现代聊天机器人可以充当数字代理,为跨多个行业提供 24/7 客户服务和支持提供新途径。它们的受欢迎程度源于能够实时响应客户查询并以不同语言同时处理多个查询。聊天机器人还可以提供有价值的数据驱动的客户行为洞察,同时随着用户群的增长而轻松扩展;因此,他们为吸引客户提供了一种经济高效的解决方案。聊天机器人使用大型语言模型 (LLM) 的高级自然语言功能来回答客户问题。他们可以理解对话语言并自然地做出反应。然而,仅回答基本问题的聊天机器人的实用性有限。要成为值得信赖的顾问,聊天机器人需要提供深思熟虑、量身定制的响应。
实现更多上下文对话的一种方法是将聊天机器人链接到内部知识库和信息系统。集成来自内部知识库的专有企业数据使聊天机器人能够根据每个用户的个人需求和兴趣做出响应。例如,聊天机器人可以推荐符合购物者偏好和过去购买情况的产品,用适合用户专业水平的语言解释详细信息,或者通过访问客户的特定记录来提供帐户支持。智能地整合信息、理解自然语言以及在对话流中提供定制回复的能力使聊天机器人能够在不同的用例中提供真正的商业价值。
流行的架构模式 检索增强生成 (RAG) 通常用于增强用户查询上下文和响应。 RAG 将法学硕士的能力与事实和现实世界知识的基础相结合,这些知识来自于从数据语料库中检索相关文本和段落。然后,使用这些检索到的文本来为输出提供信息和基础,从而减少幻觉并提高相关性。
在这篇文章中,我们通过使用来说明上下文增强聊天机器人 Amazon Bedrock 知识库,完全托管的无服务器服务。 Amazon Bedrock 集成的知识库使我们的聊天机器人能够通过将用户查询链接到相关信息数据点来提供更相关、个性化的响应。在内部, 亚马逊基岩 使用存储在矢量数据库中的嵌入来增强运行时的用户查询上下文并启用托管 RAG 架构解决方案。我们使用 亚马逊致股东的信 数据集来开发此解决方案。
检索增强生成
RAG 是一种将信息检索纳入生成过程的自然语言生成方法。 RAG 架构涉及两个关键工作流程:通过摄取进行数据预处理,以及使用增强上下文生成文本。
数据摄取工作流程使用 LLM 创建表示文本语义的嵌入向量。嵌入是为文档和用户问题创建的。文档嵌入被分成块并作为索引存储在向量数据库中。然后,文本生成工作流程获取问题的嵌入向量,并使用它根据向量相似性检索最相似的文档块。它使用这些相关块来增强提示,以使用法学硕士生成答案。有关更多详细信息,请参阅 检索增强生成、嵌入和向量数据库入门 部分 预览 – 使用 Amazon Bedrock 代理将基础模型连接到您公司的数据源.
下图说明了高级 RAG 架构。
尽管RAG架构有很多优点,但它涉及多个组件,包括数据库、检索机制、提示和生成模型。管理这些相互依赖的部分可能会给系统开发和部署带来复杂性。检索和生成的集成还需要额外的工程工作和计算资源。一些开源库提供包装器来减少这种开销;但是,对库的更改可能会引入错误并增加版本控制的额外开销。即使使用开源库,也需要付出巨大的努力来编写代码、确定最佳块大小、生成嵌入等。仅此一项设置工作就可能需要数周时间,具体取决于数据量。
因此,处理这些无差异任务的托管解决方案可以简化并加速 RAG 应用程序的实施和管理过程。
Amazon Bedrock 知识库
Amazon Bedrock 知识库是一个无服务器选项,可使用 RAG 构建强大的对话式 AI 系统。它提供完全托管的数据摄取和文本生成工作流程。
对于数据摄取,它自动处理矢量数据库中文档数据的文本嵌入的创建、存储、管理和更新。它将文档分割成可管理的块,以便高效检索。然后,这些块被转换为嵌入并写入向量索引,同时允许您在回答问题时查看源文档。
对于文本生成,Amazon Bedrock 提供了 检索并生成 API 用于创建用户查询的嵌入,并从向量数据库中检索相关块以生成准确的响应。它还支持 RAG 应用程序所需的源归因和短期记忆。
这使您能够专注于核心业务应用程序并消除无差别的繁重工作。
解决方案概述
这篇文章中提出的解决方案使用使用创建的聊天机器人 流光 应用程序并包含以下 AWS 服务:
下图是一种常见的解决方案架构模式,您可以使用该模式将任何聊天机器人应用程序集成到 Amazon Bedrock 的知识库。
该架构包括以下步骤:
- 用户与 Streamlit 聊天机器人界面交互并以自然语言提交查询
- 这会触发 Lambda 函数,该函数调用知识库
RetrieveAndGenerate
API。在内部,知识库使用 亚马逊泰坦 嵌入模型并将用户查询转换为向量并找到语义上与用户查询相似的块。然后,用从知识库检索到的块来增强用户提示。然后,提示与附加上下文一起发送到法学硕士以生成响应。在此解决方案中,我们使用 人类克劳德即时 作为我们的法学硕士,使用附加上下文生成用户响应。请注意,该解决方案在 Amazon Bedrock 上存在 Anthropic Claude 的区域受支持 可使用. - 上下文相关的响应被发送回聊天机器人应用程序和用户。
先决条件
Amazon Bedrock 用户需要请求访问基础模型,然后才能使用它们。这是一次性操作,需要不到一分钟的时间。对于此解决方案,您需要在 Amazon Bedrock 中启用对 Titan Embeddings G1 – Text 和 Claude Instant – v1.2 模型的访问。欲了解更多信息,请参阅 模型访问.
克隆GitHub存储库
本文中提出的解决方案可在以下位置找到 GitHub回购。您需要将 GitHub 存储库克隆到本地计算机。打开终端窗口并运行以下命令。请注意,这是一个 git clone 命令。
将您的知识数据集上传到 Amazon S3
我们下载知识库的数据集并将其上传到 S3 存储桶中。该数据集将为知识库提供数据和支持。完成以下步骤:
- 导航到 年度报告、委托书和股东信函 数据存储库并下载过去几年的亚马逊股东信件。
- 在Amazon S3控制台上,选择 水桶 在导航窗格中。
- 创建存储桶.
- 为存储桶命名
knowledgebase-<your-awsaccount-number>
. - 将所有其他存储桶设置保留为默认值并选择 创建.
- 导航到
knowledgebase-<your-awsaccount-number>
桶。 - 创建文件夹 并将其命名为数据集。
- 将所有其他文件夹设置保留为默认值并选择 创建.
- 导航回到存储桶主页并选择 创建文件夹 创建一个新文件夹并为其命名
lambdalayer
. - 将所有其他设置保留为默认值并选择 创建.
- 导航到
dataset
文件夹中。 - 将您之前下载的年度报告、委托书和股东信函数据集文件上传到此存储桶并选择 上传.
- 导航到
lambdalayer
文件夹中。 - 上载
knowledgebase-lambdalayer.zip
文件可在/lambda/layer
您之前克隆的 GitHub 存储库中的文件夹并选择 上传。稍后您将使用此 Lambda 层代码来创建 Lambda 函数。
创建知识库
在此步骤中,我们使用上一步中上传到 S3 存储桶的 Amazon 股东信件数据集创建一个知识库。
- 在 Amazon Bedrock 控制台上,在 编曲配置 在导航窗格中,选择 知识库.
- 创建知识库.
- 在 知识库详细信息 部分,输入名称和可选说明。
- 在 IAM 权限 部分,选择 创建并使用新的服务角色 并输入角色的名称。
- 根据需要添加标签。
- 下一页.
- 离开 资料来源名称 作为默认名称。
- 针对 S3 URI,选择 浏览S3 选择S3存储桶
knowledgebase-<your-account-number>/dataset/
您需要指向您在前面的步骤中创建的存储桶和数据集文件夹。 - 在 高级设置 部分,保留默认值(如果需要,您可以更改默认分块策略并指定块大小和以百分比表示的覆盖)。
- 下一页.
- 针对 嵌入模型, 选择 Titan Embedding G1 – 文本.
- 针对 矢量数据库,您可以选择 快速创建新的矢量存储 or 选择您创建的矢量商店。请注意,要使用您选择的矢量存储,您需要预先配置一个矢量存储才能使用。我们目前支持四种矢量引擎类型:Amazon OpenSearch Serverless、Amazon Aurora、Pinecone 和 Redis Enterprise Cloud 的矢量引擎。在本文中,我们选择“快速创建新的矢量存储”,默认情况下会在您的帐户中创建一个新的 OpenSearch Serverless 矢量存储。
- 下一页.
- 点击 查看并创建 页面,查看所有信息,或选择 上一页 修改任何选项。
- 创建知识库.请注意,知识库创建过程开始,状态为“正在进行”。创建矢量存储和知识库需要几分钟的时间。不要离开该页面,否则创建将失败。
- 当知识库状态为
Ready
状态,记下知识库 ID。您将在后续步骤中使用它来配置 Lambda 函数。 - 现在知识库已准备就绪,我们需要将亚马逊股东信数据同步到其中。在里面 数据源 知识库详细信息页面的部分,选择 Sync 触发从 S3 存储桶到知识库的数据摄取过程。
此同步过程将文档文件拆分为先前指定的块大小的较小块,使用选定的文本嵌入模型生成矢量嵌入,并将它们存储在由 Amazon Bedrock 知识库管理的矢量存储中。
数据集同步完成后,数据源状态将变为 Ready
状态。请注意,如果您在 S3 数据文件夹中添加任何其他文档,则需要重新同步知识库。
恭喜,您的知识库已准备就绪。
请注意,您还可以使用 Amazon Bedrock 服务 API 的知识库和 AWS命令行界面 (AWS CLI) 以编程方式创建知识库。您将需要运行以下提供的 Jupyter 笔记本的各个部分 /notebook
GitHub 存储库中的文件夹。
创建一个Lambda函数
此 Lambda 函数是使用 AWS CloudFormation GitHub 存储库中提供的模板位于 /cfn
文件夹。该模板需要两个参数:S3 存储桶名称和知识库 ID。
- 在 AWS CloudFormation 服务主页上,选择 创建堆栈 创建一个新堆栈。
- 选择 模板已准备就绪 准备模板.
- 选择 上传模板文件 模板来源.
- 选择文件,导航到您之前克隆的 GitHub 存储库,然后选择下面的 .yaml 文件
/cfn
文件夹中。 - 下一页.
- 针对 堆栈名称,输入名称。
- 在 参数 部分,输入您之前记下的知识库 ID 和 S3 存储桶名称。
- 下一页.
- 保留所有默认选项不变,选择 下一页,并选择 提交.
- 验证 CloudFormation 模板是否成功运行,并且没有错误。
恭喜您已成功创建 Lambda 函数、相关角色和策略。
测试上下文聊天机器人应用程序
要测试您的聊天机器人应用程序,请完成以下步骤:
- 在计算机上打开一个新终端或命令行窗口。
- 运行以下命令来安装 适用于Python的AWS开发工具包(Boto3)。 Boto3 让 Python 应用程序、库或脚本与 AWS 服务的集成变得简单。
- 运行以下命令安装并设置本地 Python 开发环境以运行 Streamlit 应用程序:
- 导航到
/streamlit
您之前克隆的 GitHub 存储库文件夹中的文件夹。 - 运行以下命令来实例化聊天机器人应用程序:
这应该会在您的默认 Web 浏览器中打开由 Streamlit 提供支持的基于 Web 的聊天应用程序。
- 使用此 Streamlit 聊天机器人应用程序发布自然语言问题,以启动由 Amazon Bedrock 知识库支持的对话。
当您提交提示时,Streamlit 应用程序会触发 Lambda 函数,该函数会调用知识库 RetrieveAndGenerate
用于搜索和生成响应的 API。
下表包括一些示例问题和相关知识库答案。根据提示尝试其中一些问题。
有疑问吗? | 答复 |
亚马逊在生成人工智能领域正在做什么? | 亚马逊一直致力于开发自己的用于生成人工智能的大型语言模型 (LLM),并相信它将改变和改善每一位客户体验。他们计划继续在所有消费者、卖家、品牌和创作者体验中对这些模型进行大量投资。 |
2022 年 AWS 的同比收入是多少? | 29 年,AWS 收入同比增长 2022%,收入基础为 62 亿美元。 |
亚马逊已经要求员工到办公室上班多少天了? | 亚马逊已要求企业员工从 2022 年 XNUMX 月开始每周至少返回办公室三天。 |
2022 年 AWS 收入同比增长了多少百分比? | 29 年,AWS 的收入同比增长 2022%。 |
根据文中所述,与 Graviton2 处理器相比,Graviton3 芯片在性能上有何提升? | 2022 年,AWS 交付了 Graviton3 芯片,其性能比 Graviton25 处理器提高了 2%。 |
根据文中所述,AWS推出的第一款推理芯片是哪款? | AWS 于 2019 年推出了首款推理芯片(“Inferentia”),为亚马逊等公司节省了超过一亿美元的资本支出。 |
根据上下文,亚马逊的年收入是在哪一年从$245B增长到$434B的? | 亚马逊的年收入从 245 年的 $2019B 增长到 434 年的 $2022B。 |
再告诉我2019年的收入是多少? | 亚马逊2019年的收入为245亿美元。 |
还有,2021 年? | 亚马逊2021年营收为469.8亿美元,比22年增长2020%。 |
还有,再提醒我一下,第一款推理芯片是什么时候推出的? | 亚马逊的首款推理芯片是 Inferentia,于 2019 年推出。 |
在第一次调用 Lambda 函数期间, RetrieveAndGenerate
API 返回一个 sessionId
,然后由 Streamlit 应用程序与后续用户提示一起传递,作为 RetrieveAndGenerate API 的输入,以在同一会话中继续对话。这 RetrieveAndGenerate
只要在连续调用中将相同的 sessionId 作为输入传递,API 就会管理短期记忆并使用聊天历史记录。
恭喜,您已使用 Amazon Bedrock 知识库成功创建并测试了聊天机器人应用程序。
清理
删除S3存储桶、OpenSearch Serverless集合、知识库等资源失败会产生费用。要清理这些资源,请删除 CloudFormation 堆栈、删除 S3 存储桶(包括存储在该存储桶中的任何文档文件夹和文件)、删除 OpenSearch Serverless 集合、删除知识库,并删除您需要的任何角色、策略和权限。较早创建的。
结论
在这篇文章中,我们概述了上下文聊天机器人并解释了它们的重要性。我们描述了 RAG 架构的数据摄取和文本生成工作流程中涉及的复杂性。然后,我们介绍了 Amazon Bedrock 知识库如何创建完全托管的无服务器 RAG 系统,包括矢量存储。最后,我们提供了解决方案架构和示例代码 GitHub回购 使用知识库检索并生成聊天机器人应用程序的上下文响应。
通过解释上下文聊天机器人的价值、RAG 系统的挑战以及 Amazon Bedrock 知识库如何应对这些挑战,本文旨在展示 Amazon Bedrock 如何帮助您以最少的努力构建复杂的对话式 AI 应用程序。
有关详细信息,请参阅 亚马逊基岩开发人员指南 和 知识库 API.
作者简介
曼尼什·丘格 是位于加利福尼亚州旧金山的 AWS 的首席解决方案架构师。他专注于机器学习和生成人工智能。他与从大型企业到早期初创公司的各种组织合作解决与机器学习相关的问题。他的职责包括帮助这些组织在 AWS 上构建可扩展、安全且经济高效的工作负载。他定期出席 AWS 会议和其他合作伙伴活动。工作之余,他喜欢在东湾小径上徒步旅行、骑公路自行车以及观看(和打)板球。
玛尼哈努加 是一位技术主管 - 生成式 AI 专家、《AWS 上的应用机器学习和高性能计算》一书的作者,以及女性制造业教育基金会董事会成员。她领导计算机视觉、自然语言处理和生成人工智能等各个领域的机器学习项目。她在 AWS re:Invent、Women in Manufacturing West、YouTube 网络研讨会和 GHC 23 等内部和外部会议上发表演讲。在空闲时间,她喜欢沿着海滩长距离跑步。
帕拉维·纳尔贡德 是 AWS 的首席解决方案架构师。作为云技术推动者,她与客户合作,了解他们的目标和挑战,并提供规范性指导,以利用 AWS 产品实现他们的目标。她对科技领域的女性充满热情,是亚马逊 AI/ML 女性项目的核心成员。她在 AWS re:Invent、AWS 峰会和网络研讨会等内部和外部会议上发表演讲。工作之余,她喜欢志愿服务、园艺、骑自行车和徒步旅行。
- :具有
- :是
- :在哪里
- $UP
- 100
- 125
- 2019
- 2020
- 2021
- 2022
- 23
- 27
- 500
- 7
- 8
- 9
- a
- 对,能力--
- 关于
- 加快
- ACCESS
- 访问
- 根据
- 账号管理
- 精准的
- 横过
- 操作
- 加
- 额外
- 地址
- 高级
- 优点
- 顾问
- 再次
- 中介代理
- AI
- 人工智能系统
- AI / ML
- 针对
- 所有类型
- 允许
- 允许
- 单
- 沿
- 靠
- 还
- Amazon
- 亚马逊网络服务
- an
- 和
- 全年
- 年收入
- 回答
- 回答
- 人类的
- 任何
- API
- APIs
- 应用
- 应用领域
- 应用领域
- 应用的
- 的途径
- 架构
- 保健
- AS
- At
- 增加
- 增强
- 增强
- Aurora
- 作者
- 自动
- 可使用
- 大街XNUMX号
- 远离
- AWS
- AWS CloudFormation
- AWS re:Invent
- 背部
- 基地
- 基于
- 基本包
- 海湾
- 海滩
- 成为
- 很
- before
- 开始
- 开始
- 行为
- 相信
- 更好
- 亿
- 板
- 董事会
- 书
- 品牌
- 浏览器
- 建立
- 商业
- 商业应用
- by
- CA
- 呼叫
- 呼叫
- CAN
- 能力
- 资本
- 例
- CD
- 挑战
- 更改
- 更改
- 收费
- 即时通话
- 聊天机器人
- 聊天机器人
- 结算
- 芯片
- 碎屑
- 选择
- 清洁
- CLI
- 云端技术
- 云技术
- 码
- 采集
- 结合
- 如何
- 购买的订单均
- 相当常见
- 公司
- 公司
- 完成
- 复杂性
- 组件
- 计算
- 一台
- 计算机视觉
- 计算
- 会议
- 分享链接
- 安慰
- 消费者
- 上下文
- 上下文
- 情境化
- 继续
- 谈话
- 听起来像对话
- 会话AI
- 对话
- 转换
- 核心
- 公司
- 经济有效
- 可以
- 创建信息图
- 创建
- 创建
- 创造
- 创建
- 创造者
- 板球
- 目前
- 顾客
- 客户行为
- 客户体验
- 客户服务
- 合作伙伴
- 定制
- data
- 数据点
- 数据驱动
- 数据库
- 一年中的
- 默认
- 交付
- 提升
- 交付
- 根据
- 部署
- 部署
- 描述
- 描述
- 详情
- 确定
- 开发
- 开发商
- 研发支持
- 图表
- DID
- 不同
- 数字
- 团队介绍
- 不同
- 文件
- 文件
- 做
- 美元
- 域名
- 别
- 向下
- 下载
- 每
- 此前
- 早期
- 东部
- 教育
- 高效
- 努力
- 费力
- 或
- 嵌入
- 员工
- enable
- 推动者
- 使
- 从事
- 发动机
- 工程师
- 增强
- 加强
- 输入
- 企业
- 企业
- 环境
- 故障
- 甚至
- 事件
- 所有的
- 例子
- 体验
- 体验
- 专门知识
- 说明
- 解释
- 说明
- 外部
- 正确
- 失败
- 少数
- 部分
- 文件
- 档
- 终于
- 发现
- (名字)
- 流
- 专注焦点
- 以下
- 针对
- 基金会
- 四
- 旧金山
- 自由的
- 止
- 充分
- 功能
- g1
- 生成
- 产生
- 代
- 生成的
- 生成式人工智能
- 混帐
- GitHub上
- 给
- Go
- 理想中
- 增长
- 陆运
- 增长
- 成长
- 指导
- 民政事务总署
- 处理
- 手柄
- 有
- he
- 重
- 举重
- 帮助
- 这里
- 高
- 高水平
- 他的
- 历史
- 主页
- 创新中心
- 但是
- HTML
- HTTP
- HTTPS
- 百
- ID
- if
- 说明
- 说明
- 实施
- 重要
- 改善
- 改进
- 改善
- in
- 包括
- 包含
- 合并
- 合并
- 增加
- 增加
- 指数
- 指标
- 个人
- 行业
- 通知
- 信息
- 信息系统
- 输入
- 咨询内容
- 可行的洞见
- 安装
- 即食类
- 整合
- 整合
- 积分
- 交互
- 利益
- 接口
- 内部
- 内部
- 成
- 介绍
- 介绍
- 投资
- 所调用
- 参与
- 涉及
- IT
- JPG
- 键
- 知识
- 语言
- 语言
- 大
- 大企业
- (姓氏)
- 后来
- 推出
- 层
- 铅
- 信息
- 学习
- 最少
- 离开
- 减
- 邮件
- Level
- 库
- 自学资料库
- 翻新
- 喜欢
- 喜欢
- 有限
- Line
- 链接
- LLM
- 本地
- 长
- 机
- 机器学习
- 主要
- 制作
- 管理
- 管理
- 管理
- 管理的
- 制造业
- 许多
- 匹配
- 可能..
- me
- 意
- 机制
- 会员
- 内存
- 仅仅
- 百万
- 百万美元
- 最小
- 分钟
- 分钟
- 模型
- 模型
- 修改
- 更多
- 最先进的
- 多
- 姓名
- 自然
- 自然语言处理
- 导航
- 旅游导航
- 需求
- 打印车票
- 需要
- 全新
- 下页
- 没有
- 不包含
- 注意
- 笔记本
- 注意到
- 目标
- of
- 提供
- 供品
- 优惠精选
- 办公
- 经常
- on
- 一
- 打开
- 开放源码
- 最佳
- 附加选项
- 附加选项
- or
- 组织
- 其他名称
- 除此以外
- 我们的
- 输出
- 产量
- 学校以外
- 超过
- 开销
- 简介
- 己
- 页
- 面包
- 参数
- 合伙人
- 部分
- 通道
- 段落
- 通过
- 多情
- 过去
- 模式
- 百分比
- 性能
- 权限
- 个性化你的
- 计划
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 点
- 点
- 政策
- 热门
- 声望
- 帖子
- 功率
- 供电
- 强大
- 喜好
- 当下
- 呈现
- 礼物
- 以前
- 校长
- 问题
- 过程
- 处理
- 处理器
- 核心产品
- 进展
- 项目
- 提示
- 所有权
- 提供
- 提供
- 提供
- 优
- 购买
- 蟒蛇
- 查询
- 询问
- 题
- 有疑问吗?
- 快速
- 抹布
- 范围
- RE
- 准备
- 真实
- 真实的世界
- 实时的
- 记录
- 减少
- 减少
- 参考
- 地区
- 经常
- 有关
- 相关性
- 相应
- 移除了
- 业务报告
- 知识库
- 代表
- 请求
- 必须
- 需要
- 资源
- 回应
- 响应
- 回复
- 恢复
- 回报
- 收入
- 检讨
- 路
- 角色
- 角色
- 运行
- 运行
- 运行
- 同
- 样品
- 圣
- 旧金山
- 保存
- 可扩展性
- 缩放
- 脚本
- SDK
- 搜索
- 部分
- 部分
- 安全
- 看到
- 选择
- 选
- 语义
- 发送
- 服务
- 无服务器
- 服务
- 特色服务
- 会议
- 集
- 设置
- 格局
- 股东
- 股东
- 她
- 短期的
- 应该
- 展示
- 显著
- 类似
- 同时
- 单
- 尺寸
- 小
- 方案,
- 解决方案
- 一些
- 极致
- 来源
- 来源
- 说
- 专家
- 专业
- 具体的
- 指定
- 分裂
- 拆分
- 堆
- 开始
- 初创企业
- 州/领地
- Status
- 茎
- 步
- 步骤
- 商店
- 存储
- 商店
- 存储
- 简单的
- 策略
- 精简
- 提交
- 随后
- 基本上
- 顺利
- 这样
- 建议
- 峰会
- SUPPORT
- 支持
- 支持
- 同步。
- 系统
- 产品
- 表
- 量身定制
- 采取
- 需要
- 任务
- 科技
- 专业技术
- 模板
- 终端
- test
- 测试
- 文本
- 比
- 这
- 信息
- 其
- 他们
- 然后
- 那里。
- 因此
- 博曼
- 他们
- Free Introduction
- 那些
- 三
- 通过
- 次
- 泰坦
- 至
- 改造
- 触发
- 信任
- 尝试
- 二
- 类型
- 下
- 理解
- 更新
- 上传
- 使用
- 用过的
- 用户
- 用户
- 使用
- 运用
- 效用
- v1
- 有价值
- 折扣值
- 价值观
- 各个
- 愿景
- 体积
- 想
- 是
- 观看
- 方法..
- we
- 卷筒纸
- 网页浏览器
- Web服务
- 基于网络的
- 在线研讨会
- 周
- 周
- 西部
- 什么是
- ,尤其是
- 这
- 而
- 为什么
- 将
- 窗口
- 女性
- 女性在技术方面
- 工作
- 工作流程
- 工作流程
- 加工
- 合作
- 写
- 写代码
- 书面
- 雅姆
- 年
- 年
- 完全
- 您一站式解决方案
- YouTube的
- 和风网