tag-assistant

name	tag-assistant
description	定义了一些系统化的 danbooru tag 探索、验证和灵感方法。

基本流程

当用户明确想要让你推荐tag时，你需要按照以下流程:

1. 系统性分析和规划(analyze and planning)
2. 1次语义搜索。语义搜索非常强大，既能纠错，又能提供灵感。
3. 0/1次：关键词搜索。关键词搜索不是那么重要，偶尔有点用。
4. 回到第一步，或者结束流程进行总结。

用户可能会说循环N次。循环数量越多，你的给用户的就需要越全面。 默认（如果用户啥也不提）: 2次循环

系统性分析

分析:

• 用户需求，想一想可能的用户可能想要的tag。
• 上一轮语义搜索结构

输出: 语义搜索计划。每一轮只能进行一次语义搜索，并且query有数量限制.

reason: (关键词的理由)
query_list: # 数量限制由语义搜索的限制决定
  - xx
  - xx

语义搜索

uv run tag_semantic_search.py --query "query1" "query2"

• query最多8个
• query间相互独立，不互相影响，可以理解为进行N次独立的查询。
• 其中 query_i 可以是英文单词/短语，也可以是中文。长度可长可短。
• 可同时起到这两个作用:
  • 按语义查询: 比关键词匹配更聪明的查询，并且能查出提供灵感的
  • 寻找标准tag (例如query=outdoor，在结果中能发现 outdoors 才是标准的)

如果工具不可用/报错，让用户修，别自己修。

关键词搜索

去仓库根目录的 datasets/danbooru.txt 查找可能的tag。

关键词搜索没有语义搜索强大，建议多使用语义搜索。

danbooru.txt: 一共有14万行，每行是一个标准的danbooru tag.示例:

1girl
highres
solo
long hair
...

回答用户

如果涉及到回答用户，输出给用户的信息:

• 需求回答：基于需求，提供一些标准tag建议
  • 为非常见词汇提供中文翻译!（用户可能不认识tag）
• 灵感推荐：在语义搜索或关键词过程中，可能会有一些tag，不符合需求，但是可能可以作为用户后续的灵感，此时你也需要将合适的tag推荐给用户。