Skip to content

Moeblack/AnimaImagineSkill

BranchesTags

Repository files navigation

AnimaImagineSkill

独立的 Anima 二次元出图 MCP 服务。不依赖 ComfyUI，直接通过 DiffSynth-Studio 的 AnimaImagePipeline 在 GPU 上推理。

AI 客户端 (Cursor / Claude / Cherry Studio)
    │  Streamable HTTP MCP
    ▼
AnimaImagineSkill 服务器
    ├─ generate_anima_image()   MCP 工具
    ├─ 图片画廊网页             http://localhost:8008/
    └─ DiffSynth AnimaImagePipeline  (Anima 常驻显存)

环境要求

  • Python ≥ 3.13
  • NVIDIA GPU + CUDA（推荐 ≥ 12 GB 显存；低显存模式可在 8 GB 上跑）
  • 磁盘空间：模型文件约 14 GB + tokenizer 约 16 MB

Triton（必需）

本服务默认开启 torch.compile 加速 DiT，而 torch.compile 依赖 Triton。如果 Triton 缺失，服务启动或直接生图时会报错（Windows 常见错误：torch._inductor.exc.TritonMissing）。

  • Linux：通常 PyTorch 已经自带 triton，无需额外操作。如缺失可执行：

    uv pip install triton

  • Windows：PyTorch 官方未在 Windows 分发 Triton，必须手动安装社区维护的 triton-windows，并确保已安装 Visual C++ Redistributable。

    PyTorch 推荐 Triton 版本 安装命令
    2.10 及以上 3.6 uv pip install "triton-windows<3.7"
    2.9 3.5 uv pip install "triton-windows<3.6"
    2.8 3.4 uv pip install "triton-windows<3.5"
    2.7 3.3 uv pip install "triton-windows<3.4"
    2.6 3.2 uv pip install "triton-windows<3.3"

  • 不想/不能安装 Triton？ 在 config.yaml 中将 compile_models 设为 false，或设置环境变量 ANIMA_COMPILE_MODELS=false 即可跳过编译，但会损失显著的性能提升。

安装

有两种安装方式：uv（推荐） 和 pip。核心区别在于 PyTorch CUDA 版的处理方式。

方式 A：uv（推荐，一键搞定）

uv 会自动处理虚拟环境、Python 版本，并通过 pyproject.toml 里的 [[tool.uv.index]] 配置自动安装 CUDA 版 PyTorch。

git clone https://github.com/Moeblack/AnimaImagineSkill.git
cd AnimaImagineSkill

# 安装 uv（如果没装过）
# Linux / macOS
curl -LsSf https://astral.sh/uv/install.sh | sh
# Windows
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# 一键安装（自动创建 .venv + 安装 CUDA 版 PyTorch + 所有依赖）
uv sync

默认通过南京大学镜像安装 CUDA 13.0 版 PyTorch（国内直连，无需代理）。如需其他 CUDA 版本，修改 pyproject.toml 中 [[tool.uv.index]] 的 URL：

# RTX 5090 (Blackwell) → cu130
url = "https://mirror.nju.edu.cn/pytorch/whl/cu130/"

# 海外用户 → PyTorch 官方源
url = "https://download.pytorch.org/whl/cu130/"

方式 B：pip（手动控制 PyTorch 版本）

PyPI 上的 torch 默认是 CPU 版。必须先手动安装 CUDA 版 PyTorch，再安装本包（pip 不会覆盖已装的 torch）：

git clone https://github.com/Moeblack/AnimaImagineSkill.git
cd AnimaImagineSkill
python -m venv .venv

# Linux / macOS
source .venv/bin/activate
# Windows PowerShell
.\.venv\Scripts\Activate.ps1

# 第一步：先装 CUDA 版 PyTorch（根据 GPU 选择）
pip install torch torchvision torchaudio --index-url https://mirror.nju.edu.cn/pytorch/whl/cu124

# 第二步：再装本包（pip 检测到 torch 已满足 >=2.0，不会覆盖）
pip install anima-imagine-skill
# 或从源码安装
pip install -e .

为什么不能直接 pip install anima-imagine-skill？ 因为 pip 会从 PyPI 拉 CPU 版 torch。必须先用 --index-url 装好 CUDA 版， 再装本包时 pip 才会跳过 torch 不覆盖。这是整个 Python ML 生态的通用做法， diffusers、ComfyUI 等项目都是这样处理的。

下载模型

Anima 推理需要 3 个模型文件（约 14 GB）+ 2 个 tokenizer（约 16 MB）。

方法 A：ModelScope 下载（推荐，国内直连）

# uv run 会自动安装 modelscope 临时依赖并执行脚本，无需手动 pip install
uv run download_anima.py
# 文件保存到 ./models/ 目录

# 下载其他版本（preview / preview2 / preview3，默认 preview3）
uv run download_anima.py --version preview2
# 已存在且大小一致的文件会自动跳过，不重复下载

下载完成后目录结构：

models/
├── diffusion_models/
│   └── anima-preview3-base.safetensors   # DiT 扩散模型（~4.2 GB）
├── text_encoders/
│   └── qwen_3_06b_base.safetensors      # Qwen3 0.6B 文本编码器（~1.2 GB）
├── vae/
│   └── qwen_image_vae.safetensors       # Qwen-Image VAE（~300 MB）
└── tokenizers/                           # 脚本一并下载，无需手动处理
    ├── qwen3-0.6b/                       # Qwen3-0.6B tokenizer（~15 MB）
    │   ├── tokenizer.json
    │   └── ...
    └── t5xxl/                            # T5-xxl tokenizer（~800 KB）
        ├── tokenizer.json
        └── ...

方法 B：自动下载（需要能访问 HuggingFace）

不配置 model_dir，服务启动时会从 HuggingFace / ModelScope 自动下载到本地缓存。

国内用户注意：自动下载默认走 HuggingFace，国内可能无法直连。 可设置镜像：export HF_ENDPOINT=https://hf-mirror.com（Linux/macOS） 或 $env:HF_ENDPOINT = "https://hf-mirror.com"（PowerShell）。 建议优先用方法 A。

Tokenizer

uv run download_anima.py 已经包含 tokenizer 下载，无需额外操作。 如果 tokenizer 路径缺失或无效，服务启动时也会自动从远程下载（首次会多下载约 1.4 GB 的 Qwen3 模型权重作为副产品，之后缓存命中不再重复）。

法典数据准备（可选，用于 lookup_codex 等 MCP 查询工具）

服务内置了 3 个只读查询 MCP 工具，帮 AI 在一份庞大的 NovelAI tag 法典中快速 定位「条目名 + tag 组合」，无需 GPU。详见 AnimaImagineSkill/SKILL.md §9.4。

  • list_codex_sections — 列粗章节（含每章条目数）
  • list_codex_entries — 列某章节下的条目菜单（仅标题，省 token）
  • lookup_codex — 按关键字 / 章节检索，返回「条目名 + tag 块」

为什么默认没有法典数据？

本仓库默认附带的法典文件来自第三方作者（一般所长）整理的 NovelAI 个人法典， 属于版权物，未经作者授权不随代码仓库分发。仓库的 .gitignore 已将所有 法典-*.md / 法典-*.json / *.docx / media_*/ 排除在提交之外。

没有法典数据时，MCP 服务仍可正常生图，只是 lookup_codex 等查询工具加载 0 条， 启动日志会打印 [WARN] 未加载任何法典条目！。

我应该怎么获得法典数据？

途径： 自行准备：联系法典作者取得 docx 源文件，按下面的「数据格式」章节自行构建。

数据格式

服务启动时会在以下候选路径按顺序寻找第一个同时包含下列清单的目录：

AnimaImagineSkill/references/
├── 法典-常规.md              # 必需。若找不到此文件，整套 codex 工具不启用
├── 法典-R18.md               # 可选。R18 法典，缺失时 scope="r18" 返回空
├── 法典-常规-目录.json        # 粗章节索引（由 build_index.py 生成）
├── 法典-常规-细目录.json      # 条目级索引（同上）
├── 法典-R18-目录.json         # R18 粗目录（若有 R18 法典 md 则需要）
└── 法典-R18-细目录.json       # R18 细目录

候选路径（按优先级）：

  1. 环境变量 ANIMA_CODEX_DIR 指向的绝对目录（推荐用于部署场景）
  2. {cwd}/AnimaImagineSkill/references/
  3. {cwd}/references/
  4. 包安装目录同级的 AnimaImagineSkill/references/

找不到就静默跳过（生图功能不受影响）。

自己从 docx 构建数据

准备好两份 docx 后：

# 需要先装 pandoc：https://pandoc.org/installing.html
cd AnimaImagineSkill\references

# 1) docx -> md
pandoc "所长常规NovalAI个人法典（X.X.XX版，一般所长整理）.docx" `
  -t gfm --wrap=none --extract-media=./media_normal -o "法典-常规.md"
pandoc "所长色色NovalAI个人法典（X.X.XX版，一般所长整理）.docx" `
  -t gfm --wrap=none --extract-media=./media_r18 -o "法典-R18.md"

# 2) 生成粗 / 细目录
python build_index.py

脚本的工作原理（便于二次定制）：

  • 粗目录 扫描 pandoc 转出的 <span id="_Toc..." class="anchor"> 锚点行， 这些锚点来自 docx 的 Heading 样式；每章附带 end_line = 下一章 line - 1。
  • 细目录 在每个粗章节范围内启发式抓取「条目小标题行」：一行 ≤ 40 字， 至少含一个中文字符，不以 markdown 控制符开头，且下一行为空、再下一行像 tag 块 （含逗号 / :: / 1girl 等线索）。匹配到就记录行号 + 标题 + 所属章节。

如果你的数据不是「所长法典」而是自定义内容，只要维持同样的 md 骨架（章节锚点 + 小标题 / 空行 / tag 行 模式），用这套脚本就能直接出索引。

配置

复制示例配置并修改路径：

# Linux / macOS
cp config.example.yaml config.yaml

# Windows PowerShell
Copy-Item config.example.yaml config.yaml
# config.yaml
server:
  host: "0.0.0.0"
  port: 8008

model:
  model_dir: "./models"      # 指向 diffusion_models/ text_encoders/ vae/ 所在目录
  model_version: "preview3"  # preview / preview2 / preview3
  device: "cuda"
  low_vram: false            # 8GB 显存设为 true

optimization:
  sage_attention: true      # 启用 SageAttention 加速 DiT（需安装 sageattention）
  compile_models: true      # 启用 torch.compile 加速 DiT（常驻服务推荐）
  clear_cuda_cache: false   # 每次生成后清空 CUDA 缓存（常驻服务建议关闭）

security:
  enabled: false               # 远程公网部署时建议设为 true
  auth_token: ""               # Bearer Token（建议随机强密码）
  fail2ban_enabled: false      # 失败过多自动封禁 IP
  fail2ban_max_attempts: 5
  fail2ban_window_seconds: 300 # 统计窗口 5 分钟
  fail2ban_ban_seconds: 3600   # 封禁 1 小时

tokenizer:
  qwen_path: "./models/tokenizers/qwen3-0.6b"
  t5xxl_path: "./models/tokenizers/t5xxl"

output:
  dir: "./output"

配置优先级：环境变量 > config.yaml > 默认值。环境变量名见下表：

环境变量 对应 config.yaml 默认值
ANIMA_HOST server.host 0.0.0.0
ANIMA_PORT server.port 8008
ANIMA_MODEL_DIR model.model_dir （空，自动下载）
ANIMA_MODEL_VERSION model.model_version preview3
ANIMA_DEVICE model.device cuda
ANIMA_LOW_VRAM model.low_vram false
ANIMA_QWEN_TOKENIZER tokenizer.qwen_path （空，自动下载）
ANIMA_SAGE_ATTENTION optimization.sage_attention true
ANIMA_COMPILE_MODELS optimization.compile_models true
ANIMA_CLEAR_CUDA_CACHE optimization.clear_cuda_cache false
ANIMA_SECURITY_ENABLED security.enabled false
ANIMA_AUTH_TOKEN security.auth_token （空）
ANIMA_FAIL2BAN_ENABLED security.fail2ban_enabled false
ANIMA_FAIL2BAN_MAX_ATTEMPTS security.fail2ban_max_attempts 5
ANIMA_FAIL2BAN_WINDOW_SECONDS security.fail2ban_window_seconds 300
ANIMA_FAIL2BAN_BAN_SECONDS security.fail2ban_ban_seconds 3600
ANIMA_T5XXL_TOKENIZER tokenizer.t5xxl_path （空，自动下载）
ANIMA_OUTPUT_DIR output.dir ./output
ANIMA_CODEX_DIR （无） （空，按候选路径自动寻址）

远程部署安全建议

若服务需要暴露在公网或团队内网之外，强烈建议开启鉴权（默认关闭）：

  1. 在 config.yaml 中设置 security.enabled: true，并设置 auth_token（一个随机强密码）。
  2. 建议同时开启 fail2ban_enabled: true，防止密码被暴力穷举。
  3. 开启后的认证分流：
    • MCP 端点（/mcp/*）→ 在客户端配置中指定 Bearer Token，每次请求自动在 Authorization 头中携带。
    • 网页端（/、/api/*、/health）→ 首次访问会被 302 到 /login，输入密码后获得 30 天有效期的 Cookie，后续自动认证。
    • 登录页（/login、/api/login）→ 白名单放行，无需认证。

启动

# Linux / macOS
python -m anima_imagine

# Windows PowerShell
python -m anima_imagine
# 或用启动脚本
.\start.ps1

服务启动后：

地址 说明
http://localhost:8008/mcp/ MCP 端点（AI 客户端连接）
http://localhost:8008/ 图片画廊 + 生图面板
http://localhost:8008/health 健康检查

连接 AI 客户端

AI 客户端通过 Streamable HTTP MCP 连接本服务。支持 Cursor、Claude Desktop、Cherry Studio、LimCode 等所有支持 Streamable HTTP 的 MCP 客户端。

1. MCP 配置示例

将以下内容写入客户端的 MCP 配置文件（各客户端配置位置见下方「客户端配置位置」）：

{
  "mcpServers": {
    "anima-imagine": {
      "type": "streamable-http",
      "url": "http://localhost:8008/mcp/",
      "headers": {}
    }
  }
}

如果开启了安全认证（security.enabled: true），必须在 headers 中加入 Bearer Token：

{
  "mcpServers": {
    "anima-imagine": {
      "type": "streamable-http",
      "url": "http://localhost:8008/mcp/",
      "headers": {
        "Authorization": "Bearer your_secret_token_here"
      }
    }
  }
}

注意：url 末尾的 / 是必需的（http://localhost:8008/mcp/ 而不是 /mcp）。

2. 各客户端配置位置

客户端 MCP 配置文件路径
Cursor ~/.cursor/mcp.json（macOS/Linux）或 %USERPROFILE%\.cursor\mcp.json（Windows）
Claude Desktop ~/Library/Application Support/Claude/claude_desktop_config.json（macOS）或 %APPDATA%\Claude\claude_desktop_config.json（Windows）
Cherry Studio 设置 → MCP → 添加 → 选择「Streamable HTTP」类型，填入 URL 和 Headers
LimCode 将 mcp-config.json 放在工作区根目录，LimCode 启动时自动加载

3. nginx 反向代理场景

如果通过 nginx 反向代理暴露到外网，配置示例：

server {
    listen 443 ssl;
    server_name anima.example.com;

    location / {
        proxy_pass http://127.0.0.1:8008;
        proxy_http_version 1.1;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
    }
}

nginx 必须透传 X-Forwarded-For，否则 fail2ban 和真实 IP 获取会失效。

4. 加载 Skill

将本仓库根目录的 SKILL.md 添加为 AI 客户端的 Skill / System Prompt，AI 就会学会 Anima 的标签规范和提示词写法。

5. 开始使用

对 AI 说「画一个穿白裙的少女在花园里，竖屏 9:16」即可。

6. MCP 工具清单

工具 用途 需要 GPU
generate_anima_image 结构化字段生图（推荐调用方式） ✅
reroll_anima_image 基于历史图片参数重新生成 ✅
list_codex_sections 列法典粗章节（带每章条目数） ❌
list_codex_entries 列某章节下条目菜单（只有标题） ❌
lookup_codex 按关键词 / 章节检索条目，返回「标题 + tag 块」 ❌

后三个 codex 查询工具仅在 AnimaImagineSkill/references/ 下有法典数据时生效， 见上文「法典数据准备」一节。没有数据时只会返回空数组，不会影响生图。

画廊与生图面板

网页端（http://localhost:8008/）提供完整的图片管理和生图功能：

图库

  • 网格布局：按从左到右、从上到下的阅读顺序排列，一次最多加载 2000 张。
  • 灯箱查看器：点击图片进入全屏浏览。支持滚轮缩放、双击切换原始/适应尺寸、拖拽平移查看细节。UI 默认隐藏，鼠标移动时自动淡入；按 ℹ 键或点击按钮显示元数据（prompt、negative prompt、参数）。
  • 收藏 / 删除 / 下载 / 复制 Prompt / 回填参数：卡片悬停和灯箱中均可操作。
  • 批量操作：长按卡片或按 S 键进入多选模式，支持批量下载、复制、删除。
  • 标签过滤 / 日期筛选：顶栏实时搜索和按日期切换。

生图面板

  • 基础模式：直接输入完整 prompt。
  • 高级模式：12 个语义槽位（质量、人数、角色、作品、画师、外表、服饰、姿势、构图、环境、画风、自然语言补充），每个都是独立的 Tag Pill 输入框。
    • 标签自动补全：从 danbooru 标签库实时搜索匹配，支持按字段类别过滤。
    • Pill 胶囊可拖拽排序：拖动任意标签胶囊调整顺序，生成时按胶囊顺序拼接。
    • 字段预设保存：每个字段旁的 💾 按钮可将当前值保存为命名预设，之后一键加载。
    • 上次值自动恢复：每个字段的最后使用值自动保存，下次打开页面时恢复。
    • 高级字段保存到数据库：高级模式生成的图片会保存各字段原始值，灯箱回填参数时自动切换到高级模式并还原所有字段。
  • 实时预览：底部实时显示拼接后的完整 prompt。
  • Negative Prompt：可折叠，默认预填常用负面提示词。
  • 分辨率控制：9 种比例预设 + MP 倍率 + 手动输入。

标签数据管理

  • 标签库缓存：使用 IndexedDB 存储（解决 localStorage 配额限制），支持手动刷新和导入自定义 CSV。
  • 自定义标签：支持导入画师、角色等自定义标签 CSV，与核心库合并补全。

自定义分辨率

除了用 aspect_ratio 选择预设比例（均约 1MP），你还可以直接传入 width 和 height 自定义分辨率：

{
  "width": 1024,
  "height": 1536,  // 约 1.5MP
  "steps": 20
}

常用自定义分辨率参考：

目标像素 width × height 说明
~1.0 MP 1024 × 1024 默认 1:1，效果最稳定
~1.5 MP 1024 × 1536 Anima3 推荐，竖屏高清，steps=20
~1.6 MP 1152 × 1344 接近 4:3，画面更饱满，steps=20
~2.0 MP 1152 × 1792 竖屏超高清，steps 建议 30+

提示：宽高会自动对齐到 16 的倍数。超过 1.5MP 时建议适当增加 steps 以稳定肢体细节。

项目结构

AnimaImagineSkill/
├── config.example.yaml       # 配置示例（提交到 Git）
├── config.yaml               # 本地配置（不提交，在 .gitignore 中）
├── pyproject.toml
├── mcp-config.json           # MCP 客户端配置示例
├── download_anima.py         # ModelScope 模型下载脚本
├── start.ps1                 # Windows 启动脚本
├── models/                   # 所有模型文件（按类别分子目录）
├── src/anima_imagine/
│   ├── app.py                # v2 App Factory（组装所有组件）
│   ├── main.py               # CLI 入口
│   ├── config.py             # 配置加载（YAML + 环境变量）
│   ├── prompt_builder.py     # 结构化字段 → prompt 拼接
│   ├── codex.py              # 法典检索器
│   ├── gallery.html          # 画廊 + 生图面板网页
│   ├── login.html            # 登录页
│   ├── domain/               # 领域模型（ImageRecord, Job 等）
│   ├── infra/                # 基础设施（DB, Storage, Pipeline, Queue, Security）
│   ├── routers/              # 路由层（auth, gallery, generate, mcp, pages）
│   ├── schemas/              # API 输入校验
│   ├── services/             # 业务服务层
│   └── static/
│       ├── css/gallery.css
│       └── js/
│           ├── app.js              # 前端主入口
│           ├── generator.js        # 生图面板逻辑
│           ├── gallery-view.js     # 图库卡片渲染
│           ├── lightbox.js         # 灯箱（缩放/平移/UI 自动隐藏）
│           ├── pill-input.js       # Tag Pill 输入组件
│           ├── autocomplete.js     # 标签自动补全
│           ├── tag-data.js         # 标签数据管理（IndexedDB）
│           ├── tag-data-manager.js  # 标签数据管理面板
│           ├── field-presets.js     # 字段预设保存/加载
│           └── utils.js            # 通用工具
├── tests/                    # 单元测试
├── AnimaImagineSkill/
│   ├── SKILL.md              # 提示词工程师 Skill
│   └── references/           # 法典数据（版权物，不提交）
└── output/                   # 生成的图片（按日期分目录）

性能优化

服务内置了多项与 ComfyUI 对齐的加速优化，无需引入 ComfyUI 依赖：

  • torch.compile：服务启动时自动编译 DiT，首次生图有 5~10s 预热，之后每张图显著加速。 Triton 安装方法见上文「环境要求 › Triton（必需）」。
  • SageAttention：自动检测并启用。RTX 5090/Blackwell 等 Windows 用户需手动安装对应版本： 
    # 示例：Windows + PyTorch 2.9+ cu130 (Blackwell)
uv pip install "triton-windows<3.7"
uv pip install https://github.com/woct0rdho/SageAttention/releases/download/v2.2.0-windows.post4/sageattention-2.2.0+cu130torch2.9.0andhigher.post4-cp39-abi3-win_amd64.whl

    其他 CUDA / PyTorch 组合请去 SageAttention Releases 页面查找对应的 .whl。

  • 移除强制 empty_cache()：默认关闭，避免连续生成时反复分配显存，提升常驻服务吞吐量。
  • 分辨率 16 对齐：自动生成前将宽高对齐到 16 的倍数，符合 Cosmos 架构要求。

Benchmark（RTX 5090, 832×1216, steps=30, cfg=4.5）

配置 平均耗时 说明
Baseline 6.60s 无优化
Optimized 4.53s SageAttention + torch.compile
提速 ~13% 连续生成时后两张稳定在 ~5.8s

注：torch.compile 首图会有额外 5~15s 的编译预热时间，仅对多次生成或常驻服务有收益。

架构设计

v2 分层架构

┌─────────────────────────────────────────────┐
│  Routers (auth, gallery, generate, mcp)     │  HTTP/MCP 请求入口
├─────────────────────────────────────────────┤
│  Services (auth, gallery, generation)       │  业务逻辑
├─────────────────────────────────────────────┤
│  Domain (ImageRecord, Job, Resolution)      │  纯数据模型
├─────────────────────────────────────────────┤
│  Infra (DB, Storage, Pipeline, Queue)       │  基础设施
└─────────────────────────────────────────────┘

设计决策

  • 无 ComfyUI 依赖：直接调用 DiffSynth-Studio，单进程部署。
  • v2 分层架构：router → service → domain → infra，清晰的依赖方向，告别 v1 的 server.py 单文件架构。
  • SQLite 图库索引：替代 v1 的 JSON 文件扫描，支持高效的日期筛选、收藏、软删除和分页查询。DB schema 内置版本迁移（v1→v2 自动 ALTER TABLE）。
  • 异步任务队列：JobQueue + asyncio 线程池执行 GPU 推理，请求立即返回 job_id，前端轮询状态。
  • IndexedDB 标签缓存：前端标签数据（5-8MB danbooru CSV）从 localStorage 迁移到 IndexedDB，解决浏览器配额限制。旧数据自动迁移。
  • Prompt 拼接由服务端完成：高级模式的 12 个语义槽位按 Anima 官方顺序拼接，保证标签顺序正确。
  • 高级字段持久化：生成时保存各字段原始值到 DB 和 JSON，回填时精确还原高级模式状态。
  • 日期归档：图片按日期分目录，每张附带元数据 JSON + 缩略图。

License

AGPL-3.0-or-later

本项目采用 GNU Affero General Public License v3（或更新版本）。要点：

  • 你可以自由地使用、修改、分发本项目代码。
  • 修改后的版本必须同样以 AGPL 开源。
  • AGPL 的关键条款（§13）：如果你将本服务（或其衍生版本）作为网络服务对外提供 （包括 MCP endpoint、Web 面板等任何远程访问方式），必须向所有远程用户提供对应 的源码获取途径。

简单地说：自己玩怎么改都行；公开提供服务就必须公开源码。

About

No description, website, or topics provided.

Resources

Readme

License

View license
Activity

Stars

16 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages