30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度这次我们来看一个面向零基础学习者的 MySQL 数据分析实战教程。对于想入门数据分析、数据运营或后端开发的人来说MySQL 是绕不开的核心技能。它不仅是存储数据的地方更是通过 SQL 语言进行数据提取、清洗、分析和洞察的起点。很多教程要么只讲理论要么只讲安装学完还是不知道如何用数据解决实际问题。这篇文章的重点不是罗列所有 SQL 语法而是带你从零开始搭建环境、掌握核心查询、完成一个完整的数据分析实战项目最终能独立写出解决业务问题的 SQL。整个过程会重点关注环境如何快速搭建、核心查询怎么练、实战项目如何设计、以及如何将分析结果可视化呈现。如果你关心如何快速上手 MySQL、如何用 SQL 做数据分析、以及如何将学到的技能应用到真实业务场景中这篇文章可以直接跟着操作。我们将覆盖从 MySQL 安装配置、Navicat 工具使用到数据导入、复杂查询、分组统计、多表关联再到一个模拟电商数据分析的完整案例。学完你就能掌握数据分析师必备的 SQL 核心能力。1. 核心能力速览在深入细节之前我们先快速了解通过本教程你将掌握的核心技能和所需准备。能力项说明与目标技术栈MySQL 8.0 Navicat图形化工具 SQL 语言核心功能数据库创建与管理、数据增删改查(CRUD)、条件过滤、分组聚合、多表连接(JOIN)、子查询、常用函数数据分析重点数据清洗、指标计算、趋势分析、用户分群、商品分析、订单分析环境门槛对硬件要求极低主流电脑即可。需要安装 MySQL 服务器和客户端工具。学习成果能独立完成一个模拟电商业务的数据分析全流程从数据准备到报告产出。适合读者零基础数据分析初学者、转行数据岗位者、需要提升 SQL 能力的开发/运营。2. 适用场景与使用边界掌握 MySQL 数据分析能力能直接应用于多个实际场景但同时也需明确其能力边界。适合谁用数据分析新人这是进入行业的敲门砖绝大多数数据分析岗位的面试和日常工作都离不开 SQL。产品/运营人员需要自己从数据库拉取数据验证想法、做活动复盘或用户行为分析。后端/全栈开发者需要编写复杂的查询来支持业务功能优化数据库性能。学生或转行者需要一个结构清晰、有实战项目的学习路径来构建技能树。能解决什么问题数据查询与提取从海量数据中快速找到你需要的信息例如“查找昨天订单金额超过500元的用户”。数据清洗与整理处理缺失值、重复值、格式错误为分析准备干净的数据集。业务指标计算计算每日活跃用户(DAU)、平均客单价、复购率、留存率等核心指标。多维分析与洞察从时间、地域、用户属性等多个维度对业务进行拆解发现问题和机会。数据报告支持生成可用于制作图表和报告的基础数据。能力边界与注意事项非大数据实时处理MySQL 适合处理 TB 级以下、结构化的业务数据。对于 PB 级数据或流式计算需要 Hadoop、Spark 等大数据生态工具。分析深度依赖数据模型能分析出什么很大程度上取决于数据库表结构设计是否合理。学习数据分析也要理解基本的数据库设计范式。可视化非强项MySQL 本身不擅长制作图表。通常将分析结果导出为 CSV 或通过 API 连接到 BI 工具如 Tableau, Power BI或 PythonMatplotlib, Seaborn进行可视化。合规与安全在工作中操作生产数据库必须严格遵守权限管理禁止未经授权的数据查询、导出和修改特别注意用户隐私数据如手机号、身份证的脱敏处理。3. 环境准备与前置条件开始实战之前需要准备好学习和实验环境。整个过程不涉及复杂配置按照步骤操作即可。1. 操作系统Windows 10/11 本教程主要以 Windows 环境为例步骤最详细。macOS 安装流程略有不同但核心的 MySQL 服务和 Navicat 工具均支持。Linux (Ubuntu/CentOS) 适合有一定基础的用户通过包管理器安装更为便捷。2. 软件准备你需要安装以下两个核心软件MySQL Server (8.0 或以上版本) 数据库服务器用于存储和处理数据。Navicat for MySQL (或其它图形化客户端) 可视化工具用于连接数据库、执行 SQL、管理表结构极大提升学习效率。社区版或试用版即可。3. 硬件要求内存 建议 8GB 或以上。MySQL 服务本身占用不大但运行客户端和分析数据需要一定内存。磁盘空间 预留 2GB 以上空间用于安装软件和存储练习数据。CPU 现代双核处理器即可无特殊要求。4. 网络与端口MySQL 默认使用3306端口。安装时需确保该端口未被其他程序如已有的 MySQL 服务、某些开发环境占用。学习阶段服务通常配置为本地访问localhost或127.0.0.1无需外部网络。检查清单[ ] 确认电脑操作系统版本。[ ] 下载 MySQL Installer (Windows) 或 MySQL 社区版安装包 (macOS)。[ ] 下载 Navicat for MySQL 安装包或找到替代的免费图形化工具如 DBeaver, MySQL Workbench。[ ] 检查 3306 端口是否空闲可在命令行输入netstat -ano | findstr :3306查看无输出则空闲。4. 安装部署与启动方式接下来我们一步步完成 MySQL 和 Navicat 的安装与配置。4.1 MySQL 服务器安装与配置 (Windows为例)下载安装器 访问 MySQL 官网下载 MySQL Installer for Windows。运行安装器选择安装类型为“Custom”自定义以便选择需要安装的组件。在“Select Products and Features”页面左侧选择“MySQL Server”添加到右侧。同时可以添加“MySQL Workbench”官方图形工具可选。点击“Next”。执行安装 一路点击“Execute”和“Next”直到进入配置页面。关键配置步骤High Availability 选择“Standalone MySQL Server”。Type and Networking 默认端口 3306保持默认。Authentication Method强烈建议选择“Use Legacy Authentication Method”兼容性更好。设置 root 密码 输入一个你记得住的强密码例如Root123456务必牢记。Windows Service 保持默认让 MySQL 作为系统服务启动。完成安装 点击“Execute”应用配置完成后点击“Finish”。验证安装是否成功打开命令提示符CMD或 PowerShell输入以下命令并输入你设置的 root 密码mysql -u root -p如果成功进入 MySQL 命令行显示mysql提示符则说明安装成功。输入exit;退出。4.2 Navicat 安装与连接数据库安装 Navicat 运行下载的 Navicat 安装包按向导完成安装。创建连接打开 Navicat点击左上角“连接”选择“MySQL”。在弹出的窗口中填写连接信息连接名 自定义如Local_MySQL。主机localhost或127.0.0.1。端口3306。用户名root。密码 你之前设置的 root 密码。点击“测试连接”如果显示“连接成功”则配置正确。保存并连接 点击“确定”保存连接配置。双击左侧连接列表中的Local_MySQL即可连接到你的本地 MySQL 服务器。至此你的本地数据分析实验室就搭建完成了。Navicat 的图形界面会让你后续的数据操作和学习直观很多。5. 功能测试与效果验证核心 SQL 操作实战环境就绪后我们通过一个模拟的“电商销售数据分析”项目来学习并验证所有核心 SQL 技能。我们将创建数据库、导入数据并执行一系列分析查询。5.1 创建数据库与数据表首先在 Navicat 中新建一个查询窗口快捷键 F6 或点击“查询”-“新建查询”。步骤1创建数据库-- 创建一个名为 ecommerce_analysis 的数据库并指定字符集 CREATE DATABASE IF NOT EXISTS ecommerce_analysis DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci; -- 切换到新创建的数据库 USE ecommerce_analysis;执行后左侧连接树中应出现ecommerce_analysis数据库。步骤2创建用户表 (users)CREATE TABLE users ( user_id INT PRIMARY KEY AUTO_INCREMENT COMMENT 用户ID, username VARCHAR(50) NOT NULL UNIQUE COMMENT 用户名, gender ENUM(Male, Female) COMMENT 性别, city VARCHAR(50) COMMENT 城市, registration_date DATE NOT NULL COMMENT 注册日期 ) COMMENT用户表;步骤3创建商品表 (products)CREATE TABLE products ( product_id INT PRIMARY KEY AUTO_INCREMENT COMMENT 商品ID, product_name VARCHAR(100) NOT NULL COMMENT 商品名称, category VARCHAR(50) NOT NULL COMMENT 商品类别, price DECIMAL(10, 2) NOT NULL COMMENT 单价, stock INT NOT NULL DEFAULT 0 COMMENT 库存 ) COMMENT商品表;步骤4创建订单表 (orders)CREATE TABLE orders ( order_id VARCHAR(20) PRIMARY KEY COMMENT 订单号, user_id INT NOT NULL COMMENT 用户ID, product_id INT NOT NULL COMMENT 商品ID, quantity INT NOT NULL COMMENT 购买数量, order_amount DECIMAL(10, 2) NOT NULL COMMENT 订单金额, order_date DATETIME NOT NULL COMMENT 下单时间, FOREIGN KEY (user_id) REFERENCES users(user_id), FOREIGN KEY (product_id) REFERENCES products(product_id) ) COMMENT订单表;执行所有建表语句后刷新数据库应该能看到三张表。5.2 插入模拟数据为了分析我们需要一些数据。执行以下 SQL 语句插入模拟数据。-- 插入用户数据 INSERT INTO users (username, gender, city, registration_date) VALUES (zhangsan, Male, 北京, 2023-01-15), (lisi, Female, 上海, 2023-02-20), (wangwu, Male, 广州, 2023-03-10), (zhaoliu, Female, 深圳, 2023-01-25), (sunqi, Male, 杭州, 2023-04-05); -- 插入商品数据 INSERT INTO products (product_name, category, price, stock) VALUES (智能手机X, 电子产品, 2999.00, 100), (蓝牙耳机, 电子产品, 399.00, 200), (编程书籍, 图书, 89.00, 300), (办公椅, 家具, 599.00, 50), (咖啡机, 家电, 1299.00, 80); -- 插入订单数据 INSERT INTO orders (order_id, user_id, product_id, quantity, order_amount, order_date) VALUES (ORD2023001, 1, 1, 1, 2999.00, 2023-05-10 10:30:00), (ORD2023002, 2, 3, 2, 178.00, 2023-05-10 14:15:00), (ORD2023003, 1, 2, 1, 399.00, 2023-05-11 09:45:00), (ORD2023004, 3, 5, 1, 1299.00, 2023-05-12 16:20:00), (ORD2023005, 4, 4, 1, 599.00, 2023-05-12 17:30:00), (ORD2023006, 2, 1, 1, 2999.00, 2023-05-13 11:00:00), (ORD2023007, 5, 3, 5, 445.00, 2023-05-14 15:45:00);插入后可以分别执行SELECT * FROM users;等语句查看数据是否成功插入。5.3 核心数据分析查询实战现在我们开始进行真正的数据分析。每个查询都对应一个常见的业务问题。测试1基础数据探查问题查看所有订单按下单时间倒序排列。SELECT * FROM orders ORDER BY order_date DESC;验证查询结果应显示7条订单最近的在最上面。测试2条件过滤与计算字段问题找出订单金额大于1000元的所有订单并计算其含税金额假设税率为10%。SELECT order_id, order_amount, order_amount * 1.1 AS amount_with_tax FROM orders WHERE order_amount 1000;验证应返回订单ORD2023001,ORD2023004,ORD2023006并显示计算出的含税金额。测试3分组聚合与统计问题统计每个商品类别的总销售额和平均订单金额。SELECT p.category, COUNT(o.order_id) AS order_count, -- 订单数 SUM(o.order_amount) AS total_sales, -- 总销售额 AVG(o.order_amount) AS avg_order_amount -- 平均订单金额 FROM orders o JOIN products p ON o.product_id p.product_id GROUP BY p.category ORDER BY total_sales DESC;验证应返回“电子产品”、“家电”、“家具”、“图书”四个类别的聚合数据。电子产品的总销售额应最高。测试4多表连接(JOIN)分析问题查询每个订单的详细信息包括用户名、商品名和订单金额。SELECT o.order_id, u.username, p.product_name, o.quantity, o.order_amount, o.order_date FROM orders o JOIN users u ON o.user_id u.user_id JOIN products p ON o.product_id p.product_id;验证结果应是一个7行的表格清晰展示每笔订单的完整上下文信息。测试5子查询与复杂过滤问题找出消费金额超过所有用户平均消费金额的用户。SELECT u.username, SUM(o.order_amount) AS total_spent FROM users u JOIN orders o ON u.user_id o.user_id GROUP BY u.user_id, u.username HAVING total_spent ( SELECT AVG(order_amount) FROM orders );验证首先计算所有订单的平均金额然后筛选出总消费额大于这个平均值的用户。zhangsan和lisi应该被筛选出来。测试6时间序列分析问题计算每日的订单总金额和订单数。SELECT DATE(order_date) AS order_day, -- 提取日期部分 COUNT(order_id) AS daily_orders, SUM(order_amount) AS daily_sales FROM orders GROUP BY order_day ORDER BY order_day;验证结果应按天2023-05-10 至 2023-05-14分组显示每天的订单数和销售额。完成以上6个测试你已经覆盖了数据分析中80%以上的常用 SQL 操作。每个查询都对应一个真实的业务分析场景。6. 接口 API 与批量任务虽然 MySQL 本身是一个数据库服务器但在现代数据分析流程中它常常作为后端通过 API 为前端或分析工具提供数据。同时处理批量数据也是日常任务。6.1 通过编程语言连接 MySQL (Python示例)在实际工作中我们很少手动在 Navicat 里跑查询更多的是用 Python、Java 等语言编写脚本进行自动化分析和处理。这里以 Python 为例展示如何连接 MySQL 并执行分析查询。环境准备确保已安装 Python 和mysql-connector-python库。pip install mysql-connector-pythonPython 连接与查询脚本示例import mysql.connector import pandas as pd # 1. 建立数据库连接 config { user: root, # 你的用户名 password: Root123456, # 你的密码 host: 127.0.0.1, # 数据库主机 database: ecommerce_analysis, # 数据库名 port: 3306 # 端口 } try: connection mysql.connector.connect(**config) print(数据库连接成功) # 2. 创建游标对象 cursor connection.cursor(dictionaryTrue) # 返回字典格式方便处理 # 3. 执行分析查询统计各城市用户消费总额 query SELECT u.city, COUNT(DISTINCT o.user_id) as user_count, SUM(o.order_amount) as total_sales FROM orders o JOIN users u ON o.user_id u.user_id GROUP BY u.city ORDER BY total_sales DESC; cursor.execute(query) # 4. 获取结果并转换为 Pandas DataFrame (数据分析常用) result cursor.fetchall() df pd.DataFrame(result) print(\n各城市用户消费分析) print(df) # 5. (可选) 将结果保存为 CSV 文件供进一步分析或可视化 df.to_csv(city_sales_analysis.csv, indexFalse, encodingutf-8-sig) print(\n分析结果已保存至 city_sales_analysis.csv) except mysql.connector.Error as err: print(f连接错误: {err}) finally: # 6. 关闭连接 if connection in locals() and connection.is_connected(): cursor.close() connection.close() print(数据库连接已关闭。)运行验证执行此脚本如果连接配置正确将在控制台打印出按城市汇总的销售数据并生成一个 CSV 文件。这模拟了从数据库拉取数据并做初步处理的分析流程。6.2 批量数据处理任务数据分析中经常需要处理批量数据例如每日定时更新报表、一次性导入大量历史数据、批量更新用户标签等。场景批量导入订单数据假设你有一个new_orders.csv文件需要导入到orders表中。使用 Navicat 导入向导这是最简单的方法。右键目标表 - “导入向导” - 选择 CSV 文件 - 匹配字段 - 执行导入。使用 SQL 命令LOAD DATA INFILE(更高效适合大量数据)-- 注意文件路径需有读取权限且使用正确的转义符 LOAD DATA LOCAL INFILE C:/path/to/your/new_orders.csv INTO TABLE orders FIELDS TERMINATED BY , ENCLOSED BY LINES TERMINATED BY \n IGNORE 1 ROWS; -- 忽略CSV标题行使用 Python 脚本批量插入import csv import mysql.connector # ... 建立数据库连接同上... cursor connection.cursor() insert_sql INSERT INTO orders (order_id, user_id, product_id, quantity, order_amount, order_date) VALUES (%s, %s, %s, %s, %s, %s) with open(new_orders.csv, r, encodingutf-8) as file: csv_reader csv.reader(file) next(csv_reader) # 跳过标题行 data_to_insert [] for row in csv_reader: # 假设CSV列顺序为order_id, user_id, product_id, quantity, order_amount, order_date data_to_insert.append(tuple(row)) # 批量插入 cursor.executemany(insert_sql, data_to_insert) connection.commit() print(f成功批量插入 {cursor.rowcount} 条记录。)关键点批量操作务必在测试环境验证无误后再在生产环境执行并使用事务(BEGIN;...COMMIT;)来保证数据一致性出错时可以回滚(ROLLBACK;)。7. 资源占用与性能观察对于学习和小型项目MySQL 的性能通常不是瓶颈。但随着数据量增长了解如何观察和优化至关重要。1. 如何观察 MySQL 资源占用任务管理器 (Windows) 在“进程”或“详细信息”选项卡中查看mysqld.exe进程的 CPU 和内存占用。MySQL 内置命令 在 MySQL 命令行或 Navicat 查询窗口中执行SHOW STATUS LIKE Threads_connected%; -- 查看当前连接数 SHOW PROCESSLIST; -- 查看正在执行的所有进程可用于发现慢查询性能模式 (Performance Schema) MySQL 5.6 版本提供了更详细的性能监控数据。-- 查看哪些SQL语句执行最耗时 SELECT * FROM performance_schema.events_statements_summary_by_digest ORDER BY SUM_TIMER_WAIT DESC LIMIT 5;2. 影响查询性能的关键因素索引 没有索引的表在数据量大时查询会像翻书一样从头到尾扫描全表扫描极其缓慢。在经常用于查询条件WHERE、连接JOIN和排序ORDER BY的列上创建索引能极大提升速度。-- 例如为orders表的user_id和order_date创建索引 CREATE INDEX idx_user_id ON orders(user_id); CREATE INDEX idx_order_date ON orders(order_date);查询写法 避免使用SELECT *只选择需要的列。谨慎使用LIKE %keyword%这种前置通配符模糊查询它无法利用索引。数据量 单表数据超过千万行即使有索引复杂查询也可能变慢。需要考虑分库分表或使用分析型数据库。3. 学习阶段的性能建议练习时数据量小无需过度优化。但要有意识EXPLAIN命令是你的好朋友。在任何一个SELECT语句前加上EXPLAIN可以查看 MySQL 的执行计划了解它是否使用了索引。EXPLAIN SELECT * FROM orders WHERE user_id 1;查看结果中的key列如果显示了你创建的索引名说明索引生效。8. 常见问题与排查方法在学习过程中你肯定会遇到各种问题。下表汇总了常见问题及解决方法。问题现象可能原因排查方式解决方案连接失败Cant connect to MySQL server1. MySQL 服务未启动。2. 端口3306被占用。3. 主机名或IP错误。1. 服务列表检查MySQL服务状态。2. 命令行执行netstat -ano | findstr :3306。3. 检查连接配置中的主机地址。1. 从服务管理启动 MySQL。2. 结束占用端口的进程或修改 MySQL 端口。3. 本地连接使用localhost或127.0.0.1。连接失败Access denied for user1. 用户名或密码错误。2. 用户没有从该主机连接的权限。1. 确认密码大小写、特殊字符。2. 尝试用 root 用户登录后检查用户权限。1. 重置 root 密码需停服务并进入安全模式。2. 授权用户GRANT ALL ON *.* TO usernamelocalhost;执行 SQL 报错You have an error in your SQL syntaxSQL 语句语法错误。仔细检查错误信息指出的行号附近的语法如缺少逗号、引号不匹配、关键字拼写错误。使用 Navicat 的语法高亮和格式化功能辅助检查。将复杂 SQL 拆分成小段执行。插入数据失败Duplicate entry for key违反了主键或唯一约束插入了重复的值。检查插入的数据中主键列或定义了唯一索引的列是否有重复值。1. 更换主键值。2. 使用INSERT IGNORE忽略重复项。3. 使用REPLACE INTO或ON DUPLICATE KEY UPDATE覆盖更新。查询结果为空或不对1. 连接了错误的数据库。2. WHERE 条件过于严格。3. 多表 JOIN 条件错误导致数据丢失。1. 执行SELECT DATABASE();确认当前数据库。2. 逐步放宽 WHERE 条件测试。3. 将INNER JOIN改为LEFT JOIN查看是否有关联不上的数据。1. 使用USE database_name;切换数据库。2. 先执行SELECT * FROM table LIMIT 5;确认表内有数据。3. 检查 JOIN 的关联字段是否正确。Navicat 导入 CSV 中文乱码文件编码与数据库编码不匹配。检查 CSV 文件的保存编码应为 UTF-8。检查数据库和表的字符集应为utf8mb4。1. 用记事本/VS Code 等工具将 CSV 另存为 UTF-8 编码。2. 在 Navicat 导入向导的“编码”选项中选择65001 (UTF-8)。执行速度非常慢1. 表数据量大且无索引。2. 查询语句写得太差如SELECT *, 嵌套过深。3. 服务器资源不足。1. 使用EXPLAIN分析查询计划。2. 检查任务管理器资源占用。1. 为查询条件涉及的列添加索引。2. 优化 SQL只查必要字段拆分复杂查询。3. 升级硬件或优化服务器配置。9. 最佳实践与使用建议遵循以下最佳实践能让你的数据分析之路更顺畅工作更专业。1. 安全第一生产环境隔离 永远不要在本地直接连接和生产数据库进行操作。使用只读账号进行查询或通过测试/预发布环境。密码管理 不要在代码或配置文件中硬编码数据库密码。使用环境变量或配置文件并确保其不被提交到代码仓库。SQL 注入防范 在编程中执行 SQL 时务必使用参数化查询如 Python 的%s占位符绝对不要用字符串拼接的方式构造 SQL。2. 代码与查询管理版本控制 将重要的、可复用的 SQL 分析脚本纳入 Git 等版本控制系统管理。注释与文档 在复杂的 SQL 查询前用注释说明其业务目的、作者、创建日期和关键逻辑。模块化与复用 将常用的数据清洗步骤、指标计算逻辑写成视图VIEW或存储过程方便复用和维护。-- 创建一个视图方便后续直接查询每日销售汇总 CREATE VIEW daily_sales_summary AS SELECT DATE(order_date) AS order_day, COUNT(*) AS order_count, SUM(order_amount) AS total_sales FROM orders GROUP BY DATE(order_date);3. 分析工作流探索性分析 先使用LIMIT子句查看少量样本数据再用COUNT(),DISTINCT,MIN(),MAX()了解数据分布。从简单到复杂 先写出能跑出结果的简单查询再逐步添加JOIN,WHERE,GROUP BY,HAVING等复杂子句。每加一步都验证结果。结果验证 对于聚合结果用手动计算或子集数据交叉验证其正确性。特别是SUM,AVG等计算容易因NULL值或连接方式出错。4. 下一步学习方向完成本教程的实战后你可以继续深入窗口函数 用于计算移动平均、排名、累计求和等高级分析如ROW_NUMBER(),RANK(),SUM() OVER()。索引优化 深入理解 B树索引、复合索引、覆盖索引学会使用EXPLAIN解读执行计划。事务与锁 理解ACID特性了解在并发写入时如何保证数据一致性。与 BI 工具结合 学习将 MySQL 与 Tableau、Power BI 或 Metabase 连接实现数据可视化与仪表板搭建。学习 Python Pandas 对于更复杂的数据清洗、转换和分析将 SQL 查询结果导入 Pandas DataFrame 进行处理是更强大的组合。10. 总结通过这个从零开始的 MySQL 数据分析实战我们走完了一个典型的数据分析流程环境搭建 - 数据准备 - 核心查询 - 实战分析 - 结果导出。重点不在于记忆每一个 SQL 关键字而在于理解如何用 SQL 这个工具去解决“数据从哪里来”、“怎么提”、“怎么算”、“怎么看”的问题。最值得尝试的起点就是按照第4、5节的步骤亲手把本地环境搭起来把示例数据库建好然后逐条运行那些分析查询。你会立刻获得“我能从数据中挖出信息”的正反馈。最容易踩的坑无非是连接配置和 SQL 语法错误第8节的排查清单足以解决90%的问题。接下来你可以尝试修改示例中的查询条件比如分析某个特定时间段的销售或某个城市的用户或者导入一份你自己的数据如个人记账、运动记录进行练习。真正的掌握始于将技能用在你关心的数据上。建议收藏本文在后续实践中随时查阅。 30款热门AI模型一站整合DeepSeek/GLM/Qwen 随心用限时 5 折。 点击领海量免费额度