[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wfjsw--danbooru-diffusion-prompt-builder":3,"tool-wfjsw--danbooru-diffusion-prompt-builder":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":109,"forks":110,"last_commit_at":111,"license":112,"difficulty_score":23,"env_os":113,"env_gpu":113,"env_ram":113,"env_deps":114,"category_tags":120,"github_topics":121,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":133,"updated_at":134,"faqs":135,"releases":171},4065,"wfjsw\u002Fdanbooru-diffusion-prompt-builder","danbooru-diffusion-prompt-builder","Danbooru \u002F NovelAI 标签超市","danbooru-diffusion-prompt-builder 是一个专为 AI 绘画爱好者打造的在线“标签超市”，旨在简化 Danbooru 和 NovelAI 风格的提示词（Prompt）构建过程。它解决了用户在创作时面对海量英文标签难以检索、理解及组合的痛点，通过提供详细的中文释义、分类索引和直观配图，让用户能轻松找到并掌握所需标签。\n\n该工具不仅支持即时搜索和权重调配，还内置了高级提示词工程功能，如动态编辑和交替词汇，帮助用户精细控制生成效果。此外，它集成了嵌入模型（Embeddings）和超网络（Hypernetworks）的索引与下载服务，并支持导入现有标签组合进行自动解析与优化。无论是刚接触 AI 绘画的新手，还是追求极致效果的专业设计师，都能利用其丰富的预设库和可视化界面快速上手。\n\n其独特亮点在于将复杂的标签数据结构化、本地化，并提供了一套完善的社区协作机制，允许用户贡献标签说明、预览图及模型资源。danbooru-diffusion-prompt-builder 让提示词编写从枯燥的代码拼接转变为直观的创意组装，是提升 AI 绘画工作流效率的得力助手。","\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwfjsw_danbooru-diffusion-prompt-builder_readme_d1ca0f0ea38c.jpg\" width=\"200\" height=\"200\" alt=\"Logo\">\n\u003C\u002Fp>\n\u003Cdiv align=\"center\">\n\n# Danbooru 标签超市\n\nhttps:\u002F\u002Ftags.novelai.dev\n\n\u003C\u002Fdiv>\n\n## 主要功能\n\n-   标签分类、释义与配图\n-   即时搜索\n-   构建标签组合并调配权重\n-   支持调配高级标签工程（[Prompt Editing](https:\u002F\u002Fgithub.com\u002FAUTOMATIC1111\u002Fstable-diffusion-webui\u002Fwiki\u002FFeatures#prompt-editing) \u002F [Alternating Words](https:\u002F\u002Fgithub.com\u002FAUTOMATIC1111\u002Fstable-diffusion-webui\u002Fwiki\u002FFeatures#alternating-words)）\n-   导入已有标签组合并自动匹配，支持解析复杂标签\n-   预设（固定标签组合）整理、说明与配图\n-   嵌入模型索引与下载\n-   超网络模型索引与下载\n\n## 开发与改进\n\n### 修改标签或预设\n\n请编辑 `data\u002Ftags\u002F**\u002F*.yaml` 与 `data\u002Fpresets\u002F**\u002F*.yaml` 文件。\n\n#### 拓广\n\n添加标签的最低标准是拥有标签的英文名与中文名。\n\n对于标签名，请将下划线替换为空格。请注意不要与其他标签重复。使用 `npm run dupcheck` 或\n`yarn dupcheck` 检查是否存在重复问题。\n\n##### 标签\n\n```yaml\nname: \u003C分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    tag-name1: # 英文标签\n        name: \u003C标签中文名1>\n    tag-name2: # 英文标签\n        name: \u003C标签中文名2>\n```\n\n##### 预设\n\n```yaml\nname: \u003C预设分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    预设中文名:\n        description: 预设描述\n        content:\n            - tag1\n            - tag2\n```\n\n#### 精修\n\n一个优质标签应当拥有配图、说明、别名与 Danbooru Wiki 链接。\n\n图片大小应当尽量符合 512px \\* 512px 以获得最佳显示效果。\n\n请通过 `npm run importimage \u003Cpath>` 或 `yarn importimage \u003Cpath>` 将图片添加到公共目录。\n这将会自动裁剪图片并进行适当的压缩。\n\n使用 `npm run importuncroppedimage \u003Cpath>` 或 `yarn importuncroppedimage \u003Cpath>`\n添加的图片将不经裁剪直接加入。适用于宽幅预设演示图。\n\n请不要添加儿童色情相关、或违反 GitHub 使用协议的图片到项目中。\n\n##### 标签\n\n```yaml\nname: \u003C分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    tag-name1: # 英文标签\n        name: \u003C标签中文名1>\n        description: \u003C标签说明>\n        wikiURL: \u003CDanbooru Wiki 链接>\n        image: \u003C图片 SHA256>\n        restricted: false # 是否限制级\n```\n\n##### 预设\n\n```yaml\nname: \u003C预设分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ndescription: \u003C预设分类说明>\ncontent:\n    预设中文名:\n        description: 预设描述\n        content:\n            - tag1\n            - tag2\n        preview: # 预览图片 SHA256 (可选)\n            - \u003Chash1>\n            - \u003Chash2>\n```\n\n### 上传嵌入模型 (TI Embeddings)\n\n嵌入模型只支持最新版图片格式（`Save images with embedding in PNG chunks`）。\n为安全起见，暂不接受 `.pt` 模型文件。\n\n`.pt` 格式的模型文件请通过 [这个 Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgist\u002Fwfjsw\u002F2b2a26349bef1ce891f6ab4d4fb3030a\u002Fconvert-pt-embedding-to-png.ipynb) 进行格式转换。\n\n请通过 `npm run importembedding \u003Cpath>` 或 `yarn importembedding \u003Cpath>`\n将模型图片添加到公共目录。然后，在 `data\u002Fembeddings\u002F**\u002F*.yaml` 创建描述文件。\n\n```yaml\n# 调用该模型使用的命令 (模型图片左上角尖括号内容)\nprompt: victorian-lace\n# 模型名称\nname: Victorian Lace\n# 模型作者\u002F来源\nauthor: u\u002Fdepfakacc @ Reddit\n# 模型描述\ndescription: 'A lace pattern that looks like it was made in the Victorian era.'\n# 模型分类\ncategory: \n  - 未分类\n# 该模型对应的主模型名称\nmodelName: model-aa-waifu\n# 该模型对应的主模型 Hash （显示在 WebUI 下拉框中的 Hash）\nmodelHash: '2037c511'\n# 模型图片右下角 v 字符旁的数字\nvectorSize: 10\n# 模型图片右下角 s 字符旁的数字\nsteps: 675\n# 模型文件的 SHA256 Hash\npayloadHash: df0641662fb2fc8190a4508c34926243843484495e6d9b0e500f8a8e409aa84e\n# 是否限制级 (可选)\nrestricted: false\n# 推荐正向标签 (可选)\nsuggestPositive:\n    - cute\n# 推荐反向标签 (可选)\nsuggestNegative:\n    - futa\n```\n\n### 上传超网络模型 (Hypernetworks)\n\n超网络模型的描述文件位于 `data\u002Fhypernetworks\u002F**\u002F*.yaml`。\n\n模型的演示图片上传流程与普通标签类似，其他项目与嵌入式模型类似。由于超网络模型本身体积较大，网站服务器与 GitHub 均无法存放，\n请将 `.pt` 模型文件上传到我们的 [HuggingFace 模型库](https:\u002F\u002Fhuggingface.co\u002Fnovelai-dev\u002FDDPB-hypernetworks\u002Ftree\u002Fmain)，\n并在描述文件中填写文件的下载地址。\n\n```yaml\nprompt: demo-model # 模型内置英文名\nname: 演示模型 # 模型中文名称\nauthor: John Doe @ Tieba # 模型来源\ncategory: # 模型分类\n  - 风景\nmodelName: demo model # 该模型对应的主模型名称\nmodelHash: 'deadbeef' # 该模型对应的主模型 Hash （显示在 WebUI 下拉框中的 Hash）\nsteps: 2600 # 模型内记录的训练步数\n\n# 模型预览图的 SHA256 Hash (可选)\npreviewHash: 9b55d1f1a03861c01cd72b4952191660f87c7bc0e9a0dfc4447022852a2be147\n\n# 模型文件的 HuggingFace 下载地址\npayloadURL: https:\u002F\u002Fhuggingface.co\u002Fnovelai-dev\u002FDDPB-hypernetworks\u002Fresolve\u002Fmain\u002Fdemo.pt\n\n# 推荐正向标签 (可选)\nsuggestPositive:\n    - demo tag\n# 推荐反向标签 (可选)\nsuggestNegative:\n    - demo tag 2\n```\n\n### 开发环境\n\n> 由于使用了部分 Pro 图标，构建该项目将需要 [Font Awesome v6 Pro 授权](https:\u002F\u002Ffontawesome.com\u002Fplans)，\n> 并连接到 Font Awesome 私有 NPM 服务器。在开发过程中您可以暂时替换为 Free 图标。\n\n```bash\n# 安装依赖\nyarn\n# 启动开发服务器\nyarn dev\n# 构建项目\nyarn build\n```\n\n### TODO\n\n尚需改进之处：\n\n-   [ ] Masonry 与许多界面优化 (如 Collapse) 不兼容\n","\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwfjsw_danbooru-diffusion-prompt-builder_readme_d1ca0f0ea38c.jpg\" width=\"200\" height=\"200\" alt=\"Logo\">\n\u003C\u002Fp>\n\u003Cdiv align=\"center\">\n\n# Danbooru 标签超市\n\nhttps:\u002F\u002Ftags.novelai.dev\n\n\u003C\u002Fdiv>\n\n## 主要功能\n\n-   标签分类、释义与配图\n-   即时搜索\n-   构建标签组合并调配权重\n-   支持调配高级标签工程（[Prompt Editing](https:\u002F\u002Fgithub.com\u002FAUTOMATIC1111\u002Fstable-diffusion-webui\u002Fwiki\u002FFeatures#prompt-editing) \u002F [Alternating Words](https:\u002F\u002Fgithub.com\u002FAUTOMATIC1111\u002Fstable-diffusion-webui\u002Fwiki\u002FFeatures#alternating-words)）\n-   导入已有标签组合并自动匹配，支持解析复杂标签\n-   预设（固定标签组合）整理、说明与配图\n-   嵌入模型索引与下载\n-   超网络模型索引与下载\n\n## 开发与改进\n\n### 修改标签或预设\n\n请编辑 `data\u002Ftags\u002F**\u002F*.yaml` 与 `data\u002Fpresets\u002F**\u002F*.yaml` 文件。\n\n#### 拓广\n\n添加标签的最低标准是拥有标签的英文名与中文名。\n\n对于标签名，请将下划线替换为空格。请注意不要与其他标签重复。使用 `npm run dupcheck` 或\n`yarn dupcheck` 检查是否存在重复问题。\n\n##### 标签\n\n```yaml\nname: \u003C分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    tag-name1: # 英文标签\n        name: \u003C标签中文名1>\n    tag-name2: # 英文标签\n        name: \u003C标签中文名2>\n```\n\n##### 预设\n\n```yaml\nname: \u003C预设分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    预设中文名:\n        description: 预设描述\n        content:\n            - tag1\n            - tag2\n```\n\n#### 精修\n\n一个优质标签应当拥有配图、说明、别名与 Danbooru Wiki 链接。\n\n图片大小应当尽量符合 512px \\* 512px 以获得最佳显示效果。\n\n请通过 `npm run importimage \u003Cpath>` 或 `yarn importimage \u003Cpath>` 将图片添加到公共目录。\n这将会自动裁剪图片并进行适当的压缩。\n\n使用 `npm run importuncroppedimage \u003Cpath>` 或 `yarn importuncroppedimage \u003Cpath>`\n添加的图片将不经裁剪直接加入。适用于宽幅预设演示图。\n\n请不要添加儿童色情相关、或违反 GitHub 使用协议的图片到项目中。\n\n##### 标签\n\n```yaml\nname: \u003C分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ncontent:\n    tag-name1: # 英文标签\n        name: \u003C标签中文名1>\n        description: \u003C标签说明>\n        wikiURL: \u003CDanbooru Wiki 链接>\n        image: \u003C图片 SHA256>\n        restricted: false # 是否限制级\n```\n\n##### 预设\n\n```yaml\nname: \u003C预设分类名>\ncategory: \n  - \u003C分类层级1>\n  - \u003C分类层级2>\nrestricted: false # 是否限制级\ndescription: \u003C预设分类说明>\ncontent:\n    预设中文名:\n        description: 预设描述\n        content:\n            - tag1\n            - tag2\n        preview: # 预览图片 SHA256 (可选)\n            - \u003Chash1>\n            - \u003Chash2>\n```\n\n### 上传嵌入模型 (TI Embeddings)\n\n嵌入模型只支持最新版图片格式（`Save images with embedding in PNG chunks`）。\n为安全起见，暂不接受 `.pt` 模型文件。\n\n`.pt` 格式的模型文件请通过 [这个 Colab 笔记本](https:\u002F\u002Fcolab.research.google.com\u002Fgist\u002Fwfjsw\u002F2b2a26349bef1ce891f6ab4d4fb3030a\u002Fconvert-pt-embedding-to-png.ipynb) 进行格式转换。\n\n请通过 `npm run importembedding \u003Cpath>` 或 `yarn importembedding \u003Cpath>`\n将模型图片添加到公共目录。然后，在 `data\u002Fembeddings\u002F**\u002F*.yaml` 创建描述文件。\n\n```yaml\n# 调用该模型使用的命令 (模型图片左上角尖括号内容)\nprompt: victorian-lace\n# 模型名称\nname: Victorian Lace\n# 模型作者\u002F来源\nauthor: u\u002Fdepfakacc @ Reddit\n# 模型描述\ndescription: 'A lace pattern that looks like it was made in the Victorian era.'\n# 模型分类\ncategory: \n  - 未分类\n# 该模型对应的主模型名称\nmodelName: model-aa-waifu\n# 该模型对应的主模型 Hash （显示在 WebUI 下拉框中的 Hash）\nmodelHash: '2037c511'\n# 模型图片右下角 v 字符旁的数字\nvectorSize: 10\n# 模型图片右下角 s 字符旁的数字\nsteps: 675\n# 模型文件的 SHA256 Hash\npayloadHash: df0641662fb2fc8190a4508c34926243843484495e6d9b0e500f8a8e409aa84e\n# 是否限制级 (可选)\nrestricted: false\n# 推荐正向标签 (可选)\nsuggestPositive:\n    - cute\n# 推荐反向标签 (可选)\nsuggestNegative:\n    - futa\n```\n\n### 上传超网络模型 (Hypernetworks)\n\n超网络模型的描述文件位于 `data\u002Fhypernetworks\u002F**\u002F*.yaml`。\n\n模型的演示图片上传流程与普通标签类似，其他项目与嵌入式模型类似。由于超网络模型本身体积较大，网站服务器与 GitHub 均无法存放，\n请将 `.pt` 模型文件上传到我们的 [HuggingFace 模型库](https:\u002F\u002Fhuggingface.co\u002Fnovelai-dev\u002FDDPB-hypernetworks\u002Ftree\u002Fmain)，\n并在描述文件中填写文件的下载地址。\n\n```yaml\nprompt: demo-model # 模型内置英文名\nname: 演示模型 # 模型中文名称\nauthor: John Doe @ Tieba # 模型来源\ncategory: # 模型分类\n  - 风景\nmodelName: demo model # 该模型对应的主模型名称\nmodelHash: 'deadbeef' # 该模型对应的主模型 Hash （显示在 WebUI 下拉框中的 Hash）\nsteps: 2600 # 模型内记录的训练步数\n\n# 模型预览图的 SHA256 Hash (可选)\npreviewHash: 9b55d1f1a03861c01cd72b4952191660f87c7bc0e9a0dfc4447022852a2be147\n\n# 模型文件的 HuggingFace 下载地址\npayloadURL: https:\u002F\u002Fhuggingface.co\u002Fnovelai-dev\u002FDDPB-hypernetworks\u002Fresolve\u002Fmain\u002Fdemo.pt\n\n# 推荐正向标签 (可选)\nsuggestPositive:\n    - demo tag\n# 推荐反向标签 (可选)\nsuggestNegative:\n    - demo tag 2\n```\n\n### 开发环境\n\n> 由于使用了部分 Pro 图标，构建该项目将需要 [Font Awesome v6 Pro 授权](https:\u002F\u002Ffontawesome.com\u002Fplans)，\n> 并连接到 Font Awesome 私有 NPM 服务器。在开发过程中您可以暂时替换为 Free 图标。\n\n```bash\n# 安装依赖\nyarn\n# 启动开发服务器\nyarn dev\n# 构建项目\nyarn build\n```\n\n### TODO\n\n尚需改进之处：\n\n-   [ ] Masonry 与许多界面优化 (如 Collapse) 不兼容","# Danbooru 标签超市 (danbooru-diffusion-prompt-builder) 快速上手指南\n\nDanbooru 标签超市是一个专为 Stable Diffusion 设计的标签管理工具，提供标签分类、释义、配图展示、权重调配及高级提示词工程功能。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows, macOS 或 Linux\n*   **运行时依赖**：\n    *   [Node.js](https:\u002F\u002Fnodejs.org\u002F) (建议 LTS 版本)\n    *   [Yarn](https:\u002F\u002Fyarnpkg.com\u002F) 包管理器\n*   **可选依赖**：\n    *   Font Awesome v6 Pro 授权（用于完整图标显示，开发测试可暂时替换为 Free 版图标）\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003C项目仓库地址>\n    cd danbooru-diffusion-prompt-builder\n    ```\n\n2.  **安装依赖**\n    推荐使用 Yarn 进行依赖安装：\n    ```bash\n    yarn\n    ```\n    *(注：如遇网络问题，可配置国内镜像源，如 `yarn config set registry https:\u002F\u002Fregistry.npmmirror.com`)*\n\n3.  **启动开发服务器**\n    ```bash\n    yarn dev\n    ```\n    启动后，访问终端显示的本地地址（通常为 `http:\u002F\u002Flocalhost:xxxx`）即可使用。\n\n4.  **构建生产版本（可选）**\n    ```bash\n    yarn build\n    ```\n\n## 基本使用\n\n### 1. 浏览与搜索标签\n*   访问主界面，利用**即时搜索**功能查找所需标签。\n*   查看标签的**分类**、**中文释义**及**示例配图**。\n*   点击标签即可将其添加到提示词构建区。\n\n### 2. 构建提示词 (Prompt)\n*   **组合标签**：在构建区添加多个标签。\n*   **调整权重**：直接修改标签后的权重数值，或使用括号语法 `(tag:1.2)`。\n*   **高级工程**：支持编写 `[prompt editing]` (提示词编辑) 和 `[alternating words]` (交替词汇) 等高级语法。\n\n### 3. 使用预设 (Presets)\n*   在“预设”板块浏览整理好的固定标签组合（如特定画风、角色类型）。\n*   点击预设一键应用所有关联标签，并可查看预设说明与预览图。\n\n### 4. 模型索引\n*   **嵌入模型 (TI)** 与 **超网络 (Hypernetworks)**：在对应板块检索模型，查看作者、适用主模型及推荐的正\u002F反向标签，并获取下载链接或 HuggingFace 地址。\n\n### 5. 导入现有提示词\n*   将已有的复杂提示词字符串粘贴至输入框，工具将自动解析并匹配对应的标签与权重，方便二次编辑。","一位二次元插画师正试图用 Stable Diffusion 生成一张具有“维多利亚风格蕾丝”细节的高质量角色立绘，但在构建提示词时陷入了瓶颈。\n\n### 没有 danbooru-diffusion-prompt-builder 时\n- **标签检索低效**：需要在 Danbooru 维基百科和多个论坛间反复切换搜索，难以确认\"victorian_lace\"等特定英文标签的准确写法及中文含义。\n- **权重调配盲目**：全靠手动输入 `(tag:1.2)` 语法来调整强调程度，缺乏可视化参考，往往经过数十次试错才能找到合适的权重平衡。\n- **资源查找困难**：想要使用特定的嵌入模型（Embedding）来增强蕾丝质感，却不知去哪里下载兼容的 `.png` 格式文件，也不清楚该搭配哪些正向或反向标签。\n- **复杂语法易错**：尝试使用提示词编辑（Prompt Editing）或交替词汇功能时，因手动编写语法繁琐且容易出错，导致生成结果完全偏离预期。\n\n### 使用 danbooru-diffusion-prompt-builder 后\n- **一站式标签超市**：直接在工具内通过中文搜索“维多利亚蕾丝”，即刻获得准确的英文标签、详细释义及效果配图，无需跨平台查阅。\n- **可视化权重构建**：利用内置的调节器直观地拖拽或输入数值来组合标签权重，并实时预览构建好的复杂提示词结构，大幅减少试错成本。\n- **模型索引与推荐**：在“嵌入模型”板块直接找到\"Victorian Lace\"模型，获取下载地址的同时，还能看到作者推荐的最佳搭配标签和训练步数。\n- **高级工程支持**：通过图形化界面轻松配置提示词编辑和交替词汇逻辑，自动生成符合 WebUI 标准的高级语法，确保复杂创意精准落地。\n\ndanbooru-diffusion-prompt-builder 将原本碎片化、高门槛的提示词工程转化为可视化的流水线操作，让创作者能专注于创意本身而非语法调试。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwfjsw_danbooru-diffusion-prompt-builder_e2a993c4.png","wfjsw","Jianshu Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwfjsw_3652ad1a.png","PhD@UTD. Student \u002F Full Stack \u002F Cybersecurity.","University of Texas at Dallas","Dallas, TX, US",null,"https:\u002F\u002Fjianshuw.in\u002F","https:\u002F\u002Fgithub.com\u002Fwfjsw",[85,89,93,97,101,105],{"name":86,"color":87,"percentage":88},"TypeScript","#3178c6",50.8,{"name":90,"color":91,"percentage":92},"Vue","#41b883",44.3,{"name":94,"color":95,"percentage":96},"SCSS","#c6538c",1.8,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",1.5,{"name":102,"color":103,"percentage":104},"Nearley","#990000",1.4,{"name":106,"color":107,"percentage":108},"HTML","#e34c26",0.3,1202,121,"2026-04-04T09:24:47","AGPL-3.0","未说明",{"notes":115,"python":113,"dependencies":116},"这是一个基于 Web 的前端工具（标签构建器），并非直接运行 AI 模型的推理环境，因此无需特定 GPU 或大内存。开发需安装 Node.js 和 Yarn\u002Fnpm。若需使用完整功能（如 Font Awesome Pro 图标），需授权并连接私有 NPM 服务器，开发时可替换为 Free 图标。嵌入模型仅支持包含元数据的 PNG 格式，不支持 .pt 文件；超网络模型需托管在 HuggingFace 并在配置中填写下载链接。",[117,118,119],"Node.js","Yarn\u002Fnpm","Font Awesome v6 Pro (可选)",[15,14,13],[122,123,124,125,126,127,128,129,130,131,132],"danbooru","novelai","stable-diffusion","tagging","txt2img","element-plus","vue","vue3","ai","generator","prompt","2026-03-27T02:49:30.150509","2026-04-06T09:24:15.265465",[136,141,146,151,156,161,166],{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},18510,"为什么下载的 Embedding 模型（.webp 格式）在 Stable Diffusion WebUI 中无法生效或无法识别？","这是因为早期生成的文件内嵌了模型名称（name 项），导致 WebUI 解析异常。维护者已重新生成所有 Embedding 文件并移除了该名称项。请确保下载最新版本的 .webp 文件，并将其直接放入 WebUI 的 `embeddings` 文件夹中即可正常使用。这些 .webp 文件利用 pnginfo 存储数据，无需转换为 .pt 格式，且比 .pt 文件更安全。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F10",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},18511,"点击下载嵌入模型时，为什么下载下来的是一张图片而不是模型文件？","这是正常现象。该项目提供的嵌入模型采用 .webp 图片格式封装，模型数据存储在图片的元数据（pnginfo）中。您不需要寻找 .pt 文件，直接将下载的 .webp 文件放入 Stable Diffusion WebUI 的 `embeddings` 目录中即可当作模型使用。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F2",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},18512,"如何正确安装和使用下载的嵌入模型？","无需进行复杂的转换操作。只需将下载的 .webp 格式文件直接放置在 Stable Diffusion WebUI 根目录下的 `embeddings` 文件夹中。重启 WebUI 或刷新扩展列表后，即可在提示词中通过文件名或关联标签调用该模型。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F11",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},18513,"网站在浏览器中加载时没有显示标签或内容空白，如何解决？","这通常是由浏览器的广告拦截插件（AdBlock 等）误拦截了网站资源导致的。请尝试暂时禁用广告拦截插件，或者将该网站添加到白名单中。如果问题依旧，建议检查浏览器控制台（Console）标签页以获取具体错误信息，或配置网络代理后重试。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F18",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},18514,"网站无法访问或连接超时怎么办？","如果确认服务器运行正常但您无法访问，通常是由于网络连接问题。建议配置科学上网代理后再尝试访问。维护者表示服务端未见异常，此类问题多由本地网络环境引起。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F25",{"id":162,"question_zh":163,"answer_zh":164,"source_url":165},18515,"是否有计划支持 NovelAI 风格的强调语法（如 `(tag:1.3)`）？","维护者正在开发相关功能。未来的更新将保留大括号 `{}` 支持，移除不必要的小括号限制，并原生支持复合标签（composite）、编辑语法（editing）和交替语法（alternate）。同时也会优化手机端的界面体验。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F1",{"id":167,"question_zh":168,"answer_zh":169,"source_url":170},18516,"部分关键词的配图存在身体结构错误或多余部位，会修复吗？","维护者已知晓此问题。对于身体结构出现重大错误或关键部位显示异常的配图，计划进行重新生成和修复。如果您急需修复或有能力贡献代码，也欢迎提交 Pull Request (PR) 协助改进。","https:\u002F\u002Fgithub.com\u002Fwfjsw\u002Fdanbooru-diffusion-prompt-builder\u002Fissues\u002F13",[]]