当前位置： 首页 > news >正文

零基础掌握 Vanna Text2SQL 框架：从原理到实战训练指南

news 2025/10/24 7:36:11

在数据驱动决策的时代，SQL 作为查询数据库的核心语言，却成了非技术人员获取数据的 “拦路虎”。而 Vanna 框架的出现，彻底改变了这一现状 —— 它基于检索增强生成（RAG）技术，能将自然语言自动转化为可执行的 SQL，让不懂代码的人也能轻松玩转数据库。本文将从 Vanna 的核心原理出发，逐步讲解环境搭建、模型训练全流程，并结合实战案例演示如何通过训练提升 SQL 生成准确性，帮你快速上手这一高效工具。

一、认识 Vanna：让自然语言 “对话” 数据库的开源框架

在开始实战前，我们首先要明确：Vanna 究竟是什么？它为何能实现 “自然语言转 SQL” 的魔法？

1.1 Vanna 核心定位与优势

Vanna 是一款基于 MIT 许可的开源 Python RAG 框架，专为 SQL 生成设计，核心目标是降低数据库查询的技术门槛。无论是产品经理、运营人员还是业务分析师，都能通过日常语言提问（如 “本月下单的客户有哪些？”），直接获取数据库查询结果，无需掌握复杂的 SQL 语法。

它的核心优势体现在三点：

  • 兼容性强：支持任何 SQL 数据库（SQLite、MySQL、PostgreSQL 等）、任何向量数据库（Milvus、ChromaDB 等）和任何大语言模型（Deepseek、OpenAI 等）；
  • 自动化程度高：从问题理解、SQL 生成、执行到结果可视化，全流程无需手动干预；
  • 可迭代优化：支持通过训练数据持续提升 SQL 生成准确性，适配不同业务场景。

官网与开源地址：

  • 官网：https://vanna.ai/
  • GitHub：https://github.com/vanna-ai/vanna

1.2 Vanna 工作原理：从 “提问” 到 “出结果” 的 7 步流程

Vanna 的核心是 “RAG 检索增强 + LLM 生成”，整个工作流程可拆解为 7 个关键步骤，确保生成的 SQL 准确匹配用户需求：

  1. 用户提问：用户输入自然语言问题（如 “每位顾客在各流派上花费了多少？”）；
  2. 搜索相关信息：系统从向量数据库中检索与问题相关的核心数据，包括 3 类关键信息：
    • DDL 语句（数据库表结构定义，如字段名、数据类型、关联关系）；
    • 业务文档（如 “高价值客户定义为订单总额超 10000 元”）；
    • 历史正确 SQL（用户过往的有效查询案例）；
  3. 生成提示（Prompt）：根据检索到的信息，构造包含 “表结构 + 业务规则 + 历史案例” 的提示，引导 LLM 理解问题上下文；
  4. LLM 生成 SQL：大语言模型（如 Deepseek）基于提示，将自然语言转化为语法正确的 SQL 语句；
  5. 执行 SQL 查询：系统连接目标数据库，自动执行生成的 SQL；
  6. 结果可视化：通过 Pandas DataFrame 展示表格结果，或用 Plotly 生成图表（如柱状图、折线图），同时提供后续问题建议；
  7. 校验与反馈：若结果正确，直接返回；若错误，支持用户手动修改 SQL，修改后的案例会被重新存入向量数据库，用于后续模型优化。

1.3 Vanna 核心组件：三大模块支撑全流程

Vanna 的架构以VannaBase为基础，衍生出两大核心组件，分工明确且可灵活扩展：

组件类型核心作用示例类
VannaBase定义公共方法与接口（如日志记录、SQL 生成、嵌入提取），是所有组件的父类class VannaBase(ABC)
大语言模型访问组件连接 LLM，处理提示生成与 SQL 输出，继承自VannaBaseOpenAI_Chat（连接 OpenAI 模型）、Deepseek_Chat（连接 Deepseek 模型）
向量数据库访问组件存储 DDL、文档、历史 SQL 的嵌入向量，支持高效检索，继承自VannaBaseMilvus_VectorStore（连接 Milvus）、ChromaDB_VectorStore（连接 ChromaDB）

实战中，我们只需新建类继承 “LLM 组件 + 向量数据库组件”，即可快速搭建专属的 Text2SQL 系统。

二、实战准备：环境搭建与数据库连接

在训练模型前，需完成环境安装、数据库配置两大准备工作，本文以 “Milvus 向量数据库 + Deepseek 模型 + MySQL 数据库” 为例演示（其他组合流程类似）。

2.1 安装核心依赖模块

通过pip命令安装 Vanna 框架、向量生成工具、Milvus 客户端，执行以下命令：

# 安装Vanna框架核心库
pip install vanna
# 安装句子嵌入模型（用于生成文本向量）
pip install sentence-transformers
# 安装Milvus客户端（含模型支持）
pip install pymilvus[model]
# 若使用MySQL，需额外安装MySQL连接器
pip install pymysql

2.2 连接目标数据库

Vanna 支持多种数据库连接，只需调用对应的connect_to_xxx方法即可。以下是两种常用数据库的连接示例：

示例 1：连接 SQLite（本地文件数据库，无需服务）

SQLite 无需提前启动服务，只需指定数据库文件路径：

# 初始化Vanna实例后，连接SQLite
vn.connect_to_sqlite("./chinook.sqlite")  # chinook.sqlite为本地数据库文件

示例 2：连接 MySQL（需提前启动 MySQL 服务）

需提供数据库地址、端口、用户名、密码和数据库名：

# 连接MySQL数据库（以student_db数据库为例）
vn.connect_to_mysql(host="127.0.0.1",  # 本地数据库地址port=3306,          # MySQL默认端口user="root",        # 用户名password="123456",  # 密码dbname="student_db" # 目标数据库名
)

三、模型训练：三大维度提升 SQL 生成准确性

训练是 Vanna 的核心环节 —— 通过输入 DDL、业务文档、示例 SQL，让模型理解数据库结构与业务规则，从而生成更精准的 SQL。训练需覆盖 “表结构”“业务上下文”“查询案例” 三个维度，缺一不可。

3.1 维度 1：用 DDL 语句训练（让模型懂表结构）

DDL（数据定义语言）是数据库的 “骨架”，包含表名、字段名、数据类型、主键 / 外键关联等关键信息，是模型生成 SQL 的基础。

训练逻辑：

通过vn.train(ddl="DDL语句")将表结构存入向量数据库，支持单表或多表一次性导入。

实战示例（学生成绩数据库）：

假设student_db数据库包含student（学生信息表）和score（成绩表），DDL 训练代码如下：

def train_ddl():# 定义两张表的DDL语句，包含字段注释（增强模型理解）ddl = """-- 学生基本信息表CREATE TABLE student (id INT AUTO_INCREMENT PRIMARY KEY COMMENT '学生唯一ID，自增主键',stu_name VARCHAR(30) NOT NULL COMMENT '学生姓名，不能为空',major VARCHAR(10) NOT NULL COMMENT '学生专业（如计算机、数学）',enrollment_year DATE NOT NULL COMMENT '入学年份（如2023-09-01）',age INT NOT NULL COMMENT '学生年龄') COMMENT = '存储学生基础信息';-- 学生成绩表（与student表通过student_id关联）CREATE TABLE score (id INT AUTO_INCREMENT PRIMARY KEY COMMENT '成绩记录ID，自增主键',student_id INT NOT NULL COMMENT '关联student表的id字段',subject VARCHAR(50) NOT NULL COMMENT '科目名称（如高等数学、Python）',score DECIMAL(5,2) NOT NULL COMMENT '成绩（精确到小数点后2位）',exam_date DATE NOT NULL COMMENT '考试日期',semester VARCHAR(20) NOT NULL COMMENT '学期（如2023-2024-1）',-- 外键关联：删除/更新student表数据时，同步影响score表FOREIGN KEY (student_id) REFERENCES student(id) ON DELETE CASCADE ON UPDATE CASCADE) COMMENT = '存储学生各科成绩信息';"""# 执行DDL训练vn.train(ddl=ddl)# 调用函数完成训练
train_ddl()

关键注意点：

  • 务必添加COMMENT注释（如字段含义、表用途），模型会通过注释理解业务语义；
  • 若数据库表已存在，可通过查询获取 DDL（如 MySQL 用SHOW CREATE TABLE student;），无需手动编写。

3.2 维度 2：用业务文档训练（让模型懂业务规则）

业务文档是 “隐性知识” 的载体，比如 “高价值客户定义”“核心指标计算逻辑” 等，仅靠表结构无法覆盖。通过vn.train(documentation="文档内容")，可将这些规则传入模型，避免生成不符合业务逻辑的 SQL。

实战示例：

针对学生成绩数据库，添加以下业务文档训练：

def train_documentation():# 业务规则1：定义“优秀成绩”vn.train(documentation="优秀成绩指单科分数≥90分，良好成绩指80分≤分数<90分")# 业务规则2：定义“应届毕业生”vn.train(documentation="应届毕业生指enrollment_year（入学年份）为2021年且当前年份为2025年的学生")# 业务规则3：成绩排名逻辑vn.train(documentation="总成绩排名按学生所有科目分数之和降序排列，分数相同则按入学年份升序排列")# 调用函数完成训练
train_documentation()

关键注意点：

  • 文档内容需简洁明确，避免歧义（如 “高价值客户” 需明确金额阈值）；
  • 后续业务规则更新时，只需重新执行train(documentation)即可覆盖旧规则。

3.3 维度 3：用 SQL 示例训练（让模型懂查询逻辑）

SQL 示例是 “显性案例”，通过 “自然语言问题 + 正确 SQL” 的配对训练，让模型学习不同场景下的查询逻辑（如分组统计、关联查询、排序筛选），尤其适合复杂 SQL 生成（如多表关联、子查询）。

训练逻辑：

通过vn.train(sql="SQL语句", question="对应的自然语言问题")实现 “问题 - SQL” 配对训练，若省略question，模型会自动解析 SQL 含义。

实战示例：

针对学生成绩数据库，添加 3 个典型 SQL 示例训练：

def train_sql_examples():# 示例1：查询计算机专业的学生信息vn.train(question="查询计算机专业所有学生的姓名、专业和入学年份",sql="SELECT stu_name, major, enrollment_year FROM student WHERE major = '计算机'")# 示例2：统计各专业的平均成绩vn.train(question="统计每个专业的学生平均成绩（保留2位小数）",sql="""SELECT s.major, ROUND(AVG(sc.score), 2) AS avg_scoreFROM student sJOIN score sc ON s.id = sc.student_idGROUP BY s.majorORDER BY avg_score DESC""")# 示例3：查询某学期高等数学成绩≥90分的学生vn.train(question="查询2023-2024-1学期高等数学成绩≥90分的学生姓名和分数",sql="""SELECT s.stu_name, sc.scoreFROM student sJOIN score sc ON s.id = sc.student_idWHERE sc.subject = '高等数学' AND sc.semester = '2023-2024-1' AND sc.score ≥ 90""")# 调用函数完成训练
train_sql_examples()

关键注意点：

  • 示例需覆盖核心业务场景（如统计、筛选、关联），示例越多，模型准确性越高；
  • SQL 需确保语法正确（可先在数据库中执行验证），避免错误案例影响模型判断。

四、运行的源码和演示

两段两段代码均基于 vanna 框架，整合 OpenAI（对接 deepseek 模型）与 Milvus 向量数据库，实现 “自然语言提问→数据库查询→智能回答” 流程。

核心逻辑：通过训练数据库表结构（DDL）让模型理解数据结构，将用户问题转为 SQL 查询并返回自然语言答案。

案例一：

连接 MySQL 的 student_db，训练学生表和成绩表结构，提问学生信息。

初始数据：

# 导⼊OpenAI类，⽤于与OpenAI API进⾏交互，⽀持⽂本⽣成、图像⽣成等功能
from openai import OpenAI
#  导⼊model模块，通常⽤于指定与数据库相关的模型操作，此处可能是示意，实际代码中应具体化
#  导⼊MilvusClient类，⽤于与Milvus数据库进⾏交互
from pymilvus import MilvusClient, model
# # 导⼊OpenAI_Chat类，⽤于与OpenAI的ChatGPT API进⾏交互
from vanna.openai.openai_chat import OpenAI_Chat
# 导⼊Milvus_VectorStore类，⽤于在Milvus数据库中存储和管理向量数据
from vanna.milvus.milvus_vector import Milvus_VectorStore# 定义获取嵌入向量的函数
def pymilvus_embedding_function():"""创建一个SentenceTransformerEmbeddingFunction实例。使用指定的模型名称和设备来创建实例，用于生成文本嵌入向量。"""sentence_transformer_ef = model.dense.SentenceTransformerEmbeddingFunction(model_name='BAAI/bge-small-zh-v1.5',  # 指定模型名称device='cpu'  # 指定设备，例如 'cpu' 或 'cuda:0')return sentence_transformer_ef# 创建Milvus类，继承自Milvus_VectorStore和OpenAI_Chat
class Milvus(Milvus_VectorStore, OpenAI_Chat):def __init__(self):# 创建MilvusClient实例，连接到本地Milvus数据库milvus_client = MilvusClient(uri="http://127.0.0.1:19530")# 初始化配置字典，包含嵌入函数、Milvus客户端、模型参数等config = {"embedding_function": pymilvus_embedding_function(),"milvus_client": milvus_client,"model": "deepseek-chat","temperature": 0.7,# "dialect": "SQLLite","dialect": "mysql"}# 创建OpenAI客户端实例，使用指定的API密钥和基础URLllm_config = OpenAI(api_key="sk-b598eef38ae9446ba078a0899f74f64f",base_url="https://api.deepseek.com/v1")# 初始化Milvus_VectorStore：创建Milvus_VectorStore实例，并传入配置字典Milvus_VectorStore.__init__(self, config=config)# 初始化OpenAI_Chat实例：创建OpenAI_Chat实例，并传入配置字典和OpenAI客户端实例OpenAI_Chat.__init__(self, client=llm_config, config=config)vn = Milvus()
vn.connect_to_mysql(host="127.0.0.1",port=3306,user="root",password="123456",dbname="student_db"
)
def train2():vn.train(ddl="""-- 学生信息表CREATE TABLE student (id INT AUTO_INCREMENT PRIMARY KEY COMMENT '学生唯一标识符，主键，自增',stu_name VARCHAR ( 30 ) NOT NULL COMMENT '学生姓名，最大长度30个字符，不能为空',major VARCHAR ( 10 ) NOT NULL COMMENT '学生专业，最大长度10个字符，不能为空',enrollment_year DATE NOT NULL COMMENT '入学年份，日期类型，不能为空',age INT NOT NULL COMMENT '学生年龄，整数类型，不能为空') COMMENT = '学生基本信息表，用于存储学生相关数据';-- 学生成绩表CREATE TABLE score (id INT AUTO_INCREMENT PRIMARY KEY COMMENT '成绩记录唯一标识符，主键，自增',student_id INT NOT NULL COMMENT '学生ID，外键关联student表',SUBJECT VARCHAR ( 50 ) NOT NULL COMMENT '科目名称，最大长度50个字符，不能为空',score DECIMAL ( 5, 2 ) NOT NULL COMMENT '成绩分数，数值类型，精确到小数点后两位，不能为空',exam_date DATE NOT NULL COMMENT '考试日期，日期类型，不能为空',semester VARCHAR ( 20 ) NOT NULL COMMENT '学期，如2023-2024-1，最大长度20个字符，不能为空',FOREIGN KEY ( student_id ) REFERENCES student ( id ) ON DELETE CASCADE ON UPDATE CASCADE) COMMENT = '学生成绩表，用于存储学生各科成绩信息';""")train2()obj = vn.ask("请告诉我所有学生信息：")
print("输出结果：",obj)

运行结束后会创建对应的向量数据库，储存刚刚训练的信息：

以下是查询结果，通过vanna已经成功根据训练数据查询到数据库内容：

后续可以将返回的结果交给大模型，大模型根据这个结果输出指定数据。

案例二：

SQLite 连接（connect_to_sqlite），实际未连接具体业务数据库，训练数据来自 SQLite 系统表（sqlite_master）的表结构。

示例代码：

# 导入必要的库
from openai import OpenAI
from pymilvus import MilvusClient, model
from vanna.openai.openai_chat import OpenAI_Chat
from vanna.milvus.milvus_vector import Milvus_VectorStore
import sqlite3
import pandas as pd
import time# 定义嵌入函数
def pymilvus_embedding_function():sentence_transformer_ef = model.dense.SentenceTransformerEmbeddingFunction(model_name='BAAI/bge-small-zh-v1.5',device='cpu')return sentence_transformer_ef# 创建 Milvus 类
class Milvus(Milvus_VectorStore, OpenAI_Chat):def __init__(self):milvus_client = MilvusClient(uri="http://127.0.0.1:19530")config = {"embedding_function": pymilvus_embedding_function(),"milvus_client": milvus_client,"model": "qwen-plus","temperature": 0.7,"dialect": "SQLite",}llm_config = OpenAI(api_key="sk-7077b6f235fc44efb80be8f244bea3d5",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")Milvus_VectorStore.__init__(self, config=config)OpenAI_Chat.__init__(self, client=llm_config, config=config)vn = Milvus()# 创建数据库
def create_school_database(db_name="schools.db"):conn = sqlite3.connect(db_name)cursor = conn.cursor()cursor.execute("""CREATE TABLE IF NOT EXISTS student (id INTEGER PRIMARY KEY AUTOINCREMENT,name TEXT NOT NULL,age INTEGER NOT NULL,major TEXT NOT NULL,enrollment_year INTEGER NOT NULL)""")cursor.execute("""CREATE TABLE IF NOT EXISTS teacher (id INTEGER PRIMARY KEY AUTOINCREMENT,name TEXT NOT NULL,department TEXT NOT NULL,hire_date DATE NOT NULL,email TEXT UNIQUE)""")cursor.execute("""CREATE TABLE IF NOT EXISTS course (id INTEGER PRIMARY KEY AUTOINCREMENT,course_code TEXT UNIQUE NOT NULL,course_name TEXT NOT NULL,credits INTEGER NOT NULL,teacher_id INTEGER,FOREIGN KEY (teacher_id) REFERENCES teacher (id))""")cursor.execute("""CREATE TABLE IF NOT EXISTS enrollment (id INTEGER PRIMARY KEY AUTOINCREMENT,student_id INTEGER NOT NULL,course_id INTEGER NOT NULL,enrollment_date DATE NOT NULL,grade REAL,FOREIGN KEY (student_id) REFERENCES student (id),FOREIGN KEY (course_id) REFERENCES course (id),UNIQUE (student_id, course_id))""")conn.commit()return conn# 插入测试数据（带清空）
def insert_test_data(conn):cursor = conn.cursor()# 清空所有表cursor.execute("DELETE FROM enrollment")cursor.execute("DELETE FROM course")cursor.execute("DELETE FROM student")cursor.execute("DELETE FROM teacher")cursor.execute("DELETE FROM sqlite_sequence WHERE name IN ('student', 'teacher', 'course', 'enrollment')")# 插入数据students_data = [("张三", 20, "计算机科学", 2022),("李四", 19, "数学", 2023),("王五", 21, "物理", 2021),("赵六", 20, "化学", 2022),("钱七", 22, "生物", 2020)]cursor.executemany("INSERT INTO student (name, age, major, enrollment_year) VALUES (?, ?, ?, ?)", students_data)teachers_data = [("陈教授", "计算机科学", "2015-09-01", "chen@university.edu"),("刘副教授", "数学", "2018-03-15", "liu@university.edu"),("杨博士", "物理", "2020-07-01", "yang@university.edu"),("周讲师", "化学", "2019-11-20", "zhou@university.edu")]cursor.executemany("INSERT INTO teacher (name, department, hire_date, email) VALUES (?, ?, ?, ?)", teachers_data)courses_data = [("CS101", "编程基础", 3, 1),("MATH201", "高等数学", 4, 2),("PHY301", "量子力学", 3, 3),("CHEM101", "有机化学", 3, 4),("CS201", "数据结构", 3, 1)]cursor.executemany("INSERT INTO course (course_code, course_name, credits, teacher_id) VALUES (?, ?, ?, ?)", courses_data)enrollments_data = [(1, 1, "2023-09-01", 85.5),(1, 5, "2023-09-01", 90.0),(2, 2, "2023-09-01", 78.0),(3, 3, "2023-09-01", 92.5),(4, 4, "2023-09-01", 88.0),(5, 2, "2023-09-01", 95.0),(2, 1, "2024-03-01", None),(3, 4, "2024-03-01", None)]cursor.executemany("INSERT INTO enrollment (student_id, course_id, enrollment_date, grade) VALUES (?, ?, ?, ?)", enrollments_data)conn.commit()print("测试数据插入成功！")# 创建并填充数据库
conn = create_school_database("schools.db")
insert_test_data(conn)# 连接 Vanna
vn.connect_to_sqlite("./schools.db")# 完整训练
def full_train():client = MilvusClient(uri="http://127.0.0.1:19530")collection_name = "vanna_collection"if client.has_collection(collection_name):client.drop_collection(collection_name)print("已清理 Milvus 向量集合")# 训练 DDLsql = "SELECT sql FROM sqlite_master WHERE type='table' AND name NOT LIKE 'sqlite_%'"tables = vn.run_sql(sql)for ddl in tables["sql"].tolist():vn.train(ddl=ddl)vn.train(ddl="CREATE TABLE student (id INTEGER PRIMARY KEY, name TEXT NOT NULL COMMENT '学生姓名', age INTEGER NOT NULL COMMENT '学生年龄') COMMENT '学生表'")# 训练真实问法vn.train(question="张三的年龄是多少？", sql="SELECT age FROM student WHERE name = '张三'")vn.train(question="学生有哪些名字？", sql="SELECT name FROM student")print("Vanna 训练完成！")full_train()
time.sleep(2)# 测试
try:sql, df, fig = vn.ask("张三今年几岁？")if sql and df is not None:print("LLM 生成的 SQL:", sql)print("张三的年龄是:", df.iloc[0, 0])# 展示图表fig.show()else:print("LLM 未生成 SQL")
except Exception as e:print("ask 失败:", e)conn.close()

运行结果：

生成的图表：

六、总结与进阶建议

通过本文的讲解，你已掌握 Vanna 框架的核心原理、训练流程与实战方法。总结来说，Vanna 的核心价值在于 “用 RAG 链接业务知识与 LLM 能力”，而训练的关键在于 “全面覆盖表结构、业务规则、查询案例”—— 三者结合，才能让模型生成准确、符合业务需求的 SQL。

进阶优化建议：

  1. 扩充训练数据：定期将新的正确 SQL 案例加入训练，尤其覆盖复杂场景（如窗口函数、子查询）；
  2. 选择更优模型：若中文场景准确性不足，可替换为 “通义千问”“文心一言” 等中文 LLM；
  3. 优化向量模型：若检索效率低，可更换更大的嵌入模型（如BAAI/bge-large-zh）；
  4. 搭建前端界面：结合 Streamlit 或 Gradio，开发可视化前端，让非技术人员直接在浏览器中提问。

无论是日常数据查询、业务报表生成，还是数据驱动决策，Vanna 都能大幅提升效率。动手试试吧，让你的数据库真正 “开口说话”！

http://www.dtcms.com/a/519620.html

相关文章：

  • [linux仓库]信号处理及可重入函数[进程信号·陆]
  • webrtc源码走读（一）-QOS-NACK-概述
  • wordpress 企业网站 免费如何注册网站免费的
  • 斗地主游戏源码，自适应手机版，带有管理后端
  • Linux桌面X11服务-XRecord方案捕获鼠标点击的应用窗口
  • 021数据结构之并查集——算法备赛
  • 网站制作售后免费在线代理网站
  • Vue组件的一些底层细节
  • 2. =＞的用法 C#例子 WPF例子
  • 在C#中出现WinForm原控件Chart卡顿问题
  • Spring Boot 3零基础教程，WEB 开发 内嵌服务器底层源码分析 笔记48
  • 网站开发案例分析成都制作网页
  • 导入的 Google（Chrome）书签默认不会自动显示在「书签栏」，而是放在一个文件夹里。下面是详细步骤，帮你把 导入的全部书签添加到书签栏
  • 一小时内使用NVIDIA Nemotron创建你自己的Bash计算机使用智能体
  • Chrome开发者工具
  • 虚拟机 Ubuntu 中安装 Google Chrome 浏览器
  • Docker/K8s部署MySQL的创新实践与优化技巧大纲
  • 网站建设管理流程避免网站侵权
  • 如何在Visual Studio中配置C++环境？
  • 珠海翻译公司高效翻译服务 2025年10月
  • 网站后台管理系统怎么登陆鄂州网站建设与设计
  • 建设系统网站企业密信下载app下载官网
  • 算法面经常考题整理（1）机器学习
  • 使用java如何进行接口测试
  • 机器学习-方差与偏差
  • 甘肃省网站建设咨询seo最好的网站源码
  • 3.序列式容器-heap
  • Module JDK is not defined 警告解决
  • 柞水县住房和城乡建设局网站网站建设客户分析调查表文档
  • html`contenteditable`