""" mcp_server.py ───────────── MCP 服务层 挂载方式（在 ui_nicegui.py 中）： from mcp_server import mcp app.mount('/mcp', mcp.streamable_http_app()) 接入地址： https://sakizuki-danboorusearch.hf.space/mcp/mcp 支持的工具： search_tags 自然语言搜索标签 get_related_tags 基于共现表查关联推荐 get_artist_profile 查询单个画师常见共现标签 get_anima_format 返回 Anima 模型 Hybrid 提示词格式规范 get_newbie_format 返回 NewBie 模型 XML 提示词格式规范 """ import json import asyncio import logging from anyio import BrokenResourceError, ClosedResourceError from mcp.server.fastmcp import FastMCP from mcp.server.transport_security import TransportSecuritySettings from core.engine import DanbooruTagger from core.models import SearchRequest import core.counter as counter import re # ── 过滤客户端断连/超时产生的无害报错噪音 ────────────────────────────── class _SuppressClientDisconnect(logging.Filter): _SUPPRESSED: tuple = () _HAS_STARLETTE: bool = False @classmethod def _init_suppressed(cls): if cls._SUPPRESSED: return types: list = [BrokenResourceError, ClosedResourceError, asyncio.CancelledError] try: from starlette.requests import ClientDisconnect types.append(ClientDisconnect) cls._HAS_STARLETTE = True except ImportError: pass cls._SUPPRESSED = tuple(types) def filter(self, record: logging.LogRecord) -> bool: self._init_suppressed() exc = record.exc_info[1] if record.exc_info else None if isinstance(exc, self._SUPPRESSED): return False # 用类名字符串兜底（避免 starlette 版本差异导致 import 失败） if exc is not None and not self._HAS_STARLETTE: name = type(exc).__name__ if name in ('ClientDisconnect',): return False return True _disconnect_filter = _SuppressClientDisconnect() logging.getLogger("mcp.server.streamable_http").addFilter(_disconnect_filter) logging.getLogger("mcp.server").addFilter(_disconnect_filter) logging.getLogger("uvicorn.error").addFilter(_disconnect_filter) mcp = FastMCP( name="danbooru-searcher", transport_security=TransportSecuritySettings(enable_dns_rebinding_protection=False), ) def _resolve_canonical_tags(tagger: DanbooruTagger, tags: list[str]) -> tuple[list[str], list[str], dict[str, str], dict[str, list[str]]]: """轻量解析 canonical tag 名，不调用语义搜索。""" resolved_tags: list[str] = [] invalid_tags: list[str] = [] corrections: dict[str, str] = {} candidates: dict[str, list[str]] = {} for raw_tag in tags: resolved = tagger.resolve_tag_name(raw_tag) tag = resolved.get("tag") if tag: resolved_tags.append(tag) if tag != raw_tag: corrections[raw_tag] = tag continue invalid_tags.append(raw_tag) if resolved.get("candidates"): candidates[raw_tag] = resolved["candidates"] return resolved_tags, invalid_tags, corrections, candidates @mcp.tool() async def search_tags( query: str, search_mode: str = "full_scene", category: str = "all", show_nsfw: bool = True, include_wiki: bool = False, ) -> str: """ 使用自然语言搜索 Danbooru 视觉标签、角色标签、作品标签，并返回可直接用于提示词的 tag 列表。 本工具适合搜索可见画面内容：主体、服装、姿势、动作、表情、背景、构图、角色名、作品名等。 不要用本工具搜索画师名、画师风格、creator/artist lookup，也不要用它验证某个画师标签是否存在。 遇到 "Mika Pikazo style"、"画师 mika_pikazo"、"by redjuice"、"这个画师常画什么" 这类请求时， 应改用 get_artist_profile。若用户同时给出画师/风格参考和可见画面描述，只把可见画面描述交给 search_tags，不要把画师名放进 query。 ## 参数 - query: 自然语言画面描述。推荐使用中文。 - search_mode: 搜索策略。**默认是 "full_scene"；除非用户明确想探索多种候选，否则保持默认。** "full_scene" — **默认。** 用户给出具体画面描述时使用：场景、主体、服装、姿势、动作、 背景等，不管描述多长、元素多少。用户想要的是一张图的一组连贯提示词。 (e.g. "一个穿着白色水手服的少女在雨中奔跑", "金发双马尾女孩坐在教室窗边看书，夕阳", "芙兰朵露 金发 辫子 发带 连衣裙 围裙 灯笼裤") "concept_explore" — **只用于开放式概念浏览。** 当用户想看某个模糊/单一概念有哪些类型、 想从大量候选中挑选时使用。会返回最多 80 个候选，token 成本较高。 不要因为描述元素多就使用此模式；详细场景仍然属于 "full_scene"。 (e.g. "各种各样的汉服", "兔耳朵都有哪些", "赛博朋克服装有什么风格") "subject_describe" — **只用于描述一个单一视觉概念。** 此模式关闭分词，不能解析多元素 query。 如果 query 包含角色名 + 属性、多个服装物件、或任何组合场景，应使用 "full_scene"。 适合："EVA中蓝发的驾驶员"（单一角色概念）、"灯笼裤"（单一物件）、 "两侧有开口，前方有拉绳的运动短裤"（带细节的单一物件）。 "precise_lookup" — 精确查词 / 拼写纠错，例如 "selafuku"、"thighhigh"。 - 判断规则：用户是想得到一张具体图的提示词（→ full_scene），还是想浏览某个概念的多种候选 （→ concept_explore）？元素数量不是判断依据，探索意图才是。 - 重要：只要 query 是具体场景、多元素组合、角色 + 属性，就用 "full_scene"。拿不准时也用 "full_scene"，它能处理具体画面描述。 - category: 限定搜索类别。默认 "all"。 "all" — 全部（通用 + 作品 + 角色） "general" — 可见属性、服装、姿势、背景等通用标签 "character" — 角色标签 "copyright" — 动画/游戏/作品名等版权标签 - show_nsfw: 是否包含 NSFW 标签。默认 True。 - include_wiki: 是否在结果中附带 wiki 说明。默认 False。 当标签含义不熟悉、需要消歧时设为 True。 ## query 写法建议 可以使用**空格、换行、中文逗号（，）、顿号（、）**手动分隔概念。 被分隔符包围且长度不超过 7 个汉字的片段会尽量保持原子性，搜索引擎会尊重你的拆分意图。 | 写法 | 示例 | |---|---| | 空格分隔概念 | `运动社团 校队 比赛 运动会` | | 顿号分隔概念 | `反乌托邦、赛博朋克、蒸汽朋克` | | 自然句子 | `一个穿着白色水手服的少女在雨中奔跑` | | 混合写法 | `运动社团 一个穿水手服的少女` | ## 工作流 调用 search_tags 后，可以把选中的标签传给 get_related_tags，通过共现关系发现互补标签。 可按 search_tags → get_related_tags → get_related_tags → search_tags 多跳探索。 ## 返回 JSON 对象，包含 prompt（逗号分隔 tag）、keywords、results。 每个 result 包含 tag、cn_name；当 include_wiki=True 时额外包含 wiki。 """ _SEARCH_MODE_PRESETS: dict[str, dict] = { "precise_lookup": {"top_k": 10, "limit": 10, "popularity_weight": 0.15, "use_segmentation": False, "group_mode": "off", "max_per_group": 2}, "concept_explore": {"top_k": 80, "limit": 80, "popularity_weight": 0.15, "use_segmentation": True, "group_mode": "expand", "max_per_group": 2}, "subject_describe": {"top_k": 20, "limit": 20, "popularity_weight": 0.15, "use_segmentation": False, "group_mode": "off", "max_per_group": 2}, "full_scene": {"top_k": 5, "limit": 80, "popularity_weight": 0.15, "use_segmentation": True, "group_mode": "diverse", "max_per_group": 2}, } preset = _SEARCH_MODE_PRESETS.get(search_mode, _SEARCH_MODE_PRESETS["full_scene"]) _CATEGORY_MAP: dict[str, list[str]] = { "all": ["General", "Character", "Copyright", "Artist", "Meta"], "general": ["General"], "character": ["Character"], "copyright": ["Copyright"], } target_categories = _CATEGORY_MAP.get( category, _CATEGORY_MAP["all"], ) tagger = await DanbooruTagger.get_instance() request = SearchRequest( query=query, top_k=preset["top_k"], limit=preset["limit"], popularity_weight=preset["popularity_weight"], show_nsfw=show_nsfw, use_segmentation=preset["use_segmentation"], target_categories=target_categories, group_mode=preset["group_mode"], max_per_group=preset["max_per_group"], ) try: response = await tagger.search_async(request) except asyncio.TimeoutError: return json.dumps({ "error": "搜索超时（120s），请简化查询或稍后重试", }, ensure_ascii=False, indent=2) # 计数：每次 MCP 搜索调用均计入搜索、成功、复制；访问不变 await counter.increment() await counter.increment_success() await counter.increment_copy() await counter.increment_mcp() results = [] for r in response.results: if r.nsfw == '1' and not show_nsfw: continue item = { "tag": r.tag, "cn_name": r.cn_name, } if include_wiki: item["wiki"] = r.wiki results.append(item) payload = { "prompt": response.tags_sfw if not show_nsfw else response.tags_all, "keywords": response.keywords, "results": results, } han_chars = re.findall(r'[\u4e00-\u9fff]', query) if len(query) > 0 and len(han_chars) / len(query) < 0.5: payload["hint"] = ( "检测到英文查询，该搜索引擎对中文查询优化更好，如果搜索结果不合预期，推荐用中文重试" ) return json.dumps(payload, ensure_ascii=False, indent=2) @mcp.tool() async def get_related_tags( tags: list[str], limit: int = 50, show_nsfw: bool = True, include_wiki: bool = False, ) -> str: """ 根据已给定的 Danbooru 标签列表，返回基于 NPMI 共现评分的关联标签推荐。 本工具只支持通用标签、作品标签、角色标签；**不支持画师标签和 meta 标签。** 不要用本工具搜索画师名、画师风格、creator/artist lookup，也不要用它验证某个画师标签是否存在。 如果用户询问某个具体画师常画什么，或询问画师风格参考，应使用 get_artist_profile。 本工具会找出在 Danbooru 中经常与种子标签共同出现的标签。结果会按设计混合 General / Character / Copyright 类别。 ## 典型用法 - 属性 → 拥有该属性的角色 例如 ["fingerless_gloves"] → tifa_lockhart, cammy_white, bridget_(guilty_gear), ... - 作品 → 作品中的角色 例如 ["overlord_(maruyama)"] → shalltear_bloodfallen, ainz_ooal_gown, albedo_(overlord), ... - 角色 → 该角色常见视觉属性 例如 ["amiya_(arknights)"] → 服装、表情、配饰等 - 主题探索 例如 ["fighter_jet"] → 飞机类型、动作、背景等 - 多标签交集 例如 ["maid", "twintails"] → 与该组合强相关的标签，按聚合 NPMI 评分排序 如果要做同类别内部探索，例如“更多类似 X 的服装标签”，请使用 search_tags 并设置 category。 ## 工作流 可按 search_tags → get_related_tags → get_related_tags → search_tags 链式调用。 沿共现图多跳探索时，可以发现单纯语义搜索不容易召回的标签。 ## 参数 - tags: canonical Danbooru tag 名列表，使用下划线，不使用空格。 例如 ["white_serafuku", "sailor_collar"] - limit: 最多返回的推荐数量。默认 50。 - show_nsfw: 是否包含 NSFW 标签。默认 True。 - include_wiki: 是否在结果中附带 wiki 说明。默认 False。 当结果标签不熟悉、需要消歧时设为 True。 ## 返回 JSON 对象，results 按聚合 NPMI 分数降序排序。每个结果包含： - tag, cn_name - sources: 对该推荐有贡献的种子标签 - wiki: 仅当 include_wiki=True 时返回 """ tagger = await DanbooruTagger.get_instance() corrected_tags, invalid_tags, corrections, candidates = _resolve_canonical_tags(tagger, tags) if not corrected_tags: payload = { "error": "所有传入的标签均不存在于标签表中", "invalid_tags": invalid_tags, } if candidates: payload["candidates"] = candidates return json.dumps(payload, ensure_ascii=False, indent=2) results = await tagger.get_related_async( corrected_tags, set(corrected_tags), limit, show_nsfw, ) # 计数：每次 MCP related 调用均计入搜索、成功、复制；访问不变 await counter.increment() await counter.increment_success() await counter.increment_copy() await counter.increment_mcp() output = [] for r in results: item = { "tag": r.tag, "cn_name": r.cn_name, "sources": r.sources, } if include_wiki: item["wiki"] = r.wiki output.append(item) payload = {"results": output} if corrections: correction_notes = [ f"{bad} → {good}" for bad, good in corrections.items() ] payload = { "correction_note": "标签拼写错误，已经纠错: " + ", ".join(correction_notes), "corrections": corrections, "results": output, } return json.dumps(payload, ensure_ascii=False, indent=2) @mcp.tool() async def get_artist_recommendations( tags: list[str], limit: int = 30, min_cooc: int = 3, show_nsfw: bool = True, ) -> str: """ 根据标签-画师 NPMI 共现数据，推荐擅长绘制给定标签的画师。 输入一组 canonical Danbooru 标签（例如角色名、服装、主题、视觉元素），本工具会返回作品中 经常与这些标签共同出现的画师，并按聚合 NPMI 分数排序。 本工具用于 tag → artist 推荐。输入必须是 canonical Danbooru tag 名，不是画师名。 不要用本工具查询某个具体画师；画师 → 常见标签应使用 get_artist_profile。 ## 参数 - tags: canonical Danbooru tag 名列表，使用下划线，不使用空格。 例如 ["1girl", "blue_hair", "school_uniform"] - limit: 最多返回的画师数量。默认 30。 - min_cooc: 单个 (tag, artist) 组合进入计算所需的最小共现次数。默认 3。 - show_nsfw: 是否包含 NSFW 画师数据。默认 True。 ## 返回 JSON 对象，results 按 NPMI 分数降序排序。每个结果包含： - artist: Danbooru 画师 tag 名 - cooc_count: 所有输入标签上的累计共现次数 - post_count: 该画师在 Danbooru 的作品数 - sources: 命中该画师的输入标签 - top_tags: 该画师最常画的前 10 个标签（带中文名） """ tagger = await DanbooruTagger.get_instance() if not tags: return json.dumps({"error": "tags 列表不能为空"}, ensure_ascii=False, indent=2) corrected_tags, invalid_tags, corrections, candidates = _resolve_canonical_tags(tagger, tags) if not corrected_tags: payload = { "error": "所有传入的标签均不存在于标签表中", "invalid_tags": invalid_tags, } if candidates: payload["candidates"] = candidates return json.dumps(payload, ensure_ascii=False, indent=2) results = await tagger.search_artists_by_tags_async( corrected_tags, limit=limit, min_cooc=min_cooc, ) # 获取每个画师最常画的标签 artist_names = [r.artist for r in results] top_tags_map = tagger.get_artist_top_tags(artist_names, show_nsfw=show_nsfw) output = [] for r in results: item = { "artist": r.artist, "cooc_count": r.cooc_count, "post_count": r.post_count, "sources": r.sources, "top_tags": top_tags_map.get(r.artist, []), } output.append(item) # 计数 await counter.increment() await counter.increment_success() await counter.increment_copy() await counter.increment_mcp() payload = {"results": output} if corrections: correction_notes = [ f"{bad} → {good}" for bad, good in corrections.items() ] payload = { "correction_note": "标签拼写错误，已经纠错: " + ", ".join(correction_notes), "corrections": corrections, "results": output, } return json.dumps(payload, ensure_ascii=False, indent=2) @mcp.tool() async def get_artist_profile( artist_name: str, top_n: int = 20, show_nsfw: bool = True, ) -> str: """ 在画师-标签共现数据库中查询单个 Danbooru 画师，并返回该画师常见共现标签。 当用户询问某个具体画师或画师风格参考时使用本工具，例如： "Mika Pikazo style"、"画师 mika_pikazo"、"by redjuice"、"这个画师常画什么"。 本工具查询的是画师数据库，不是普通视觉 tag 搜索索引。 画师名会在查询前自动规范化。因此，当数据库中存在 "mika_pikazo" 时， "Mika Pikazo"、"mika pikazo"、"mika_pikazo"、"MikaPikazo" 都可以解析到它。 ## 参数 - artist_name: 画师名或 Danbooru 画师 tag。允许大小写差异和空格。 - top_n: 最多返回的常见标签数量。默认 20。 - show_nsfw: 是否包含 NSFW 常见标签。默认 True。 ## 返回 JSON 对象，包含： - artist: 解析后的 canonical Danbooru 画师 tag - input: 原始输入 - matched_by: 匹配方式，可能是 exact / normalized_exact / compact_exact / fuzzy - post_count: 该画师在共现数据库中的作品数 - top_tags: 常见共现标签列表，每项只包含 tag 和 cn_name - note: 说明这些常见标签只能作为风格参考，不等于完整画风语义描述 如果没有找到唯一画师，会返回 artist_not_found 和候选画师名。这不代表该画师 tag 在 Danbooru 不存在，也不要改用 search_tags 验证画师名。 """ tagger = await DanbooruTagger.get_instance() profile = tagger.get_artist_profile( artist_name, top_n=max(1, min(int(top_n), 100)), show_nsfw=show_nsfw, ) await counter.increment() await counter.increment_mcp() if "error" not in profile: await counter.increment_success() await counter.increment_copy() return json.dumps(profile, ensure_ascii=False, indent=2) # ── Anima 提示词格式说明 ───────────────────────────────────────────────── _ANIMA_FORMAT_INSTRUCTION = """ # Anima Hybrid Prompt Format Specification 请严格按以下 Anima 混合提示词（Hybrid Prompt）规范，基于提供的标签和用户描述，输出最终结果。 ## Overview 将已有的 Danbooru 风格标签数据整合为 Anima 模型的最优 Hybrid 提示词。该 Skill 假定调用方已经拥有充足的标签信息（通过 Tagger、Captioner 或用户输入），仅负责按 Anima 的格式规范与社区验证的最佳实践进行结构化组装。 Anima 是一个 2B 参数的文生图模型（CircleStone Labs × Comfy Org），基于 NVIDIA Cosmos-Predict2-2B，使用 Qwen 3 0.6B 文本编码器。它同时理解 Danbooru 标签和自然语言，但两者的行为有本质差异——标签掌控结构与精度，自然语言掌控氛围与构图。 社区的共识结论： - **纯标签提示词**：线条锐利、色彩平整、几乎没有解剖错误，但画面扁平，缺乏光影、氛围、构图的精确控制。 - **纯自然语言提示词**：细节丰富、光影动态、气氛到位，但超过 2~3 段后结构崩塌，手部最先出问题。 - **Hybrid 混合模式**：标签主导主体结构，自然语言补充环境与氛围，获得约 80% 的主体控制力加完整的氛围控制力。 核心风险：自然语言的影响力 **远强于** 标签。当你用自然语言描述背景时，模型会忽略 `close-up`、`upper body` 等取景标签，生成广角镜头。解决方案是对取景标签使用权重语法。 --- ## 情境因果锁（组装前必做） 组装 prompt 前，先建立情境因果链，再拆解为两层内容： ``` 发生了什么 → 角色的情感/欲望/冲突 → 具体反应（表情+肢体） → 环境如何参与 → 最抓人眼球的画面瞬间 ``` - 先定情境，再选 hard tags、soft phrases、nltags。 - 情境必须包含因果链：事件起因 → 角色反应 → 可见后果。 - 即使是单人图，也要有内在张力（例：偷穿大衣的体温升高 → 颤抖+脸红+抓衣服）。 - 只选一个最有张力的瞬间，不描述连续剧情。 ### 因果可见性 - 每个关键动作必须产生至少一个可见后果。 - 环境事件必须影响角色、道具、服装、头发、表情或构图层次。 - 角色情绪必须落到表情、视线、手势、身体重心或距离变化。 - 手部动作必须明确接触对象、接触位置和结果。 - 天气/季节不能只写 tag，必须落到可见物理效果。 - 看不见后果的动作不写；无法明确归属的动作改写成 nltags。 --- ## 两层 Prompt 结构 prompt 内部分两层组装，同一语义不跨层重复： ### 第一层：硬锚点（Hard Tags） 经 Danbooru 检索确认的离散标签，负责主体结构与精度。 **包含：** - 质量/年代/安全：`masterpiece, best quality, very aesthetic, score_7, safe, newest, year 2025` - 人数/性别：`1girl, 1boy, 2girls, solo` - 角色/作品：经确认的 character 和 series 标签 - 画师：`@artist name`（必须带 @） - 确认的外观：发色、瞳色、发型、体型（经检索确认或热门角色已知） - 确认的服装/道具：经检索确认的关键服装和道具 - 确认的姿势/表情/场景单标签：`sitting, smile, classroom` **不包含：** - 未经确认的模糊描述 - 完整英文句子 - 构图、光影、氛围（这些交给下层） ### 第二层：空间叙事（NL Tags Block） 有语法结构的连续描述，负责 hard tags 和 soft phrases 难以精确表达的内容。 特别提示：画面的逻辑需要由空间叙事描述。例如：如果场景有大风，那么画面各处的风向应当一致。如果场景是室内，那么室内桌椅板凳的布局和位置必须合理。 这些画面逻辑应由自然语言部分负责描述。 **包含：** - 镜头取景：angle, shot distance, framing (close-up, wide shot, dutch angle…) - 光线：方向、质感、色温 (rim light, volumetric god rays, warm key light…) - 色彩调性：palette, color grading (monochromatic indigo, vibrant cel-shaded…) - 空间布局：谁在左边、谁在右边、前后层次 - 空间逻辑合理性叙述：场景光照方向、风向一致，室内布局合理，角色与物品互动合理 - 多角色空间关系与动作归属 - 手和道具的精确接触关系 - 视线引导与构图层级 - 因果链的可见后果 - 景深、虚化、清晰区域 **规则：** - 严格 2 到 3 句英文。严禁过长，否则会严重破坏模型性能。 - 不重复已在 hard tags 中出现的外观/服装。 - 不写离散 tag 列表、不写文学比喻、复杂修辞、高阶词汇、世界观解释。语言应尽量简明扼要。 - 使用客观、具体、视觉化的描述。 --- ## 输出格式 ````markdown ## Prompt ``` [硬锚点层：逗号分隔，单行] [空间叙事层：2 到 3 句英文] ``` ## 中文解释 [分点说明提示词设计逻辑，包含空间叙事层的完整翻译] ```` **绝对禁止**在任何部分之外添加开场白、寒暄或总结。 --- ## 八维补全检查（输出前必做） 两层组装完成后，自查以下 8 个维度，**至少触发 3 维以上**。缺失的维度用空间叙事层补全，不硬塞更多 Danbooru 标签。 | 维度 | 检查问题 | 缺失表现 | 补全方向 | |------|----------|----------|----------| | **互动** | 元素之间有无行为联系？ | 各自独立摆 pose，零交集 | 对视、触碰、动作呼应、人与环境互动 | | **情感** | 表情+肢体传递了什么情绪？ | generic smile / 面无表情 | 微表情、身体语言（前倾/缩肩/攥拳） | | **视线** | 目光或引导线指向哪里？ | 所有人看镜头或闭眼 | 角色间对视、偷瞄、看向画外某物 | | **联动** | 环境是否影响主体？ | 环境是纯背景装饰 | 风雨→反应、光线→塑型、材质受环境影响 | | **动势** | 冻结画面暗示了运动吗？ | 像摆拍立绘，重心正中 | 重心偏移、布料飞扬、头发飘动、失衡感 | | **空间** | 有前后层次和呼吸感吗？ | 平铺直叙，贴脸输出 | 前景遮挡、景深虚化、正负空间、引导线 | | **质感** | 材质有真实细节吗？ | 塑料感/卡通化 | 湿润反光、粗糙纹理、丝滑垂坠、水珠凝结 | | **因果** | 观众能看出前因后果吗？ | 不知道在发生什么 | 行为起因→当前姿态→暗示后续 | **规则：** - 补全内容必须服务于已有情境因果链，不能凭空插入无关元素。 - 单人图：互动维转为「主体与环境的互动」（风吹头发、踩水溅起、光影打在脸侧）。 - 空间叙事层是补全八维的主要载体，hard tags 维持硬锚点干净。 --- ## 标签质量检查（输出前必做） ### 冲突消解 组装前必须消解以下冲突，逐项通过后才输出： #### 视角互斥示例 | 标签A | 标签B | 原因 | |---|---|---| | `from front` | `from behind` | 物理矛盾 | | `from above` | `from below` | 物理矛盾 | | `looking at viewer` | `facing away` | 视线矛盾 | | `pov` | `full body` | POV 不可能看到自己全身 | | `close-up` | `full body` | 景别矛盾 | #### 身份互斥示例 | 标签A | 标签B | 原因 | |---|---|---| | `solo` | `hetero` / `1boy` / `yuri` | 单人不存在互动 | | `femdom` | `male-on-female rape` | 逻辑矛盾（主导方冲突） | | `sleeping` / `unconscious` | `looking at viewer` | 无意识不可能直视 | | `blindfold` | `heart-shaped pupils` / `rolling eyes` | 看不到眼睛 | #### 服装互斥示例 | 标签A | 标签B | 原因 | |---|---|---| | `completely nude` | 任何具体服装标签 | 全裸不穿衣 | | `pantyhose` | `barefoot` | 穿了丝袜不可能光脚（除非 `torn pantyhose`） | | `blindfold` | `glasses` | 物理冲突 | | 内衣套装 (`cat lingerie`, `lace lingerie`, `babydoll`, `negligee`, `chemise` 等) | `no panties` / `bottomless` | 内衣套装隐含包含内裤，模型优先解析套装忽略暴露标签；需暴露时拆为单件（`cat bra` + `no panties`） | > **不互斥**：外衣/制服（`maid outfit`、`school uniform`、`bunny suit`、`sailor uniform` 等）与 `no panties` / `bottomless` 完全兼容——穿制服不穿内裤 = 合理场景。 #### 动作互斥示例 | 标签A | 标签B | 原因 | |---|---|---| | `standing sex` | `lying` / `on back` | 体位矛盾 | | `missionary` | `doggystyle` | 不可能同时两个体位 | | `cowgirl position` | `prone bone` | 体位矛盾 | #### 细节过多互斥示例 同一身体部位同时堆叠多个细节标签会导致模型过度渲染，产生畸形。**每部位细节标签 ≤2 个，且不能互斥。** | 部位 | 矛盾组合 | 原因 | |---|---|---| | 脚趾 | `spread toes` + `toe scrunch` / `toes curling` | 舒展 vs 蜷缩，物理矛盾 | | 脚趾 | `spread toes` + `feet together` | 分趾需要空间，合拢则压缩 | | 手指 | `spread fingers` + `clenched fist` / `gripping` | 张开 vs 握拳 | | 胸部 | `bouncing breasts` + `breasts squeeze together` | 弹跳 vs 挤压，动态矛盾 | | 嘴巴 | `open mouth` + `clenched teeth` / `closed mouth` | 张嘴 vs 闭嘴 | | 眼睛 | `rolling eyes` + `looking at viewer` | 翻白眼 vs 直视 | | 腿部 | `spread legs` + `legs together` | 分开 vs 并拢 | | 足部整体 | 3 个以上足部标签（如 `foot focus` + `footjob` + `toe scrunch` + `spread toes`） | 过度细化导致脚趾/脚掌畸形 | ### 视线保护规则 **单人场景下**，除非用户明确要求「背影/背对/转身离开/侧脸/profile/from behind」等具体视线限制，否则必须注入 `direct eye contact, facing viewer`。 **两人及以上场景**：不强制注入 `direct eye contact`。根据角色间互动关系选择合适的视线标签（如 `looking at another`），或由用户明确指定。 ### 标签数量 组装前按照下面的表格检查标签数量，严禁输出过多标签。过多标签会破坏模型的注意力。 | 场景复杂度 | 总标签数 | |---|---| | 简单 | 16-30 | | 标准 | 22-38 | | 复杂（多人/特殊主题/剧情主视觉） | 30-48 | --- ## 标签格式化规则 - 所有标签小写，下划线 `_` 替换为空格。**唯一例外**：`score_1` 到 `score_9` 保持下划线。 - 标签内括号用反斜杠转义：`momoko (momopoco)` → `momoko \\(momopoco\\)` - 画师标签前面加一个 `@` 符号 - 标签间用一个逗号加一个空格连接：`tag a, tag b, tag c` - 不要编造不存在的标签。若不确定某标签是否存在，将该概念放入空间叙事层。 - Tag Dropout 机制意味着不需要塞入每一个相关标签——只保留最关键和区分性最强的。 --- ## 硬锚点层结构规则 ### 官方推荐标签顺序 ``` [quality/meta/year/safety] → [1girl/1boy/1other] → [character] → [series] → [@artist] → [general tags] ``` ### 单人物详细结构 ``` [quality/meta/safety], [1girl/1boy], [character name], [series], [@artist], [hair], [eyes], [clothing], [body/pose], [expression], [action], [background/atmosphere], [composition tags] ``` ### 多人物详细结构（防串扰核心规则） ``` [quality/meta/safety], [2girls / 1girl 1boy],[多人互动标签,例如：duo, holding each other's hands...] [character_A name], [series_A], [A hair], [A eyes], [A clothing], [A body], [A expression], [character_B name], [series_B], [B hair], [B eyes], [B clothing], [B body], [B expression], [shared pose/action], [background], [atmosphere], [composition], [@artist] ``` --- ## 标签体系速查 ### 质量标签（任选其一或混用） - 人工评分系：`masterpiece`, `best quality`, `good quality`,`very aesthetic`, `normal quality`, `low quality`, `worst quality` - 美学评分系：`score_9`, `score_8`, `score_7`, `score_6` ... `score_1`（仅score标签保留下划线） ### 年代标签 - 具体年份：`year 2025`, `year 2024` ... - 时期：`newest` (2022-2023), `recent` (2019-2021), `mid` (2015-2018), `early` (2011-2014), `old` (2005-2010) ### 安全分级 `safe`, `sensitive`, `nsfw`, `explicit` ### 艺术家标签 **必须以 @ 开头**。没有 @ 前缀的风格几乎不生效。格式：`@nnn yryr`, `@big chungus` 一段提示词中最多包含3个艺术家标签。 ### 数据集标签（非动漫风格时的备选） 当且仅当用户明确要求抽象、油画、概念艺术、数字绘画、插画风格，且 **明确要求排除动漫风格** 时才可用。 如果用户仅要求油画风格，但没有明确说明排除动漫风格，仍然不能使用。 在提示词最开头另起一行使用，可大幅改变风格倾向： - `ye-pop`：LAION-POP 数据集风格，偏抽象/油画/概念艺术 - `deviantart`：DeviantArt 数据集风格，偏数字绘画/插画 --- ## 默认前缀与默认值 **正向前缀**（无特殊要求时的默认值）： ``` masterpiece, best quality, very aesthetic, score_7, safe, ``` **取景默认**：若用户未指定，默认近景人物、人物面向观众。若用户有描述则以用户描述为准。 **模式默认**：采用 Hybrid 混合结构（硬锚点 + 空间叙事）。仅当用户明确要求纯标签或纯自然语言时才切换。 --- ## 权重语法 Anima 支持 Prompt Weighting，但需要的权重值 **高于 SDXL**： - 慎用权重：一段提示词中最多用权重强调4个标签，少而精，只强调最重要的部分 - 正常强调：`(tag:2)` 起步 - 强强调：`(tag:3)` 到 `(tag:5)` - 权重取值范围：2 ~ 5 - 若用户提供 1.2 等较小权重，**必须放大至 2~5 区间** - 多角色区分性特征（如一个蓝发一个红发）使用权重：`(blue hair:2)`, `(red hair:2)` --- ## Composition Tag 对抗自然语言漂移（关键规则） 当空间叙事层包含环境描述时，模型倾向于拉远镜头，忽略 `close-up`、`upper body`、`portrait` 等取景标签。必须采取以下对抗措施： 1. **对取景标签使用强权重**：`(upper body:2)`, `(close-up:3)` 2. **在空间叙事层首句中明确取景**：`The composition is a tight close-up portrait...` 3. 如果仍然拉远，继续提高权重至 `(upper body:5)` 甚至 `(upper body:7)` --- ## 多人物特征分离规则（Anima 最高风险项） Anima 在多人场景中极易发生特征混淆。必须严格遵守： 1. **角色属性按角色分组排列**。同一角色的发型、瞳色、服装、体型连续出现后再切换。严禁交叉排列（如 `blue hair, red hair, short hair, long hair`）。 2. **互动词必须紧跟在人数后**。如果画中有多个人物，必须在人数声明完毕后，**立即** 写下他们的互动行为。推荐写法：2girls, duo, holding each other's hands,，然后开始分开描述每位美少女的容貌和衣服。 3. **空间叙事层中为每个角色写一句"外观锚定短语"**。格式：`CharacterName with [key features]... do something...` 明确指出视觉归属。这比仅靠标签的防串扰效果强得多。 4. **使用空间方位词分离角色**：left/right/foreground/background。 5. **为易混淆特征使用权重**：`(blue hair:2)`, `(red hair:2)`。 6. **角色外观在硬锚点层中充分描述**。官方文档明确指出：先命名角色，再描述其外观。仅列出角色名而不描述外观会让模型困惑。 7. **空间叙事层中不重复标签内容**——空间叙事层补充空间关系、互动动作、光影氛围、构图取景。 --- ## 安全标签使用规则 - 在提示 prefix 中始终包含安全分级标签（safe / sensitive / nsfw / explicit）。 - 描绘现有角色时，**禁止使用 score_8、score_9 等过强标签**，以免过拟合导致角色特征丢失。使用 `score_7` 作为上限。 --- ## 中文解释撰写规则 - 采用分点结构，每点对应一个设计决策。 - 解释覆盖：为何选择当前提示词架构、关键标签的作用、空间叙事层各句的功能。 - 多人物时**必须**解释角色分组策略。 - 必须包含空间叙事层的完整中文翻译。 - 语言中立、客观、技术化。不使用感叹号、表情符号或情绪化措辞。 - 避免冗长背景介绍，只解释本次提示词中实际出现的元素。 """ @mcp.tool() async def get_anima_format() -> str: """ 返回 Anima 文生图模型的 Hybrid 混合提示词格式规范。 当用户提到「Anima 提示词」「Anima 格式」「Anima Prompt」「Anima 模型」等关键词时， 应调用此工具，以获取完整的提示词组装规范。 ## 适用场景 - 用户明确要求输出 Anima 模型的提示词 - 用户提到 anima、Anima 等关键词 - 需要将标签转换为 Anima 的 Hybrid 混合格式 ## Returns 包含完整 Anima 提示词格式规范的 Markdown 文本，涵盖标签格式化规则、 自然语言段落规则、权重语法、多人物防串扰规则等。 """ return _ANIMA_FORMAT_INSTRUCTION # ── NewBie 提示词格式说明 ───────────────────────────────────────────────── _NEWBIE_OUTPUT_FORMAT = """ # NewBie XML Prompt Format Specification ## 输出格式要求 你的输出包括两部分：一个 XML 代码块和代码块外的中文翻译。 --- ## 情境因果锁（组装前必做） 组装 prompt 前，先建立情境因果链，再拆解为 XML 各字段内容： ``` 发生了什么 → 角色的情感/欲望/冲突 → 具体反应（表情+肢体） → 环境如何参与 → 最抓人眼球的画面瞬间 ``` - 先定情境，再填充各 XML 字段。 - 情境必须包含因果链：事件起因 → 角色反应 → 可见后果。 - 即使是单人图，也要有内在张力（例：偷穿大衣的体温升高 → 颤抖+脸红+抓衣服）。 - 只选一个最有张力的瞬间，不描述连续剧情。 ### 因果可见性 - 每个关键动作必须产生至少一个可见后果。 - 环境事件必须影响角色、道具、服装、头发、表情或构图层次。 - 角色情绪必须落到表情、视线、手势、身体重心或距离变化。 - 手部动作必须明确接触对象、接触位置和结果。 - 天气/季节不能只写 tag，必须落到可见物理效果。 - 看不见后果的动作不写；无法明确归属的动作改写进 ``。 --- ## 标签处理规则 - 标签内部的空格必须替换为下划线 `_`（如 `red eyes` → `red_eyes`） - 标签名内的括号必须用反斜杠转义（如 `momoko (momopoco)` → `momoko_\\(momopoco\\)`） - 权重括号（如 `(daito:1.2)`）保持原样，不转义 - 括号内包含多个独立标签时，拆解为独立标签 --- ## XML 结构 ```xml 角色名 性别标签 (如 1girl) 外貌特征 (发色, 瞳色, 身体特征等) 衣着 (具体服饰) 表情 动作 位置 人数标签 背景标签 画面情绪、氛围标签 very_aesthetic, masterpiece, no_text max_high_resolution 画师标签 各种物品（包括武器、饰品等） 其它标签 将所有标签串联为一段流畅、详细的英文场景描述。包含光线、情绪、角色和背景。 不要在此处提及 style 或 quality 类词汇。 ``` 在 XML 代码块结束后，输出 `` 内容的中文翻译。 --- ## XML 字段职责划分 ### character_N 块（离散标签层） 负责角色的结构化属性，使用 Danbooru 标签格式： - ``：角色名（经检索确认的 canonical name） - ``：人数/性别标签 - ``：发色、瞳色、发型、体型等外观特征（经检索确认） - ``：服装、配饰（经检索确认） - ``：表情标签 - ``：动作/姿势标签 - ``：空间位置（left/right/foreground/background） ### general_tags 块（画面全局标签） 负责画面整体的结构化属性： - ``：人数标签 - ` ``` **取景默认**：若用户未指定，默认近景人物、人物面向观众。若用户有描述则以用户描述为准。 --- ## 中文翻译规则 在 XML 代码块结束后，输出 `` 内容的完整中文翻译。 """ @mcp.tool() async def get_newbie_format() -> str: """ 返回 NewBie 文生图模型的 XML 格式提示词规范。 当用户提到「NewBie 提示词」「NewBie 格式」「NewBie Prompt」「NewBie 模型」等关键词时， 应调用此工具，以获取完整的 XML 格式组装规范。 ## 适用场景 - 用户明确要求输出 NewBie 模型的提示词 - 用户提到 newbie、NewBie 等关键词 - 需要将标签转换为 NewBie 的 XML 格式 ## Returns 包含完整 NewBie 提示词格式规范的文本，涵盖 XML 结构、标签处理规则、多人物规则等。 """ return _NEWBIE_OUTPUT_FORMAT