创空间首页 · 魔搭社区

长尾需求发现

CogineAI — Sun, 09 Aug 2026 17:18:58 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/CogineAI/reddar.git

research-agent

Stellan1103 — Sun, 09 Aug 2026 16:51:52 GMT

基于 LangGraph 构建的智能助手 Agent，具备工具调用、RAG 知识检索、混合检索、重排序及 Agentic RAG 自愈能力。

🧠 Research_Agent

基于 LangGraph 构建的智能研究助手 Agent，具备工具调用、RAG 知识检索、混合检索、重排序及 Agentic RAG 自愈能力。

📌 本项目是一个完整的 AI Agent 应用开发学习与实践项目

✨ 核心特性

特性	说明
🧠 ReAct Agent	基于 LangGraph 状态机，实现 "思考 → 行动 → 观察" 的自主决策闭环
🔧 工具调用	支持计算器、当前时间、互联网搜索、知识库检索等多种工具，Agent 自主选择调用
📚 RAG 检索	完整 RAG 流水线：文档加载 → 分块 → Embedding → 向量存储 → 检索 → 生成
🔀 混合检索	向量检索 + BM25 关键词检索 + RRF 融合排序，提升召回精度
🎯 Cross-Encoder 重排	使用 BGE-Reranker 对候选文档精排，确保最相关内容排在前面
🔄 Agentic RAG	检索质量评估 + 自动查询改写 + 重试，让 Agent 自己判断并优化检索
🌐 联网搜索	集成 Tavily 搜索引擎，Agent 可获取实时信息
📄 多格式文档	支持 `.txt`、`.pdf`、`.docx` 格式文档的解析与索引
🐳 Docker 支持	向量数据库 Qdrant 支持 Docker 一键启动，数据持久化

📁 项目结构

research_agent/
├── .env                     # 环境变量（API Key 等）
├── .gitignore               # Git 忽略文件
├── requirements.txt         # Python 依赖
├── ms_deploy.json           # ModelScope 部署配置
├── README.md                # 项目说明文档
│
├── run_agent.py             # 主入口：终端交互式 Agent
├── app.py                   # Web 界面入口（Gradio）
├── manage_kb.py             # 知识库管理脚本
│
├── test_*.py                # 测试脚本
│   ├── test_env.py          # 环境验证
│   ├── test_rag_full.py     # RAG 全流程测试
│   ├── test_agentic_rag.py  # Agentic RAG 测试
│   └── test_search.py       # 联网搜索测试
│
├── data/                    # 文档存放目录
│   └── *.txt, *.pdf, *.docx # 知识库文档
│
└── src/                     # 核心源码
    ├── graph.py             # LangGraph 状态机
    ├── tools.py             # Agent 工具定义
    └── rag/
        ├── loader.py        # 文档加载（txt/pdf/docx）
        ├── splitter.py      # 文档分块
        ├── embedding.py     # BGE Embedding
        ├── vector_store.py  # Qdrant 向量库
        ├── retriever.py     # 混合检索 + RRF 融合
        ├── reranker.py      # Cross-Encoder 重排
        ├── agentic_rag.py   # Agentic RAG 自愈机制
        └── rag_tool.py      # RAG 工具封装

🗂️ 依赖关系

run_agent.py
    │
    ├── from src.graph import create_agent
    │       │
    │       ├── from src.tools import TOOL_MAP, TOOLS
    │       │       ├── calculator
    │       │       ├── get_current_time
    │       │       ├── web_search
    │       │       └── (TOOL_MAP 自动生成)
    │       │
    │       ├── from src.rag.rag_tool import search_knowledge
    │       │       └── from src.rag.agentic_rag import AgenticRAG
    │       │               ├── from src.rag.retriever import HybridRetriever
    │       │               │       ├── from src.rag.vector_store import VectorStore
    │       │               │       │       └── from src.rag.embedding import encode_texts
    │       │               │       │               └── from sentence_transformers import SentenceTransformer
    │       │               │       │       └── from qdrant_client import QdrantClient
    │       │               │       └── from rank_bm25 import BM25Okapi
    │       │               └── from src.rag.reranker import Reranker
    │       │                       └── from transformers import AutoModelForSequenceClassification
    │       │
    │       └── from langgraph.graph import StateGraph, END
    │
    └── from langchain_core.messages import HumanMessage

🏗️ 技术架构

🔢 一次用户请求的完整数据传递流程

📚 知识入库流程

🔍 RAG 检索流程 (Agent 调用 search_knowledge 工具)

![Agent 调用 search_knowledge](README.assets/Agent 调用 search_knowledge.png)

🚀 快速开始

前置条件

要求	说明
Python	3.11+
Docker（可选）	用于 Qdrant 向量数据库持久化
API Key	DeepSeek API（必填），Tavily API（可选）

1. 克隆项目

bash

git clone https://github.com/你的用户名/research_agent.git
cd research_agent

2. 创建虚拟环境并安装依赖

bash

python -m venv .venv
source .venv/bin/activate        # Linux/Mac
# .venv\Scripts\activate         # Windows

pip install -r requirements.txt

3. 配置 API Key

创建 .env 文件（参考 .env.example）：

env

# DeepSeek API（必填，国内可直接访问）
DEEPSEEK_API_KEY=sk-你的DeepSeek密钥
DEEPSEEK_BASE_URL=https://api.deepseek.com

# Tavily Search API（可选，不填则使用模拟搜索）
TAVILY_API_KEY=tvly-你的Tavily密钥

4. 启动 Qdrant（可选，用于数据持久化）

bash

docker run -d -p 6333:6333 --name qdrant qdrant/qdrant

如果未安装 Docker，程序会自动切换到 内存模式，功能完全正常，只是重启后需重新导入文档。

5. 初始化知识库

将文档放入 data/ 目录，然后执行：

bash

python manage_kb.py add data/你的文档.docx
# 或批量导入
python manage_kb.py add data/

6. 运行 Agent

bash

python run_agent.py

⌨ 使用示例

启动后，在终端输入问题，Agent 会自主决定如何回答：

text

👤 你: 请计算 25 * 4 + 18 等于多少？

🤔 [第 1 轮思考] Agent 正在分析...
   💡 决策：调用工具 → calculator
   🔧 执行工具：calculator({"expression": "25 * 4 + 18"})
   📋 观察结果：计算结果: 118

🤖 Agent: 25 * 4 + 18 的计算结果是 118。

text

👤 你: 什么是 RAG？它解决了什么问题？

🤔 [第 1 轮思考] Agent 正在分析...
   💡 决策：调用工具 → search_knowledge
   🔧 执行工具：search_knowledge({"query": "RAG 概念 解决的问题"})
   📋 观察结果：【片段 1】(来源: rag_intro.txt, 相关度: 0.78)
   RAG 全称 Retrieval-Augmented Generation...

🤖 Agent: RAG（检索增强生成）是一种...

text

👤 你: 今天有什么科技新闻？

🤔 [第 1 轮思考] Agent 正在分析...
   💡 决策：调用工具 → web_search
   🔧 执行工具：web_search({"query": "2026年 科技新闻"})
   📋 观察结果：【标题】AI Agent 迎来爆发式增长...

🤖 Agent: 根据最新新闻，...

🛠️ 知识库管理

使用 manage_kb.py 管理向量库中的文档：

bash

# 列出所有已入库的文档
python manage_kb.py list

# 添加单个文档
python manage_kb.py add data/文档.docx

# 删除指定文档
python manage_kb.py delete "文档名.docx"

# 添加整个目录下的文档
python manage_kb.py add data/

🔧 配置说明

模型配置

本项目默认使用 DeepSeek API，兼容 OpenAI 格式，国内可直接访问。

如需切换其他模型（如 OpenAI、通义千问等），修改 src/graph.py 中的 ChatOpenAI 配置即可。

Embedding 模型

默认使用 BAAI/bge-small-zh-v1.5（轻量，约 100MB，适合开发和测试）。

如需更高精度，可在 src/rag/embedding.py 中切换为 BAAI/bge-m3（约 2.3GB，需良好网络）。

重排序模型

默认使用 BAAI/bge-reranker-v2-m3，首次运行时会自动下载（约 2.3GB）。

📊 技术选型说明

组件	选型	理由
Agent 框架	LangGraph	支持状态机、条件边、循环，比 LangChain Chain 更适合生产级 Agent
向量数据库	Qdrant	轻量、高性能、支持 Docker 一键启动，适合本地开发和部署
Embedding	BGE-small-zh	中文优化，轻量（~100MB），效果与性能平衡
重排序	BGE-Reranker	Cross-Encoder 精排，显著提升检索精度
LLM	DeepSeek	国内可直接访问，兼容 OpenAI 格式，性价比高
搜索	Tavily	专为 LLM 优化的搜索引擎，返回结构化摘要

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📄 许可

MIT License

**Happy Building ! **

OPC的中心

GeHanHeart — Sun, 09 Aug 2026 16:18:54 GMT

This is a Next.js project bootstrapped with create-next-app.

Getting Started

First, run the development server:

npm run dev
# or
yarn dev
# or
pnpm dev
# or
bun dev

Open http://localhost:3000 with your browser to see the result.

You can start editing the page by modifying app/page.tsx. The page auto-updates as you edit the file.

This project uses next/font to automatically optimize and load Geist, a new font family for Vercel.

Learn More

To learn more about Next.js, take a look at the following resources:

Next.js Documentation - learn about Next.js features and API.
Learn Next.js - an interactive Next.js tutorial.

You can check out the Next.js GitHub repository - your feedback and contributions are welcome!

Deploy on Vercel

The easiest way to deploy your Next.js app is to use the Vercel Platform from the creators of Next.js.

Check out our Next.js deployment documentation for more details.

神游调查局：消失的第七秒

yukiluo — Sun, 09 Aug 2026 15:56:50 GMT

把难以完成的注意力测评，变成一场三分钟的悬疑调查。五个连续任务记录持续注意、冲动抑制、工作记忆、任务切换与时间感知，给出有证据、可行动的注意力画像。

Clone with HTTP

 git clone https://www.modelscope.cn/studios/yukiluo/mindtrace-bureau-0717.git

赶得上

wth428 — Sun, 09 Aug 2026 15:55:03 GMT

跟得上 TripLoop

让计划赶上变化。

跟得上是一款基于大模型与持续反馈的动态旅行助手。它从每天的真实经历中理解用户的状态，也会记住每次取舍背后的原因，让后续计划越来越适应用户。

本地运行

环境需要 Node.js 20 或更新版本。项目只使用 Node.js 内置模块，下载后可以直接启动。

npm run dev

打开 http://127.0.0.1:4173。

打开页面即可体验可解释的反馈引擎。服务端优先使用 EdgeOne 模型网关，也支持 DeepSeek 官方接口。现有 OpenAI Responses API 继续可用。复制 .env.example 后填写一种服务端密钥即可启用大模型。

cp .env.example .env

密钥始终停留在服务端，浏览器代码和接口响应只接收计划结果。模型请求出现超时或格式异常时，服务端会自动使用规则引擎完成本次适配。

EdgeOne Makers 部署

项目已经包含 EdgeOne Edge Function。/api/adapt 会在边缘节点调用 DeepSeek V4，并把模型名称返回给前端状态栏。

npm run build:edgeone
edgeone login
edgeone makers deploy .edgeone-dist -n gendeshang-triploop
edgeone makers env set AI_GATEWAY_API_KEY YOUR_KEY

部署完成后，在 EdgeOne Makers 的域名管理中绑定品牌域名并配置 CNAME 与 SSL。中国大陆节点配合 ICP 备案使用，比赛演示期可以先使用平台预览链接。

接口

POST /api/adapt 接收本轮反馈、当前精力和今日预算。

{
  "text": "今天晚起，先完成积压工作。",
  "energy": 38,
  "budget": 120
}

返回内容包含适配标题和自然解释。当天时间线、地点去向统计和新生成的个人规则也会一起返回。访客反馈只参与当前请求，响应结束后完成处理。

验证

npm run check
npm test
npm run build
npm run build:edgeone

功能测试覆盖默认演示结果、闭馆规则和接口降级。界面测试覆盖文案规则、基础无障碍结构和 1200×630 分享卡尺寸。

项目结构

index.html 和 styles.css：单页内容与完整视觉系统。
app.js：页面交互与结果渲染。
src/adaptation.js：可解释的本地反馈引擎。
api/adapt.js：大模型调用与稳定降级接口。
edge-functions/api/adapt.js：EdgeOne Makers 边缘接口。
src/model-service.js：DeepSeek 与模型网关调用层。
server.mjs：零依赖本地服务器。
test/：功能、接口和文案测试。
SUBMISSION.md：比赛提交说明与评委路径。

核心流程

系统先读取原计划，再接收当天的真实反馈。它会找出此刻最重要的约束，并为每个地点安排去向。调整结束后，本次偏差会进入个人旅行记忆，参与下一次规划。

隐私边界

公共演示使用脱敏旅行案例，访客输入留在当前页面会话。生产版会在用户授权后开启飞书同步，大模型密钥由服务端保管。

NPD幸存者疗愈：回响

aning9732 — Sun, 09 Aug 2026 15:53:18 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/aning9732/nonpd.git

yanlian

helloxy — Sun, 09 Aug 2026 15:50:16 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/helloxy/yanlian.git

none

danjian — Sun, 09 Aug 2026 15:48:45 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/danjian/none.git

中国制造外贸工具

AdamBrown — Sun, 09 Aug 2026 15:46:48 GMT

主要是做中国制造标题和关键词优化的

外贸标题关键词优化工具

AI 驱动的外贸产品标题与关键词优化工具，专为中国制造网运营设计。

功能特性

标题优化：输入产品标题，AI 分析并给出优化建议和推荐标题
关键词优化：输入产品关键词，AI 推荐高搜索量关键词
评分可视化：多维度评分（长度、关键词密度、吸引力、SEO友好度等）
一键复制：点击推荐内容即可复制
AI 配置：支持在网页端配置 AI 服务（Agnes AI、阿里云百炼、OpenAI、DeepSeek 等）

使用方法

进入「AI 配置」页面，配置你的 AI 服务
在「标题优化」或「关键词优化」页面输入内容
点击「分析并优化」查看评分和建议
点击推荐内容即可复制

支持的 AI 服务

服务	API 地址	模型示例
Agnes AI	`https://apihub.agnes-ai.com/v1`	`agnes-2.0-flash`
阿里云百炼	`https://dashscope.aliyuncs.com/api/v1/services/aigc/text-generation/generation`	`qwen-turbo`
OpenAI	`https://api.openai.com/v1`	`gpt-3.5-turbo`
DeepSeek	`https://api.deepseek.com/v1`	`deepseek-chat`

本地运行

npm install
node server.js

访问 http://localhost:7860

技术栈

后端：Node.js + Express
前端：原生 HTML/CSS/JavaScript
AI：支持 OpenAI 兼容格式和阿里云百炼格式

QRelay — Qoder 多智能体任务交接插件

stoner2333 — Sun, 09 Aug 2026 15:34:04 GMT

QRelay 是一个 Qoder 多智能体任务交接插件，通过标准化 QHOP 协议在不同 Agent Thread 间传递任务目标、当前状态、关键决策、代码变更和下一步行动，让并行工作的 AI Agent 能够低成本、低上下文损耗地完成任务派发与协作交接。

Clone with HTTP

 git clone https://www.modelscope.cn/studios/stoner2333/QRelay.git

KinBuddy

cyycyy1234 — Sun, 09 Aug 2026 15:26:20 GMT

KinBuddy

KinBuddy 是面向家庭场景的 Physical AI 交互原型，包含 3D 家庭沙盘、家庭日历、厨房视觉任务、成员 Skill、家庭记录与身份守门等页面。

本创空间使用纯静态演示构建，默认采用演示数据，不连接本地 K3 硬件或本机 API。

主要页面

首页：家庭日概览与家庭协作入口
3D 沙盘：家庭成员与空间状态可视化
厨房任务：视觉步骤与语音协作演示
小屋加油站：家庭成员 Skill 管理
全家日历：家庭日程与冲突建议
家庭记录：跨页面操作回执
家庭守门：家庭身份与权限边界

Source

源代码：GitHub - qianqiu0926/kinbuddy-web

星镜

CDD80521285 — Sun, 09 Aug 2026 15:10:10 GMT

『听见色彩，触摸美丽』Mirror+Stra，一句话，让盲人听见色彩

Beauty AI Coach 🎨🎵

L'Oréal AI + Beauty Innovation Challenge — An AI coaching agent that guides teams through problem definition, technical design, prototyping, and pitch preparation.

Score: 95/100 · Version 4 · Apache 2.0

🌟 What is Beauty AI Coach?

A specialized mentoring agent for the L'Oréal AI+Beauty hackathon. Its signature innovation is Chroma-Mapping — an accessibility feature that maps color to music, enabling visually- and hearing-impaired users to perceive color through sound. A built-in Values Audit Protocol enforces "beauty belongs to everyone".

✨ Features

Feature	Description
🎨→🎵 Chroma-Mapping	Convert any color to musical notes (pitch, rhythm, timbre)
🎼 4 Color Schemes	Equal Temperament, Pentatonic, Scriabin, Custom
🤖 AI Coaching	Multi-turn guided problem analysis and solution design
📊 Benchmarks	6 evaluation cases across 2 challenge domains
🔍 Values Audit	STRONG CONDITIONAL trigger for inclusive design review
🛒 E-commerce Search	Multi-platform product search (Taobao, Tmall, L'Oréal Official)

🏗️ Architecture

beauty-ai-coach/
├── backend/              # FastAPI REST API
│   ├── main.py           # App entry point + static file serving
│   ├── routes.py         # /api/* endpoints (health, agent, benchmarks, chroma, recommend)
│   ├── chroma_mapping.py # Color→Music engine (RGB→HSV→Pitch)
│   ├── chat_color.py     # LLM-powered color description parser
│   ├── chat_socratic.py  # Socratic coaching agent (tool-calling)
│   ├── recommend.py      # E-commerce product recommendations
│   ├── config.py         # Env-based configuration (no hardcoded values)
│   └── models.py         # Pydantic request/response models
├── frontend/             # Vue 3 + TypeScript + Three.js (build → frontend-dist/)
├── delivery/             # Agent state + benchmark evaluation suite
│   ├── agent_state/      # System config, skills, memory, tools
│   └── benchmarks/       # beauty-ai-challenge + colorsynth-challenge cases
└── Dockerfile            # Production deployment (Python 3.11-slim)

🚀 Quick Start

Local Development

# Backend
cd backend
pip install -r requirements.txt
python main.py  # Runs on http://localhost:8000

# Frontend (separate terminal)
cd frontend
npm install
npm run dev  # Runs on http://localhost:5173

Docker

docker build -t beauty-ai-coach .
docker run -p 7860:7860 beauty-ai-coach

Live Demo

ModelScope Studio | API Docs

📡 API Endpoints

Method	Path	Description
GET	`/api/health`	Health check
GET	`/api/agent/info`	Agent metadata + skills
GET	`/api/benchmarks`	List benchmark suites
POST	`/api/chroma/map`	Convert color to music
GET	`/api/chroma/schemes`	Available color-music schemes
POST	`/api/recommend`	Product recommendations

Chroma-Mapping Example

curl -X POST https://cdd80521285-beauty-ai-coach.ms.show/api/chroma/map \
  -H "Content-Type: application/json" \
  -d '{"color": {"r": 66, "g": 135, "b": 245}, "scheme": "equal_temperament"}'

# Response:
# {"note": "G6", "frequency": 1567.98, "timbre": "bell", "rhythm": "fast", ...}

🔧 Configuration

All settings via environment variables (.env.example provided):

Variable	Default	Description
`BACKEND_HOST`	`127.0.0.1`	Server bind address
`BACKEND_PORT`	`8000`	Server port
`CORS_ORIGINS`	`http://localhost:5173`	Allowed origins
`LLM_BASE_URL`	`http://127.0.0.1:1234/v1`	LLM endpoint (LM Studio / OpenAI-compatible)
`LLM_MODEL`	`qwen/qwen3.6-35b-a3b`	Model identifier
`DELIVERY_DIR`	`../../delivery`	Path to agent state + benchmarks

🧪 Testing

cd tests
pytest -v  # 8 tests covering API, chroma mapping, config validation

📜 License

Apache 2.0 — see LICENSE

Built with ❤️ for inclusive beauty AI.

视频

blq200202 — Sun, 09 Aug 2026 15:09:27 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/blq200202/blq_bai.git

AI活动助手

daijiayi — Sun, 09 Aug 2026 14:48:04 GMT

AI活动运营助手是一款面向赛事、比赛及活动运营方的智能助手平台。它帮助运营方创建专属官方AI助手，将分散的活动规则、通知、任务和答疑整合起来，为参与者提供个性化流程指导、任务提醒和实时帮助。同时通过用户问题与行为数据沉淀活动经验，提升运营效率与参与完成率，实现活动全过程智能陪伴。

🔧 AI 活动运营助手 - MVP (首版核心闭环)

一个完整可运行的首版 MVP，实现开发文档中“五个核心体验”：

运营上传/配置活动信息后获得专属助手
参与者自动获得任务清单
参与者可随时问"我现在该做什么"
AI 基于官方信息回答，不确定时转运营
运营看到用户常问什么/卡在哪里

📦 技术栈

后端: Python FastAPI + SQLAlchemy + SQLite
前端: 单页 HTML + JS (演示用，无需框架)
AI 引擎: OpenAI 兼容 LLM API + 关键词检索 RAG
- 未配置 LLM_API_KEY 时退化为基于检索的规则问答，保证系统可运行

🚀 快速启动

方式一: Windows 双击启动

start.bat

脚本会自动创建虚拟环境、安装依赖、启动 FastAPI 服务。

方式二: 手动启动

cd backend
python -m venv .venv
call .venv\Scripts\activate
pip install -r requirements.txt
python -m uvicorn app.main:app --reload --host 0.0.0.0 --port 8000

访问前端

浏览器打开：[frontend.html](file:///c:/Users/77399/xwechat_files/wxid_v4cbkfyzhi3r22_85da/msg/file/2026-08/2026-08-08_副本/ai-activity-assistant/frontend.html)

或在服务器端启动静态文件服务（推荐）：

cd ai-activity-assistant
python -m http.server 3000

然后访问 http://localhost:3000/frontend.html

🌍 配置 LLM API

复制 .env.example 为 .env，并填入真实 API Key：

LLM_API_KEY=your-openai-or-compatible-key
LLM_BASE_URL=https://api.openai.com/v1
LLM_MODEL=gpt-4o-mini
SEED_ON_START=true

留空 LLM_API_KEY → 使用规则问答（依然可以跑通闭环，只是 AI 能力有限）
填入密钥 → 启用真实 LLM 对话 + 可信度标注

✅ 验证五个核心体验

#	体验	操作路径（前端）
1	创建专属助手	运营端 → 创建活动 → 系统自动生成助手
2	获得任务清单	参与者端 → 进入助手（需填用户 ID + 活动 Token）→ 查看任务汇总
3	“我现在该做什么？”	问答 Tab → 输入问题 → 返回带可信度的回答与下一步建议
4	不确定转运营	提问无匹配答案的问题 → 返回 confidence=no_clear_info / needsOpsResult=true
5	问题统计	运营端可查询 FAQ + 高频问题（待补充 UI）

📁 项目结构

ai-activity-assistant/
├── backend/
│   ├── app/
│   │   ├── __init__.py
│   │   ├── config.py          # 环境变量加载
│   │   ├── database.py        # DB 引擎与会话
│   │   ├── main.py            # 应用入口 & Seed 数据
│   │   ├── models.py          # ORM 模型
│   │   ├── schemas.py         # Pydantic Schema
│   │   ├── llm.py             # RAG 引擎 & AI 回答生成
│   │   ├── serializers.py     # ORM->dict & 个人计划生成
│   │   └── routers/
│   │       ├── __init__.py
│   │       ├── operator.py    # 运营端 API
│   │       ├── participant.py # 参与者端 API
│   │       └── qa.py          # 问答与 FAQ
│   └── requirements.txt
├── frontend.html              # 演示前端
├── start.bat                  # Windows 启动脚本
└── README.md                  # 本文档

🏗️ 数据库模型 (MVP 表)

对应开发文档第 4 章：

activities / assistants — 活动及专属助手
activity_info — 官方信息 (15 类中的示例)
phases / tasks — 阶段与任务模板
users / participant_users / user_tasks — 参与者与任务实例
notifications — 通知
questions / faq — 用户问题与常见问答
conversations / messages — 对话历史

🔄 状态机实现

实体	状态枚举
Activity	draft/published/registration/ongoing/submission/review/completed/archived
ParticipantUser	browsing/interested/registered/active/preparing_submit/submitted/completed/withdrawn
UserTask	not_started/in_progress/completed/overdue/cancelled/not_applicable
Question	asked/ai_answered/waiting_ops/officially_answered/added_to_faq/closed
ActivityInfo	active/superseded/invalid/pending

💬 AI 问答流程 (开发文档 10.6~10.7)

意图识别 → 过滤无关问题
RAG 检索 → 从 active info + published faq 取 top-k
调用 LLM → 严格约束仅依据官方信息作答
可信度标注：
- official_rule → ops_confirmed → info_compiled → no_clear_info
缺答转运营 → 生成 Question(status=waiting_ops)，后台统计频率

🛠️ 后续完善方向 (按开发文档里程碑 M2~M7)

P1 通知推送 (WebSocket/邮件)
P1 未解决问题中心 (运营处理界面)
P1 进度总览 (图表化展示任务完成率)
资产沉淀 (模板复用)
安全加固 (RBAC/JWT)
性能优化 (PostgreSQL/Milvus/Redis)

📄 许可证

仅供内部演示与研究使用。

说明：此 MVP 是完整产品文档的最小实现版本，聚焦"五个核心体验"的快速验证，工程复杂度较低，适合本地开发与演示。

心屿

WXR0420 — Sun, 09 Aug 2026 14:44:25 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/WXR0420/WXR.git

闻香识菌子

kkz4022 — Sun, 09 Aug 2026 14:18:49 GMT

《闻香识菌子》是一套面向云南野生菌的数字科普与文化交流平台，通过AI图片识别辅助、剪纸小纸人风险提示、云南菌种数据库、地域地图和用户故事社区，让用户更方便地认识菌子、理解风险、探索云南菌文化，同时避免将AI识别结果误用为野生菌食用判断依据。

闻香识菌子

探索云南山林里的奇妙菌子。

《闻香识菌子》是一个基于 Vue 3 与 Vite 开发的云南野生菌数字科普网站 Demo。项目通过野生菌图鉴、剪纸小纸人风险系统、云南菌子地图、菌味菜谱和山野故事，展示云南丰富的野生菌资源与地域文化。

[!WARNING] 本项目内容仅用于野生菌科普认识和文化展示，不作为野生菌食用鉴定依据。无法确认种类的野生菌请勿采食。

项目介绍

项目定位为云南野生菌数字博物馆、风险科普专题与地域文化展示网站。它面向产品演示、比赛展示和公网静态部署，不包含商业系统所需的后台服务。

项目功能

首页展示：通过宽屏视觉、当季菌子、风险专题、地图、菌味和故事内容介绍项目。
云南野生菌图鉴：展示 12 种云南代表菌，支持按食用状态筛选和查看详情。
菌子详情：展示菌子名称、俗名、风险等级、外观特点、分布地区、生长季节、相似菌和推荐菜品。
小纸人风险系统：使用 5 个固定剪纸人物的实心与空心状态表达风险等级。
云南菌子地图：按昆明、楚雄、大理、迪庆等地区查看代表菌种。
云南菌味：展示当地特色菌子菜品及关联菌种。
夜话菌子：以模拟社区形式展示山野故事、菌味分享、中毒经历和菌子见闻。
关于项目：介绍作品定位、核心功能和安全说明。

技术栈

类别	技术
前端框架	Vue 3
构建工具	Vite 6
路由	Vue Router 4
开发语言	JavaScript
样式	CSS3
数据	本地 JSON
容器构建	Docker、Node.js Alpine
静态服务	Nginx Alpine

项目不依赖后端服务或数据库，页面数据均由本地 JSON 文件提供。

项目目录

.
├── app/                       # Vue 3 前端工程
│   ├── src/
│   │   ├── assets/            # 菌子、生境和菜品图片
│   │   ├── components/        # 公共展示组件
│   │   ├── data/              # 菌子、地区、菜品和故事 JSON 数据
│   │   ├── router/            # Vue Router 路由配置
│   │   ├── styles/            # 全局样式
│   │   ├── utils/             # 图片资源辅助方法
│   │   ├── views/             # 首页、图鉴、详情、地图等页面
│   │   ├── App.vue            # 根组件
│   │   └── main.js            # 应用入口
│   ├── index.html             # Vite HTML 入口
│   ├── package.json           # 依赖与 npm 脚本
│   └── vite.config.js         # Vite 配置
├── Dockerfile                 # Node 构建 + Nginx 运行镜像
├── nginx.conf                 # Nginx 静态服务配置
└── README.md                  # 项目说明

环境要求

Node.js 20 或更高版本
npm 10 或更高版本
Docker Desktop 或其他兼容 Docker Engine（仅 Docker 部署需要）

本地开发

Vue 工程位于 app/ 目录。进入该目录后安装依赖并启动开发服务器：

cd app
npm install
npm run dev

开发服务器默认监听：

http://localhost:3000

生产构建

在 app/ 目录执行：

npm run build

构建产物生成在 app/dist/。如需在本机预览生产构建：

npm run preview

Docker 部署

Docker 使用多阶段构建：第一阶段通过 Node.js 安装依赖并执行 Vite 构建，第二阶段使用 Nginx 提供静态文件。

以下命令均在项目根目录执行。

构建镜像

docker build -t wenxiang-shijunzi .

前台运行

docker run --rm -p 8080:80 wenxiang-shijunzi

浏览器访问：

http://localhost:8080

前台运行时按 Ctrl+C 停止容器。

后台运行

docker run --rm -d --name wenxiang-shijunzi -p 8080:80 wenxiang-shijunzi

查看日志：

docker logs -f wenxiang-shijunzi

停止容器：

docker stop wenxiang-shijunzi

由于运行命令使用了 --rm，容器停止后会自动删除。

数据与图片资源

菌子、菜品、地区和故事数据位于 app/src/data/。
图片资源位于 app/src/assets/，构建时由 Vite 统一处理。
当前 Demo 收录 12 种云南代表菌，包含可食、条件可食、风险菌和剧毒菌等科普分类。
如需调整展示内容，请优先修改对应 JSON 数据，避免在页面组件中重复硬编码。

项目范围

本项目是用于产品展示和科普体验的前端 Demo，不是商业完整版。
项目没有用户认证、后端 API、数据库或真实社区发布功能。
收藏、故事等交互均为前端展示或本地模拟。
小纸人数量表示需要关注的风险程度，不代表绝对安全。

安全说明

野生菌的外观会受到生长阶段、环境和个体差异影响，仅凭照片或网页描述无法可靠鉴定。不要依据本项目内容采集、购买、加工或食用野生菌；出现疑似中毒症状时，请立即就医并联系当地专业机构。

风电预测

LEOPII — Sun, 09 Aug 2026 14:09:12 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/LEOPII/windfm.git

OPC的中心

GeHanHeart — Sun, 09 Aug 2026 13:58:19 GMT

PEROPC（Personal Enterprise & Robotic Operation Center）是一个“数字总部”平台，定位为真人与 AI 员工协同的一人公司操作系统。它让个人开发者和多人小团队像经营一家公司一样，把真人、AI 员工、知识库和本地 AI 能力组织起来。

PEROPC 数字总部 · 魔搭创空间演示

这是 PEROPC 的魔搭创空间演示版，使用 Gradio 展示产品的核心界面与任务闭环。

部署到魔搭创空间

登录魔搭社区，创建“创空间”
运行环境选择 Python 3.10+
SDK 类型选择 Gradio
将本目录内的文件上传：
- app.py
- requirements.txt
- assets/ 文件夹（产品截图）
保存并启动，魔搭会自动安装依赖并运行

本地运行

pip install -r requirements.txt
python app.py

说明

本演示为展示版，包含产品简介、组织大屏、能力中心、我的工作区、本地 Codex 接入指南与任务闭环模拟。完整版 PEROPC（Next.js + PostgreSQL + 本地 Codex 桥接）需要按仓库 README 在本机或自有服务器部署。

东南亚小语种运营物料生成

whoohu — Sun, 09 Aug 2026 11:16:15 GMT

🌏 东南亚海外运营助手（SEA Operations Assistant）

输入一个中文产品卖点 → 输出可直接发布的东南亚本地化全运营物料（泰 / 越 / 印尼 / 马来 / 英 5 语）+ 宗教 / 文化 / 合规风险提示。

面向东南亚（SEA）跨境卖家与海外社媒运营（Shopee / Lazada / TikTok Shop 卖家， TikTok / Instagram 运营），解决四件事：

不会写本地化多语种物料（中文直出当地语，严禁中→英→当地两段机翻）
不懂 SEA 各平台格式（TikTok / IG / X / Line / Zalo / Shopee / Lazada / TikTok Shop 各自成模板）
怕踩宗教 / 文化 / 广告法雷（halal、王室、节日、绝对化用词自动标红）
缺视觉物料提示词（Midjourney / SD 本地化生图提示词 + 海报排版建议）

✨ 核心功能

物料	覆盖平台 / 内容
① 社媒文案	TikTok（标题≤150字符 + 本地热门 Hashtag + 口播稿）、Instagram caption、X 短帖、Line（泰）、Zalo（越）
② 电商货架	Shopee / Lazada / TikTok Shop：堆关键词商品标题、五点描述、Search Keyword/Tag、大促促销文案（斋月/Hari Raya、Songkran、Tet、11.11、Payday Sale）
③ 短视频/直播	口播脚本（分镜表）、直播开场/讲品/互动/逼单话术，贴合 TikTok Shop / Shopee Live 节奏
④ 视觉物料	主图卖点提炼、海报排版建议、本地化生图提示词（含当地审美与宗教约束：no pork / no alcohol / no religious symbols）

合规/文化避雷（双层扫描）：

本地正则规则：绝对化用词、疗效承诺、宗教敏感词（猪/酒/halal）、泰国王室红线、医疗金融话术 → 正文标黄 ❗ + 替代表述表
模型自检：每语种输出【风险自检】，不确定处强制标注「（建议人工复核）」，绝不编造假地道表达

导出：一键打包 CSV（UTF-8 BOM，Excel 直开）/ Markdown，供复制发布。

📁 项目结构

小语种/
├── app.py             # 单文件应用：配置 / 合规扫描 / Prompt / Demo 模式 / 导出 / Gradio UI
├── requirements.txt   # 依赖（gradio<6.0.0, openai, python-dotenv）
├── configuration.json # ModelScope 创空间启动配置
├── README.md          # 本文档
├── .env.example       # 本地 Token 配置模板
└── .gitignore

🚀 本地运行

cd 小语种
pip install -r requirements.txt

# 配置 Token（二选一）
cp .env.example .env      # 编辑 .env，填入 MODELSCOPE_API_TOKEN
# 或：export MODELSCOPE_API_TOKEN=你的Token

python app.py             # 自动打开 http://127.0.0.1:7860

Token 获取：https://modelscope.cn/my/myaccesstoken（魔搭 SDK Token，免费）。未配置 Token 也能启动：应用自动进入 Demo 示例模式（内置「便携榨汁杯 / 无线蓝牙耳机 / 控油保湿面膜」三个 5 语示例案例，控制台可一键切换并自动填充产品信息；本地合规扫描照常工作），方便先体验界面。

☁️ 部署到 ModelScope 创空间（一键）

登录 ModelScope → 我的 → 创建创空间，选择「Gradio」框架。
上传本项目全部文件（或绑定 Git 仓库），创空间会自动读取 requirements.txt 安装依赖、以 configuration.json 指定的 app.py 启动。
在创空间「设置 → 环境变量」中添加（不要写进代码）：

变量名值

MODELSCOPE_API_TOKEN 你的魔搭 SDK Token

LLM_MODEL（可选）默认 Qwen/Qwen2.5-7B-Instruct

LLM_BASE_URL（可选）默认 https://api-inference.modelscope.cn/v1/
启动创空间即可使用。

变量名	值
`MODELSCOPE_API_TOKEN`	你的魔搭 SDK Token
`LLM_MODEL`（可选）	默认 `Qwen/Qwen2.5-7B-Instruct`
`LLM_BASE_URL`（可选）	默认 `https://api-inference.modelscope.cn/v1/`

⚠️ 依赖中已将 Gradio 锁定 >=4.44,<6.0.0：Gradio 6.x 移除了部分组件 API，锁定版本可保证创空间环境一键部署不报错。

🔐 安全与合规声明

密钥仅通过环境变量注入（MODELSCOPE_API_TOKEN），代码中零硬编码。
仅调用魔搭免费 API Inference（OpenAI 兼容接口），不调用任何外部付费 API。
本工具只做「生成 + 导出」，绝不自动发布到任何平台。
生成内容供运营参考；发布前请人工复核目标国广告法与文化规范，模型不确定处已标注「建议人工复核」。

🧩 验收自查

[x] python app.py 本地可启动（无 Token 时 Demo 模式）
[x] 5 语 × 4 物料类 × 8 平台全覆盖
[x] 每条结果带合规/宗教文化风险提示（不确定处标注人工复核）
[x] 无密钥硬编码、无外部付费 API

🎨 UI 设计系统（Tropical Ops Console）

界面采用 Tropical Ops Console 深色玻璃拟态作战台设计（源自 黑客松8。10/ui-demo.html 设计稿，前期风格由 UI/UX Pro Max Skill 生成）：

深空渐变底（绿/粉/紫三色光晕 + 网格）+ 玻璃拟态卡片（blur + 半透明白描边）
主色荧光绿 #00f5a0 × 青色 #38bdf8 渐变 CTA；行动橙 #ff7a1a 用于次级强调
页面结构：胶囊导航 → Hero 大标题（渐变文字）→ 平台矩阵 → TH/VN/ID/MY/EN 五国文化条 → 生成控制台（含模板脚手架流水线图）→ 实时统计卡 → 合规避雷雷达（旋转扫描线 + SAFE TO DRAFT 分数）→ 物料包 Tabs → 导出区
雷达与统计均为真实数据驱动：分数由风险命中数计算，结论卡按 OK / CHECK / RISK / TIP 分级输出扫描结果
可访问性：风险高亮带 ❗ 图标、结论卡带状态词（不靠颜色单独传达）、可见焦点环、prefers-reduced-motion 支持、文本对比度达标

TennisDiary

Shadaileng — Sun, 09 Aug 2026 08:26:37 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/Shadaileng/TennisDiary.git

AI表格表单网关

Meztli — Sun, 09 Aug 2026 07:24:01 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/Meztli/aitable-form-gateway.git

记忆织机

w532035195 — Sun, 09 Aug 2026 07:02:32 GMT

WorldForge 的核心是一套智能动态记忆管理系统。该系统以结构化档案为记忆载体，通过四层语义检索引擎——精确关键词匹配、同义词扩展、字符模糊匹配、AI 语义兜底——实时理解用户输入并自动关联相关记忆节点。每次交互后，系统异步触发归档分析，由 AI 自主判断是否需要创建新记忆或更新现有记忆的字段，实现记忆的自生长与自维护。记忆节点之间通过关系图扩散机制相互链接，配合动态字符预算控制，在有限的模型上下文窗口内精准注入最相关的记忆片段。所有记忆采用原子写入与备份恢复机制保障数据安全，同义词词典随记忆增长自动构建以桥接用户用语与系统描述之间的语义鸿沟。整套系统无需人工干预，在自然语言交互中持续演化。当前项目将该系统应用于开放世界文字角色扮演游戏方向，作为世界记忆的底层引擎，但系统本身具备通用性，可服务于任何需要 AI 驱动、持久化、自组织记忆能力的场景。"WorldForge (记忆织机) © 2026 Trayastrimsa""本应用架构、内置示例剧情及世界观设定均由 Trayastrimsa 原创提供"

Clone with HTTP

 git clone https://www.modelscope.cn/studios/w532035195/World_Forge.git

控糖私人管家

liuyisky — Sun, 09 Aug 2026 06:30:47 GMT

GlucoAI · AI 主动健康管理助手

不是记录血糖的工具 —— 在你做出饮食选择之前预测身体反应，并在异常发生之后给出个性化干预。黑客松 MVP，纯真实数据驱动（默认空库，不灌种子）。

功能

事前预测：拍照/文字识别食物 → Food Agent → 个人血糖响应模型预测峰值、风险与曲线
优化方案：五条循证干预（进食顺序 / 餐前预负荷 / 份量 / 餐后运动 / 组合策略），每条重跑模型拿量化降幅
事后干预：血糖升高时按场景（办公室/家庭/户外/睡前）给出即时行动与预期效果
Memory Agent 学习闭环：每餐预测-实测配对在线学习（自适应步长 + peak_gain 校准），目标峰值误差 ≤ 1 mmol/L；「AI 理解你的程度」百分比实时展示
概览与报告：日/周/双周/月/季视图、TIR/TAR/TBR、八点血糖、每日聚合
数据导入：支持鱼跃安耐糖等 CGM 导出的 CSV / Excel（血糖 + 事件双 sheet），自动回填学习配对

技术栈

后端：FastAPI + SQLite，可插拔 LLM（默认规则引擎，支持任意 OpenAI 兼容接口）
前端：原生 HTML/CSS/JS 单页应用，hash 路由，iPhone 尺寸容器，手写 SVG 图表引擎
模型：生理启发式血糖响应模型 + 分层归因在线学习（Robbins-Monro 学习率衰减）

快速开始

python -m venv .venv
.venv\Scripts\pip install -r requirements.txt   # Windows
.venv\Scripts\python -m backend.main            # 启动，访问 http://127.0.0.1:8000

可选环境变量：

变量	说明
`GLUCOAI_DB`	SQLite 路径（默认 `data/glucoai.db`）
`GLUCOAI_DEMO_MODE=1`	演示模式（样例数据 + 虚拟时钟）
`GLUCOAI_LLM_PROVIDER`	`none`（默认）/ `openai` 兼容接口
`GLUCOAI_LLM_API_KEY`	LLM API Key

校验工具

.venv\Scripts\python -m tools.smoke_api     # API 冒烟（临时库）
.venv\Scripts\python -m tools.verify_demo   # 演示锚点校验（务必配合 GLUCOAI_DB 临时库）

目录结构

backend/    FastAPI 应用：routers / agents（Food/Prediction/Memory/Intervention）/ core（模型与食物库）
frontend/   单页应用：css 设计令牌 + js 页面模块 + assets
tools/      冒烟测试、演示校验、学习参数标定
docs/       截图归档

隐私说明

个人血糖数据（xlsx 导出、SQLite、上传照片）均不入库，已在 .gitignore 中排除。

test

xkj1615242125 — Sun, 09 Aug 2026 04:10:00 GMT

English | 简体中文 | 日本語 | 한국어

KnowledgeMapNotes

KnowledgeMapNotes is a knowledge-graph-based note system. It converts TXT, Markdown, and PDF documents into knowledge graphs and provides HybridRAG question answering using vector retrieval, entity relationships, and graph community information.

The project includes a Vue 3 web interface and a FastAPI backend. It supports incremental document updates, per-chunk processing progress, paginated communities for large graphs, streaming answers, and runtime AI configuration.

Demo

https://github.com/user-attachments/assets/5e9e6ffd-4e18-4915-b3a4-85198eb8bb0f

Features

Multi-format document processing: Supports .txt, .md, and .pdf; PDF images can optionally be extracted with a vision model.
Knowledge graph construction: Automatically extracts entities and relationships, calculates relationship weights, and performs knowledge fusion.
Configurable processing prompts: Provides general, story, and custom note types. Custom types can edit prompts for entity extraction, relationship extraction, and knowledge fusion independently.
Reliable file updates: Completed files with the same name can be updated incrementally. Residual data from a previously failed file is cleared before a complete retry.
Processing progress: Displays upload, processing, incremental update, completion, and failure states, including chunk count, percentage, time per chunk, and estimated remaining time.
HybridRAG Q&A: Combines vector retrieval, entity recognition, and graph communities. Supports regular and SSE streaming responses, stopping generation, and conversation history.
Graph visualization: Supports node and relationship search, highlighting, edge weights, Louvain community overviews, and detail pages for large graphs.
Readable graph layout: Uses static ForceAtlas2 for graph generation and redraws. Isolated nodes are placed around the relational graph, while coordinate scaling and collision resolution reduce overlap.
Knowledge base management: Search and filter files, preview or download originals, inspect primary entities, delete files, and clear RAG history separately.
Source evidence navigation: Click a node or relationship to jump to its source chunk. Layered highlighting distinguishes the source chunk, current entities/relationships, other entities/relationships, and relationship descriptions.
Document workflow: Preview documents by default, inspect source, edit rich text, save drafts, browse document history, restore versions, apply incremental updates, and redraw graphs automatically.
Unified history restore: Graph history stores document snapshots as well. Restoring a graph also restores its document, and document, incremental, and graph operations can be rolled back together.
Themes and readability: Default, dark, blue, and eye-care themes share coordinated colors for text, panels, code blocks, draft notices, and evidence highlighting.
Resumable processing: Graph construction saves checkpoints per text chunk, allowing tasks to pause and continue from the last completed chunk.
Automatic AI failover: If the primary AI request fails or returns invalid JSON, the current chunk is retried with the fallback AI configuration.
Portable graph packages: Export completed files as .kmn.zip packages containing the original document, graph pages, processing status, and RAG history. Drop the package into another instance to restore it without rerunning AI processing.
Built-in examples: Every completed package in backend/default_examples is imported on first deployment without requiring a text AI.
Flexible workspace: The source document, knowledge graph, and RAG panels can be viewed side by side, hidden, or resized.
Runtime AI settings: The backend can start without a text-model Base URL or API key. Configure, test, and save the connection from the web interface after startup.
Single-process deployment: FastAPI can serve frontend/dist, so the complete web application can run from the backend process after the frontend is built.

Recent Updates

The backend can start without a configured text model and now directs model-dependent operations to the web settings.
AI settings include a connection test that does not save the submitted configuration and reports request latency.
Added custom note types and a three-stage prompt editor with the general prompts loaded by default.
Fixed failed reuploads incorrectly starting incremental updates; failed-task remnants are cleared before retrying.
Strengthened frontend content security: raw Markdown HTML is disabled, output is sanitized with DOMPurify, external links use safe attributes, and file path parameters are encoded consistently.
Updated frontend dependencies and replaced the legacy SVG loading solution; npm audit currently reports no known vulnerabilities.
Added backend static frontend hosting, SPA route fallback, and /api prefix compatibility.
Added document preview, source, and rich-text modes, draft saving, version restore, incremental file updates, and automatic graph redraws.
Graph history now stores graph and document snapshots together.
Reworked the four themes with softer color scales and coordinated highlighting.

Planned Improvements

Add a cross-note overview graph for discovering shared knowledge and topic relationships.
Improve lazy loading, loading skeletons, and segmented rendering for very large documents.
Add user-configurable theme colors and font density.

Technology Stack

Area	Technology
Backend	FastAPI, OpenAI Python SDK, ChromaDB, SentenceTransformers
Graph	NetworkX, PyVis, Louvain Community Detection
Frontend	Vue 3, Vite, Element Plus, Axios
Content rendering	Markdown-It, DOMPurify
Deployment	FastAPI static hosting, Docker Compose, Nginx

Documentation Site

An independent VitePress documentation site is available in docs-site/. It covers setup, core workflows, deployment, security, environment variables, HTTP APIs, and troubleshooting, with local search, dark mode, and responsive navigation.

cd docs-site
npm install
npm run dev

Open http://localhost:5173. Run npm run build for a production build; static output is written to docs-site/docs/.vitepress/dist.

Quick Start

Requirements

Python 3.10+
Node.js 18+ for frontend builds or development
A text-model API for graph construction and RAG; it does not have to be configured before the backend starts
An optional CUDA GPU; use DEVICE=cpu in CPU-only environments

The first startup loads embedding and reranking models and therefore requires disk space. An internet connection is also required when downloading models from Hugging Face.

On the first deployment, every .kmn.zip package in backend/default_examples is imported automatically in filename order. This does not call the text AI or overwrite data with the same name. A damaged package is skipped without blocking the remaining packages or backend startup. Set DEFAULT_EXAMPLES_ENABLED=False in backend/.env to start with an empty instance.

1. Clone the Repository

git clone https://github.com/Xikcn/KnowledgeMapNotes.git
cd KnowledgeMapNotes

2. Create the Backend Configuration

cp backend/.env.example backend/.env

Do not commit backend/.env when it contains real credentials.

The text-model fields may remain empty. After startup, open Settings -> AI Model Settings in the web interface, enter the Base URL, API key, and model name, test the connection, and then save it.

Example configuration for a CPU environment with online model loading:

# Prompt version: v1 is faster; v2 is slower but produces better results
PROMPTVISION=v1

# OpenAI-compatible text model; these fields may be configured in the UI
BASE_URL=
API_KEY=
MODEL_NAME=
TEMPERATURE=0
ENABLE_THINKING=False
AI_MAX_OUTPUT_TOKENS=8192
AI_MAX_OUTPUT_PARAMETER=max_tokens
RELATION_TEXT_BATCH_CHARS=2000
RELATION_SOURCE_BATCH_SIZE=20
RELATION_MAX_SPLIT_DEPTH=10
FALLBACK_ENABLED=False
FALLBACK_BASE_URL=
FALLBACK_API_KEY=
FALLBACK_MODEL_NAME=
DEFAULT_EXAMPLES_ENABLED=True

# Optional PDF image recognition
VL_API_KEY=
VL_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
VL_MODEL=qwen-vl-max-latest

# Embedding, reranking, and tokenizer models
IS_USE_LOCAL=False
EMBEDDINGS=BAAI/bge-base-zh
EMBEDDINGS_PATH=/absolute/path/to/bge-base-zh
RERANK_MODEL=BAAI/bge-reranker-base
# Optional local GPT-4/cl100k tokenizer directory; Docker downloads it automatically
CL100K_BASE_PATH=
DEVICE=cpu

# Text splitters
SIMPLE=[txt,pdf]
SEMANTIC=[]
CHARACTER=[md]

# Runtime data directories, relative to backend/
CHROMADB_PATH=./chroma_data
UPLOAD_FOLDER=uploads
TXT_FOLDER=txt_files
RESULT_FOLDER=results

SIMPLE, SEMANTIC, and CHARACTER accept comma-separated extensions in forms such as [txt,pdf] or txt,pdf. An extension should appear in only one splitter. Unmatched extensions use the default splitter.

To use a local embedding model, set IS_USE_LOCAL=True and point EMBEDDINGS_PATH to the model directory. The current PDF processor uses qwen-vl-max-latest; VL_MODEL is reserved and changing it does not currently switch the vision model.

For an offline text splitter, download the GPT-4/cl100k tokenizer from ModelScope and set CL100K_BASE_PATH to that directory:

modelscope download Xenova/gpt-4 --local_dir /absolute/path/to/cl100k_base

Other optional environment variables:

Variable	Default	Description
`HOST`	`0.0.0.0`	Backend listen address
`PORT`	`8000`	Backend listen port
`FRONTEND_DIST`	`<project>/frontend/dist`	Frontend build directory; use an absolute path when overriding it
`RAG_WORKER_COUNT`	`4`	RAG thread-pool size
`CORS_ALLOW_ORIGINS`	`*`	Allowed origins, separated by commas

3. Install Backend Dependencies

With standard venv:

python -m venv .venv
source .venv/bin/activate
pip install -r backend/requirements.txt

Or with uv:

uv venv
source .venv/bin/activate
uv pip install -r backend/requirements.txt

On Windows PowerShell, activate the environment with:

.venv\Scripts\Activate.ps1

4. Choose a Run Mode

Option A: Serve the Built Frontend from FastAPI

Recommended for daily use and single-machine deployments:

cd frontend
npm ci
npm run build
cd ../backend
python main.py

Web interface: http://localhost:8000
API documentation: http://localhost:8000/docs
Health check: http://localhost:8000/health

The backend mounts frontend/dist automatically. If it is missing, the API still starts and logs a message asking you to run npm run build.

Option B: Frontend and Backend Development Servers

Terminal 1:

cd backend
python main.py

Terminal 2:

cd frontend
npm ci
npm run dev

Open http://localhost:8080. Vite proxies browser requests under /api to http://127.0.0.1:8000.

When the frontend and backend are not behind the same site, set the frontend API address:

VITE_API_BASE_URL=http://localhost:8000

Docker Deployment

Create and review backend/.env, then run from the repository root:

docker compose up --build

To run in the background:

docker compose up -d --build

Docker Compose uses a separate Nginx frontend container:

Web interface: http://localhost:8080
Backend API: http://localhost:8000
API documentation: http://localhost:8000/docs

The backend image downloads BAAI/bge-base-zh, BAAI/bge-reranker-base, and the GPT-4/cl100k tokenizer from ModelScope, so the first build can take some time. Compose mounts backend/ at /app; runtime data is stored on the host under backend/uploads, backend/txt_files, backend/results, and backend/chroma_data.

To use the models preloaded in the image:

IS_USE_LOCAL=True
EMBEDDINGS_PATH=/app/models/bge-base-zh
RERANK_MODEL=/app/models/bge-reranker-base
CL100K_BASE_PATH=/opt/models/cl100k_base

Security

The project does not include built-in user login or API authentication. Do not expose the backend port directly to an untrusted public network.

For local-only use, set HOST=127.0.0.1.
For LAN or public deployment, use an authenticated HTTPS reverse proxy.
Restrict CORS_ALLOW_ORIGINS to the actual frontend origins instead of using a wildcard publicly.
Do not commit backend/.env, logs, uploaded files, or knowledge-base data.
The AI connection test sends only a fixed minimal message and never sends uploaded document content.

Usage

Configure an AI Model

Start the application and open the settings panel.
Enter the Base URL, API key, and model name of an OpenAI-compatible service.
Configure temperature and thinking mode as supported by the service.
Select Test Connection. The test sends a minimal request without saving the configuration.
After the test succeeds, select Save AI Configuration. New graph extraction and RAG requests use it immediately.

Runtime settings are stored only in backend memory and are reloaded from backend/.env after a restart. The backend returns only whether an API key exists and a masked hint, never the complete key. Leave the key field empty to retain an existing key during a save or test.

Select a Note Type

General: Uses the general processing template for the active prompt version.
Story: Uses graph-processing prompts designed for narrative content.
Custom: Allows independent prompts for entity extraction, relationship extraction, and knowledge fusion.

The general prompts initialize a custom type the first time it is selected. Restoring general prompts reloads the templates for the active PROMPTVISION. Each custom prompt is limited to 30,000 characters, stored in browser local storage, and submitted with uploads without changing server templates.

Upload and Reprocess Files

Select a note type; enable PDF image recognition when processing scanned PDFs or image content.
Click or drag a .txt, .md, or .pdf file into the upload area.
Follow the processing state and chunk progress in the file list.
Select the completed file to open the result workspace.

Use the file context menu to pause processing. The backend stops after finishing and checkpointing the current chunk. Resume later without repeating completed AI requests.

For files with the same name:

A file with complete text, knowledge-base, and graph data can be updated incrementally.
A previously failed file is fully rebuilt after residual text, graph, and knowledge-base records are removed.
A completed file can be exported as .kmn.zip from its context menu and restored by dropping it into another instance.
Incomplete data always triggers a full rebuild.

View Results

The result workspace contains three panels:

Source file: Switch between Markdown preview and source, copy content, or download the file.
Knowledge graph: Browse nodes, relationships, and weights; large graphs provide community overview and detail pages.
RAG Q&A: Ask questions about the current file, use streaming output and history, or stop an active response.

On desktop, drag the file-list boundary and panel dividers. Panels can also be shown or hidden from the tabs at the top.

Manage Files and History

For a completed file, you can delete its upload, converted text, graph, and knowledge-base data, or clear only its RAG history. Chat history stored in browser local storage is cleared together with the corresponding delete operation.

Relationship Weights and Retrieval

Relationship weights range from 0 to 1 and describe importance in the current context. Edge thickness represents this value.

Parameter	Default	Description
`top_k`	`1`	Number of vector retrieval results
`weight_threshold`	`0.3`	Minimum relationship weight used for Q&A
`max_relations`	`20`	Maximum number of relationships used

API Overview

See /docs on a running backend for complete request and response schemas. The listed routes can be called directly and also support an /api prefix through the built frontend, Vite, or Nginx.

Method	Path	Description
`GET`	`/health`	Health check
`GET`	`/ai-settings`	Read text-model settings without exposing the complete API key
`PUT`	`/ai-settings`	Update text-model settings for the current process
`POST`	`/ai-settings/test`	Test submitted settings without saving them
`GET`	`/processing-prompts/defaults`	Read the current general three-stage processing prompts
`POST`	`/upload`	Upload a document for full processing or an incremental update
`GET`	`/export-package/{filename}`	Download a portable document and graph package
`GET`	`/processing-status/{filename}`	Read state, chunk progress, and estimated remaining time
`POST`	`/pause-processing/{filename}`	Pause after the current chunk finishes
`POST`	`/resume-processing/{filename}`	Resume from the saved checkpoint
`GET`	`/list-files`	List knowledge-base files
`GET`	`/file-content/{filename}`	Read converted text
`GET`	`/file-entities/{filename}?count=5`	Read primary entities
`GET`	`/result/{filename}`	Read the graph home page
`GET`	`/result-page/{graph_name}/{page_name}`	Read a graph home or community detail page
`DELETE`	`/delete/{filename}`	Delete a file and its related data
`DELETE`	`/rag-history/{filename}`	Clear RAG history for a file
`POST`	`/create_session`	Create a Q&A session
`POST`	`/hybridrag`	Run non-streaming HybridRAG Q&A
`POST`	`/hybridrag/stream`	Run SSE streaming HybridRAG Q&A
`GET`	`/session_status/{session_id}`	Read session state and queue length
`DELETE`	`/session/{session_id}`	Delete an idle session

POST /upload uses multipart/form-data:

Field	Required	Description
`file`	Yes	A `.txt`, `.md`, or `.pdf` file
`noteType`	No	`general`, `story`, or `custom`; defaults to `general`
`use_img2txt`	No	Whether to recognize PDF image content
`entityPrompt`	Optional for custom	Entity extraction prompt; empty uses the general template
`relationshipPrompt`	Optional for custom	Relationship extraction prompt; empty uses the general template
`fusionPrompt`	Optional for custom	Knowledge fusion prompt; empty uses the general template

HybridRAG request example:

{
  "request": "What are the main ideas in this document?",
  "filename": "example.pdf",
  "flow": true,
  "top_k": 3,
  "weight_threshold": 0.3,
  "max_relations": 20,
  "messages": [],
  "session_id": null
}

Data and Directories

KnowledgeMapNotes/
├── backend/
│   ├── main.py                    # FastAPI application entry point
│   ├── KnowledgeGraphManager/     # Graph construction, fusion, and visualization
│   ├── LLM/                       # Model calls and RAG output processing
│   ├── OmniStore/                 # ChromaDB and knowledge-base storage
│   ├── OmniText/                  # PDF and Markdown text extraction
│   ├── TextSlicer/                # Text splitters
│   ├── embedding_tools/           # Embedding and reranking tools
│   ├── prompt/                    # v1/v2 prompt templates
│   ├── uploads/                   # Uploaded source files
│   ├── txt_files/                 # Converted text files
│   ├── results/<document>/        # Graph home and community pages
│   └── chroma_data/               # Persistent ChromaDB data
└── frontend/
    ├── src/                       # Vue 3 application source
    ├── dist/                      # Output generated by npm run build
    ├── vite.config.js             # Development server and API proxy
    └── nginx.conf                 # Docker frontend reverse proxy

uploads, txt_files, results, and chroma_data form one related runtime data set. Keep them consistent when migrating, restoring, or backing up a knowledge base.

Douyin Chat JSON to TXT

The repository includes a helper for JSON exported by douyin-chat-export:

python "backend/validation/将抖音聊天转txt.py" chat.json chat.txt

Without the second argument it writes result.txt in the current directory. It can also read standard input:

python "backend/validation/将抖音聊天转txt.py" < chat.json

The script retains normal messages (type=0, excluding [系统消息]) and type=24 messages and writes one accountName:content entry per line. The resulting TXT file can be uploaded directly.

FAQ

Can the backend start without a Base URL and API key?

Yes. Configure the text model later in the web settings. Model-dependent upload and RAG endpoints return 503 with a clear message until configuration is complete.

Why can I access the API but not the web interface?

Run npm run build in frontend/ and confirm that frontend/dist/index.html exists. Set FRONTEND_DIST when using a custom build directory. The backend startup log reports the mounted path or explains that it is missing.

Why are prompts or `.env` not found when the backend starts?

Prompt and runtime paths are relative to backend/. Start the application from that directory:

cd backend
python main.py

You can also run uvicorn main:app --host 0.0.0.0 --port 8000 from the same directory.

The AI connection test succeeded. Why did the configuration disappear after restart?

Settings saved in the web interface apply only to the current backend process. Add them to backend/.env and restart the backend to persist them.

Does reuploading a failed file perform an incremental update?

No. Failed-file remnants are removed before a complete rebuild. Incremental updates are offered only when the knowledge base, converted text, and graph are all complete.

How do I use a local embedding model?

Set IS_USE_LOCAL=True and point EMBEDDINGS_PATH to the local model directory. DEVICE=cuda requires a PyTorch build compatible with the installed CUDA version; otherwise use DEVICE=cpu.

Why was image content not recognized in a scanned PDF?

Enable PDF image recognition in the web settings and verify VL_API_KEY and VL_BASE_URL. Text-only PDFs normally do not require this option.

Why does a large graph open multiple pages?

When Louvain finds multiple communities and at least one reaches the pagination threshold, the system generates a cross-community overview and detail pages for larger communities. By default, detail pages are generated for communities with at least 20 nodes. Set GRAPH_COMMUNITY_MIN_SIZE=1 in backend/.env and regenerate the graph to create detail pages for every community; increase it to reduce the number of pages.

Why did changes to `.env` not take effect?

Environment variables are loaded when the backend starts. Restart the backend after editing the file. With Docker, run docker compose restart backend.

Roadmap

Supplement local graph answers with online knowledge when needed.
Improve text chunking and vector/triple fusion.
Add note fact-checking, review tests, and explanatory video generation.
Improve private-data redaction and restoration workflows.

License

This project is open source under the GNU AGPL-3.0 in a dual-license model.

Use case	Fee	Requirement
Personal learning, research, and non-commercial use	Free	Comply with AGPL-3.0, publish modifications, and retain copyright notices
Derivative work in an open-source project	Free	The derivative work must be released under AGPL-3.0
Internal enterprise tool without distribution	Free	Comply with AGPL-3.0
Closed-source commercial use or packaged sales	Commercial license required	AGPL-3.0 does not permit closed-source distribution
SaaS or network service without source disclosure	Commercial license required	AGPL-3.0 requires source availability for network users
Integration into proprietary software for redistribution	Commercial license required	Incompatible with AGPL-3.0 copyleft requirements

In short: personal and open-source use is free. For closed-source sales or SaaS operation without source disclosure, purchase a commercial license.

Commercial licensing

To obtain a commercial license that is not subject to AGPL-3.0 requirements, contact:

QQ: 1615242125
WeChat: XKJ1615242125

See LICENSE for the full AGPL-3.0 text and COMMERCIAL-LICENSE.md for the dual-license notice.

neon-sokoban

AAAstone — Sat, 08 Aug 2026 05:47:36 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/AAAstone/neon-sokoban.git

StratHub

FAN16205 — Fri, 07 Aug 2026 18:17:40 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/FAN16205/StratHub.git

HomeChem Agent｜居家环保卫士

w2312323112321 — Fri, 07 Aug 2026 06:51:36 GMT

HomeChem 是面向普通家庭的 AI 化学安全体检与长期陪伴 Agent：通过对话、语音、图片和家庭场景信息，建立家庭风险图谱，并持续生成可执行的安全建议、整改任务与复查档案。

HomeChem Agent

家庭化学品安全体检与长期陪伴 Agent
从“识别一件化学品”升级为“持续理解并管理整个家庭的化学安全关系”。

1. 项目简介

HomeChem Agent 是一个面向普通家庭的 AI 化学品安全评估与长期管理系统。

项目通过 自然语言/语音问卷、按房间巡检、产品拍照识别、检测数据录入、知识图谱、家庭综合报告、行动清单、长期档案与家庭问答 等能力，将零散的家庭化学品信息组织为：

成员 → 房间 → 物品 → 化学物质/风险 → 暴露路径 → 整改行动

从而回答普通家庭真正关心的问题：

家里有哪些需要重点保护的人？
哪些化学品放置位置不合适？
哪些产品不能混用？
儿童或宠物可能通过什么方式接触？
使用喷雾或消毒剂时应该怎么通风？
家里现在最应该先改什么？
已经完成的整改是否被系统记录？
新增、移动或更换产品以后，家庭风险是否发生变化？

HomeChem 的目标不是给出一次性的“危险/安全”判断，而是形成一个可以持续更新的 家庭化学安全档案与陪伴式 Agent。

2. 赛题方向

居家环保卫士——家庭化学品安全评估 Agent

HomeChem 重点覆盖以下四项赛题能力：

赛题能力	HomeChem 实现方式
语音生成问卷答案	Qwen-ASR 语音转写 + 用户确认 + 结构化保存
问卷生成报告	问卷、巡检、产品识别、检测记录统一汇总生成家庭报告
知识图谱多维解读	成员、房间、物品、物质、暴露路径、行动关系建模
家庭长期陪伴	库存、提醒、整改、复查、报告版本、统一时间线

3. 核心产品定位

一句话介绍

与普通拍照识别的区别

普通图片识别通常回答：

“这是什么产品？”

HomeChem 进一步回答：

“这个产品放在哪里？”
“家里谁可能接触？”
“是否和其他产品存在混用风险？”
“可能通过什么路径暴露？”
“现在最应该先改什么？”
“整改完成后家庭状态有没有变化？”

因此，拍照识别只是家庭体检中的一个证据入口，而不是最终产品。

4. 功能总览

当前家庭端主要包含 6 个页面入口：

首页
家庭体检
家庭图谱
行动与档案
家庭问答
我的

5. 核心功能

5.1 首页

首页用于展示当前家庭安全概览，包括：

当前家庭档案
体检覆盖度
已登记产品
待处理行动
最近提醒
快速开始家庭体检
快速识别单个产品
紧急求助入口

首页强调“当前已检查范围”，避免将未检查区域误判为安全。

5.2 对话式家庭体检

家庭体检采用“一次只问一个问题”的方式，降低复杂表单的填写门槛。

当前问卷围绕以下内容展开：

家庭长期居住成员
清洁剂、消毒剂、杀虫剂等通常存放在哪些房间
存放位置是否有锁、是否处于儿童/宠物可接触范围
是否存在清洁剂、消毒剂、洁厕剂等混合或连续使用习惯
使用喷雾、消毒剂或强清洁剂时是否通风
产品是否保留原包装和完整标签
用户当前最担心的问题

系统同时保存：

用户原始回答
结构化结果
用户确认状态

避免模型整理后丢失原意。

5.3 语音转文字

家庭问卷支持浏览器录音。

推荐模型：

AUDIO_MODEL=qwen3-asr-flash

流程：

录音
→ 点击“将录音转成文字”
→ 调用语音识别模型
→ 自动填入回答框
→ 用户核对
→ 保存并继续

设计原则：

原始录音默认不写入家庭数据库
只长期保存用户确认后的文字
语音失败时仍可使用文字输入
不使用固定答案伪装真实转写

5.4 按房间巡检

支持按真实家庭空间记录化学品场景，例如：

厨房
卫生间
阳台
客厅
卧室
儿童活动区域
储物区

每条巡检记录可以包含：

房间
物品
存放位置
使用习惯
儿童/宠物接触情况
通风条件
备注
可选图片信息

系统将房间巡检用于后续：

家庭图谱
家庭报告
风险排序
行动清单
家庭问答

5.5 产品快速识别

支持对家庭化学品进行多图片识别。

推荐上传：

产品正面
产品背面/成分表
警示语
使用说明
条形码区域

所有照片均为可选，不要求一次性补齐。

多视角识别能力

系统支持：

正面与背标联合分析
横向背标自动旋转
视觉模型识别
OCR 文字提取
条形码候选
多字段融合
同一产品多图合并
重复图片检测
不同产品混入检查
产品候选匹配
从 OCR 原文恢复产品名称、成分、用途、警示等字段

目标不是“看一张图猜商品”，而是尽可能建立字段级证据。

5.6 单品详细安全分析

单个产品分析不仅输出名称和标签摘要，还会生成完整安全说明。

报告可包括：

产品类别
常见用途
当前图片/文字已经确认的信息
该类产品常见配方构成
主要暴露路径
正确使用步骤
通风要求
个体防护
儿童注意事项
老人注意事项
孕妇注意事项
宠物注意事项
存放建议
明确禁止操作
意外接触处理原则
泄漏与废弃
标签核对清单

系统会尽量提供有用的类别知识，但不会把没有从标签确认的具体浓度、成分或认证伪装为该商品事实。

5.7 家庭化学安全图谱 V2

最新版本采用清晰的五层家庭安全图谱：

家庭成员
   ↓
家庭空间
   ↓
家庭物品
   ↓
风险 / 化学物质
   ↓
暴露路径

图谱节点

主要包括：

家庭
成人
儿童
老人
孕妇
宠物
厨房
卫生间
阳台
客厅
卧室
化学产品
化学物质
风险类别
暴露路径
整改行动

图谱主要关系

包括：

存放于
使用于
含有/标注
可能暴露
不相容
需要整改

展示模式

家庭图谱提供适合比赛演示的简化视图：

家庭总览
重点风险
儿童与宠物
化学品混用

原始完整关系仍可在技术核对区域查看。

5.8 家庭综合报告

家庭报告不是单品报告的简单拼接。

系统综合：

家庭问卷
房间巡检
产品评测
家庭库存
检测数据
整改状态
家庭成员
风险规则

形成家庭级报告。

报告主要结构

家庭总体结论
最需要关注的成员
结果依据
最优先处理的三件事
重点问题
家庭成员保护建议
厨房建议
卫生间建议
阳台建议
卧室/客厅建议
混用风险
存放管理
通风管理
儿童和宠物管理
应急处理原则
今日行动计划
7 天行动计划
30 天复查计划
使用边界说明

家庭综合报告按版本保存，不覆盖历史报告。

5.9 行动与档案

HomeChem 将安全建议转化为长期任务，而不是“评完即结束”。

管理内容包括：

家庭库存

记录：

产品
房间
数量
包装
标签
到期时间
儿童可接触状态
家庭备注

整改任务

包括：

行动内容
优先级
状态
期限
完成时间
整改证据
复核结果

时间线

统一记录：

首次家庭体检
→ 新增产品
→ 修改位置
→ 产品评测
→ 创建行动
→ 完成整改
→ 复查
→ 新报告版本

5.10 家庭问答

家庭问答采用多路由机制。

1. 家庭事实问题

例如：

我家有宠物吗？
家里现在有什么？
哪些房间已经检查？

直接读取本地家庭档案。

2. 家庭行动问题

例如：

我现在最先要改什么？
厨房最需要注意什么？

根据家庭风险和当前行动排序回答。

3. 化学品知识问题

例如：

酒精和84消毒液能一起用吗？
洁厕剂应该怎么存放？
杀菌喷雾使用时注意什么？

优先查询本地知识库与风险规则。

4. 普通问题

在线模型默认使用流式输出，尽快返回首段文本。

5. 时效性问题

新闻、天气、价格、政策等问题才启用网页搜索，避免每次查询都等待联网检索。

5.11 紧急求助

对于疑似急性危险场景，系统使用独立紧急入口。

例如：

误把84消毒液和洁厕剂混在一起
闻到很刺激的气味
化学品进入眼睛
儿童误食清洁剂

紧急流程优先展示安全行动，而不是继续普通长篇产品评测。

HomeChem 不替代医疗、消防、毒物咨询或实验室检测。

6. 产品亮点

6.1 从“单品识别”升级到“家庭级关系建模”

传统产品识别关注：

产品是什么

HomeChem 关注：

谁
+
在哪里
+
什么产品
+
什么物质
+
什么暴露路径
+
应该采取什么行动

6.2 低门槛多模态输入

支持：

自然语言
语音
图片
多视角图片
房间巡检
检测数据
家庭历史档案

普通家庭不需要理解复杂化学字段。

6.3 确定性安全规则 + 大模型解释

关键安全底线不完全依赖语言模型自由生成。

强制规则可覆盖：

不相容化学品
易燃品靠近火源
非原包装分装
儿童可触及
化学品靠近食品
危险连续使用习惯

语言模型主要承担：

理解
追问
结构化
解释
长篇报告生成

6.4 证据治理与可追溯

结构化字段保留：

候选值
来源
原始文本
冲突
选择理由
用户确认

风险评估保留：

规则命中
输入分值
证据来源
最终策略
版本

6.5 长篇可执行报告

系统不是只返回：

低风险 / 中风险 / 高风险

而是重点回答：

为什么
谁需要保护
应该怎么做
什么不能做
先做哪三件事
以后怎么复查

6.6 长期陪伴闭环

一次家庭体检只是起点。

产品新增、移动、破损、过期、整改或复查后：

更新家庭档案
→ 更新图谱
→ 更新风险
→ 更新行动
→ 生成新报告版本
→ 保留历史时间线

7. 技术架构

HomeChem 采用分层架构。

┌───────────────────────────────────────────────┐
│                交互与应用层                  │
│ Streamlit 家庭端 / FastAPI / 移动端扩展入口 │
└───────────────────────┬───────────────────────┘
                        ↓
┌───────────────────────────────────────────────┐
│                  Agent 编排层                 │
│ LangGraph / 会话状态 / 路由 / 工作流         │
└───────────────────────┬───────────────────────┘
                        ↓
┌───────────────────────────────────────────────┐
│                 多模态感知层                  │
│ Qwen-VL / OCR / 条形码 / Qwen-ASR            │
└───────────────────────┬───────────────────────┘
                        ↓
┌───────────────────────────────────────────────┐
│                 可信推理层                    │
│ 字段融合 / 强制安全规则 / 风险门控           │
└───────────────────────┬───────────────────────┘
                        ↓
┌───────────────────────────────────────────────┐
│                 知识与服务层                  │
│ 本地 RAG / 化学知识 / 产品模板 / 图谱 / 报告 │
└───────────────────────┬───────────────────────┘
                        ↓
┌───────────────────────────────────────────────┐
│                  数据与安全层                 │
│ SQLite / SQLAlchemy / 版本 / 时间线 / 审计   │
└───────────────────────────────────────────────┘

8. 技术栈

层级	主要技术
家庭端	Streamlit
API	FastAPI / Uvicorn
Agent	LangGraph
视觉理解	Qwen-VL 系列，可配置
文本模型	Qwen 系列，可配置
语音识别	Qwen3-ASR-Flash
图像处理	Pillow
OCR	可配置 OCR 服务
条码	可选 zxing-cpp
本地知识	RAG / 规则库
化学实体	本地知识 + 可选 PubChem
数据库	SQLite / SQLAlchemy
云端扩展	PostgreSQL
部署	Windows 11 / Docker Compose

9. Agent 工作流

典型产品识别工作流：

图片输入
→ 图片质量判断
→ 多视角选择
→ OCR / 视觉 / 条码识别
→ 字段融合
→ 产品候选
→ 用户确认
→ 证据核验
→ 风险规则
→ 产品安全报告
→ 家庭档案写入
→ 图谱更新
→ 行动更新

家庭体检工作流：

建立家庭档案
→ 对话式问卷
→ 房间巡检
→ 产品/检测证据
→ 家庭关系建模
→ 风险推理
→ 家庭综合报告
→ 整改任务
→ 长期时间线
→ 复查

10. 风险引擎

系统采用两层风险策略。

第一层：强制安全规则

明确危险场景优先处理，例如：

不相容产品
易燃品靠近火源
化学品装入饮料瓶
腐蚀性产品儿童可触及
化学品靠近食品
高风险混用

第二层：普通风险排序

用于普通家庭场景下的问题排序与行动优先级。

风险评分主要考虑：

固有危害
暴露情况
家庭脆弱成员

信息不完整不会被用来把潜在危险自动降级为安全。

11. 本地知识资产

项目当前内置知识资产包括：

150 条本地知识条目
60 种化学物质实体
50 个产品模板
40 条混用禁忌
30 条存放规则
20 条环境相关规则

这些数据用于：

本地家庭问答
产品候选
类别常识
风险规则
图谱关系
报告补充

产品模板只用于辅助识别和类别知识，不代表真实商品身份。

12. 工程验证

最新项目版本已完成：

222 项自动化测试
Python 编译检查
数据库迁移检查
家庭问卷流程测试
产品识别契约测试
ASR 流程测试
图谱生成测试
家庭问答路由测试
数据库完整性检查
ZIP 发布完整性检查

说明：

自动化测试通过不等同于真实世界产品识别准确率。

真实图片准确率、专家一致性和家庭试点效果需要使用授权真实数据独立验证后再公布。

13. 隐私与数据安全

本地模式

家庭端默认：

Streamlit + SQLite

主要家庭档案保存在用户当前电脑。

隐私设计

项目支持或预留：

图片格式与大小验证
MIME 校验
EXIF / GPS 清理
随机对象名
权限控制
数据导出
图片删除
家庭删除
账号删除
审计记录
提示词注入筛查
演示数据与真实数据隔离

14. 环境要求

15. Windows 11 安装与运行

15.1 创建虚拟环境

PowerShell：

python -m venv .venv

激活：

.\.venv\Scripts\Activate.ps1

如使用 Conda：

conda create -n homechem python=3.11
conda activate homechem

15.2 安装依赖

python -m pip install --upgrade pip
pip install -r requirements.txt

15.3 配置环境变量

复制：

Copy-Item .env.example .env

然后编辑 .env。

常用配置示例：

DASHSCOPE_API_KEY=你的百炼API_Key

TEXT_MODEL=你的文本模型
VISION_MODEL=你的视觉模型

AUDIO_MODEL=qwen3-asr-flash
AUDIO_LANGUAGE=zh
AUDIO_ENABLE_ITN=true

ENABLE_ONLINE_GENERAL_QA=true
ENABLE_WEB_SEARCH=true
FORCE_WEB_SEARCH=false
WEB_SEARCH_STRATEGY=turbo

请不要把真实 API Key 提交到 Git 仓库。

15.4 启动家庭端

streamlit run app.py

浏览器打开：

http://localhost:8501

16. 推荐演示流程

比赛视频或现场展示建议按以下顺序：

首页
→ 家庭体检
→ 语音回答家庭成员
→ 房间巡检
→ 上传家庭化学品正反照片
→ 查看产品长篇安全分析
→ 加入家庭库存
→ 查看家庭安全图谱 V2
→ 生成家庭综合报告
→ 创建整改任务
→ 完成一项整改
→ 查看时间线
→ 家庭问答
→ 紧急求助

17. 推荐演示家庭案例

可以使用统一演示家庭：

两名成年父母
一名3岁儿童
一只小型宠物犬
无老人
无孕妇

家庭化学用品：

84消毒液
酸性洁厕剂
75%酒精
杀菌除螨喷雾
除霉喷雾
洗洁精
玻璃清洁剂

重点风险：

厨房低位柜无儿童锁
84消毒液与酸性洁厕剂可能连续使用
喷雾后儿童/宠物过早进入
阳台酒精需要关注高温、阳光和火源
存在分装消毒液

18. 家庭问答测试示例

家庭事实：

我家有宠物吗？

家庭管理：

我家现在最应该先改什么？

产品知识：

酒精和84消毒液能一起用吗？

当前家庭产品：

我家的杀菌除螨喷雾对孩子和狗有什么需要注意的？

普通问题：

你能做什么？

时效性问题：

最近有没有新的家庭清洁剂安全新闻？

19. 数据库迁移

项目采用数据库 schema 迁移机制，不直接破坏旧数据库。

如从旧版本升级：

先备份：

data/homechem.db

再运行新版本。

程序会根据当前 schema 执行兼容迁移。

不要在未备份情况下直接删除旧数据库。

20. 主要目录结构

HomeChem-Agent/
│
├─ app.py
│
├─ requirements.txt
├─ .env.example
├─ README.md
│
├─ homechem_agent/
│  ├─ agents/
│  ├─ models/
│  ├─ services/
│  ├─ repositories/
│  ├─ risk/
│  ├─ knowledge/
│  └─ ...
│
├─ data/
│  ├─ homechem.db
│  ├─ knowledge/
│  ├─ product_templates/
│  └─ rules/
│
├─ api/
│  └─ FastAPI 服务
│
├─ docs/
│  ├─ 架构
│  ├─ 数据说明
│  ├─ 模型说明
│  ├─ 隐私安全
│  └─ 部署说明
│
├─ evaluation/
│  ├─ 数据登记
│  ├─ 指标
│  └─ 评测脚本
│
├─ competition/
│  ├─ 演示材料
│  ├─ 路演材料
│  └─ 提交说明
│
└─ tests/
   └─ 自动化测试

具体目录以当前发布压缩包为准。

21. 项目边界

HomeChem 的定位是：

家庭化学安全科普、风险筛查和长期管理工具。

它不能替代：

产品原包装标签
厂家 SDS
医生诊断
药物处方
毒物咨询
消防处置
实验室检测
法规部门正式鉴定

对于疑似紧急危险事件，应优先远离危险源并联系当地专业机构。

22. 真实性说明

项目严格区分：

演示案例
内部合成/契约测试
真实用户数据
真实专家验证

不会将：

预置案例
模型生成数据
内部测试数据

包装成真实家庭、真实专家或真实准确率。

当前可以公开说明的是工程功能和自动化测试结果。

23. 后续规划

下一阶段主要包括：

建立授权真实多视角家庭化学品图片数据集
完成真实图片盲测
引入独立专家审核和规则版本治理
开展真实家庭试点
完善儿童、老人、孕妇、宠物场景
优化家庭图谱交互
增加整改前后图谱差异
增强移动端体验
支持家庭成员共享
支持社区、学校与机构私有部署

24. 项目总结

HomeChem 将：

“识别一件化学品”

升级为：

“理解整个家庭的化学安全关系，并持续推动整改。”

其核心不只是多模态识别，而是将：

家庭档案
+ 对话式体检
+ 多模态证据
+ 风险规则
+ 家庭知识图谱
+ 长篇报告
+ 行动任务
+ 时间线
+ 家庭问答

组合为一个完整的家庭化学安全 Agent 产品。

HomeChem

家庭化学品安全体检与长期陪伴

拍一下 · 问一问 · 管全家

快递面单字段抽取

qingfeng2005 — Fri, 07 Aug 2026 05:18:06 GMT

快递面单关键字段抽取：上传面单图片，自动识别并提取寄收件人信息、地址、运单号等

Clone with HTTP

 git clone https://www.modelscope.cn/studios/qingfeng2005/waybill-ocr-extract.git

小白菜科普内容工厂

RainingoO — Thu, 06 Aug 2026 05:24:11 GMT

小白菜科普内容工厂让内容生产从「人肉作坊」升级为「流水线」，让优质内容能够被更多人看见。对于前沿科技公司的运营同学来讲需要发布很多行业领域的技术推文，但：1.对于专业要求度高，高水平SCI论文全文篇幅长，阅读耗时长；2.论文排版复杂，难以用简单的方式和AI说清楚，识别明白；3.完读率低，专业名称晦涩难懂，拆开来每个字都认识，合起来看不明白；4.输出效率跟不上，文章、技术迭代很快，推文还没生产出来技术已经过期了；5.KPI负担重，单日发布多篇推文工作量非常大……

yougoiwait

maximax — Tue, 04 Aug 2026 06:41:17 GMT

你先走，我来等 · WAIT FOR IT

把「反复回来刷新」变成一张可操作、可分享、可复核的守候卡：用户圈定要等的变化后离开，独立 Agent 继续检查；条件连续成立时，它带着命中前后的证据回来找人，用户仍可驳回误报并继续守候。

当前交付状态

项目	可核验状态
源码	魔搭 `master` 与恢复分支以同一最新提交为准；禁止 force push
当前公网	总控已验收 `5ae88e6`：匿名 root/health 200、跨站 403、桌面/390px/console 与刷新推进通过；本次扣子接力提交仍需重建后才算上线
扣子 Adapter	未配置时显示 `READY_FOR_COZE / local_only`；配置后显示 `COZE_HTTP_CONFIGURED / workflow / contest_minimal`（或 `quota_saver`），UI 同时展示真实 handoff 回执
扣子原生作品	对话项目 `7671898631179649331` 与零模型 Workflow 草稿工程 `7671876657891917867` 已创建；API Workflow ID、发布、网站真实回执和赛道提交证据分开核验，PAT 不进入仓库
用户自有 URL	服务端严格校验 URL、目标与 selector，并生成 `observe_only` 接力包；当前不会请求所填网址
Docker	已在本地真实执行不带 build-arg 的 Linux/amd64 镜像构建、锁定原生 binding 校验、容器 root/health 200 与恶意 Origin 403 复验

30 秒本地体验

打开 http://localhost:4173，点「看 12 秒加速演示」。
滚到守候卡，点「我先走，让 Agent 继续」。
看「已检查 N 次」增长，然后关闭标签页。
十几秒后重新打开：检查次数和轨迹仍在增长，因为定时检查运行在独立服务进程中。
第一次满足只进入「正在复核」；连续复核通过后才会命中。
打开证据查看前后帧、检查编号、条件版本与时间；若不成立，点「这是误报，继续守候」。

已实现的闭环

三个完全自制、确定性的模拟网页：报名开放、库存恢复、同排两张连座；
点击目标定义按钮、文字、数量或相邻座位条件，不要求用户写脚本；
守候、暂停、恢复、立即检查、过期、修改条件、历史轨迹与刷新持久化；
连续复核、前后证据、误报驳回、条件回落后重新武装；
owner/share capability 分权，多访客隔离，同行链接只读；
Agent 仅监听回环地址，浏览器经同源 /api/agent 访问；
CozeAdapter contest_minimal：日常 run.status 留在本地，每任务远端最多创建一次与最终命中一次；需要第三次通知结果时才改用 quota_saver；
额度去重账本随 Agent JSON 持久化，重复点击、进程重启和首次远端失败都不会形成自动重试流量；
用户自有 URL 的可视目标接力包，执行级别固定为 observe_only。

必须如实说明的边界

1× / 4× / 12× 使用的是演示分钟/秒，不是现实时间；
自有模拟页的变化按确定性序列生成，便于评委重复验收；
用户自有 URL 当前只生成接力包，不抓取网页、不验证 selector 是否真实命中；
当前只有站内通知，没有短信、邮件、微信或系统推送；
本地电脑休眠/关机或托管容器休眠期间不会检查，不能声称 7×24；
不购买、不抢座、不报名、不提交表单，不绕过登录、验证码、频率限制或网站规则；
COZE_HTTP_CONFIGURED 和 REMOTE_ACCEPTED 只证明扣子接收结构化事件，不等于云电脑、云手机、7×24、通知送达或自动获得扣子赛道资格。

本地运行与验收

要求 Node.js >=22.13.0。不要提交 .env、.demo-data、outputs 或任何 token。

npm ci
npm run build
npm run typecheck
npm run lint
npm test

启动完整本地体验：

npm run demo
# 浏览器打开 http://localhost:4173

Chrome 端到端验收会启动真实浏览器并写本地证据；详见交接说明中的准确命令。

魔搭 Docker 交付

容器只对外监听 0.0.0.0:7860；内部 Agent 保持 127.0.0.1:4317，状态写入 /mnt/workspace/wait-for-it-data。本仓库的 Docker 默认 Origin 已固定为 https://maximax-yougoiwait.ms.show，因此魔搭标准构建不需要额外 build-arg：

docker build -t wait-for-it .

Docker 依赖层只运行 npm ci：它显式包含 dev/optional 依赖，并立即加载 lightningcss 验证当前 Linux 原生 binding。如 npm 将单个 optional 包下载失败静默降级为成功，它仅按已提交的同一 package-lock.json 有界重试；不使用 npm install、不改写版本。

分叉或本地部署如需使用其他地址，必须在构建和运行时提供同一个真实、无路径、无通配符且无结尾斜杠的纯 Origin：

docker build \
  --build-arg WFI_PUBLIC_ORIGIN=http://127.0.0.1:7860 \
  -t wait-for-it .

docker run --rm -p 7860:7860 \
  -e WFI_PUBLIC_ORIGIN=http://127.0.0.1:7860 \
  -v wait-for-it-data:/mnt/workspace/wait-for-it-data \
  wait-for-it

代码推送本身不等于部署成功。空间所有者仍需在魔搭对远端 master 最新提交执行一次重建，并在状态成功、匿名 root/health 均为 200 后再宣称新源码已上线。完整步骤见部署说明。

文档入口

tminihu

Tminihu — Thu, 30 Jul 2026 15:58:31 GMT

活动策划助手

一句话输入活动需求，AI 帮你完成从策划到视觉的全流程

📖 项目简介

活动策划助手是一款面向运营人员的 AI 智能策划工具。只需输入一句话活动需求，AI 会引导你补全关键信息，自动生成完整的策划方案、KV 主视觉和各平台尺寸图，让活动策划从「几天」缩短到「几分钟」。

✨ 核心功能

1. 智能引导问答

五步固定流程：活动时间 → 活动类型 → 活动风格 → 目标人群 → 投放渠道
每步提供快捷选项（chips），也可自由填写或跳过
支持「全部交给 AI」一键跳过所有问题

2. 参考图与文档上传

支持上传本地图片作为视觉参考（最多 3 张，自动压缩）
支持上传 .txt/.md 文档作为补充资料（最多 2 个）
支持拖拽上传

3. AI 策划要素补全

根据一句话需求 + 引导问答，自动生成结构化策划要素
包含：活动主题、预算、时间、渠道、人群画像、调性、玩法机制

4. 极简视觉风格生成

生成 4 个差异化极简风格方向（留白/色块/线条/单色调）
每个风格自动配图（AI 参考图）
每个风格包含：色板、关键词、画面描述
参考图可单独「换一张」重新生成

5. 一键直出完整方案

选定风格后，三条流水线并行：

策划方案：完整 Markdown 方案（8 个固定章节）
KV 主视觉：1440×810 高清主视觉
平台尺寸图：小红书封面、朋友圈海报、公众号头图、电商 Banner

6. 对话式局部修改

支持对方案或视觉进行对话式修改
AI 自动识别修改意图（方案/视觉/两者）

7. 图片独立操作

每张图片支持单独重新生成
点击放大查看（全屏预览）
单独下载

8. 方案导出

PDF 导出：包含 KV 主视觉 + 平台尺寸图的完整方案
PPT 导出：极简版式演示文稿（封面 + KV 展示 + 尺寸图 + 各章节）
导出内容与页面预览完全一致

🛠️ 技术栈

类别	技术
前端框架	Vue 3 + TypeScript
构建工具	Vite
状态管理	Pinia
Markdown 渲染	marked
PDF 导出	jsPDF + html2canvas
PPT 导出	pptxgenjs
AI 服务	阿里云百炼（DashScope）
文案模型	qwen3.7-plus / qwen3.7-max / qwen3.7-flash
生图模型	wan2.7-image / wan2.7-image-pro / qwen-image-2.0-pro
视觉分析	qwen3.7-plus（原生视觉语言模型）

🚀 快速开始

开发环境

# 安装依赖
npm install

# 启动开发服务器
npm run dev

# 访问 http://localhost:5174

生产构建

# 构建
npm run build

# 预览构建产物
npm run preview

配置 API Key

打开应用右上角「设置」
填入阿里云百炼 API Key（获取地址）
选择文案模型和生图模型
点击「测试连通性」验证

注意：

API Key 仅存储在浏览器本地（localStorage）
请求由浏览器直接发往阿里云百炼，不经过任何第三方服务器
请使用按量付费的 API Key（sk- 开头），Token Plan/Coding Plan 专属 Key（sk-sp- 开头）不可用

📦 部署

魔搭创空间部署

本项目已部署到魔搭创空间：https://www.modelscope.cn/studios/Tminihu/tminihu

部署步骤：

构建项目：npm run build
将 dist/ 目录内容推送到创空间仓库
确保 README.md 包含 deployspec.entry_file: index.html
在创空间页面点击「上线」

其他静态托管

本项目为纯静态应用，可部署到任何静态文件托管服务：

Vercel
Netlify
GitHub Pages
阿里云 OSS
腾讯云 COS

注意：vite.config.ts 中 base: './' 已配置为相对路径，支持子目录部署。

📁 项目结构

event-planner/
├── src/
│   ├── api/
│   │   ├── dashscope.ts      # 阿里云百炼 API 实现
│   │   ├── prompts.ts        # 全部提示词模板
│   │   └── provider.ts       # Provider 抽象层
│   ├── components/
│   │   ├── ComposerInput.vue # 一句话输入框（支持附件）
│   │   ├── IntakeWizard.vue  # 五步引导问答
│   │   ├── PlanDocument.vue  # 策划方案展示与导出
│   │   ├── StyleGallery.vue  # 视觉风格选择
│   │   ├── KvGallery.vue     # KV 主视觉与尺寸图
│   │   ├── SettingsPanel.vue # 设置面板
│   │   └── RevisionChat.vue  # 对话式修改
│   ├── stores/
│   │   ├── project.ts        # 项目状态管理
│   │   └── settings.ts       # 设置状态管理
│   ├── utils/
│   │   ├── download.ts       # 下载工具
│   │   ├── export.ts         # PDF/PPT 导出
│   │   ── file.ts           # 文件处理（图片压缩等）
│   ├── views/
│   │   ├── HomeView.vue      # 首页
│   │   └── WorkbenchView.vue # 工作台
│   ├── types.ts              # 类型定义
│   └── main.ts               # 入口
├── public/
├── package.json
├── tsconfig.json
└── vite.config.ts

🔑 核心流程

用户输入一句话需求
    ↓
五步引导问答（可跳过）
    ↓
AI 补全策划要素（Brief）
    ↓
生成 4 个极简视觉风格方向（附参考图）
    ↓
用户选定风格
    ↓
并行生成：
  ├─ 完整策划方案（Markdown）
  ├─ KV 主视觉（1440×810）
  └─ 4 个平台尺寸图
    ↓
对话式局部修改（可选）
    ↓
导出 PDF / PPT

视觉风格策略

所有视觉风格统一采用极简主义设计，落实以下视觉焦点策略：

单一视觉焦点：画面只有一个主体，元素少而精
强对比突出主体：尺寸对比（主体放大）或色彩对比（对比色、颜色明暗）
摆位置：三分法定位或中心放置，焦点周围大面积留白
做引导：利用线条、光影、视线等引导线将目光引向主体

色板控制在 2-3 个主色 + 中性色。

平台尺寸规格

平台	尺寸	比例
KV 主视觉	1440×810	16:9
小红书封面	1080×1440	3:4
朋友圈海报	810×1440	9:16
公众号头图	1440×616	2.35:1
电商 Banner	1440×810	16:9

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📄 许可证

Apache License 2.0

致谢

阿里云百炼（DashScope）提供 AI 模型服务
Vue.js、Vite、Pinia 等开源社区

天机风镜·RotorLens

aouyi2025 — Wed, 29 Jul 2026 06:21:48 GMT

面向风电短期研判的可审计天气决策 Agent。将中科天机15分钟、多高度、10天模式预报与用户风机几何、功率曲线、损失和阈值结合，生成转子面风况、短期功率/预报窗电量、天气阈值时段与运维窗口候选；支持用户自带 AppKey/subscriptionId、同源2D/3D证据和可追问 Agent。所有数值由确定性工具计算并绑定 Trace、公式及派生审计报告，大模型只做受约束解释。公开模式使用合成数据，不冒充现场观测、停机指令或银行级 AEP。

天机风镜 RotorLens v0.4

RotorLens 是一个面向单机风电前期研判与短期运行准备的、可复算的天气研判工作台。它把中科天机多高度模式预报转换为转子扫风面风速、用户功率曲线场景、有限预报窗电量与收益场景、天气阈值触发记录和运维天气候选，并让每个计算结果都能追溯到输入、公式和证据路径。

它不是通用天气聊天机器人，也不是 SCADA/OEM/IEC 工程软件的替代品。真正的产品增量是把“多高度天气预报”变成一条明确、可复算、失败关闭的风电研判链。

一眼看懂三种数据模式

模式	谁能使用	数据	可以做什么	明确不能推出
公开演示	任何访客	固定点、确定性合成数据	体验完整功率/电量场景、阈值筛查、候选窗口、3D、Agent 和计算证据链	天机模式预报或现场结论
我的天机订阅	已在中科天机申请 AppKey 与 subscriptionId 的用户	该用户订阅覆盖坐标的最新滚动模式预报	用自己的额度运行同一套研判与计算证据链；凭证仅随请求使用	实时观测、共享额度、测量真值
空间管理员通道	持独立 RotorLens 所有者令牌的管理员	空间管理员预配置订阅的最新模式预报	受预算账本保护的内部演示与探针	面向匿名访客的公共天气代理

“最新预报”不等于“实时观测”。中科天机返回的是带 time_init 起报时间和 time 有效时间的模式预报；RotorLens 只按响应中的时间语义展示，不把调用时刻包装成观测时刻。

v0.4 的五条聚焦工作流

用户自带订阅的任意坐标预报：用户输入自己申请的 AppKey 与 subscriptionId；凭证只存在于当前页面内存、本次 HTTPS 请求和上游调用任务，不写入日志、报告、浏览器存储或缓存。缓存键使用带随机盐的凭证 HMAC，缓存只保存标准化天气五分钟；不同用户、订阅和坐标隔离。空间管理员令牌仍作为独立高级通道保留。
功率与有限窗电量场景：把多高度模式风条带聚合成 REWS 式速度代理，结合温湿压密度和显式功率曲线，计算点功率；相邻瞬时样本用梯形积分得到有限预报窗电量。内置曲线只能得到 DEMO_ONLY，用户曲线必须提供来源说明。
长期年电量严格分区：主页面只保留明确标为“高级”的长期输入入口，独立 API 同样受输入门约束；必须另行提供至少一年的长期风频、可追溯曲线、运行比例、损失和订正说明，10 天预报绝不直接年化。
天气阈值与运维天气筛查：输出可解释的最大天气阈值比、触发记录和满足天气条件的连续候选窗口；遇到未解决质量标志即失败关闭。阈值比不是风险概率或载荷百分比，候选窗口也不是安全许可、停机命令或批准工单。
多轮证据 Agent、官方知识与 2D/3D 联动：确定性工具回答功率、电量、收益、天气与运维问题并绑定 RFC 6901 证据路径，也可解释 REWS、风向、功率曲线、预报和 AEP 边界。知识来源冻结为 IEC、NOAA、DOE、NREL 等官方页面；联网只验证这些白名单页面，不开放任意网页检索。最多保留十二条本地受限历史，只有带承接信号的追问才继承最近用户意图，历史不转发给外部模型。Three.js 视图使用同一份条带证据；WebGL 不可用时自动回退到 2D，不影响数值复核。

匿名自定义场景采用单进程 CPU 隔离、single-flight、四项有界 LRU 缓存和分会话限流；957×24 层重计算不会把 ASGI 健康与控制端点一起阻塞。该设计改善的是单实例响应隔离，不等于多副本或公网 SLA。

90 秒体验

连接天气：先用“示例体验”熟悉流程；要看天机最新模式预报时切换“我的天机订阅”，输入自己的 AppKey、subscriptionId 和坐标。提交是唯一会调用天机 API 的动作。
计算场景：选择机组预设；项目场景可导入功率曲线 JSON/CSV，并填写损失、电价、天气阈值和候选窗口条件。点击“计算天气与功率场景”。
看结果与原因：研判卡显示选中时刻功率场景、预报窗电量场景、阈值触发记录和运维天气候选；点击卡片展开全部候选，再选择任一时刻同步时间轴、转子条带、功率和计算证据。2D/3D 条带视图展示各高度模式输入与派生结果的对应关系，不进行 CFD 或尾流求解。
追问：问“峰值功率在哪”“哪些时段适合运维”“为什么需要关注”。确定性回答固定包含结论、数据分析、依据/用途与边界；勾选 AI 后才发送问题和已验证派生指标做补充解读。
复核：点击“查看这份结果怎么算出来的”。普通用户先看到五段白话说明；高度条带、权重表和 JSON/CSV 放在“专家复核”折叠区。

更详细的口播与失败降级方案见 3 分钟评委演示脚本。

生成式语言层：可选，不是数值权威

核心 Agent 不依赖大模型。它先由确定性路由与工具生成答案、数值和证据，再可选调用 DeepSeek、OpenAI 或 ModelScope API-Inference 生成受约束的个性化定性解释：

只有用户勾选“AI 深度解读”后，才发送本次问题和当前场景的已验证派生指标；对话历史、天机凭证和原始响应始终不发送；
提供方只负责补充解释。所有计算数值仍来自确定性工具，模型给出的数字必须逐项匹配服务器证据，否则整段拒绝并回退；
服务器拒绝凭证形态、危险操作指令、未知引用和未经证据支持的数字；超时、限流、断路或校验失败不影响确定性答案；
对天机模式预报的派生指标转发需要用户本次显式勾选；界面与 /healthz 分别披露是否实调、是否发送过派生指标。

代码包含 DeepSeek、OpenAI 与 ModelScope API-Inference 适配器；具体部署是否已实连必须以同一 release 的 /healthz 脱敏状态和实际成功时间为准，不能仅凭配置存在作出判断。

数学与证据边界

多高度 AGL 风速按转子圆盘条带面积加权，计算 V_REWS=(Σwᵢvᵢ³)^(1/3)；
2 m 温度、相对湿度和地表气压用于湿空气密度近似；
用户功率曲线域内线性插值，域外或控制状态不明确时返回不可用，而不是擅自推断零功率；
有限窗电量只积分相邻瞬时预报点，不外推最后一个样本；
长期年电量只从用户给出的年度风频分布计算，不使用 10 天窗口替代长期资源；
每个在范围内的计算数值都有公式 ID、输入绑定和证据记录；“派生数值可复算路径覆盖 100%”只说明报告内部计算路径完整，不认证输入真实性、预测精度、外部审计或认证。

完整公式见数学方法与适用边界。

本地运行

要求 Python 3.11 或更高版本。

cd rotorlens
python -m venv .venv
.\.venv\Scripts\python.exe -m pip install -e ".[test]"
.\.venv\Scripts\python.exe -m pytest
.\.venv\Scripts\python.exe -m uvicorn rotorlens.main:app --host 127.0.0.1 --port 7860

打开 http://127.0.0.1:7860。运行状态与能力面分别为：

GET /healthz
GET /api/v1/capabilities

主要 v0.4 接口：

GET|POST /api/v1/workbench/demo
POST /api/v1/workbench/live（个人订阅：X-Tianji-App-Key + X-Tianji-Subscription-Id；管理员：X-RotorLens-Owner-Token，二选一）
POST /api/v1/workbench/chat
POST /api/v1/aep
GET|POST /api/v1/workbench/demo/audit.json|csv
POST /api/v1/workbench/live/audit.json|csv（沿用本次实时连接方式）

/api/v1/report 与旧版输入审计接口仍保留兼容性，但不再是 v0.4 的主体验入口。

ModelScope Docker 与 Secret

镜像固定监听 0.0.0.0:${PORT:-7860}。默认不配置任何上游 Secret 时，公开合成演示和用户自带天机订阅通道都可运行；用户凭证不属于空间运行时变量。只有空间管理员通道或可选模型层需要在 ModelScope 配置密文变量，不能写入源码、ZIP、镜像、README 或截图。

部署变量、轮换门、预算账本、验证状态和回滚步骤见 ModelScope 部署与运行时密文变量。

当前完成状态如何表述

0.4.0 已完成全量测试、桌面/移动浏览器回归、400 轮公开合成演示复合事务、用户 BYOK 天机实连与 DeepSeek 受约束生成验证。上述结论只对证据中绑定的同一 release_id / source_fingerprint 有效；任何重新构建或部署都必须重新生成公网证据，不能沿用旧截图或旧探针。

公开地址：

公开链接能证明应用可访问；具体发布身份、外部模型和天机通道状态必须同时查看该实例的 /healthz 与同 release 脱敏证据，不能仅凭配置存在作出判断。

文档导航

许可证

项目代码采用 Apache License 2.0。Three.js 的本地 vendored 文件保留其 MIT 许可证。中科天机数据、用户输入曲线/价格/长期资源及其派生报告不因代码许可证而变成 Apache-2.0 内容；应分别遵守数据提供方、权利人和比赛规则。

视频大师

tianmingyun — Tue, 21 Jul 2026 13:48:25 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/tianmingyun/doutube.git

AI 3D生成器

xmy20121210 — Fri, 17 Jul 2026 00:56:23 GMT

AI 3D生成器 v4.0 — 全版本模型库 + 多图上传 + 智能选模 + 极限参数 + AI 3D细节增强

面向 ModelScope 创空间的 AI 3D 生成应用。页面采用 Gradio，启动时只加载轻量界面和规则引擎；所有重依赖（torch/rembg/onnx）全部懒加载，启动 < 3 秒。

核心特性 v4.0

1. 全版本模型库（45个模型，4大类）

3D生成模型（26个）：Hunyuan3D 全家族 9 版本（2.5/2.1/2.0/Fast/Turbo/2mini/2mini-Turbo/2mv/1.0）+ HunyuanWorld + TripoSR(3) + TRELLIS(3) + InstantMesh(3) + Shap-E(3) + Wonder3D(3)
图像超分（8个）：RealESRGAN(x4/x2) + Swin2SR + SwinIR + BSRGAN + ESRGAN + GFPGAN + CodeFormer
3D细节增强（4个）：MeshNormal-Diffusion + PointCloud-Upsample + SuperCarver-3D + MeshSmooth-Diffusion
AI对话模型（8个）：Qwen2.5-VL(72B/7B/3B) + Qwen3-VL-4B + InternVL3(14B/2B/1B) + GLM-4V-9B

2. 智能模型自动选择

根据输入类型（文本/单图/多图）、质量要求、特殊需求自动选择最优组合
支持自动/手动切换

3. 多图上传（1 ~ n张）

Gallery 多图上传，支持任意张数
多视图模型（Hunyuan3D-2mv / InstantMesh-XL / Wonder3D-v2）自动使用多图

4. 渐进式贴图超分（最高1M边长）

循环放大直到达到目标分辨率
8种超分AI模型可选

5. AI 3D细节增强

面数超阈值自动触发
步数很多时每 N 步中间增强一次
4种增强方法：法线扩散 / 点云上采 / 几何超分 / 扩散平滑

6. 极限参数模式

勾选"启用极限参数"后解锁：

面数上限：10万亿（10,000,000,000,000）
纹理上限：1M 边长（1,048,576）
步数上限：1000万步
批量上限：10000
八叉树深度：24层

快速开始

pip install -r requirements.txt
python app.py

硬件要求

项目	最低要求	推荐配置
GPU	NVIDIA 4GB 显存	NVIDIA 16GB+ 显存
内存	8 GB	32 GB+
磁盘	5 GB	50 GB+

CPU 实例兼容性说明（v4.0.5-fix 新增）当前创空间默认部署在 ModelScope 免费 CPU 实例（2vCPU/16GB内存，无GPU）。在 CPU 实例上，以下大型模型因内存不足（OOM）无法加载：

Hunyuan3D-2.5 / 2.1 / 2.0 / 2.0-Turbo / 2mv

Wonder3D-v2 / Wonder3D+ CPU 实例推荐使用的模型：TripoSR 全系列（v1/v2/Turbo）。其他模型（Hunyuan3D 全系列、TRELLIS、InstantMesh、Shap-E、Wonder3D、HunyuanWorld）均需 GPU 支持，在 CPU 实例上会被自动选模器过滤或回退到备用生成。如需使用全部 26 个模型，请升级到 GPU 实例（推荐 16GB+ 显存）。

许可证

本项目代码基于 MIT 许可证。

PepScan

mpeng354 — Sat, 13 Jun 2026 06:53:14 GMT

Clone with HTTP

 git clone https://www.modelscope.cn/studios/mpeng354/PepScan.git

二次元标签模糊搜索

SAkizuki — Wed, 25 Mar 2026 07:10:35 GMT

本项目提供一种基于语义匹配的 Danbooru 标签查找方案。用户可以通过输入日常语言或模糊描述，查找并匹配 Danbooru 数据集中对应的标准标签，适用于辅助构建 Stable Diffusion、NovelAI 等 AI 绘画工具的提示词（Prompt）。目前支持使用汉语和英语进行查找。

Danbooru Tags Searcher

本项目提供一种基于语义匹配的 Danbooru 标签查找方案。用户可以通过输入日常语言或模糊描述，查找并匹配 Danbooru 数据集中对应的标准标签，适用于辅助构建 Stable Diffusion、NovelAI 等 AI 绘画工具的提示词（Prompt）。

目前支持使用汉语和英语进行查找

立即使用： https://huggingface.co/spaces/SAkizuki/DanbooruSearch

ComfyUI 插件版本： ComfyUI-DanbooruSearcher

本项目的数据库由Danbooru API抓取而成，使用LLM进行语义扩充和中文翻译。角色名、作品名使用二次元垂类数据库Bangumi API进行精确查询，尽可能地避免了在角色名、作品名上的幻觉问题。

数据库生成代码： https://github.com/SuzumiyaAkizuki/danbooru-tag-pipeline

核心特性

本版本在基础语义检索之上，引入了完整的标签工作流辅助功能：

多维度语义匹配： 底层支持 4 个维度的向量空间检索（英文、中文扩展词、维基释义、中文核心词），大幅提升模糊描述的命中率。
智能分词与显式分隔： 支持一键开启/关闭自动分词。开启后自动提取长句中概念分别检索；同时支持用空格、换行、中文逗号（，）和顿号（、）手动分隔概念，系统会尊重你的分隔意图，将每个片段作为整体匹配（超过 7 字的片段仍然自动分词）。
标签互相关推荐： 引擎内置标签共现数据。当你选中某些标签后，系统会自动推荐在 Danbooru 图库中经常与它们一同出现的相关标签，辅助补全画面细节。
推荐擅长画师： 基于标签-画师 NPMI 共现数据，根据已选标签实时推荐擅长绘制这些元素的画师，支持勾选加入已选标签。
已选区工作区编辑： 搜索结果、关联标签、同类标签和推荐画师可以汇入同一个标签工作区；支持调整 Prompt 权重、撤销/恢复、历史快照、收藏、Prompt 导入与完整备份，数据默认保存在当前浏览器中。
精细化查阅与过滤： 支持按标签类别（General通用 / Character角色 / Copyright作品）进行硬过滤。
- 提供 NSFW 保护模式（开启后自动模糊敏感词汇）。
- 表格内置 Danbooru 维基释义悬浮提示，并提供前往原站的快捷链接。

快速了解

功能概览

本工具提供以下核心功能：

前四项基于语义向量匹配，第 5、6 项基于共现数据（标签-标签共现与标签-画师共现）；第 7 项用于整理、编辑和复用最终 Prompt。

参数说明

在进入功能介绍之前，先了解几个关键参数，它们会影响所有搜索模式的结果质量。

Top K（语义相关） 针对单个分词，检索语义最相关的候选标签数量。该值作用于每个向量检索层，最终候选池大小约为 Top K × 层数，再截断至结果上限。值越大，召回越广，但热度高的分词会占据更多名额，可能挤压低频但精确的分词。精确查词场景建议调低（20），发散探索场景可以调高（80~160）。

结果上限 最终展示的标签总条数。建议设为 70~80 以适配主流 SDXL 模型的 prompt 长度。精确查词时可以调低到 10，避免干扰。

热度权重（0~1） 控制标签在 Danbooru 站内发帖量对最终排序的影响。数值越高，越倾向于推荐常用高频标签。默认值 0.15 在大多数场景下表现良好。

智能分词 开启时，程序会自动拆分输入的长句，提取其中的关键概念分别检索，再合并结果。适合完整画面描述；若只想检索一个完整短语的语义，建议关闭。

新版支持显式分隔符： 用空格、换行、或中文逗号/顿号（，、）手动分隔概念时，系统会将每个分隔片段视为独立的原子概念，不再做进一步拆分。这在你明确知道自己想要哪些概念时比自动分词更精准。

输入示例	分词结果	说明
`运动社团校队比赛`	`运动社团` `校队` `比赛`	空格分隔，每个片段原样保留
`运动社团、校队、比赛`	`运动社团` `校队` `比赛`	逗号/顿号同理
`一个穿着白色水手服的少女`	`穿着` `白色` `水手服` `少女`	无显式分隔，自动分词（停用词已过滤）

当分隔后的某个片段超过 7 个字时，系统会退回到自动分词——因为超过这个长度的片段通常是短句而非单一概念。这一阈值基于对所有标签核心中文名长度的统计分析得出。

功能介绍

1. 精确查词

适用场景： 你想用中文或英文查询一个单一概念，或者知道某个标签的大概写法但不确定拼写是否准确。

本工具通过语义相似度匹配而非字符串精确匹配，因此具备一定的拼写容错能力。中文概念同样会通过中文核心词、中文扩展词和释义等向量层检索，例如输入 水手服 可以召回 serafuku。语义搜索召回废弃标签时，系统会使用官方 Danbooru Tag Alias 将其规范化为当前标签；Alias 只纠正结果，不替代语义搜索。

建议参数： Top K: 20 | 结果上限: 10 | 热度权重: 0.15 | 关闭智能分词

关闭智能分词，确保整个输入作为一个整体进行语义匹配，不会被拆散。

示例

你的输入	实际标准标签	说明
`水手服`	`serafuku`	中文概念通过语义搜索命中
`selafuku`	`serafuku`	经典拼写错误，仍可命中
`school unifor`	`school_uniform`	漏字母，仍可命中
`twintail`	`twintails`	单复数混淆，仍可命中
`zettai ryouiki`	`zettai_ryouiki`	罗马音输入，可命中
`thighhigh`	`thighhighs`	词形变体，仍可命中

2. 概念模糊发散

适用场景： 你脑中有一个模糊的概念或风格意象，但不知道在 Danbooru 里对应哪些标签，希望系统帮你"发散"出相关的候选标签。

建议参数： Top K: 80~160 | 结果上限: 80 | 热度权重: 0.15 | 开启智能分词

示例

示例 1：「兔耳朵」

输入一个宽泛概念，系统会返回各类耳型相关标签，包括真兔耳、头饰耳、兽娘耳等变体。

示例 2：「中国风古装」

返回汉服、旗袍、各朝代服制等细分标签，帮助你快速了解这一风格下的标签体系。

示例 3：「机械义肢」

返回包含义肢、机械臂、赛博朋克肢体等标签，适合进一步结合关联推荐做细化筛选。

示例 4：「战斗姿势」

返回各类战斗动作、持武器动作等标签。

3. 输入描述查词

适用场景： 你能描述某个具体的事物、角色、场景，但不知道 Danbooru 的对应标签。可以使用中文或英文自然语言描述，也可以通过 IP 名称、角色外号来查找角色标签。

建议参数： Top K: 20 | 结果上限: 20 | 热度权重: 0.15 | 关闭智能分词

关闭智能分词，使系统对你的整段描述做整体语义匹配，而不是拆词。

示例

示例 1：用描述定位角色

你的输入	期望命中的角色标签	说明
`原神里面须弥主线的NPC贵族女孩`	`dunyarzad_(genshin_impact)`（迪纳泽黛）	通过剧情身份描述定位角色
`命运石之门的助手`	`makise_kurisu`（牧瀬红莉栖）	通过人物关系描述定位角色
`某科学的超电磁炮中会传送的那个人`	`shirai_kuroko`（白井黑子）	通过能力和动作描述定位角色
`EVA 里驾驶零号机的蓝发角色`	`ayanami_rei`（凌波丽）	通过机体和外貌描述定位角色
`明日方舟里游戏商店的老板`	`closure_(arknights)`（可露希尔）	通过职位描述定位角色

示例 2：用描述定位服饰/物品

你的输入	期望命中的标签	说明
`紧身衣勒入皮肤产生的凹陷`	`skindentation`	非常具体的视觉细节描述
`半透明薄纱覆盖胸前`	`see-through_bra`	材质与遮盖关系描述
`两侧有开缝、有拉绳的运动短裤`	`dolphin_shorts`	服饰细节描述

4. 完整画面查找

适用场景： 你脑中已经有了一幅完整的画面，希望一次性把整段描述转换成尽可能多的 Danbooru 标签，用于 AI 绘画的完整 Prompt。

建议参数： Top K: 5 | 结果上限: 80 | 热度权重: 0.15 | 开启智能分词

开启智能分词：系统会自动拆分你的长句，提取其中的关键概念分别检索，再合并去重，覆盖尽可能多的画面元素。

示例

示例 1：雨中奔跑的少女

一个穿着白色水手服、蓝色短裙的少女，在下着大雨的城市街道奔跑，
她的表情是不甘、愤怒、流泪，她的衣服湿透。

short_dress, city, streaming_tears, street, white_serafuku, furious, fume, rain, tears, running, skirt, crying, tearing_up, urban

示例 2：赛博朋克城市夜景

赛博朋克风格的城市，霓虹灯招牌，雨后潮湿的街道倒映灯光，
远处高楼林立，一个穿着皮夹克的女孩站在路灯下抽烟。

street, reflection, lights, lamp, leather_jacket, fur_jacket, 1girl, standing, lamppost, smoking, holding_cigarette, cyberpunk, after_rain, city, urban, neon_lights, wet_floor, utility_pole

示例 3：奇幻战场

一个银发的精灵女战士，身穿轻甲，手持弓箭，站在废墟上，
背景是正在燃烧的城市和布满乌云的天空，衣服上有血迹。

burning, city, dark_cloud, sky, clothes, blood_stain, blood_on_clothes, silver_hairband, standing, white_hair, cyberpunk, after_rain, holding, bow_(weapon), urban, ruins, elf, rubble, holding_bow_(weapon), arrow_(projectile), neon_lights, burning_building, wet_floor, utility_pole

技巧：关于描述的写法

分段描述不同要素（人物 / 背景 / 表情 / 服装）比混在一起效果更好
细节越具体，匹配越准确——「蓝色长发」优于「特别的发色」
遇到感觉应该有但没命中的标签，可以把该部分单独截取，切换到「输入描述查词」模式单独查

5. 关联推荐（共现匹配）

关联推荐与前四项功能机制不同，它不依赖语义相似度，而是基于 Danbooru 图库中标签的共现统计：如果两个标签经常出现在同一张图上，就认为它们相关。

使用方式： 在左侧结果表格中勾选你感兴趣的标签，右侧关联推荐栏会自动刷新，显示在 Danbooru 图库中与你选中标签最常共现的其他标签。也可以点击「根据已选刷新」手动触发。

关联推荐的得分是基于 NPMI（互信息归一化）计算的，能有效过滤掉那些只是因为自身热度高而频繁出现的标签。

适用场景

场景 1：查看某种服饰/道具的常见搭配

勾选 fingerless_gloves（露指手套），关联推荐会列出穿露指手套的角色们。

场景 2：查看某个角色的典型特征

勾选角色标签（如 amiya_(arknights)），关联推荐会列出该角色最常出现的服装、配件、表情等标签，相当于自动生成角色的"标签画像"。

场景 3：探索某类主题的标签体系

勾选 fighter_jet（战斗机），关联推荐会列出各类机型、飞行动作、背景等相关标签，帮助你快速摸清一个主题下的标签生态。

场景 4：组合多个标签获得交集推荐

同时勾选多个标签时，关联推荐会综合计算多标签的共现关系，推荐与这组标签整体最匹配的标签，而不只是单个标签的邻居。

比如同时勾选 maid + twintails，推荐结果会更倾向于「女仆且双马尾」场景下经常出现的标签，而不是单纯「女仆」或「双马尾」各自的高频搭配。

6. 推荐擅长画师

推荐擅长画师与关联推荐类似，基于 标签-画师 NPMI 共现数据，但目标是推荐擅长绘制已选标签所描述元素的画师。

使用方式： 在左侧结果表格或右侧关联推荐中勾选标签后，右栏「推荐擅长画师」区域会实时自动更新，无需手动刷新。画师可勾选加入已选标签（Anima 模式下复制时自动加 @ 前缀）。

评分逻辑： 对每个已选标签，计算该标签与画师的 NPMI 共现分，累加后乘以命中标签数加成，最终归一化显示为百分比。

适用场景

场景 1：根据风格标签找画师

勾选 flat_color（平涂）+ 1girl，推荐擅长平涂风格女性角色的画师。

场景 2：根据角色找画师

勾选某角色标签，推荐经常绘制该角色的画师。

场景 3：根据画面元素找画师

勾选 mecha（机甲）+ detailed_background，推荐擅长机甲和精细背景的画师。

7. 已选区工作区编辑

在搜索结果、关联标签、同类标签或推荐画师中勾选内容后，它们都会进入同一个已选区（标签工作区）。工作区会自动保存在当前浏览器中，刷新页面后仍可继续编辑。

标签与 Prompt 编辑：

使用标签两侧的 − / + 调整 Prompt 权重，也可以随时移除不需要的标签。
使用「撤销 / 恢复」回退或重做最近的工作区修改。
可切换 SDXL、NAI、Anima 复制格式，所选格式会随工作区保存；画师标签在 Anima 格式下会自动转换为 @画师名。
「清空已选」只会清空当前工作区，不会删除历史记录或收藏。

历史与收藏：

每次搜索都会记录查询内容、当时的搜索设置和工作区快照。你可以使用「重新搜索」恢复原查询与参数，使用「恢复工作区」找回当时的标签、权重和格式，或使用「追加查询」保留当前工作区并继续搜索。
「保存收藏」会保存当前标签组合、权重、来源和 Prompt 格式。收藏可恢复、合并或直接复制；合并同名标签时，会保留当前工作区已有的权重。

Prompt 导入与备份：

「导入 Prompt」支持半角/全角逗号和换行分隔，并会使用 Danbooru Tag Alias 替换已弃用标签。重复标签会自动合并，无法唯一识别的内容会进入待确认区，不会被强行加入工作区。
「备份 / 迁移」可以导出包含当前配置、工作区、原始搜索查询、历史和收藏的完整 JSON，并支持合并或替换导入。上述数据默认仅保存在当前浏览器中，备份文件只有在你主动下载或上传时才会离开浏览器。

使用技巧

技巧 1：先宽后窄 先用完整画面查找拿到大量候选标签，再用分词筛选 chip 或手动去掉不相关的，然后勾选剩余标签触发关联推荐，补充遗漏细节。

技巧 2：拿不准标签含义时悬浮查看 鼠标悬停在任意标签行或关联推荐行上，会弹出该标签的 Danbooru 维基释义，方便快速判断是否符合需求，无需跳转站外。

技巧 3：点击标签名直接跳转 标签名是可点击链接，点击后在新标签页打开 Danbooru 的对应维基页，可以查看详细说明、相关图例和近义标签。

技巧 4：NSFW 保护模式 默认关闭 NSFW 显示。打开后标签的完整名称和含义会显示出来，但平台限制下（魔搭创空间）此选项不可用。

技巧 5：复制全部 vs 复制选中

复制全部标签：把当前搜索结果中所有标签复制为逗号分隔的字符串，适合快速生成完整 Prompt
复制选中标签：只复制你在表格中手动勾选的标签，适合精选后使用

技巧 6：用显式分隔符精细控制分词 当你知道自己想要哪些独立概念时，用空格或中文逗号手动分隔它们：

「运动社团校队比赛运动会体育祭田径部」→ 每个概念原样保留
「反乌托邦、赛博朋克、蒸汽朋克、废土」→ 逗号分隔同理
分隔后的短片段（≤7 字）作为整体匹配，不会被错误拆开
如果需要混合长短查询，可以一部分用空格分隔、另一部分写成自然语句

接口方法

REST API

本工具同时提供 REST API，可集成到你自己的工作流中。

启动后访问 /api/docs 查看完整的交互式 API 文档。

搜索接口

POST /api/search
{
    "query": "白色水手服的女孩",
    "top_k": 5,
    "limit": 80,
    "popularity_weight": 0.15,
    "show_nsfw": true,
    "use_segmentation": true,
    "target_layers": ["英文", "中文扩展词", "释义", "中文核心词"],
    "target_categories": ["General", "Character", "Copyright"],
    "group_mode": "off",
    "max_per_group": 2
}

搜索接口保留底层可调参数，适合需要精细控制召回数量、分层检索、分词策略、类别筛选和分组去重的工作流。响应包含 tags_all、tags_sfw、keywords、results；每条结果默认包含完整字段和 wiki。如果语义召回结果经官方 Tag Alias 规范化，还会包含原废弃标签 alias_from；tag、tags_all 和 tags_sfw 始终使用规范标签。

关联推荐接口

POST /api/related
{
    "tags": ["white_serafuku", "sailor_collar"],
    "limit": 50,
    "show_nsfw": true
}

响应为 results 列表，每条结果默认包含 wiki；如果输入标签拼写错误但可被纠正，会额外返回 correction_note 和 corrections。

推荐擅长画师接口

POST /api/artists
{
    "tags": ["1girl", "blue_hair", "school_uniform"],
    "limit": 30,
    "min_cooc": 3,
    "show_nsfw": true
}

响应字段：artist（画师名）、cooc_count（共现次数）、post_count（作品数）、sources（命中标签）、top_tags（该画师最常画的 10 个标签，含中文名）。

健康检查接口

GET /api/health

详见：API 文档

MCP 接口

本工具提供 MCP（Model Context Protocol）服务，支持将搜索引擎直接接入 Claude Desktop、Cursor、Cherry Studio 等支持 MCP 协议的大模型客户端，让 AI 能够在对话中直接调用标签搜索能力。

MCP 服务地址：

https://sakizuki-danboorusearch.hf.space/mcp/mcp

https://sakizuki-danboorusearchonline.ms.show/mcp/mcp

以上两个端口提供完全相同的服务，互为备份

接入方法

方法一：Claude Desktop

Claude Desktop 不支持直接连接 Streamable HTTP 端点，需要通过 mcp-remote 作为本地桥接。

首先全局安装 mcp-remote（需要本机已安装 Node.js）：

npm install -g mcp-remote

然后在配置文件中添加以下内容：

Windows：%APPDATA%\Claude\claude_desktop_config.json
macOS：~/Library/Application Support/Claude/claude_desktop_config.json

{
  "mcpServers": {
    "danbooru-searcher": {
      "command": "mcp-remote",
      "args": [
        "https://sakizuki-danboorusearch.hf.space/mcp/mcp"
      ]
    }
  }
}

保存后重启 Claude Desktop，工具列表中出现 search_tags、get_related_tags、get_artist_recommendations、get_anima_format 和 get_newbie_format 即为成功。

注意：不要使用 "url" 字段直接填写地址，Claude Desktop 不支持该格式，会提示配置无效。也不推荐通过 npx mcp-remote 调用，首次执行时 npx 需要临时下载包，npm 缓存损坏时会导致启动失败。全局安装可规避此问题。

方法二：图形界面（Cherry Studio 等）

在 MCP 服务器管理页面点击「添加」，填写以下信息：

名称：danbooru-searcher（可自定义）
类型：Streamable HTTP
URL：https://sakizuki-danboorusearch.hf.space/mcp/mcp

注意：类型务必选择 Streamable HTTP，不要选 SSE，否则工具列表无法正常加载。

添加完成后重启客户端，或在 MCP 管理界面手动刷新连接。

可用工具

接入后 AI 可调用以下工具：

search_tags — 自然语言搜索标签

接受中文或英文描述，返回匹配的 Danbooru 标签列表和可直接用于 AI 绘画的 prompt 字符串。支持参数：

参数	默认值	说明
`query`	—	自然语言描述（必填，推荐中文）。支持空格/逗号/顿号显式分隔概念
`search_mode`	`"full_scene"`	检索策略：`full_scene`、`concept_explore`、`subject_describe`、`precise_lookup`
`category`	`"all"`	标签类别筛选：`"all"` 全部、`"general"` 通用、`"character"` 角色、`"copyright"` 作品
`show_nsfw`	`true`	是否包含 NSFW 标签
`include_wiki`	`false`	是否在结果中附带 Danbooru wiki 释义

search_mode 的选择规则：

full_scene：默认值。用户描述的是一张具体画面时使用，即使描述里有很多元素，也仍然属于完整画面。
concept_explore：用户想浏览某个概念下有哪些候选标签时使用，结果更多，token 消耗更高。
subject_describe：只描述一个单一视觉概念、角色或物品时使用；多元素画面不要用这个模式。
precise_lookup：用于中文或英文的单一概念、拼写纠错及接近精确的标签查询；仍使用语义搜索，并用官方 Tag Alias 规范化返回结果。

返回 JSON 包含：prompt（逗号分隔标签）、keywords（检索关键词）、results（标签结果）。每条结果包含 tag、cn_name；发生官方 Alias 纠正时包含 alias_from，当 include_wiki=true 时包含 wiki。

get_related_tags — 共现关联推荐

给定一组已选标签，返回在 Danbooru 图库中与之最常共现的相关标签，基于 NPMI 评分，可有效过滤掉仅因自身热度高而频繁出现的标签。

参数	默认值	说明
`tags`	—	标签列表（必填，Danbooru 英文标签名）
`limit`	`50`	最多返回关联标签数
`show_nsfw`	`true`	是否包含 NSFW 标签
`include_wiki`	`false`	是否在结果中附带 Danbooru wiki 释义

返回字段：tag、cn_name、sources，当 include_wiki=true 时包含 wiki。如果输入标签拼写错误但可纠正，会返回纠错说明。

get_artist_recommendations — 推荐擅长画师

给定一组标签，返回擅长绘制这些元素的画师列表，基于标签-画师 NPMI 共现数据排序。

参数	默认值	说明
`tags`	—	标签列表（必填，Danbooru 英文标签名）
`limit`	`30`	最多返回画师数
`min_cooc`	`3`	单个 (tag, artist) 对的最小共现次数
`show_nsfw`	`true`	是否包含 NSFW 数据

返回字段：artist（画师名）、cooc_count（共现次数）、post_count（作品数）、sources（命中标签）、top_tags（该画师最常画的 10 个标签，含中文名）

get_anima_format — 获取 Anima 提示词格式规范

当用户需要把检索到的标签整理为 Anima 模型的 Hybrid 提示词时调用。返回完整格式说明，包括硬标签层、空间叙事层、标签格式化、权重语法、多人物防串扰和中文解释规则。

get_newbie_format — 获取 NewBie XML 提示词格式规范

当用户需要输出 NewBie 模型 XML 提示词时调用。返回 XML 结构、字段职责、标签处理规则、多人角色分组和 caption 写作要求。

调用示例

接入后，你可以直接用自然语言告诉 AI 你的需求，AI 会自动选择合适的参数调用工具：

帮我把「一个穿白色水手服的少女在大雨中奔跑，表情愤怒、流泪，衣服湿透」转换成 Danbooru 标签 prompt

我想找「机械义肢」相关的标签，帮我发散一下

帮我查一下「命运石之门的助手」对应的角色标签是什么

我已经选了 white_serafuku 和 rain 这两个标签，帮我推荐一些常见的搭配标签

帮我找擅长画「平涂风格 + 蓝发少女」的画师

查一下「运动社团校队比赛运动会体育祭田径部网球部篮球部」这些概念对应的标签

找「反乌托邦、赛博朋克、蒸汽朋克」的 General 类标签，只查通用特征不查作品名

按 Anima 模型格式，把这些标签整理成 Hybrid 提示词

按 NewBie XML 格式输出这个角色场景的提示词

服务使用说明

HF Space 在无流量时会进入休眠状态，首次请求需要等待冷启动（约 30~60 秒）。若 AI 调用超时，稍等片刻后重试即可，或先访问 Space 页面将其唤醒。

任何用户都可以免费将本服务的API或MCP接口接入自己的私有或公开服务中。

如果接入公开服务，务必在主页提供链接到本服务主地址的友情链接：

URL: https://huggingface.co/spaces/SAkizuki/DanbooruSearch
简介: 基于语义匹配的Danbooru标签搜索引擎，支持多维匹配与共现关联推荐。

数据库说明

数据来源：Danbooru API 抓取
中文翻译与语义扩充：由 LLM 辅助完成
角色名、作品名：通过二次元垂类数据库 Bangumi API 精确查询，尽量避免幻觉
仅收录 Danbooru 频数 ≥ 100 的标签，保证标签实际可用
仅覆盖 General（通用特征）、Character（角色）、Copyright（作品）三类标签

数据库生成代码： https://github.com/SuzumiyaAkizuki/danbooru-tag-pipeline

使用注意事项

本工具为 AI 辅助工具，检索结果未必 100% 准确
查找结果可能包含 NSFW 内容（默认隐藏）
仅支持中文 / 英文双语查找
如果检索结果不理想，欢迎点击「没搜到？」按钮提交反馈，帮助持续优化引擎

支持项目

DanbooruSearch 会继续免费开放。如果这个小工具刚好帮你省了点时间，可以自愿赞赏一点维护成本；赞赏不解锁任何功能、不提高额度、不影响搜索结果，也不会获得特殊待遇。量力而行就好，未成年人请勿赞赏。

搜索统计

友情链接

本项目中借鉴了Good Anima项目中关于Anima模型提示词书写的相关内容
Linux Do社区

开源协议

本项目采用 GNU General Public License v3.0 开源协议。