Claude 3.5 Sonnet 数据解释：机器学习模型可解释性分析完整指南

作为刚接触机器学习的新人，你是否曾经遇到过这样的困惑：模型给出了一个预测结果，但你完全不知道它为什么会做出这样的决定？比如银行拒绝了你的贷款申请，模型说"综合评估不通过"，但你不知道究竟是哪个因素导致了拒绝。

这就是模型可解释性（Model Interpretability）要解决的问题。在这篇文章中，我将手把手教你如何使用 HolySheep AI 的 Claude 3.5 Sonnet API 来解释机器学习模型的预测结果，让你从"黑箱操作"变成"透明决策"。

什么是模型可解释性？为什么它很重要？

简单来说，模型可解释性就是让人类能够理解机器学习模型做出预测的原因。想象一下，如果医生用AI辅助诊断病情，他需要知道AI是因为什么原因认为你可能患有某种疾病，而不只是得到一个冷冰冰的诊断结论。

可解释性的应用场景包括：

金融风控：解释为什么某笔贷款被拒绝
医疗诊断：了解AI是依据哪些症状做出的判断
信用评分：让用户知道影响自己信用分的关键因素
质量检测：识别产品缺陷的具体原因

准备工作：获取 HolySheep AI API Key

在开始之前，你需要先获取 API Key。如果你还没有账号，请先在这里注册。HolySheep AI 提供 ¥1=$1 的超低汇率，相比官方渠道可节省85%以上，非常适合学习和实验。

注册完成后，在控制台找到你的 API Key，格式类似于 sk-holysheep-xxxxxxxxx。请妥善保管这个密钥，不要泄露给他人。

第一部分：使用 SHAP 框架进行特征重要性分析

SHAP（SHapley Additive exPlanations）是一种基于博弈论的模型解释方法，它能告诉我们每个输入特征对预测结果的贡献程度。我们先来看一个完整的示例。

# 安装必要的库
!pip install shap anthropic openai pandas numpy matplotlib

import pandas as pd
import numpy as np
import shap
import json
from openai import OpenAI

============================================
HolySheep AI API 配置（必须使用这个端点）
============================================
BASE_URL = "https://api.holysheep.ai/v1"
API_KEY = "YOUR_HOLYSHEEP_API_KEY"  # 替换为你的实际API Key

client = OpenAI(
    base_url=BASE_URL,
    api_key=API_KEY
)

创建示例数据集：银行贷款审批场景
np.random.seed(42)
data = {
    '年龄': np.random.randint(22, 60, 100),
    '年收入': np.random.randint(30000, 150000, 100),
    '工作年限': np.random.randint(0, 30, 100),
    '负债比率': np.random.uniform(0.1, 0.8, 100),
    '信用分数': np.random.randint(300, 850, 100),
    '贷款金额': np.random.randint(5000, 100000, 100)
}
df = pd.DataFrame(data)

简单规则：创建模拟的贷款审批结果
批准条件：信用分数高 + 收入高 + 负债低
df['批准概率'] = (
    df['信用分数'] / 850 * 0.3 +
    df['年收入'] / 150000 * 0.3 +
    (1 - df['负债比率']) * 0.25 +
    df['工作年限'] / 30 * 0.15
)
df['贷款批准'] = (df['批准概率'] > 0.5).astype(int)

print("数据集前5行：")
print(df.head())
print(f"\n数据集形状: {df.shape}")
print(f"批准率: {df['贷款批准'].mean()*100:.1f}%")

这个示例创建了一个模拟的银行贷款审批数据集，包含年龄、收入、工作年限等特征。接下来我们用 Claude 3.5 Sonnet 来分析这些特征的重要性。

# ============================================
使用 HolySheep AI Claude 3.5 Sonnet 解释预测
============================================

def explain_prediction_with_claude(feature_values, feature_names, model_prediction):
    """使用 Claude 3.5 Sonnet 生成自然语言解释"""
    
    # 构建特征描述
    feature_desc = []
    for name, value in zip(feature_names, feature_values):
        feature_desc.append(f"- {name}: {value}")
    
    prompt = f"""你是一位金融风控专家。请解释以下贷款申请为什么被{'批准' if model_prediction else '拒绝'}。

申请人的关键信息：
{chr(10).join(feature_desc)}

请用通俗易懂的语言解释：
1. 最重要的批准/拒绝原因是什么？
2. 申请人应该在哪些方面改进？
3. 给出具体的改进建议和预期效果

请用中文回答，语气友好专业。"""
    
    response = client.chat.completions.create(
        model="claude-sonnet-4.5",
        messages=[
            {
                "role": "user", 
                "content": prompt
            }
        ],
        temperature=0.3,
        max_tokens=800
    )
    
    return response.choices[0].message.content

选取一个有代表性的样本进行解释
sample_idx = 0
sample = df.iloc[sample_idx]
features = ['年龄', '年收入', '工作年限', '负债比率', '信用分数', '贷款金额']
feature_values = sample[features].values
prediction = sample['贷款批准']

print("=" * 60)
print("贷款申请预测解释")
print("=" * 60)
print(f"\n申请人信息：")
for f, v in zip(features, feature_values):
    print(f"  {f}: {v}")

print(f"\n预测结果: {'批准' if prediction else '拒绝'}")
print("\n正在调用 Claude 3.5 Sonnet 生成解释...\n")

explanation = explain_prediction_with_claude(
    feature_values, features, prediction
)

print("AI 专家解释：")
print("-" * 60)
print(explanation)

第二部分：SHAP 特征重要性可视化

现在我们来计算每个特征的 SHAP 值，并将结果可视化。SHAP 值表示每个特征对最终预测的贡献大小。

# ============================================
计算 SHAP 特征重要性
============================================
import matplotlib
matplotlib.use('Agg')  # 非交互式后端
import matplotlib.pyplot as plt

准备特征矩阵
X = df[features].values

训练一个简单的决策树模型作为示例
from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=4, random_state=42)
model.fit(X, df['贷款批准'])

计算 SHAP 值
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X)

对于二分类问题，取正类的 SHAP 值
if isinstance(shap_values, list):
    shap_values_plot = shap_values[1]
else:
    shap_values_plot = shap_values

print(f"SHAP 值矩阵形状: {shap_values_plot.shape}")
print(f"平均绝对 SHAP 值（特征重要性）：")

计算平均绝对 SHAP 值作为特征重要性指标
feature_importance = np.abs(shap_values_plot).mean(axis=0)
importance_df = pd.DataFrame({
    '特征': features,
    '重要性': feature_importance
}).sort_values('重要性', ascending=False)

for _, row in importance_df.iterrows():
    print(f"  {row['特征']}: {row['重要性']:.4f}")

创建 SHAP Summary Plot
plt.figure(figsize=(10, 6))
shap.summary_plot(shap_values_plot, X, feature_names=features, show=False)
plt.title('特征重要性分布图', fontsize=14)
plt.tight_layout()
plt.savefig('shap_summary.png', dpi=150, bbox_inches='tight')
print("\n已保存特征重要性图: shap_summary.png")

第三部分：深度集成分析 - SHAP + Claude 解释

将 SHAP 的数值分析与 Claude 的自然语言生成结合起来，我们可以得到既精确又易懂的解释。

# ============================================
深度集成分析：SHAP + Claude 3.5 Sonnet
============================================

def deep_explain_with_shap_and_claude(sample_idx, df, features, model, explainer):
    """结合 SHAP 值和 Claude 生成深度解释"""
    
    X_sample = df[features].iloc[[sample_idx]].values
    shap_values = explainer.shap_values(X_sample)[1][0]
    
    # 构建 SHAP 贡献详情
    shap_details = []
    for name, value, shap_val in zip(features, X_sample[0], shap_values):
        impact = "增加" if shap_val > 0 else "降低"
        shap_details.append({
            'feature': name,
            'value': value,
            'shap_value': shap_val,
            'impact': impact,
            'abs_impact': abs(shap_val)
        })
    
    # 按影响大小排序
    shap_details.sort(key=lambda x: x['abs_impact'], reverse=True)
    
    # 生成给 Claude 的详细提示
    prompt = f"""你是一位顶级金融风控专家，使用 SHAP 机器学习可解释性方法分析以下贷款申请。

申请人的 SHAP 分析结果（SHAP值表示该特征对批准概率的影响，正值=增加批准概率，负值=降低批准概率）：

基础批准概率：50%
"""

    for i, detail in enumerate(shap_details, 1):
        emoji = "📈" if detail['shap_value'] > 0 else "📉"
        prompt += f"{emoji} {detail['feature']}: {detail['value']:.2f}\n"
        prompt += f"   对批准概率的影响: {'+' if detail['shap_value'] > 0 else ''}{detail['shap_value']*100:.2f}%\n\n"
    
    prompt += """请用中文详细回答：
1. 给出最终批准/拒绝的概率（基于SHAP值的累加）
2. 列出最关键的3个影响因素
3. 提供具体可行的改进建议
4. 预测如果申请人改进后，批准概率能提升多少"""

    response = client.chat.completions.create(
        model="claude-sonnet-4.5",
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.2,
        max_tokens=1000
    )
    
    return shap_details, response.choices[0].message.content

分析几个典型案例
print("=" * 70)
print("深度可解释性分析报告")
print("=" * 70)

for idx in [0, 15, 50]:
    print(f"\n{'='*70}")
    print(f"案例 {idx + 1}：申请人 #{idx}")
    print("="*70)
    
    sample = df.iloc[idx]
    print("\n【基本信息】")
    for f in features:
        print(f"  {f}: {sample[f]}")
    print(f"  贷款批准: {'✅ 批准' if sample['贷款批准'] else '❌ 拒绝'}")
    
    shap_details, explanation = deep_explain_with_shap_and_claude(
        idx, df, features, model, explainer
    )
    
    print("\n【SHAP 特征贡献排序】")
    for i, detail in enumerate(shap_details[:3], 1):
        sign = "+" if detail['shap_value'] > 0 else ""
        print(f"  {i}. {detail['feature']}: {sign}{detail['shap_value']*100:.2f}%")
    
    print("\n【Claude 专家分析】")
    print("-" * 70)
    print(explanation)
    print("-" * 70)

第四部分：批量分析报告生成

当你需要对大量申请进行批量解释时，下面的代码可以自动生成结构化的分析报告。

# ============================================
批量生成可解释性报告
============================================

def batch_explain(df, features, model, explainer, client, max_samples=10):
    """批量生成解释报告"""
    
    results = []
    X = df[features].values
    shap_values = explainer.shap_values(X)[1]
    
    for i in range(min(max_samples, len(df))):
        sample = df.iloc[i]
        sample_shap = shap_values[i]
        
        # 构建简明摘要
        summary_parts = []
        for name, value, sv in zip(features, X[i], sample_shap):
            direction = "↑" if sv > 0 else "↓"
            summary_parts.append(f"{name}={value:.1f}({direction}{abs(sv)*100:.1f}%)")
        
        prompt = f"""作为贷款审批专家，基于以下信息给出是否批准的决定和理由：

数据：{' | '.join(summary_parts)}
预测结果：{'批准' if sample['贷款批准'] else '拒绝'}
SHAP贡献最大的因素：{features[np.argmax(np.abs(sample_shap))]}

请用2-3句话简洁解释原因。"""
        
        try:
            response = client.chat.completions.create(
                model="claude-sonnet-4.5",
                messages=[{"role": "user", "content": prompt}],
                max_tokens=200,
                temperature=0.3
            )
            reason = response.choices[0].message.content
        except Exception as e:
            reason = f"API调用失败: {str(e)}"
        
        results.append({
            '案例编号': i,
            '预测结果': '批准' if sample['贷款批准'] else '拒绝',
            '关键因素': features[np.argmax(np.abs(sample_shap))],
            '置信度': abs(sample['批准概率'] - 0.5) * 2,
            'Claude解释': reason
        })
    
    return pd.DataFrame(results)

生成批量报告
print("正在生成批量分析报告（最多10个样本）...\n")
report_df = batch_explain(df, features, model, explainer, client)

print("批量解释报告：")
print(report_df.to_string(index=False))

统计摘要
print("\n" + "=" * 50)
print("📊 统计摘要")
print("=" * 50)
print(f"总分析案例: {len(report_df)}")
print(f"批准率: {(report_df['预测结果'] == '批准').mean()*100:.1f}%")
print(f"平均置信度: {report_df['置信度'].mean()*100:.1f}%")

找出最常见的关键因素
print("\n最常见的关键影响因素：")
key_factor_counts = report_df['关键因素'].value_counts()
for factor, count in key_factor_counts.items():
    print(f"  {factor}: {count} 次 ({count/len(report_df)*100:.0f}%)")

实际应用：为什么选择 HolySheep AI？

在实际业务中，你需要处理大量的模型解释请求。让我分享为什么 HolySheep AI 是最佳选择：

成本优势：Claude Sonnet 4.5 仅需 $15/MTok，相比官方节省85%以上。按每天处理1000个请求计算，月成本仅需几十美元。
极速响应：实测延迟低于50ms，批量处理毫无压力。
支付便捷：支持微信、支付宝直接充值，¥1=$1 无汇率损失。
免费额度：注册即送免费积分，新手友好。

性能对比实测

import time

def benchmark_api(client, num_requests=5):
    """基准测试 API 性能和响应质量"""
    
    test_prompt = "请用一句话解释什么是机器学习模型的可解释性。"
    
    latencies = []
    tokens_used = []
    
    print(f"开始基准测试：发送 {num_requests} 个请求...\n")
    
    for i in range(num_requests):
        start_time = time.time()
        
        response = client.chat.completions.create(
            model="claude-sonnet-4.5",
            messages=[{"role": "user", "content": test_prompt}],
            max_tokens=100,
            temperature=0.3
        )
        
        end_time = time.time()
        latency = (end_time - start_time) * 1000  # 转换为毫秒
        
        latencies.append(latency)
        tokens_used.append(
            response.usage.total_tokens if response.usage else 0
        )
        
        print(f"请求 {i+1}: 延迟 {latency:.1f}ms, Token数 {tokens_used[-1]}")
    
    print(f"\n📊 性能统计：")
    print(f"  平均延迟: {np.mean(latencies):.1f}ms")
    print(f"  最小延迟: {np.min(latencies):.1f}ms")
    print(f"  最大延迟: {np.max(latencies):.1f}ms")
    print(f"  总Token消耗: {sum(tokens_used)}")
    
    return {
        'avg_latency': np.mean(latencies),
        'min_latency': np.min(latencies),
        'max_latency': np.max(latencies),
        'total_tokens': sum(tokens_used)
    }

运行基准测试
benchmark_results = benchmark_api(client, num_requests=5)

扩展应用场景

以上方法不仅适用于贷款审批场景，还可以广泛应用于：

医疗诊断：解释影像学检查结果，列出影响诊断的关键影像特征
客户流失预测：识别导致客户流失的主要原因，制定针对性挽留策略
推荐系统：解释为什么某商品被推荐给特定用户
欺诈检测：分析交易被标记为欺诈的具体原因
价格预测：解释房价、产品价格的构成因素

模型可解释性的最佳实践

在实际项目中，我总结了以下经验：

多方法结合：不要依赖单一的解释方法，结合 SHAP、SHAP + LIME + 自然语言生成效果最佳
分层解释：为技术人员提供详细的数值分析，为业务人员提供简洁的结论
一致性检查：定期验证解释的合理性，防止模型产生误导性的解释
用户反馈循环：收集用户对解释的满意度，持续优化解释质量

Lỗi thường gặp và cách khắc phục

在使用 API 进行模型解释时，新手经常遇到以下问题：

1. Lỗi xác thực API Key không hợp lệ

# ❌ Sai: Key không đúng hoặc chưa thay thế
API_KEY = "YOUR_HOLYSHEEP_API_KEY"  # Chưa thay thế placeholder

✅ Đúng: Sử dụng key thực tế từ HolySheep
API_KEY = "sk-holysheep-abc123xyz..."  # Key thực tế

Hoặc sử dụng biến môi trường để bảo mật
import os
API_KEY = os.environ.get("HOLYSHEEP_API_KEY")
if not API_KEY:
    raise ValueError("Vui lòng đặt HOLYSHEEP_API_KEY trong biến môi trường")

Mô tả lỗi：Gặp lỗi 401 Unauthorized hoặc AuthenticationError khi gọi API.

Cách khắc phục：Đảm bảo đã sao chép đúng key từ trang Dashboard của HolySheep AI, key phải bắt đầu bằng sk-holysheep-. Nếu vẫn lỗi, hãy thử tạo key mới.

2. Lỗi rate limit - Vượt giới hạn request

# ❌ Sai: Gửi quá nhiều request cùng lúc
for i in range(100):
    response = client.chat.completions.create(...)  # Có thể bị rate limit

✅ Đúng: Thêm delay giữa các request hoặc sử dụng batching
import time
for i in range(100):
    try:
        response = client.chat.completions.create(...)
    except RateLimitError:
        print(f"Đợi 60 giây trước khi thử lại...")
        time.sleep(60)  # Đợi theo thời gian được yêu cầu
        response = client.chat.completions.create(...)
    
    # Hoặc gửi batch request thay vì từng cái một
    # Kiểm tra quota còn lại trong response headers

Mô tả lỗi：Gặp lỗi 429 Too Many Requests khi gửi request liên tục.

Cách khắc phục：Thêm xử lý lỗi rate limit với exponential backoff. Theo dõi quota trong response headers để biết giới hạn còn lại. HolySheep AI cung cấp quota generous cho người dùng mới.

3. Lỗi context window exceeded - Vượt giới hạn token

# ❌ Sai: Đưa quá nhiều dữ liệu vào prompt
very_long_prompt = f"""Phân tích tất cả 1000 records:
{database_records_string_1000_lines}
..."""  # Rất dễ vượt context limit

✅ Đúng: Chunk dữ liệu hoặc summarize trước
def analyze_in_chunks(data, chunk_size=50):
    results = []
    for i in range(0, len(data), chunk_size):
        chunk = data[i:i+chunk_size]
        
        # Summarize chunk trước khi gửi
        summary = summarize_chunk(chunk)
        
        prompt = f"""Phân tích chunk {i//chunk_size + 1}:
{summary}
"""
        response = client.chat.completions.create(
            model="claude-sonnet-4.5",
            messages=[{"role": "user", "content": prompt}]
        )
        results.append(response.choices[0].message.content)
    
    return results

Hoặc sử dụng truncation strategy
response = client.chat.completions.create(
    model="claude-sonnet-4.5",
    messages=[{"role": "user", "content": truncated_prompt}],
    max_tokens=500  # Giới hạn output để tiết kiệm context
)

Mô tả lỗi：Gặp lỗi context_length_exceeded khi prompt quá dài.

Cách khắc phục：Chia nhỏ dữ liệu thành các chunk nhỏ hơn, summarize trước khi gửi, hoặc sử dụng các model có context window lớn hơn. Với HolySheep AI, bạn có thể chọn model phù hợp với nhu cầu.

4. Lỗi kết nối timeout

# ❌ Sai: Không thiết lập timeout
client = OpenAI(
    base_url="https://api.holysheep.ai/v1",
    api_key=API_KEY
)
Request có thể treo vô hạn định

✅ Đúng: Thiết lập timeout hợp lý
from openai import OpenAI
import requests

Cách 1: Sử dụng timeout trong request
client = OpenAI(
    base_url="https://api.holysheep.ai/v1",
    api_key=API_KEY,
    timeout=30.0  # Timeout 30 giây
)

Cách 2: Sử dụng requests library với timeout rõ ràng
session = requests.Session()
session.headers.update({"Authorization": f"Bearer {API_KEY}"})

try:
    response = session.post(
        "https://api.holysheep.ai/v1/chat/completions",
        json={
            "model": "claude-sonnet-4.5",
            "messages": [{"role": "user", "content": "Hello"}]
        },
        timeout=(5, 30)  # (connect timeout, read timeout)
    )
except requests.Timeout:
    print("Request timeout, thử lại...")
except requests.ConnectionError:
    print("Lỗi kết nối, kiểm tra mạng...")

Mô tả lỗi：Request treo không phản hồi hoặc timeout error.

Cách khắc phục：Luôn thiết lập timeout hợp lý. HolySheep AI có độ trễ thấp (<50ms) nên timeout 30 giây là đủ cho hầu hết trường hợp.

5. Lỗi định dạng response không đúng

# ❌ Sai: Giả sử response luôn có cấu trúc nhất định
response = client.chat.completions.create(...)
content = response.choices[0].message.content  # Có thể None nếu có lỗi

✅ Đúng: Kiểm tra response trước khi sử dụng
response = client.chat.completions.create(
    model="claude-sonnet-4.5",
    messages=[{"role": "user", "content": prompt}]
)

Kiểm tra xem có choice không
if not response.choices:
    print("Không có response từ API")
elif not response.choices[0].message:
    print("Message trống")
elif not response.choices[0].message.content:
    print("Content trống")
else:
    content = response.choices[0].message.content
    print(f"Response: {content}")

Cách an toàn hơn: Try-except
try:
    content = response.choices[0].message.content
    if content:
        print(content)
    else:
        print("Content rỗng, thử prompt khác")
except (AttributeError, IndexError) as e:
    print(f"Lỗi đọc response: {e}")

Mô tả lỗi：Gặp lỗi AttributeError hoặc nhận được response trống.

Cách khắc phục：Luôn kiểm tra cấu trúc response trước khi truy cập. Sử dụng try-except để xử lý các trường hợp response không mong đợi.

Kết luận

Qua bài viết này, bạn đã học được cách sử dụng Claude 3.5 Sonnet kết hợp với SHAP để tạo ra các giải thích dễ hiểu cho mô hình machine learning. Điểm mấu chốt bao gồm：

SHAP cung cấp các con số chính xác về tầm quan trọng của từng đặc trưng
Claude 3.5 Sonnet biến các con số này thành lời giải thích tự nhiên, dễ hiểu
Kết hợp hai phương pháp cho kết quả tốt nhất
HolySheep AI cung cấp API với chi phí thấp, độ trễ thấp, rất phù hợp cho việc học tập và ứng dụng thực tế

Model interpretability không chỉ là một kỹ thuật, mà là cầu nối giữa AI và con người. Hy vọng bài viết này giúp bạn bắt đầu hành trình khám phá lĩnh vực thú vị này!

💡 Mẹo：Bắt đầu với dataset nhỏ để test, sau khi ổn định rồi mới mở rộng scale. Đừng quên kiểm tra quota và chi phí định kỳ!

👉 Đăng ký HolySheep AI — nhận tín dụng miễn phí khi đăng ký

什么是模型可解释性？为什么它很重要？

准备工作：获取 HolySheep AI API Key

第一部分：使用 SHAP 框架进行特征重要性分析

============================================

HolySheep AI API 配置（必须使用这个端点）

============================================

创建示例数据集：银行贷款审批场景

简单规则：创建模拟的贷款审批结果

批准条件：信用分数高 + 收入高 + 负债低

使用 HolySheep AI Claude 3.5 Sonnet 解释预测

============================================

选取一个有代表性的样本进行解释

第二部分：SHAP 特征重要性可视化

计算 SHAP 特征重要性

============================================

准备特征矩阵

训练一个简单的决策树模型作为示例

计算 SHAP 值

对于二分类问题，取正类的 SHAP 值

计算平均绝对 SHAP 值作为特征重要性指标

创建 SHAP Summary Plot

第三部分：深度集成分析 - SHAP + Claude 解释

深度集成分析：SHAP + Claude 3.5 Sonnet

============================================

分析几个典型案例

第四部分：批量分析报告生成

批量生成可解释性报告

============================================

生成批量报告

统计摘要

找出最常见的关键因素

实际应用：为什么选择 HolySheep AI？

性能对比实测

运行基准测试

扩展应用场景

模型可解释性的最佳实践

Lỗi thường gặp và cách khắc phục

1. Lỗi xác thực API Key không hợp lệ

✅ Đúng: Sử dụng key thực tế từ HolySheep

Hoặc sử dụng biến môi trường để bảo mật

2. Lỗi rate limit - Vượt giới hạn request

✅ Đúng: Thêm delay giữa các request hoặc sử dụng batching

3. Lỗi context window exceeded - Vượt giới hạn token

✅ Đúng: Chunk dữ liệu hoặc summarize trước

Hoặc sử dụng truncation strategy

4. Lỗi kết nối timeout

Request có thể treo vô hạn định

✅ Đúng: Thiết lập timeout hợp lý

Cách 1: Sử dụng timeout trong request

Cách 2: Sử dụng requests library với timeout rõ ràng

5. Lỗi định dạng response không đúng

✅ Đúng: Kiểm tra response trước khi sử dụng

Kiểm tra xem có choice không

Cách an toàn hơn: Try-except

Kết luận

Tài nguyên liên quan

Bài viết liên quan

🔥 Thử HolySheep AI