它最核心的设计，比单纯的"对话历史"高级得多：

资产来源作用
Chat Memory（对话记忆）从对话和任务中提取记住偏好、事实、决策、交互历史
Skill（技能）从工作流中提取把跑通的流程沉淀成可复用技能（带版本、资源、触发边界、执行步骤、验证规则）
LLM-Wiki（知识库）从文档转化产品文档、设计规范、运维手册变结构化页面 + 链接图（灵感来自 Karpathy 的 LLM 知识库）
Code-Graph（代码图谱）从代码转化索引代码符号、文件、调用关系、影响路径

三、Chat Memory 的分层：L0 → L3

对话不是平铺存储，而是逐层蒸馏：

层存什么主要用途
L0 Conversation带完整上下文的原始对话验证确切措辞、时间戳、来源
L1 Atom从对话提取的事实、偏好、约束、事件精确回忆可行动信息
L2 Scenario围绕项目或场景组织的知识块快速恢复工作上下文
L3 Core / Persona长期画像、稳定模式、高层认知让 Agent 快速进入用户/团队的上下文

生成和检索都是分层的：

  • 正常情况下，L2/L3 提供快速上下文引导

  • 需要具体事实时，BM25 + 向量检索 + RRF 回退到 L1/L0

  • 结果还会按条目数、字符预算、超时限制封顶，防止记忆撑爆上下文窗口

README 里有一句很生动的例子：

"Don't refactor the old auth module — mobile is still using it."（别重构旧的 auth 模块——移动端还在用。） 这种代价高昂的上下文，不该靠人类每次重复。

四、Skill：不只是 prompt 片段

Skill 不是一段 prompt 文本，它有完整结构：

  • 版本

  • 资源文件

  • 触发边界（什么时候该用）

  • 执行步骤

  • 验证规则

个人 Skill 默认私有；审查后可以共享给团队并分配给其他 Agent。

排障、代码评审、发布检查清单——学一次，整个团队都能用。

五、Wiki + CodeGraph：文档和代码也是记忆

Wiki

  • 把产品文档、设计规范、运维手册变成带链接图的结构化页面

  • 灵感来自 Andrej Karpathy 的 "LLM Wiki" gist

CodeGraph

  • 索引代码符号、文件、调用关系、影响路径

  • Agent 可以搜索、阅读、检查调用者/被调用者，改代码前做影响分析

README 的总结很到位：

Wiki 让 Agent 不用在干活前把每个文件列表读一遍。CodeGraph 不只告诉 Agent "代码在这"，还告诉它"改这个可能影响那些"。

六、怎么安装？

一键启动三个服务

git clone https://github.com/Tencent/TencentDB-Agent-Memory.git
cd TencentDB-Agent-Memory/deploy/global-images
cp .env.example .env
$EDITOR .env       # 填两组 LLM 参数（记忆组 + 代理组）
./start-all.sh     # 一键启动 memory-core + memory-hub + proxy

启动完成后会打印一行可以直接粘进 Claude 的命令。

打开面板：http://localhost:8125

完整文档见 INSTALL.md（中文 INSTALL_CN.md），包括独立 Memory Hub 部署、Proxy + Claude Code/CodeBuddy 用法、停止清理、端口说明。

版本迁移

老版本（v1.x/v0.x）升级到 v2.0.0+ 有官方迁移工具 MemoryCore/scripts/migrate-v2-to-v3/，新安装可忽略。

七、最大卖点：零代码接入所有 Agent

一个 Proxy，协议不变，零代码集成——只要把 Agent 的 base URL 指向 Proxy 就行：

  • 不需要插件

  • 不需要 hook

  • 不需要 MCP server

已支持的 Agent：

DeepSeek HarnessClaude CodeCodexCodeBuddy
WorkBuddyHermesOpenClaw更多框架持续接入中

没有你喜欢的 Agent？有 Generic 集成指南可以自己适配，官方欢迎 PR。

八、团队玩法：给一人公司建一支 Agent 团队

README 给了一个很有画面感的例子：

Tiny but Serious Inc.
├── 👤 You · 设定目标 / 做决策
├── 🔭 Scout · 调研 / 找机会
├── 🛠 Builder · 写代码 / 做产品
├── 🧪 Reviewer · 测试 / 找问题
└── 🧠 Agent Memory · 保存团队经验

你不是开了四个独立聊天窗口，而是在组一个班底，不同角色能继承团队积累的经验。

先招兵，再装备

🔭 Scout
   ├── 用户访谈 Chat Memory
   ├── 市场调研 Wiki
   └── 竞品分析 Skill
​
🛠 Builder
   ├── 产品 Wiki
   ├── 项目 CodeGraph
   └── 功能交付 Skill
​
🧪 Reviewer
   ├── 历史故障 Chat Memory
   ├── 项目 CodeGraph
   └── 发布检查清单 Skill

不同角色、不同装备。给每个 Agent 它真正需要的记忆资产，减少噪音。

公司可以很小，经验可以无限复利。

九、和普通 RAG / 聊天记录的对比

这张表是它最有说服力的部分：

聊天历史标准 RAGTencentDB Agent Memory
跨会话用户理解△△✅ Chat Memory
蒸馏后的可执行经验——✅ Skill
文档结构与关系—△ 分块检索✅ Wiki + 链接图
代码调用图与影响范围—△ 文本匹配✅ CodeGraph
所有权/版本/状态——✅
团队共享与 Agent 装备——✅
私有/团队/ACL—△✅

一句话区别：RAG 回答"能找到什么"，团队记忆还回答"谁能用、哪个版本有效、该发给哪个 Agent"。

十、治理：Memory Hub 是控制面板，不是展示板

玩法在 Hub 里做什么
Team Up创建团队，加人和 Agent，定义共享边界
Asset Library浏览、搜索、审查、管理四类记忆资产
Agent Loadout给不同 Agent 绑定不同记忆资产，调优先级和使用模式
Knowledge Workshop构建 Wiki 和 CodeGraph，监控处理状态和资产元数据
Access Control在私有/团队/ACL 间切换，需要时撤销共享

打开一个资产时，重要的不只是"它说什么"，还有"它从哪来、哪个版本、分配给谁、最近有没有用过"。

四种可见性

可见性语义
private只有 Owner 能读，连团队管理员都不行
team团队成员可读；Owner/Admin 可管理
restricted通过 User / Role / Agent ACL 精确授权
agent给同团队内 Agent 定向装备

新 Chat Memory 和 Skill 默认私有，共享是显式动作，不是默认泄露。

十一、冷启动：直接加载存档

大多数 Agent 的第一个任务是重新学习你的项目。TencentDB Agent Memory 把你已经付过的学习成本变成存档：

可直接导入并自动处理：

  • 代码库：CodeGraph 自动索引符号、文件、调用关系、影响路径

  • 文档文件：Wiki 自动生成带链接图的结构化页面

  • 会话记录：自动提取 Skill 和 Chat Memory

别再重新训练每个 Agent。给它存档。

十二、每次循环都在积累经验

记忆不运行 Agent 循环，它确保下一次迭代继承上一次的成果：

  • 有价值的交互留在 Chat Memory

  • 被验证的工作流蒸馏成 Skill

  • 文档/代码变更通过 Wiki ingest 和 CodeGraph sync 更新

没有记忆，循环可能只是更快地重复。有了继承的记忆，每次迭代都有机会比上次更好。

十三、Benchmark：PersonaMem +59%

官方给了一个基准测试结果：

Benchmark不带记忆开启记忆相对提升
PersonaMem48%76%+59%

PersonaMem 测试的是 Agent 在长期交互后能否正确理解和应用用户信息。提升 59% 是很显著的数字。

（注意：这是官方自测数据，建议结合自己的场景验证。）

十四、技术实现三个核心问题

README 明确说它不追求"存一切"，而是解决三个问题：什么值得留、谁能用、下次怎么少检索但检对的。

  1. 记忆不是扁平记录，而是分层生长：L0→L3 异步蒸馏，分层检索

  2. 记忆不是全局 prompt，而是 Agent 的装备：统一注册为 Memory Asset，Fixed Binding + ACL 决定可用范围

  3. 知识不是全量注入，而是按需调用：Wiki 可搜索、CodeGraph 可查询，Agent 先 /v3/tools/list 发现能力，再 /v3/tools/call 读取相关页面/代码/影响路径

文档和代码也是记忆的一部分，但它们保持为工具，只在真正需要时才进入上下文。

十五、优点总结

  1. 零代码接入：改个 base URL 就行，不用写插件/hook/MCP，这是最大优势

  2. 四类资产分类科学：Chat/Skill/Wiki/CodeGraph 覆盖 Agent 需要的几乎所有记忆类型

  3. L0-L3 分层蒸馏：不是全量塞 prompt，有智能分层和预算控制

  4. 团队级而非个人级：记忆在团队流通，新人第一天就能加载存档

  5. Agent 无关：不绑定 Claude/DeepSeek，框架可换、记忆留着

  6. ACL 精细：private/team/restricted/agent 四级，默认私有

  7. 大厂出品：腾讯云背书，有持续维护和商业化预期

  8. 自带面板：可视化管理审查，比命令行友好

  9. 有 benchmark：PersonaMem +59%

  10. 致谢开源社区：CodeGraph 用了 colbymchenry/codegraph，Skill 部分借鉴了 Nous Research 的 Hermes Agent，Wiki 灵感来自 Karpathy

十六、为什么这么火？

  • "Agent 记忆"是 2026 年最热基础设施方向之一：Agent 没记忆就只能做一次性任务

  • "零代码 + Proxy 接入"太香了：别的方案要写 hook/MCP，它改 URL 就搞定

  • DeepSeek Harness 同期爆火带飞：它是 DSH 生态重要配套，首屏就列了 DSH

  • 腾讯背书 + 中文友好：有中文文档，国内开发者接受度高

  • "加载团队存档"比喻有画面感：容易传播

  • 四资产设计完整：不是单点工具，是完整方案

  • 冷启动叙事打动人：别再重新训练每个 Agent

  • MIT 协议：商业友好

十七、注意事项

  • 需要配两组 LLM 参数（记忆提取组 + 代理组），有 token 成本

  • 目前是 Beta 版本（v2.0.0），迭代很快，API 可能变

  • 自托管需要 Docker 环境，三服务有一定资源占用

  • Wiki 和 CodeGraph 是异步构建，需要等处理时间到 ready 状态

  • CodeGraph 目前优先支持公开 HTTPS 仓库，私有仓库和 SSH 凭证支持还在完善

  • Hub 支持手动资产绑定，全自动记忆路由还在迭代

  • Node 要求 ≥22.16

附：官方资源

标签
#开源 #人工智能 #claude code #AI编程 #AI记忆
腾讯云开源TencentDB Agent Memory：为AI Agent构建持久化记忆系统
weixin_30691871的博客
08-05 451
在AI应用开发中，大语言模型（LLM）作为核心驱动技术，因其无状态的特性，常面临上下文长度限制和无法记忆历史交互的挑战。这导致了传统AI交互存在“失忆症”困境，用户体验割裂且无法实现个性化服务。为解决此问题，业界开始关注为AI Agent构建外部的记忆系统，其核心原理是将交互历史、用户偏好等视为结构化数据，通过数据库技术进行持久化存储与管理。这类系统的技术价值在于，它通过向量化与语义检索技术，使Agent能够智能地存取和利用历史信息，从而显著提升其连续决策和个性化服务能力。其典型应用场景包括智能客服、个性化
腾讯云开源TencentDB Agent Memory v2.0：构建AI编码智能体的团队共享记忆中枢
weixin_34160277的博客
08-09 421
在AI Agent与多智能体协作系统中，记忆存储与检索是支撑长期、复杂任务的核心基础设施。其原理在于通过向量数据库等技术，将非结构化的交互信息转化为结构化、可语义查询的知识，解决智能体间的上下文丢失与协作失忆问题。这一技术对于实现高效的AI编码助手、自动化开发流水线等工程实践具有关键价值，能显著提升团队级智能体的决策一致性与知识复用效率。腾讯云开源的TencentDB Agent Memory v2.0正是针对此类场景设计的记忆中枢，它专为AI Agent协作优化，提供高效的向量检索能力，适用于多智能体编程
腾讯云开源TencentDB Agent Memory v2.0：构建AI编码智能体的团队记忆中枢
weixin_42538752的博客
08-09 338
在AI驱动的软件开发领域，大语言模型（LLM）和智能体（Agent）正深刻改变着编程范式。其核心原理在于利用模型的上下文理解与生成能力，辅助开发者完成代码编写、调试和设计等任务。然而，传统AI编码助手通常受限于单次对话的上下文窗口，导致知识无法在团队和项目间持续积累与复用，这限制了其向真正“协作伙伴”的演进。为了解决这一痛点，腾讯云开源了TencentDB Agent Memory v2.0，它定位为“面向AI编码智能体的团队级记忆中枢”。该技术通过构建一个统一、持久且可共享的记忆层，将散落的项目知识（如架
腾讯云开源TencentDB Agent Memory v2.0：构建AI编程助手的团队记忆中枢
weixin_34198762的博客
08-09 407
在AI编程助手日益普及的背景下，如何实现团队级的知识共享与规范统一成为提升研发效能的关键挑战。这涉及到**向量数据库**等基础技术，它们通过语义检索能力为AI应用提供了信息查找的基石。其技术原理在于将非结构化数据转化为向量表示，并通过相似度计算实现高效检索，从而为智能体提供上下文支持。该技术的核心价值在于打破信息孤岛，实现知识的持久化与结构化复用。典型的应用场景包括代码片段管理、架构规范传承和团队经验沉淀。本文聚焦的TencentDB Agent Memory v2.0正是在此基础上，构建了一个面向**AI
腾讯云开源TencentDB Agent Memory v2.0：为AI编码智能体构建团队记忆中枢
weixin_34268310的博客
08-09 472
在AI智能体开发领域，如何突破大模型上下文长度限制并实现记忆持久化是核心挑战。其原理在于通过向量数据库和语义检索技术，将非结构化的对话、代码等上下文信息转化为向量并存储，从而实现高效、精准的长期记忆管理。这项技术的核心价值在于，它不仅能显著提升单个智能体的任务连续性，更能作为团队级的知识中枢，促进多智能体间的经验共享与协作，有效降低大模型调用成本。其典型应用场景包括需要长上下文管理的AI编码助手、自动化测试Agent以及多智能体协作系统。腾讯云开源的TencentDB Agent Memory v2.0项目
腾讯云开源TencentDB Agent Memory v2.0：为AI编码智能体构建团队级持久化记忆
weixin_28235513的博客
08-09 243
在AI辅助编程领域，大语言模型（LLM）的上下文窗口限制和会话隔离是制约其深度应用于复杂、长期、多人协作项目的核心瓶颈。这导致了AI助手在项目开发中表现出‘金鱼式’记忆，无法在多次对话或团队成员间共享项目上下文。其背后的关键技术原理是检索增强生成（RAG），它通过将外部知识库向量化并与用户查询进行相似性匹配，动态地为模型提供精准的上下文信息，从而提升响应的准确性和相关性。这项技术的核心价值在于，它能将分散、孤立的项目知识（如代码规范、架构设计、业务逻辑）转化为可检索、可共享的工程化资产。其典型应用场景包括团
腾讯云开源TencentDB Agent Memory：构建AI Agent持久化记忆中枢的实战指南
weixin_29061425的博客
08-17 270
在AI应用开发中，Agent的记忆管理是核心挑战之一。传统方法如将完整对话历史塞入上下文窗口，不仅导致token成本飙升，还受限于大模型处理长文本的能力。基于向量数据库的语义检索技术，通过将文本转换为嵌入向量并进行相似性搜索，实现了更智能的信息关联与召回。这一技术为AI Agent提供了持久化、结构化的记忆能力，使其能从历史交互中学习，实现连续、个性化的服务。在实际工程中，开发者常面临内存访问冲突、进程崩溃等运行时问题，需要合理选择嵌入模型与向量存储方案。腾讯云开源的TencentDB Agent Memo
TencentDB Agent Memory： 让 AI Agent 团队拥有“集体记忆”
weixin_46946948的博客
08-05 340
在 Memory Hub 中建一个 Team，把角色拆成 Scout（调研）、Builder（写代码）、Reviewer（测试）和 Agent Memory（沉淀经验）。可见性支持 private、team、restricted、agent 四级。**LLM-Wiki（知识图谱）：**把产品文档、PRD、接口说明、运维手册转化为带链接图的结构化页面，解决“当前有效知识在哪里”。，把对话、文档和代码转化为四类可治理、可共享、可跨框架复用的记忆资产，让 Agent 不再“换个 Session 就失忆”。
腾讯云开源Agent Memory：为AI编码智能体构建团队共享记忆中枢
weixin_33845881的博客
08-09 300
在AI驱动的软件开发中，大语言模型（LLM）和智能体（Agent）技术正深刻改变团队协作模式。其核心原理在于通过自然语言交互，将人类意图转化为可执行代码或操作。然而，单个AI智能体往往缺乏持久化记忆能力，导致在团队协作场景下，不同成员或不同智能体之间无法共享历史决策、代码规范和项目上下文，造成信息孤岛和重复劳动。为解决这一痛点，向量数据库和语义检索技术成为关键，它们能够将非结构化知识转化为可查询的向量表示，实现知识的持久化存储与精准召回。腾讯云开源的Agent Memory v2.0正是基于此技术构建的团队
腾讯云开源TencentDB Agent Memory v2.0：构建AI编码智能体的团队级记忆中枢
weixin_29053695的博客
08-09 318
在AI编程助手日益普及的今天，如何让智能体在长期协作中保持上下文连贯性成为关键挑战。传统AI助手缺乏持久化记忆能力，导致每次交互都需重新解释项目背景，造成重复劳动和知识孤岛。记忆系统的核心原理是通过向量化存储与语义检索技术，将对话、代码决策等结构化信息持久保存，实现基于历史经验的智能响应。这种技术能显著提升开发效率，确保团队知识资产的可传承性。在实际应用场景中，团队级记忆中枢可无缝集成到IDE和CI/CD流程，支持新成员快速熟悉项目、保持代码规范一致性。腾讯云开源的TencentDB Agent Memor
1.6 万 Star：腾讯给 AI Agent 做了一套团队共享记忆
关注AI、开源、工具
08-07 310
你有没有发现，AI Agent 用得越多，重复工作反而越明显？换一个 Session，要重新解释项目背景；换一个 Agent，要再讲一遍团队约定；一套排障流程已经跑通，下次遇到相似问题，Agent 还是从零试错；代码仓库刚读明白，窗口一关，又得重新扫描。腾讯最近更新的开源项目，给出了一套很有意思的答案。然后再用一个 Memory Hub 管理这些资产属于谁、哪个版本有效、谁能看、应该装配给哪个 Agent。
每日热门skill-你的 AI 一换对话就失忆？腾讯把这套「记忆中枢」开源了，还顺手接上了 DeepSeek，TencentDB Agent Memory 深度研究报告
weitingfu的博客
08-16 277
腾讯开源项目TencentDBAgentMemory解决AI记忆痛点，上线即登GitHub榜首，周增6400+星。该系统构建团队级Agent记忆中枢，通过L0-L4四层记忆金字塔（原始对话→原子事实→场景记忆→长期画像）实现经验沉淀与高效检索，支持ChatMemory/LLM-Wiki/CodeGraph/Skill四类记忆资产共享。创新采用Mermaid图表节省61%Token消耗，并配备四级权限管理确保数据安全。实测任务成功率提升51%，已适配DeepSeek Harness等主流框架，成为首个面向团队
给 Agent 装上团队级记忆：TencentDB Agent Memory v2.0.0 的四种资产与 L0–L3 分层解读
m0_74023007的博客
08-07 337
Agent 跨会话失忆、反复重读文档与代码、冷启动成本高。本文解读腾讯云开源 TencentDB Agent Memory v2.0.0，如何把对话/文档/代码沉淀为 Chat Memory、Skill、Wiki、CodeGraph 四种可治理资产，用 L0–L3 分层与 BM25+向量+RRF 按需注入，以四级可见性守护共享与隐私。
腾讯TDAI Memory：分层记忆系统优化AI长对话与复杂任务处理
weixin_30642869的博客
07-17 421
AI记忆管理是提升智能助手连续对话能力的关键技术，其核心原理在于通过分层存储和智能压缩机制解决上下文长度限制问题。分层长期记忆将零散对话提炼为结构化用户画像和场景块，符号化短期记忆则将冗长日志转换为轻量符号，显著降低token消耗。这一技术价值在于平衡记忆精度与资源效率，适用于个性化助手、复杂任务处理等场景。腾讯TDAI Memory通过实测减少61.38%的token占用，并提升51.52%的任务通过率，为本地化部署的AI应用提供了高效的记忆解决方案。
腾讯把 Agent 失忆症，切成了四层
skypxd的博客
08-13 320
腾讯将Agent记忆问题拆解为四层架构 腾讯TencentDB Agent Memory v2.0.0项目在GitHub上4天内从第13名升至榜首，获得13,404星，该项目将AI Agent的"健忘症"问题系统性地分解为L0-L3四层记忆架构。 核心创新点： 摒弃单纯扩展上下文窗口的传统方案，采用独立记忆存储策略，解决成本、注意力分散、隐私等痛点； 将记忆分为Chat Memory、Skill、LLM-Wiki、CodeGraph四类资产，配合ACL权限管理； 构建L0原始对话-L1结构化事实-L2工作流
TencentDB Agent Memory学习资源汇总：官方文档、教程与最佳实践指南
gitblog_00906的博客
08-07 598
TencentDB Agent Memory是一款团队级AI Agent记忆中枢，能将对话、文档和代码转化为四种可复用的记忆资产（Chat Memory、Skill、LLM-Wiki、Code-Graph），实现跨Agent和框架的治理、共享与装备。本文汇总了全面的学习资源，帮助新手快速掌握这款强大工具的使用与部署。 ## 📚 官方文档与核心指南 ### 1. 项目基础文档 - **READ
收藏！小白程序员必看：轻松解决Agent记忆问题，让AI助手更智能！
xxue345678的博客
08-14 313
很多正在择业、考虑转行提升，或是刚入门的开发者、编程新手，都会关心一个问题：未来几年，哪些技术方向更值得长期投入？从行业趋势来看，人工智能尤其是大模型相关方向，依然是增长最快、人才需求最集中的领域之一。随着企业数字化、智能化升级，相关岗位的需求持续增加，对有实战能力的开发者也更加友好。对于想系统了解大模型、希望抓住AI行业机会的同学来说，提前搭建完整知识体系、掌握可落地的实战技能，会比盲目自学效率高很多。
Agent Memory：如何将上下文怎么变成团队知识资产？
最新发布
xx_nm98的博客
08-17 158
导读：AI失忆不是模型笨，而是无状态推理的架构特性。本文从腾讯云开源的TencentDB Agent Memory切入，拆解L0到L3四层记忆蒸馏的机制，再对比Agent Memory和阿里云ContextDB的差异，阐述Mem0、Zep、MemGPT三条业界路线。
AI Agent记忆系统实战：三层分层+符号化设计
weixin_33841503的博客
06-17 448
AI Agent记忆系统是支撑智能体持续学习与个性化服务的核心基础设施。其原理在于突破传统向量检索的语义模糊与上下文爆炸瓶颈，通过分层存储（原始日志→结构化事实→场景块→用户画像）实现信息可追溯、可解释、可演进；结合Mermaid符号图谱等轻量级语义压缩技术，显著降低LLM推理Token消耗并提升决策精准度。该技术具备明确工程价值：提升任务成功率、缩短响应延迟、支持白盒调试与人工干预。典型应用场景包括开发助手长期经验复用、客服Agent跨会话意图理解、自动化运维中的故障模式沉淀等。本文即基于Hermes A
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

学心理学的程序员

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