PDF-Assistant-RAG 是什么工具？

PDF-Assistant-RAG 是一款TypeScript开发的AI辅助工具。开源AI工具：PDF-Assistant-RAG is a complete, production-ready AI document assistant that let。⭐12 · TypeScript

PDF-Assistant-RAG 如何安装和开始使用？

访问 PDF-Assistant-RAG 的 GitHub 仓库或官方网站，按照 README 文档中的步骤安装依赖并运行。通常需要 Python 3.8+ 或 Node.js 16+ 基础环境。

PDF-Assistant-RAG 是否免费？许可证是什么？

PDF-Assistant-RAG 完全免费，采用 MIT 许可证开源发布，任何人都可以免费使用、修改和分发。

PDF-Assistant-RAG 适合哪些用户使用？

PDF-Assistant-RAG 主要面向有一定技术基础的用户，包括开发者、数据分析师、AI 工程师等专业人士。

PDF-Assistant-RAG 的社区活跃度和项目维护状况如何？

PDF-Assistant-RAG 在 GitHub 上已获得 12 个 Star，处于积极发展阶段，社区在持续扩大。

🛠

AI工具

PDF-Assistant-RAG AI技能包

基于 TypeScript · 开源免费，本地部署，数据完全自主可控

英文名：PDF-Assistant-RAG

⭐ 12 Stars 🍴 8 Forks 💻 TypeScript 📄 MIT 🏷 AI 8.0分

8.0AI 综合评分

pdftypescriptfastapinextjs

🌐 访问官网 📺 TG 频道

📚 深度解析

PDF-Assistant-RAG AI技能包是一款基于 TypeScript 的开源工具，在 GitHub 上收获 0k+ Star，是pdf、typescript、fastapi、nextjs领域中的优质开源项目。开源工具的最大优势在于代码完全透明，你可以审计每一行代码的安全性，也可以根据自身需求进行二次开发和定制。

**为什么要使用开源工具而非商业 SaaS？**
对于个人开发者和有隐私需求的用户，本地部署的开源工具意味着数据不离本机，不受第三方服务商的数据政策约束。同时，开源工具通常没有使用次数限制和月度费用，一次安装即可长期使用，对于高频使用场景的总拥有成本（TCO）远低于订阅制商业工具。

**安装与环境准备**
PDF-Assistant-RAG AI技能包依赖 TypeScript 运行环境。建议通过 pyenv（Python）或 nvm（Node.js）管理 TypeScript 版本，避免全局环境污染。对于新手用户，推荐先创建虚拟环境（python -m venv venv && source venv/bin/activate），再安装依赖，这样即使出现问题也可以随时删除虚拟环境重新开始，不影响系统稳定性。

**社区与维护**
GitHub Issue 和 Discussion 是获取帮助的最快渠道。在提问前建议先检查 Closed Issues（已关闭的问题），大多数常见问题都已有解答。遇到 Bug 时，提供 pip list 的输出、完整错误堆栈和最小可复现示例，能显著提高开发者响应速度。AI Skill Hub 将持续追踪 PDF-Assistant-RAG AI技能包的版本更新，及时通知重要功能变化。

📋 工具概览

PDF-Assistant-RAG AI技能包是一款基于 TypeScript 开发的开源工具，专注于 pdf、typescript、fastapi 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

GitHub Stars

⭐ 12

开发语言

TypeScript

支持平台

Windows / macOS / Linux

维护状态

轻量级项目，按需更新

开源协议

MIT

AI 综合评分

8.0 分

工具类型

AI工具

Forks

8

📖 中文文档

以下内容由 AI Skill Hub 根据项目信息自动整理，如需查看完整原始文档请访问底部「原始来源」。

PDF-Assistant-RAG AI技能包是一款基于 TypeScript 开发的开源工具，专注于 pdf、typescript、fastapi 等核心功能。作为 GitHub 开源项目，它拥有活跃的社区支持和持续的版本迭代，代码完全透明可审计，支持本地部署以保护数据隐私。无论是个人使用还是集成到企业工作流，都能提供稳定可靠的解决方案。

📌 核心特色

开源免费，支持本地部署，数据完全自主可控
活跃的 GitHub 开源社区，持续迭代更新
提供详细文档和使用示例，新手友好
支持自定义配置，灵活适配不同使用环境
可作为基础组件集成进现有技术栈或进行二次开发

🎯 主要使用场景

本地部署运行，保护数据隐私，满足合规要求
自定义集成到现有系统，扩展技术栈能力
作为开源基础组件进行商业化二次开发

以下安装命令基于项目开发语言和类型自动生成，实际以官方 README 为准。

安装命令

# 方式一：npm 全局安装
npm install -g pdf-assistant-rag

# 方式二：npx 直接运行（无需安装）
npx pdf-assistant-rag --help

# 方式三：项目依赖安装
npm install pdf-assistant-rag

# 方式四：从源码运行
git clone https://github.com/param20h/PDF-Assistant-RAG
cd PDF-Assistant-RAG
npm install
npm start

📋 安装步骤说明

访问 GitHub 仓库页面
按照 README 文档完成依赖安装
根据系统环境完成初始化配置
参考官方示例或文档开始使用
遇到问题可在 GitHub Issues 中查找解答

以下用法示例由 AI Skill Hub 整理，涵盖最常见的使用场景。

常用命令 / 代码示例

# 命令行使用
pdf-assistant-rag --help

# 基本用法
pdf-assistant-rag [options] <input>

# Node.js 代码中使用
const pdf_assistant_rag = require('pdf-assistant-rag');

const result = await pdf_assistant_rag.run(options);
console.log(result);

以下配置示例基于典型使用场景生成，具体参数请参照官方文档调整。

配置示例

# pdf-assistant-rag 配置说明
# 查看配置选项
pdf-assistant-rag --config-example > config.yml

# 常见配置项
# output_dir: ./output
# log_level: info
# workers: 4

# 环境变量（覆盖配置文件）
export PDF_ASSISTANT_RAG_CONFIG="/path/to/config.yml"

📑 README 深度解析真实文档完整度 70/100 含工作流图查看 GitHub 原文 →

以下内容由系统直接从 GitHub README 解析整理，保留代码块、表格与列表结构。

简介

--- title: Document AI Analyst emoji: 🧠 colorFrom: indigo colorTo: purple sdk: docker app_port: 7860 pinned: true license: mit

short_description: Enterprise Agentic RAG — upload PDFs and chat with AI

██████╗ ██████╗ ███████╗     █████╗ ███████╗███████╗██╗███████╗████████╗ █████╗ ███╗   ██╗████████╗
██╔══██╗██╔══██╗██╔════╝    ██╔══██╗██╔════╝██╔════╝██║██╔════╝╚══██╔══╝██╔══██╗████╗  ██║╚══██╔══╝
██████╔╝██║  ██║█████╗      ███████║███████╗███████╗██║███████╗   ██║   ███████║██╔██╗ ██║   ██║
██╔═══╝ ██║  ██║██╔══╝      ██╔══██║╚════██║╚════██║██║╚════██║   ██║   ██╔══██║██║╚██╗██║   ██║
██║     ██████╔╝██║         ██║  ██║███████║███████║██║███████║   ██║   ██║  ██║██║ ╚████║   ██║
╚═╝     ╚═════╝ ╚═╝         ╚═╝  ╚═╝╚══════╝╚══════╝╚═╝╚══════╝   ╚═╝   ╚═╝  ╚═╝╚═╝  ╚═══╝   ╚═╝
                                                                                                    
                        ██████╗  █████╗  ██████╗
                        ██╔══██╗██╔══██╗██╔════╝
                        ██████╔╝███████║██║  ███╗
                        ██╔══██╗██╔══██║██║   ██║
                        ██║  ██║██║  ██║╚██████╔╝
                        ╚═╝  ╚═╝╚═╝  ╚═╝ ╚═════╝

🌟 Overview

PDF-Assistant-RAG is a complete, production-ready AI document assistant that lets users upload complex PDFs, financial reports, legal contracts, and research papers — then chat with an AI that provides accurate, cited answers powered by a multi-stage Retrieval-Augmented Generation pipeline.

The system uses semantic search + cross-encoder reranking to find the most relevant document chunks, streams AI-generated answers token-by-token, and highlights exact source citations with page numbers — all inside a sleek Next.js UI with JWT-secured per-user data isolation.

✨ Key Features

Prerequisites

Python 3.11+
Node.js 20+
HuggingFace account (free) for LLM inference

---

🚀 Getting Started

4. Run with Docker

```bash docker compose up --build

Docker

Command	Description
`docker compose up --build`	Build and start the full stack
`docker compose down`	Stop all containers

🌐 Deployment

This project is deployed on HuggingFace Spaces using Docker.

2. Configure Environment

cp .env.example backend/.env

Edit backend/.env:

SECRET_KEY=your-strong-random-secret
DATABASE_URL=sqlite:///./data/app.db
HF_TOKEN=hf_your_huggingface_token_here
UPLOAD_DIR=./data/uploads
CHROMA_PERSIST_DIR=./data/chroma_db

Get your free HuggingFace token at huggingface.co/settings/tokens

📦 Environment Variables

Variable	Required	Default	Description	Where to Get It
`SECRET_KEY`	✅	—	JWT signing & session secret. Use a strong random string.	Generate: `python -c "import secrets; print(secrets.token_urlsafe(32))"`
`HF_TOKEN`	✅	—	HuggingFace API token for LLM inference via Inference API.	[huggingface.co/settings/tokens](https://huggingface.co/settings/tokens) (free)
`ENVIRONMENT`	❌	`development`	Runtime mode. Set to `production` for deployment to lock CORS.	—
`DEBUG`	❌	`False`	Enable debug mode with detailed error pages. Never enable in production.	—
`ALLOWED_ORIGINS`	❌	`http://localhost:3000,http://localhost:7860`	Comma-separated CORS origins (only enforced in production).	Your deployed domain(s)
`DATABASE_URL`	❌	`sqlite:///./data/app.db`	SQLAlchemy database connection string.	SQLite (default), or your Postgres/MySQL connection string
`JWT_ALGORITHM`	❌	`HS256`	JWT signing algorithm.	—
`JWT_EXPIRY_HOURS`	❌	`72`	JWT token lifetime in hours before re-login is required.	—
`UPLOAD_DIR`	❌	`./data/uploads`	Local directory for storing uploaded documents.	—
`MAX_FILE_SIZE_MB`	❌	`50`	Maximum allowed upload file size in MB.	—
`ALLOWED_EXTENSIONS`	❌	`pdf,docx,txt,md`	Comma-separated list of permitted file extensions.	—
`CHROMA_PERSIST_DIR`	❌	`./data/chroma_db`	Directory where ChromaDB persists its vector index.	—
`LLM_MODEL`	❌	`Qwen/Qwen2.5-72B-Instruct`	HuggingFace model ID for answer generation.	[huggingface.co/models](https://huggingface.co/models?inference=warm&sort=trending)
`LLM_TEMPERATURE`	❌	`0.3`	LLM sampling temperature (0 = deterministic, 1 = creative).	—
`LLM_MAX_NEW_TOKENS`	❌	`1024`	Maximum tokens per LLM response.	—
`EMBEDDING_MODEL`	❌	`sentence-transformers/all-MiniLM-L6-v2`	SentenceTransformer model for local embeddings (no external API).	[huggingface.co/sentence-transformers](https://huggingface.co/sentence-transformers)
`EMBEDDING_DIMENSION`	❌	`384`	Embedding vector dimension (must match the model).	—
`RERANKER_MODEL`	❌	`cross-encoder/ms-marco-MiniLM-L-6-v2`	Cross-encoder model for reranking retrieved chunks by relevance.	[huggingface.co/cross-encoder](https://huggingface.co/cross-encoder)
`CHUNK_SIZE`	❌	`1000`	Characters per document chunk. Larger = more context, smaller = better precision.	—
`CHUNK_OVERLAP`	❌	`200`	Overlap between consecutive chunks to maintain boundary context.	—
`TOP_K_RETRIEVAL`	❌	`10`	Candidate chunks retrieved from vector store during semantic search.	—
`TOP_K_RERANK`	❌	`5`	Final chunks passed to the LLM after reranking (must be ≤ `TOP_K_RETRIEVAL`).	—

→ API running at http://localhost:8000

📡 API Reference

Method	Endpoint	Auth	Description
`POST`	`/api/v1/auth/register`	❌	Create a new user account
`POST`	`/api/v1/auth/login`	❌	Login and receive JWT token
`GET`	`/api/v1/auth/me`	✅	Get current user profile
`POST`	`/api/v1/documents/upload`	✅	Upload PDF/DOCX and trigger indexing
`GET`	`/api/v1/documents`	✅	List all documents for current user
`DELETE`	`/api/v1/documents/{id}`	✅	Delete a document and its vector data
`POST`	`/api/v1/chat/ask/stream`	✅	Ask a question (SSE streaming response)
`GET`	`/api/v1/chat/history/{doc_id}`	✅	Get chat history for a document
`DELETE`	`/api/v1/chat/history/{doc_id}`	✅	Clear chat history for a document
`GET`	`/health`	❌	Health check (db + chroma status)

Full interactive docs available at /docs (Swagger UI) when running locally.

AI / ML Pipeline

	Technology	Purpose
<img src="https://img.shields.io/badge/MiniLM-L6-v2-FFD21E?style=flat" height="24"/>	all-MiniLM-L6-v2	Local sentence embeddings
<img src="https://img.shields.io/badge/ms--marco--MiniLM-1C3C3C?style=flat" height="24"/>	ms-marco-MiniLM-L-6-v2	Cross-encoder reranker
<img src="https://img.shields.io/badge/Qwen2.5-72B-Instruct-626BDF?style=flat" height="24"/>	Qwen2.5-72B-Instruct	LLM (HuggingFace Inference API)
<img src="https://img.shields.io/badge/PyMuPDF-FF0000?style=flat" height="24"/>	PyMuPDF + python-docx	Document parsing

🤖 RAG Pipeline

🔪 Smart recursive text chunking (configurable size & overlap)
🧠 Local embeddings — no data leaves your machine
🔍 Two-stage retrieval — semantic search → cross-encoder rerank
✂️ Top-K filtering for precision answers
📝 Custom system prompts with citation instructions
🧾 Source scoring with confidence levels

</td> <td width="33%" valign="top">

🧠 RAG Pipeline

                    ┌─────────────────────────────────────────────┐
                    │              PDF / DOCX Upload               │
                    └───────────────────┬─────────────────────────┘
                                        │
                                        ▼
                    ┌─────────────────────────────────────────────┐
                    │         PyMuPDF / python-docx Parser         │
                    │         (text extraction per page)           │
                    └───────────────────┬─────────────────────────┘
                                        │
                                        ▼
                    ┌─────────────────────────────────────────────┐
                    │      Recursive Character Text Splitter       │
                    │   chunk_size=1000  |  overlap=200            │
                    └───────────────────┬─────────────────────────┘
                                        │
                                        ▼
                    ┌─────────────────────────────────────────────┐
                    │    all-MiniLM-L6-v2  (local embeddings)      │
                    │    384-dim dense vectors                      │
                    └───────────────────┬─────────────────────────┘
                                        │
                                        ▼
                    ┌─────────────────────────────────────────────┐
                    │   ChromaDB  — per-user persistent collection │
                    └─────────────────────────────────────────────┘

                              ── At Query Time ──

  User Question ──▶ Embed ──▶ Semantic Search (Top-K=10)
                                        │
                                        ▼
                         Cross-Encoder Reranker (Top-K=5)
                         ms-marco-MiniLM-L-6-v2
                                        │
                                        ▼
                    Prompt Assembly (system + context + question)
                                        │
                                        ▼
                    Qwen2.5-72B-Instruct (HF Inference API)
                                        │
                                        ▼
                    Streamed SSE tokens ──▶ Frontend ChatPanel

🇨🇳 中文文档镜像 AI 翻译 2026-07-02

英文原文章节由系统翻译为中文摘要，便于快速理解。完整原文见上方 "📑 README 深度解析"。

📌 简介

PDF-Assistant-RAG 是一个面向企业级应用的 Agentic RAG 文档助手。它能够处理复杂的 PDF、财务报告、法律合同及研究论文，并通过多阶段 Retrieval-Augmented Generation 流水线，为用户提供具备准确引用来源的 AI 对话体验。系统结合了语义搜索与 Cross-encoder 重排序技术，确保检索结果的高度相关性与回答的严谨性。

⚡ 功能介绍

本项目集成了先进的 RAG 技术栈，支持智能递归文本分块（Recursive Text Chunking），并采用本地 Embedding 技术确保数据隐私。通过两阶段检索机制（语义搜索 + Cross-encoder Rerank）与 Top-K 过滤，系统能够实现高精度的问答，并能根据自定义 System Prompts 生成带有原文引用的专业回答。

📋 环境依赖

在开始部署之前，请确保您的开发环境已安装以下必要组件：Python 3.11+ 用于后端逻辑处理，Node.js 20+ 用于前端界面运行，以及 HuggingFace Token 用于调用 LLM 推理 API。此外，建议使用 Docker 环境以简化复杂的依赖管理。

🛠 安装步骤（Docker/pip/源码）

您可以根据需求选择多种部署方式。推荐使用 Docker 进行快速部署，只需运行 `docker compose up --build` 即可构建并启动全栈服务；若需进行二次开发，也可通过源码方式安装，手动配置 Python 与 Node.js 环境并安装相关依赖。

🚀 使用教程

项目启动后，用户可以通过 Web 界面上传 PDF 文档。系统会自动进行文档解析与向量化处理。用户可以直接在对话框中针对文档内容进行提问，AI 将基于检索到的上下文片段进行回答，并标注出信息来源的引用位置，方便用户核实。

⚙️ 配置说明（含 MCP / env）

在运行前，必须配置环境变量以确保系统正常工作。请将 `.env.example` 复制为 `backend/.env` 并进行编辑。关键参数包括用于 JWT 签名的 `SECRET_KEY`、数据库连接地址 `DATABASE_URL` 以及用于调用 HuggingFace Inference API 的 `HF_TOKEN`。请务必妥善保管您的 Token 信息。

🔌 API 说明

本项目提供了一套完整的 RESTful API 接口，支持用户注册 (`/api/v1/auth/register`)、登录 (`/api/v1/auth/login`) 以及获取当前用户信息 (`/api/v1/auth/me`)。所有受保护的接口均需通过 JWT Token 进行身份验证，确保了企业级应用的安全访问控制。

🔄 工作流/模块

系统的 AI/ML 流水线采用了严谨的设计：首先利用 `all-MiniLM-L6-v2` 模型进行本地化句子嵌入（Embeddings），确保数据不出本地；随后通过语义搜索初步检索，并使用 `ms-marco-MiniLM-L-6-v2` Cross-encoder 进行重排序（Rerank），最后结合 Top-K 过滤与带有引用指令的 System Prompts，实现精准的 RAG 问答流程。

🎯 aiskill88 AI 点评 A 级 2026-05-29

高质量的PDF处理工具，值得推荐

📚 实用指南（长尾问题）

适合谁

构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

最佳实践

生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
容器内无法访问宿主机 localhost — 使用 host.docker.internal
embedding 模型与查询模型不一致导致检索失效
Python 依赖冲突：建议用 venv / uv 隔离环境

部署方案

Docker：PDF-Assistant-RAG 提供官方镜像，docker compose up 一键启动
CLI：直接 npm install -g / pip install，命令行调用
云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台

⚡ 核心功能

开源免费，支持本地部署，数据完全自主可控
活跃的 GitHub 开源社区，持续迭代更新
提供详细文档和使用示例，新手友好
支持自定义配置，灵活适配不同使用环境
可作为基础组件集成进现有技术栈或进行二次开发

👥 适合谁

构建多智能体协作系统的 Agent 开发者
构建企业知识库 / RAG 检索应用的团队

⭐ 最佳实践

生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
Agent 任务先做 dry-run 验证工具调用链，再开启自主执行

⚠️ 常见错误

API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
容器内无法访问宿主机 localhost — 使用 host.docker.internal
embedding 模型与查询模型不一致导致检索失效
Python 依赖冲突：建议用 venv / uv 隔离环境

👥 适合人群

AI 技术爱好者研究人员和学生开发者和工程师技术创业者

🎯 使用场景

本地部署运行，保护数据隐私，满足合规要求
自定义集成到现有系统，扩展技术栈能力
作为开源基础组件进行商业化二次开发

⚖️ 优点与不足

✅ 优点

+MIT 协议，可免费商用
+完全开源免费，无授权费用
+本地部署，数据完全自主可控
+开发者社区支持，遇问题可查可问

⚠️ 不足

−安装和初始配置可能需要一定技术基础
−功能完整性通常不如成熟商业产品
−技术支持主要依赖开源社区，响应速度不稳定

⚠️ 使用须知

AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。

建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。

📄 License 说明

🔗 相关工具推荐

transformers AI技能包

Hugging Face开源的深度学习框架，提供预训练语言模型、视觉模型和多模态模型。集成BERT、GPT、Llama等

ComfyUI 节点式AI图像生成

强大的开源扩散模型可视化工具，提供图形界面、API和后端服务。采用节点图式设计，支持模块化工作流构建，适合AI绘图、图像

llama-cpp AI技能包

高效的大语言模型C/C++推理框架，支持在本地CPU/GPU上运行量化LLM模型，具有内存占用小、推理速度快的特点。适合

yt-dlp 视频下载

功能强大的开源视频下载工具，支持YouTube、TikTok等数千个视频平台，可自动下载视频、字幕、封面和元数据。适合内

📰 相关 AI 新闻

🍿 AI 圈相关吃瓜

AutoGPT 自主完成了任务：把我的文件夹全部重命名了

AI 圈观察

给 Agent 的目标是"提高效率"，三小时后它关掉了所有通知

AI 圈观察

Agent 帮我订了3次机票，全部是同一天的

🗺️ 相关解决方案

ai-workflow-templates

🧩 你可能还需要

基于当前 Skill 的能力图谱，自动补全的工具组合

total-agent-memory MCP工具

为Claude Code和Codex CLI提供持久化记忆功能的开源MCP工具。自动提取知识图谱，支持多轮对话上下文保留，适合需要长期记忆和

❓ 常见问题 FAQ

如何使用PDF-Assistant-RAG?−

参考项目文档和示例代码

安装这个工具需要什么基础？+

安装过程中遇到依赖冲突怎么办？+

工具安装成功但运行报错，该怎么处理？+

这个工具是否有数据隐私风险？+

工具更新后会影响已有的配置和数据吗？+

💡 AI Skill Hub 点评

总体来看，PDF-Assistant-RAG AI技能包是一款质量优秀的AI工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。

📚 深入学习 PDF-Assistant-RAG AI技能包

查看分步骤安装教程和完整使用指南，快速上手这款工具

⚙️ 安装教程 📚 使用教程

🌐 原始信息

原始名称	`PDF-Assistant-RAG`
原始描述	开源AI工具：PDF-Assistant-RAG is a complete, production-ready AI document assistant that let。⭐12 · TypeScript
Topics	`pdftypescriptfastapinextjs`
GitHub	https://github.com/param20h/PDF-Assistant-RAG
License	MIT
语言	TypeScript

🔗 原始来源

🐙 GitHub 仓库 https://github.com/param20h/PDF-Assistant-RAG 🌐 官方网站 https://param20h-pdf-assit-rag.hf.space

收录时间：2026-05-18 · 更新时间：2026-05-19 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。

📺 订阅 AI Skill Hub Daily Telegram 频道

每天 8 条精选 AI Skill、MCP、Agent 与自动化工具推送

加入频道 →