系列篇章💥
AI大模型探索之路-实战篇4：深入DB-GPT数据应用开发框架调研
AI大模型探索之路-实战篇5：探索Open Interpreter开放代码解释器调研
AI大模型探索之路-实战篇6：掌握Function Calling的详细流程
AI大模型探索之路-实战篇7：Function Calling技术实战自动生成函数
AI大模型探索之路-实战篇8：多轮对话与Function Calling技术应用
AI大模型探索之路-实战篇9：探究Agent智能数据分析平台的架构与功能
AI大模型探索之路-实战篇10：数据预处理的艺术：构建Agent智能数据分析平台的基础
AI大模型探索之路-实战篇11： Function Calling技术整合：强化Agent智能数据分析平台功能
AI大模型探索之路-实战篇12： 构建互动式Agent智能数据分析平台：实现多轮对话控制
AI大模型探索之路-实战篇13： 从对话到报告：打造能记录和分析的Agent智能数据分析平台
目录
一、前言
在之前的文章里，我们展示了如何利用大型模型的推理能力和Function Calling技术实现从自然语言到数据查询分析处理的转变。然而，除了依赖大模型自身的能力之外，有时我们还需要处理一些超出大模型能力范围的任务，例如调用本地代码库进行数据的可视化展示。因此，本文将介绍如何通过为Agent智能数据分析平台增添新外挂——Python代码解释器，来进一步增强其能力。
二、实现本地Python代码解释器
1、定义数据提取函数
定义一个数据提取服务，用于读取数据库表信息，放入到df变量中，并设置成全局变量
defextract_data(sql_query,df_name):"""
用于借助pymysql，将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。
:param sql_query: 字符串形式的SQL查询语句，用于提取MySQL中iquery数据库中的某张表。
:param df_name: 将MySQL数据库中提取的表格进行本地保存时的变量名，以字符串形式表示。
:return：表格读取和保存结果
"""
mysql_pw ="iquery_agent"
connection = pymysql.connect(
host='localhost',# 数据库地址
user='iquery_agent',# 数据库用户名
passwd=mysql_pw,# 数据库密码
db='iquery',# 数据库名
charset='utf8'# 字符集选择utf8)# 使用pandas的read_sql方法，根据SQL查询语句从数据库中读取数据，并将结果保存到本地变量中globals()[df_name]= pd.read_sql(sql_query, connection)return"已成功完成%s变量创建"% df_name
2、数据查询汲取测试
测试数据查询，并传入一个本地变量用于接收查询到的数据
sql_query ="SELECT * FROM user_demographics LIMIT 10"
data_name ="test_dataframe"
extract_data(sql_query,data_name)
输出：
3、变量数据查看
查看本地的全局变量，确认是否有接收到数据
test_dataframe
输出：
4、数据汲取函数信息生成
使用函数自动生成器，生成数据库查询函数的信息
#定义函数列表
functions_list =[extract_data]#函数信息生成测试
tools = auto_functions(functions_list)
tools
输出：
注意：读取数据库和python代码解析的函数信息建议采用自己手写的方式，避免大模型不稳定，有时候生成的格式不对
5、大模型调用测试
测试大模型能否正常找到对于的数据汲取的函数
messages=[{"role":"user","content":"请帮我读取iquery数据库中的user_payments，并保存至本地"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
输出：
6、定义python代码执行函数
定义一个能够在本地执行python代码的工具函数
# 能够在本地执行python代码的外部函数# 定义一个名为python_inter的函数，该函数接受一个字符串类型的python代码作为参数defpython_inter(py_code):"""
该函数的主要作用是对iquery数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。
:param py_code: 字符串形式的Python代码，此代码用于执行对iquery数据库中各张数据表进行操作
:return：返回代码运行的最终结果
"""# 记录函数开始执行时，全局作用域内的变量名
global_vars_before =set(globals().keys())try:# 尝试执行传入的代码，代码的作用域为全局作用域exec(py_code,globals())except Exception as e:# 如果代码执行出错，返回错误信息returnstr(e)# 记录代码执行后，全局作用域内的变量名
global_vars_after =set(globals().keys())# 获取执行代码后新产生的全局变量名
new_vars = global_vars_after - global_vars_before
# 如果有新的全局变量产生if new_vars:# 返回新的全局变量及其值
result ={var:globals()[var]for var in new_vars}returnstr(result)else:try:# 如果没有新的全局变量产生，尝试计算并返回代码的执行结果returnstr(eval(py_code,globals()))except Exception as e:# 如果计算代码执行结果也出错，返回成功执行代码的消息return"已经顺利执行代码"
7、自动生成python代码执行函数的信息
利用大模型生成funcation calling需要的函数信息（实践运用时建议手写，避免大模型不稳定生成格式不对）
functions_list =[python_inter]
tools = auto_functions(functions_list)
tools
输出：
8、第一次大模型调用测试（python代码执行函数调用测试）
1）调用大模型，并找到工具函数
通过大模型API自动调用python代码执行函数，检查确认大模型是否能找的工具函数python_inter
messages=[{"role":"user","content":"已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},{"role":"user","content":"test_dataframe是已经定义好的变量"},{"role":"user","content":"请帮我检查test_dataframe中总共包含几个字段"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
2）获取代码变量
py_code=response.choices[0].message.tool_calls[0].function.arguments
#格式转换
code = json.loads(py_code)#查看代码
code
输出：（查看变量）
3）取出变量信息
code_str = code.get("py_code")#取出代码
code_str
4）执行代码，看结果
#Python代码执行测试（查看经过python代码格式化之后的数据库数据）
python_inter(code_str)
9、第二次大模型调用测试
第二次大模型API调用测试，获取查询user_payments数据表，获取字段信息和取值范围。
messages=[{"role":"user","content":"已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},{"role":"user","content":"test_dataframe是已经定义好的变量"},{"role":"user","content":"请帮我检查test_dataframe中各字段的基本类型和取值范围"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo-16k",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
输出：
函数信息查看、提取
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str
代码执行测试
python_inter(code_str)
10、第三次大模型调用测试
第三次大模型API调用测试，获取查询user_payments数据表，并统计缺失列。
messages=[{"role":"user","content":"已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},{"role":"user","content":"test_dataframe是已经定义好的变量"},{"role":"user","content":"请帮我检查test_dataframe中各列的缺失值情况，并将统计结果保存为missing_value对象"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
输出：
查看变量信息：missing_value
获取查看函数
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str
代码执行
python_inter(code_str)
查看执行后的变量
missing_value
三、可视化展示数据
借助Python代码解释器进行可视化数据展示
1、获取数据
根据大模型获取test_dataframe中gender字段信息
messages=[{"role":"user","content":"已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},{"role":"user","content":"test_dataframe是已经定义好的变量"},{"role":"user","content":"请帮我统计test_dataframe中gender字段的不同取值分布情况，并以可视化形式进行展示"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
查看函数信息
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str
2、可视化展示
执行python代码解释器，进行可视化展示
python_inter(code_str)
四、把可视化图片存入云盘文档
1、图形绘制测试
import matplotlib.pyplot as plt
# 创建一个图形
fig, ax = plt.subplots()
ax.plot([1,2,3,4,5])
查看类型
type(fig)
2、定义图片存储服务
from docx import Document
import matplotlib.pyplot as plt
import os
import tempfile
defappend_img_in_doc(folder_name, doc_name, img):""""
往文件里追加图片
@param folder_name=目录名，doc_name=文件名，img=图片对象，数据类型为matplotlib.figure.Figure对象
"""
base_path ="/root/autodl-tmp/iquery项目/iquery云盘"## 目录地址
full_path_folder=base_path+"/"+folder_name
## 文件地址
full_path_doc = os.path.join(full_path_folder, doc_name)+".doc"# 检查目录是否存在，如果不存在则创建ifnot os.path.exists(full_path_folder):
os.makedirs(full_path_folder)# 检查文件是否存在if os.path.exists(full_path_doc):print(full_path_doc)# 文件存在，打开并追加内容
document = Document(full_path_doc)else:# 文件不存在，创建一个新的文档对象
document = Document()# 追加图片# 将matplotlib的Figure对象保存为临时图片文件with tempfile.NamedTemporaryFile(delete=False, suffix='.png')as tmpfile:
fig.savefig(tmpfile.name,format='png')# 将图片插入到.docx文档中
document.add_picture(tmpfile.name)# 保存文档
document.save(full_path_doc)print(f"图片已追加到 {doc_name}")
append_img_in_doc(folder_name="电信用户行为分析", doc_name="数据分析问答", img=fig)
五、 实现把图片变为fig对象的代码逻辑
1、获取数据
messages=[{"role":"user","content":"已经读取iquery数据库中的user_payments数据表，并保存为test_dataframe"},{"role":"user","content":"test_dataframe是已经定义好的变量"},{"role":"user","content":"请帮我统计test_dataframe中gender字段的不同取值分布情况，并以可视化形式进行展示，可视化展示时请尽量绘制更加清晰美观的图片"}]
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
tools=tools,
tool_choice="auto",)
response.choices[0].message
2、查看代码
code = json.loads(response.choices[0].message.tool_calls[0].function.arguments)
code_str = code.get("py_code")
code_str
3、执行代码（可视化展示）
python_inter(code_str)
4、定义insert_fig_objec函数，插入matplotlib图形对象
1）查看代码
code_str
2）在给定的代码字符串（code_str）中插入一个名为fig的matplotlib图形对象
检查代码字符串中是否已经存在fig对象的创建，如果不存在，则在第一次出现绘图相关代码的位置之前插入fig对象的创建。这样可以确保在使用matplotlib绘图时，所有的绘图操作都在同一个图形对象上进行
definsert_fig_object(code_str):global fig
# 检查是否已存在 fig 对象的创建if'fig = plt.figure'in code_str:return code_str # 如果存在，则返回原始代码字符串# 定义可能的库别名和全名
plot_aliases =['plt.','matplotlib.pyplot.','plot']
sns_aliases =['sns.','seaborn.']# 寻找第一次出现绘图相关代码的位置
first_plot_occurrence =min((code_str.find(alias)for alias in plot_aliases + sns_aliases if code_str.find(alias)>=0), default=-1)# 如果找到绘图代码，则在该位置之前插入 fig 对象的创建if first_plot_occurrence !=-1:
plt_figure_index = code_str.find('plt.figure')if plt_figure_index !=-1:# 寻找 plt.figure 后的括号位置，以确定是否有参数
closing_bracket_index = code_str.find(')', plt_figure_index)# 如果找到了 plt.figure()，则替换为 fig = plt.figure()
modified_str = code_str[:plt_figure_index]+'fig = '+ code_str[plt_figure_index:closing_bracket_index +1]+ code_str[closing_bracket_index +1:]else:
modified_str = code_str[:first_plot_occurrence]+'fig = plt.figure()\n'+ code_str[first_plot_occurrence:]return modified_str
else:return code_str # 如果没有找到绘图代码，则返回原始代码字符串
5、insert_fig_objec函数测试
code_temp1=("import matplotlib.pyplot as plt\n\n# 统计gender字段的不同取值分布情况\ngender_counts = test_dataframe['gender'].value_counts()\n\n# 绘制柱状图\nplt.figure(figsize=(8, 6))\nplt.bar(gender_counts.index, gender_counts.values)\nplt.xlabel('Gender')\nplt.ylabel('Count')\nplt.title('Distribution of Gender')\n\n# 展示图形\nplt.show()")
modified_str = insert_fig_object(code_temp1)print(modified_str)
6、可视化展示gender字段取值分布1
- 导入matplotlib.pyplot库，并将其别名为plt。
- 统计test_dataframe中gender字段的不同取值分布情况，将结果存储在gender_counts变量中。
- 创建一个8x6大小的图形对象fig。
- 使用plt.bar()函数绘制柱状图，横坐标为gender_counts的索引（即不同的性别取值），纵坐标为gender_counts的值（即每个性别取值的数量）。
- 设置横轴标签为’Gender’，纵轴标签为’Count’，标题为’Distribution of Gender’。
- 使用plt.show()函数展示图形。
import matplotlib.pyplot as plt
# 统计gender字段的不同取值分布情况
gender_counts = test_dataframe['gender'].value_counts()# 绘制柱状图
fig = plt.figure(figsize=(8,6))
plt.bar(gender_counts.index, gender_counts.values)
plt.xlabel('Gender')
plt.ylabel('Count')
plt.title('Distribution of Gender')# 展示图形
plt.show()
输出
7、可视化展示gender字段取值分布2
使用了seaborn库来设置图形样式和绘制柱状图
import matplotlib.pyplot as plt
import seaborn as sns
counts = test_dataframe['gender'].value_counts()
fig = plt.figure(figsize=(8,6))
sns.set(style='whitegrid')
sns.barplot(x=counts.index, y=counts.values)
plt.title('Distribution of Gender in test_dataframe')
plt.xlabel('Gender')
plt.ylabel('Count')
plt.show()
输出
8、提取代码格式化输出
defextract_python(json_str):# 使用literal_eval将字符串转换为字典
dict_data = json.loads(json_str)# 提取'sql_query'的值
py_code_value = dict_data['py_code']# 提取并返回'sql_query'的值return py_code_value
json_str = response.choices[0].message.tool_calls[0].function.arguments
print(json_str)print(extract_python(json_str))
输出：
9、重新定义python代码执行函数
defpython_inter(py_code):"""
用于对iquery数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。
:param py_code: 字符串形式的Python代码，用于执行对iquery数据库中各张数据表进行操作
:return：代码运行的最终结果
"""# 添加图片对象，如果存在绘图代码，则创建fig对象
py_code = insert_fig_object(py_code)
global_vars_before =set(globals().keys())try:exec(py_code,globals())except Exception as e:returnstr(e)
global_vars_after =set(globals().keys())
new_vars = global_vars_after - global_vars_before
if new_vars:
result ={var:globals()[var]for var in new_vars}returnstr(result)else:try:returnstr(eval(py_code,globals()))except Exception as e:return"已经顺利执行代码"
测试
python_inter(code_str)
10、查看fg对象
fig
六、多轮对话增加Python代码解释器效果
1、定义Python代码提取函数
defextract_python(json_str):ifisinstance(json_str,dict):return json_str['py_code']# 使用literal_eval将字符串转换为字典
dict_data = json.loads(json_str)# 提取'sql_query'的值
py_code_value = dict_data['py_code']# 提取并返回'sql_query'的值return py_code_value
2、大模型两次调用封装
defcheck_code_run(messages,
project_name,
doc_name,
functions_list=None,
tools=None,
model="gpt-3.5-turbo",
auto_run =True):"""
能够自动执行外部函数调用的对话模型
:param messages: 必要参数，字典类型，输入到Chat模型的messages参数对象
:param prject_name: 项目名
:param doc_name: 文件名
:param functions_list: 可选参数，默认为None，可以设置为包含全部外部函数的列表对象
:param model: Chat模型，可选参数，默认模型为gpt-3.5-turbo
:return：Chat模型输出结果
"""
code =None# 如果没有外部函数库，则执行普通的对话任务if functions_list ==None:
response = client.chat.completions.create(
model=model,
messages=messages,)
response_message = response.choices[0].message
final_response = response_message.content
# 若存在外部函数库，则需要灵活选取外部函数并进行回答else:# 创建外部函数库字典
available_functions ={func.__name__: func for func in functions_list}# 第一次调用大模型
response = client.chat.completions.create(
model=model,
messages=messages,
tools=tools,
tool_choice="auto",)
response_message = response.choices[0].message
tool_calls = response_message.tool_calls
if tool_calls:
messages.append(response_message)for tool_call in tool_calls:
function_name = tool_call.function.name
function_to_call = available_functions[function_name]
function_args = json.loads(tool_call.function.arguments)########################################## 创建code对象if'sql_inter'in function_name or'extract_data'in function_name:
code = extract_sql(function_args)# 将代码字符串转换为Markdown格式
markdown_code =f"```sql\n{code}\n```"else:
code = extract_python(function_args)
code = insert_fig_object(code)# 将代码字符串转换为Markdown格式
markdown_code =f"```python\n{code}\n```"#########################################if auto_run ==False:print("已将问题转化为如下代码准备运行：")# 在Jupyter Notebook中展示Markdown格式的代码
display(Markdown(markdown_code))#sql_query = extract_sql_by_str(function_args)#print("抽取出来的SQL：" + sql_query)
res =input('是否确认并继续执行（1），或者退出本次运行过程（2）')if res =='2':print("终止运行")returnNoneelse:print("正在执行代码，请稍后...")
function_response = function_to_call(**function_args)
messages.append({"tool_call_id": tool_call.id,"role":"tool","name": function_name,"content": function_response,})## 第二次调用模型
second_response = client.chat.completions.create(
model=model,
messages=messages,)# 获取最终结果
final_response = second_response.choices[0].message.content
else:
final_response = response_message.content
del messages
##################################if code:
substrings =['plt.','matplotlib.pyplot.','sns.','seaborn.','plot']ifany(substring in code for substring in substrings):global fig
append_img_in_doc(project_name, doc_name, img=fig)print("图片保存成功！")################################return final_response
3、多轮对话函数定义
import tiktoken
defchat_with_inter(functions_list=None,
prompt="你好呀",
model="gpt-3.5-turbo",
system_message=[{"role":"system","content":"你是一个智能助手。"}],
auto_run =True):print("正在初始化外部函数库")# 创建函数列表对应的参数解释列表
functions = auto_functions(functions_list)#print(functions)print("外部函数库初始化完成")
project_name =input("请输入当前分析项目名称：")
folder_name = create_directory(project_name)print("已完成数据分析文件创建")
doc_name =input("请输入当前分析阶段，如数据探索阶段和理解、数据清洗阶段等：")
doc_name +='问答'print("好的，即将进入交互式分析流程")# 多轮对话阈值if'gpt-4'in model:
tokens_thr =6000elif'16k'in model:
tokens_thr =14000else:
tokens_thr =3000
messages = system_message
## 完成给用户输入的问题赋值
user_input = prompt
messages.append({"role":"user","content": prompt})## 计算token大小
embedding_model ="text-embedding-ada-002"# 模型对应的分词器（TOKENIZER）
embedding_encoding ="cl100k_base"
encoding = tiktoken.get_encoding(embedding_encoding)
tokens_count =len(encoding.encode((prompt + system_message[0]["content"])))whileTrue:
answer = check_code_run(messages,
project_name=project_name,
doc_name = doc_name,
functions_list=functions_list,
tools=functions,
model=model,
auto_run = auto_run)print(f"模型回答: {answer}")#####################判断是否记录文档 start#######################whileTrue:
record =input('是否记录本次回答（1），还是再次输入问题并生成该问题答案（2）')if record =='1':
Q_temp ='Q:'+ user_input
A_temp ='A:'+ answer
append_in_doc(folder_name=project_name,
doc_name=doc_name,
qa_string=Q_temp)
append_in_doc(folder_name=project_name,
doc_name=doc_name,
qa_string=A_temp)# 记录本轮问题答案
messages.append({"role":"assistant","content": answer})breakelse:print('好的，请再次输入问题')
user_input =input()
messages[-1]["content"]= user_input
answer = check_code_run(messages,
project_name=project_name,
doc_name = doc_name,
functions_list=functions_list,
tools=functions,
model=model,
auto_run = auto_run)print(f"模型回答: {answer}")########################判断是否记录文档 stop ######################## 询问用户是否还有其他问题
user_input =input("您还有其他问题吗？(输入退出以结束对话): ")if user_input =="退出":del messages
break# 记录新一轮问答
messages.append({"role":"assistant","content": answer})
messages.append({"role":"user","content": user_input})# 计算当前总token数
tokens_count +=len(encoding.encode((answer + user_input)))# 删除超出token阈值的对话内容while tokens_count >= tokens_thr:
tokens_count -=len(encoding.encode(messages.pop(1)["content"]))
4、定义工具列表
#sql_inter,
functions_list =[extract_data, python_inter]
5、多轮对话测试
from IPython.display import display, Markdown, Code
chat_with_inter(functions_list=functions_list,
prompt="请将iquery数据库中的user_demographics表保存到本地Python环境中，并命名为user_demographics_df",
model="gpt-3.5-turbo",
system_message=[{"role":"system","content": md_content}],
auto_run =False)
对话效果
正在初始化外部函数库
[{'type':'function','function':{'name':'extract_data','description':'用于借助pymysql，将MySQL中的iquery数据库中的表读取并保存到本地Python环境中。','parameters':{'type':'object','properties':{'sql_query':{'type':'string','description':'字符串形式的SQL查询语句，用于提取MySQL中iquery数据库中的某张表。'},'df_name':{'type':'string','description':'将MySQL数据库中提取的表格进行本地保存时的变量名，以字符串形式表示。'}},'required':['sql_query','df_name']}}},{'type':'function','function':{'name':'python_inter','description':'用于对chatbi数据库中各张数据表进行查询和处理，并获取最终查询或处理结果。','parameters':{'type':'object','properties':{'py_code':{'type':'string','description':'字符串形式的Python代码，用于执行对chatbi数据库中各张数据表进行操作'}},'required':['py_code']}}}]
外部函数库初始化完成
请输入当前分析项目名称： 电信用户行为分析目录 电信用户行为分析 已存在
已完成数据分析文件创建
请输入当前分析阶段，如数据探索阶段和理解、数据清洗阶段等： 数据可视化
好的，即将进入交互式分析流程
已将问题转化为如下代码准备运行：
是否确认并继续执行（1），或者退出本次运行过程（2） 1
正在执行代码，请稍后.../tmp/ipykernel_150812/966933623.py:20: UserWarning: pandas only supports SQLAlchemy connectable (engine/connection)or database string URI or sqlite3 DBAPI2 connection. Other DBAPI2 objects are not tested. Please consider using SQLAlchemy.globals()[df_name]= pd.read_sql(sql_query, connection)
模型回答: 已将iquery数据库中的user_demographics数据表保存到本地Python环境中，并命名为user_demographics_df。您可以使用该变量进行进一步的数据分析和处理了。
是否记录本次回答（1），还是再次输入问题并生成该问题答案（2） 1
内容已追加到 数据可视化问答
内容已追加到 数据可视化问答
您还有其他问题吗？(输入退出以结束对话): 用可视化的方式展示user_demographics_df数据集中gender字段不同取值的占比情况
已将问题转化为如下代码准备运行：
是否确认并继续执行（1），或者退出本次运行过程（2） 1
正在执行代码，请稍后...
七、结语
通过上述步骤的实践应用，我们已经成功将本地python代码解释器整合进入了Agent智能数据分析平台，到此，智能数据分析平台同时兼容了我们调研项目中的DB-GPT和Open Interpreter两者的优势特点。相当于给平台装上了两个翅膀，一个用于SQL解析、一个用于代码解释；从而让平台的数据处理能力更上一层楼。
🎯🔖更多专栏系列文章：AIGC-AI大模型探索之路
😎 作者介绍：我是寻道AI小兵，资深程序老猿，从业10年+、互联网系统架构师，目前专注于AIGC的探索。
📖 技术交流：建立有技术交流群，可以扫码👇 加入社群，500本各类编程书籍、AI教程、AI工具等你领取！
如果文章内容对您有所触动，别忘了点赞、⭐关注，收藏！加入我，让我们携手同行AI的探索之旅，一起开启智能时代的大门！
本文转载自: https://blog.csdn.net/xiaobing259/article/details/139399366
版权归原作者 寻道AI小兵 所有， 如有侵权，请联系我们删除。
版权归原作者 寻道AI小兵 所有， 如有侵权，请联系我们删除。