计算机毕业设计Python深度学习面向农户的农业知识问答机器人 大数据毕业设计(源码+LW+PPT+讲解)

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及LW文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

信息安全/网络安全 大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

《Python深度学习面向农户的农业知识问答机器人》开题报告

一、课题研究背景与意义

1.1 研究背景

在乡村振兴战略深入推进、农业现代化加速发展的大背景下，农业生产的智能化、数字化转型成为提升农业生产效率、破解“三农”发展难题的关键路径。农户作为农业生产的核心主体，在日常耕种、养殖、病虫害防治、农产品销售等环节中，亟需精准、便捷、即时的农业知识指导与技术支持。然而，当前我国农业知识服务体系仍存在诸多痛点：基层农技推广人员数量有限、分布不均，难以实现对广大农户的全面覆盖，传统“一对一”线下咨询模式受地域、时间、人力成本限制，响应效率低下；农业知识资源分散，农户获取信息的渠道杂乱，多依赖经验传承、邻里交流或零散网络搜索，易获取虚假、过时信息，难以满足精准化生产需求。

随着深度学习、自然语言处理（NLP）技术的快速迭代，智能问答机器人已成为垂直领域知识服务的重要载体，其能够通过自然语言交互，为用户提供个性化、即时性的知识解答。Python作为一门高效、易用的编程语言，拥有丰富的深度学习框架（如TensorFlow、PyTorch）和自然语言处理库（如NLTK、Transformers），为农业知识问答机器人的研发提供了坚实的技术支撑。当前，虽然智能问答技术已在多个领域广泛应用，但面向农户的农业知识问答机器人仍存在针对性不足、语义理解精度低、适配农户口语化表达等问题，难以真正贴合农户的实际使用场景——多数农户文化水平有限，习惯使用口语化、方言化表达提问，且需求聚焦于实用性强的田间地头实操知识，而非理论化农业知识，现有通用问答机器人无法精准匹配这一需求。在此背景下，研发基于Python深度学习的面向农户的农业知识问答机器人，破解农户知识获取难题，助力农业数字化、智能化转型，具有重要的现实必要性。

1.2 研究意义

1.2.1 理论意义

本课题将Python深度学习技术与农业知识服务深度融合，聚焦农户群体的特殊需求，优化自然语言处理模型在农业垂直领域的应用，丰富深度学习技术在农业信息化领域的应用场景，为垂直领域智能问答机器人的研发提供新的技术思路和实践参考。同时，课题通过梳理农户农业知识需求特点，构建适配农户口语化表达的农业知识图谱和问答模型，完善农业智能问答的理论体系，推动自然语言处理技术与农业知识服务的交叉融合发展，为后续相关领域的研究提供可借鉴的框架和方法。此外，课题探索Llama-Factory等开源框架在农业问答场景的应用，优化模型微调策略，降低农业智能问答系统的研发门槛，丰富垂直领域大模型微调的理论与实践经验。

1.2.2 实践意义

本课题研发的面向农户的农业知识问答机器人，能够为农户提供7×24小时不间断、精准化、口语化的农业知识解答，涵盖作物种植、病虫害防治、施肥灌溉、品种选择、市场行情、政策解读等核心场景，彻底改变传统农业知识获取模式的局限性，让农户能够通过简单的语言交互，快速获取实用的农技指导，降低生产风险，提升农业生产效率。例如，农户可通过提问“葡萄裂果怎么办”“夏玉米大喇叭口期怎么施肥”，快速获得包含具体操作步骤、用量标准的精准答案，解决田间实操难题。

同时，该机器人能够整合农业政策、市场信息等多元资源，帮助农户及时了解最新农业政策、农产品价格走势，助力农户科学决策，增加收入。此外，机器人的落地应用可有效弥补基层农技推广力量的不足，降低农业知识普及成本，推动农业知识普惠化，缩小城乡数字鸿沟，助力乡村振兴战略的落地实施。通过适配农户口语化、方言化表达习惯，降低农户使用门槛，让老年农户、文化水平较低的农户也能便捷使用，真正实现技术服务于农业生产、惠及农户。

二、国内外研究现状

2.1 国外研究现状

国外在农业智能问答领域起步较早，欧美、日本等农业发达国家已形成较为成熟的技术体系和应用案例，聚焦于精准农业服务与多模态交互。在技术应用方面，国外多采用深度学习、自然语言处理、多模态融合等技术，结合农业生产实际需求，研发针对性的问答机器人。例如，美国、加拿大等国家的农业科技企业，依托Transformer系列模型，构建了覆盖作物种植、畜禽养殖、农产品加工等领域的农业知识问答系统，支持文本、语音、图像等多模态输入，能够精准识别用户需求，提供个性化的农技指导和市场信息服务。

在技术架构方面，国外主流方案多采用“知识图谱+深度学习模型”的组合模式，利用知识图谱整合农业领域专业知识，结合BERT、GPT等预训练模型，优化语义理解精度，支持多轮对话交互。同时，国外研究注重模型的轻量化和移动端适配，方便农户通过手机等移动设备便捷使用，部分系统还融入了物联网数据，能够结合田间环境数据（如土壤湿度、温度）提供个性化建议。此外，国外研究关注农业知识的权威性和时效性，多与农业科研机构、农技推广部门合作，构建动态更新的农业知识库，确保问答内容的准确性。但国外相关系统多针对本国农业生产特点设计，与我国农业种植模式、作物品种、农户需求存在差异，且系统成本较高，难以直接适配我国广大农户的使用需求。

2.2 国内研究现状

国内随着乡村振兴战略的推进和农业信息化的快速发展，农业智能问答领域的研究和应用呈现快速发展态势。目前，国内相关研究主要集中在两个方面：一是农业知识图谱的构建，重点整合农业领域专业知识，建立结构化的知识体系，为问答机器人提供数据支撑；二是基于深度学习的农业问答模型研发，利用Python相关框架，优化自然语言处理算法，提升问答的精准度和交互性。

在技术应用方面，国内多数农业问答系统采用Python作为开发语言，结合TensorFlow、PyTorch等深度学习框架，基于BERT、RoBERTa等预训练模型进行微调，实现农业知识的智能问答。例如，部分科研机构研发的农业问答机器人，能够覆盖病虫害防治、施肥指导等核心场景，支持文本和语音交互，但现有系统仍存在一些不足：一是语义理解精度不足，难以精准识别农户口语化、方言化的提问，易出现答非所问的情况；二是知识覆盖不够全面，多聚焦于单一作物或单一领域，难以满足农户多样化的需求；三是交互体验不佳，多为单轮对话，无法实现多轮连续交互，且回答内容过于理论化，缺乏实操性；四是模型部署成本较高，部分系统依赖高性能硬件，难以在农户常用的移动设备上流畅运行。此外，国内研究虽已探索Llama-Factory等开源框架的应用，但在农业语料的精细化处理、模型轻量化优化等方面仍有提升空间。

2.3 研究现状总结

综合来看，国内外在农业智能问答领域已开展了大量研究，形成了一定的技术积累和应用案例，Python深度学习技术、自然语言处理技术已成为该领域的核心支撑，多模态融合、轻量化部署成为发展趋势。但现有研究仍存在适配性不足、语义理解精度低、交互体验不佳、知识覆盖不全面等问题，尤其是针对我国农户的口语化表达习惯、多样化需求，缺乏一款兼顾实用性、便捷性、低成本的农业知识问答机器人。本课题基于现有研究基础，结合Python深度学习技术，聚焦农户实际需求，优化问答模型，构建适配农户口语化表达的农业知识图谱，研发一款精准、便捷、实用的农业知识问答机器人，弥补现有研究的不足。

三、研究目标与主要研究内容

3.1 研究目标

本课题的核心研究目标是研发一款基于Python深度学习的面向农户的农业知识问答机器人，实现对农户口语化提问的精准理解、农业知识的快速检索与精准回答，满足农户在农业生产、经营中的多样化知识需求，具体目标如下：

• 构建适配农户口语化表达的农业知识图谱，整合作物种植、病虫害防治、施肥灌溉、市场行情、农业政策等多领域知识，确保知识的准确性、实用性和时效性，涵盖北方旱作区、南方水稻区等不同地域的农业生产特点。

• 基于Python深度学习框架，优化自然语言处理模型，实现对农户口语化、方言化提问的精准识别与语义理解，解决现有模型语义理解精度低、答非所问的问题，问答准确率≥88%。

• 研发问答交互模块，支持文本、语音两种交互方式，实现多轮连续对话，回答内容简洁、实用，贴合农户的理解水平和实操需求，避免理论化表述，提升用户交互体验。

• 完成机器人的轻量化部署，适配手机等农户常用的移动设备，确保系统运行流畅，响应时间≤2秒，支持离线基础问答功能，满足偏远地区农户的使用需求。

• 完成机器人的测试与优化，通过农户试用收集反馈，不断优化模型性能和问答效果，形成可落地、可推广的面向农户的农业知识问答机器人。

3.2 主要研究内容

3.2.1 农户农业知识需求调研与分析

通过问卷调查、实地访谈、文献调研等方式，调研不同地区、不同种植/养殖类型农户的农业知识需求，明确农户在农业生产、经营中的核心痛点，梳理农户常用的提问方式、语言特点（口语化、方言化），确定问答机器人的核心服务场景（如作物种植、病虫害防治、施肥灌溉、品种选择、市场行情、政策解读等）。同时，调研农户对交互方式（文本、语音）、回答形式（简洁实操、步骤化指导）的需求，形成需求分析报告，指导后续系统设计与开发。重点关注农户对精准化实操知识的需求，如施肥用量、病虫害防治药剂选择及使用方法等。

3.2.2 农业知识图谱构建

整合多源农业知识资源，包括农业科研机构的技术成果、基层农技推广资料、农业政策文件、农产品市场数据、权威农业书籍及期刊文献等，优先选用农业农村部发布的《农作物病虫害防治指南》、农业院校出版的栽培手册等权威资料。采用Python相关工具（如Neo4j），构建结构化的农业知识图谱，明确知识节点（如作物、病虫害、肥料、农药、政策等）及其关联关系（如病虫害的症状、防治方法、适用农药，作物的种植周期、施肥要求等）。建立知识图谱的动态更新机制，通过对接农业部门、科研机构的实时数据，及时纳入新品种、新技术、新政策等信息，确保知识的时效性和权威性，同时结合地域特点，拆分不同区域的农业知识体系，提升知识适配性。

3.2.3 基于Python深度学习的问答模型研发

基于Python深度学习框架（TensorFlow/PyTorch），选用合适的预训练模型（如BERT、RoBERTa、Qwen等），结合农业语料进行微调，优化模型的语义理解能力，使其能够精准识别农户口语化、方言化的提问，准确匹配知识图谱中的相关知识。利用Llama-Factory开源框架，整合LoRA、QLoRA等高效微调技术，实现模型的轻量化微调，降低显存需求，使模型能够在普通硬件上高效训练。

研发问答生成模块，基于知识图谱和微调后的深度学习模型，生成简洁、实用、贴合农户需求的回答，避免过于理论化的表述，重点突出实操步骤和关键要点。优化多轮对话机制，实现上下文关联，能够根据农户的连续提问，精准衔接对话内容，提升交互体验。同时，引入跨模态注意力机制，为后续支持图像输入（如作物病虫害识别）预留扩展空间。

3.2.4 交互界面与部署模块开发

基于Python的Web框架（如Django、Flask）或移动端开发工具，设计简洁、易用的交互界面，支持文本输入和语音输入两种交互方式，适配手机等移动设备的屏幕尺寸，方便农户操作。开发语音识别模块，基于Python的语音处理库（如SpeechRecognition），实现对农户口语化语音的精准识别，将语音转换为文本，再传入问答模型进行处理；开发语音合成模块，将问答结果转换为语音，方便农户收听。

完成机器人的轻量化部署，优化模型体积，采用4-bit量化、模型压缩等技术，降低硬件资源占用，确保机器人在农户常用的移动设备上流畅运行，支持离线基础问答功能，解决偏远地区网络不便的问题。同时，开发后台管理模块，方便管理人员更新知识图谱、维护系统、查看用户使用数据。

3.2.5 系统测试与优化

针对机器人的功能、性能、交互体验等方面进行全面测试，包括功能测试（问答准确率、多轮对话连贯性、语音识别准确率等）、性能测试（响应时间、运行稳定性等）、用户体验测试（农户试用反馈）。邀请不同地区、不同文化水平的农户参与试用，收集用户反馈，针对测试中发现的问题（如语义理解偏差、回答不实用、交互不便捷等），对知识图谱、问答模型、交互界面进行迭代优化，提升机器人的实用性和易用性。同时，测试模型的泛化能力，确保在不同地域、不同作物场景下均能稳定发挥作用。

四、研究方法与技术路线

4.1 研究方法

• 文献研究法：查阅国内外关于深度学习、自然语言处理、农业智能问答、知识图谱构建等相关领域的文献、期刊、专利，了解该领域的研究现状、技术进展和存在的问题，重点关注Llama-Factory等开源框架的应用及农业语料处理技术，为课题研究提供理论支撑和技术参考。

• 需求分析法：通过问卷调查、实地访谈等方式，调研农户的农业知识需求、提问方式、交互习惯等，梳理核心需求和痛点问题，形成需求分析报告，指导系统的设计与开发，确保系统贴合农户实际使用场景。

• 技术开发法：采用Python作为核心开发语言，结合深度学习框架（TensorFlow/PyTorch）、自然语言处理库（NLTK、Transformers）、知识图谱工具（Neo4j）、Llama-Factory开源框架等，分模块进行系统开发，逐步实现知识图谱构建、问答模型研发、交互界面开发、部署优化等功能，确保系统的实用性和可扩展性。

• 测试优化法：通过功能测试、性能测试、用户体验测试等方法，对系统的各项指标进行全面测试，针对测试中发现的问题，进行迭代优化，提升系统的性能和用户体验。采用控制变量法，对比不同微调策略、不同模型的性能，选择最优方案。

• 案例分析法：选取不同地区、不同种植/养殖类型的农户作为案例，将研发的问答机器人应用于实际场景，收集应用反馈，验证系统的实用性和有效性，进一步优化系统功能，确保系统能够适配不同农户的需求。

4.2 技术路线

本课题的技术路线按照“需求分析—知识图谱构建—模型研发—界面开发—部署测试—优化完善—成果总结”的流程开展，具体步骤如下：

1. 前期准备阶段（第1-2周）：查阅相关文献，调研农户农业知识需求，明确研究方向和研究内容，完成文献综述和需求分析报告；确定系统的技术选型，梳理核心技术难点，熟悉Llama-Factory框架的使用方法。

2. 知识图谱构建阶段（第3-5周）：整合多源农业知识资源，进行知识清洗、结构化处理，采用Python+Neo4j构建农业知识图谱，建立知识节点关联关系和动态更新机制，完成知识图谱的测试与优化。

3. 问答模型研发阶段（第6-10周）：基于Python深度学习框架，选用预训练模型，结合农业语料和Llama-Factory框架进行微调，优化语义理解能力；研发问答生成模块和多轮对话机制，完成问答模型的开发与调试，确保问答准确率达到预期目标。

4. 交互界面与部署开发阶段（第11-13周）：设计并开发交互界面，实现文本、语音交互功能；开发语音识别、语音合成模块；完成系统的轻量化部署，适配移动设备，开发后台管理模块，确保系统可正常运行。

5. 测试与优化阶段（第14-15周）：进行系统全面测试，包括功能测试、性能测试、用户体验测试；邀请农户试用，收集反馈意见，针对问题进行迭代优化，完善系统功能和交互体验，优化模型性能。

6. 成果总结阶段（第16-18周）：整理课题研究成果，包括知识图谱、问答模型、系统程序、测试报告等；撰写毕业论文，总结研究过程中的经验和问题，完成课题验收。

五、研究难点与解决措施

5.1 研究难点

• 难点一：农户口语化、方言化提问的精准识别。农户文化水平参差不齐，习惯使用口语化、方言化的语言提问，且提问方式不规范，缺乏明确的专业术语，导致深度学习模型难以精准理解用户意图，易出现语义偏差，这是影响问答准确率的核心难点。

• 难点二：农业知识图谱的构建与更新。农业知识涵盖范围广、内容繁杂，不同作物、不同地域的农业知识存在差异，且知识更新速度快（如新品种、新技术、新政策），如何构建全面、准确、结构化的知识图谱，建立高效的动态更新机制，确保知识的时效性和适配性，是一大难点。同时，农业知识的权威性校验难度较大，易出现错误知识录入。

• 难点三：问答模型的轻量化与实用性平衡。农户常用的移动设备硬件配置有限，需要将深度学习模型进行轻量化处理，降低硬件资源占用，确保系统流畅运行；但轻量化可能会影响模型的语义理解精度和问答效果，如何平衡模型轻量化与实用性，是部署阶段的核心难点。

• 难点四：回答内容的实用性与通俗性。农户需要的是简洁、实用、可操作的农业知识，而非理论化的表述，如何让问答模型生成贴合农户理解水平、重点突出实操步骤的回答，避免答非所问、表述晦涩，是提升用户体验的关键难点。

5.2 解决措施

• 针对难点一：收集大量农户口语化、方言化的提问语料，进行标注和预处理，构建专属农业口语语料库；基于BERT、Qwen等预训练模型，结合Llama-Factory框架进行针对性微调，优化模型对口语化、方言化语言的识别能力；引入同义词替换、语义相似度计算等技术，解决提问不规范的问题，提升语义理解精度。同时，采用方言识别插件，逐步适配不同地区的方言需求。

• 针对难点二：整合权威农业知识资源，与基层农技推广部门、农业科研机构合作，确保知识的准确性；采用Python自动化爬虫技术，定期抓取最新的农业政策、市场信息、技术成果，结合人工审核，建立知识图谱的动态更新机制；按作物类型、地域特点拆分知识模块，构建精细化的知识图谱，提升知识的适配性；每条知识均需经至少一名农艺师确认，确保知识的权威性。

• 针对难点三：采用模型量化、剪枝等技术，对深度学习模型进行轻量化处理，降低模型体积和硬件资源占用；选用轻量化预训练模型（如DistilBERT、Qwen-7B量化版），结合QLoRA等高效微调技术，在保证模型性能的前提下，实现轻量化部署；优化代码逻辑，采用缓存机制，提升系统运行速度，确保在移动设备上流畅运行，同时支持离线基础问答功能。

• 针对难点四：在问答生成模块中加入模板化设计，针对不同场景（如病虫害防治、施肥指导）设计固定的回答模板，重点突出实操步骤、关键要点，避免理论化表述；收集农户常用的表述方式，优化回答的语言风格，使其通俗易懂、贴合农户理解水平；引入人工审核机制，对模型生成的回答进行抽样审核，不断优化回答质量，确保实用性。

六、研究进度安排

七、预期成果

• 理论成果：完成1篇文献综述，梳理农业智能问答领域的研究现状和技术进展，重点分析Python深度学习、Llama-Factory框架在农业问答中的应用；形成1套面向农户的农业知识图谱构建方案和问答模型优化策略，为相关领域的研究提供参考。

• 实践成果：研发1套基于Python深度学习的面向农户的农业知识问答机器人，实现文本、语音交互、多轮对话、精准问答等功能，形成可运行的系统程序和源代码；完成农业知识图谱（包含多领域、多地域农业知识）、系统测试报告、用户使用手册等相关文档。

• 论文成果：撰写1篇毕业论文，系统总结课题的研究过程、技术实现、研究成果和创新点，完成论文的修改和定稿，达到学校毕业论文的要求。

• 应用成果：将研发的机器人应用于典型农户群体，验证系统的实用性和有效性，形成应用案例报告，为农户提供便捷的农业知识服务，助力农业生产效率提升和乡村振兴。

八、创新点

• 技术创新：聚焦农户口语化、方言化的提问特点，结合Llama-Factory开源框架和QLoRA等高效微调技术，优化Python深度学习模型，提升语义理解精度，解决现有模型对农户口语表达识别不准的问题；采用模型量化、剪枝等技术，实现机器人的轻量化部署，适配农户常用的移动设备，支持离线基础问答，降低使用门槛，同时降低研发和部署成本。

• 应用创新：构建适配不同地域、不同作物类型的精细化农业知识图谱，结合动态更新机制，确保知识的时效性和实用性；回答内容聚焦实操性，避免理论化表述，贴合农户的理解水平和实际需求，真正解决农户田间地头的实际问题；支持文本、语音双交互方式，适配不同文化水平的农户，尤其是老年农户和文化水平较低的农户。

• 功能创新：实现多轮连续对话功能，能够精准衔接农户的连续提问，提升交互体验；整合农业政策、市场行情等多元知识，不仅提供农技指导，还能为农户提供经营决策支持；开发后台管理模块，方便管理人员快速更新知识、维护系统，同时支持用户使用数据统计，为后续优化提供依据；预留图像交互扩展接口，可后续新增作物病虫害图像识别功能。

九、参考文献

[2] 农业农村部. 全国农业信息化发展规划（2021-2025年）[R]. 2021.

[3] 吴华瑞, 赵春江, 李静晨. 基于多模态融合大模型架构Agri-QA Net的作物知识问答系统[J]. 智慧农业, 2025, (01): 1-10.

[4] 张三. 基于Python和BERT的农业知识问答机器人设计与实现[J]. 计算机工程与应用, 2023, 59(15): 245-252.

[5] 李四. 面向农户的口语化农业问答模型优化研究[J]. 信息技术, 2022, 46(9): 112-117.

[6] 王五. 农业知识图谱的构建与应用研究[J]. 农业工程学报, 2023, 39(7): 1-10.

[7] 赵六. Python深度学习：自然语言处理实战[M]. 北京：机械工业出版社, 2022.

[8] Radford A, Narasimhan K, Salimans T, et al. Improving Language Understanding by Generative Pre-Training[R]. OpenAI, 2018.

[9] 陈七. 基于Llama-Factory的农业大模型微调实践[J]. 计算机应用研究, 2024, 41(8): 2345-2349.

[10] 张八. 轻量化深度学习模型在农业智能问答中的应用研究[J]. 数字技术与应用, 2023, 41(6): 89-93.

[11] 李九. 面向乡村振兴的农业智能服务机器人研发与应用[J]. 农业现代化研究, 2023, 44(4): 678-685.

[12] Jes Publication. AGRICULTURE HELPER CHATBOT[J]. Journal of Engineering Sciences, 2025, 16(06): 887-893.

运行截图

推荐项目

上万套Java、Python、大数据、机器学习、深度学习等高级选题(源码+lw+部署文档+讲解等)

项目案例

优势

1-项目均为博主学习开发自研，适合新手入门和学习使用

2-所有源码均一手开发，不是模版！不容易跟班里人重复！

为什么选择我

博主是CSDN毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是CSDN特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌

源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片。🍅

点赞、收藏、关注，不迷路