Danbooru标签搜索引擎更新

Danbooru标签搜索引擎更新：支持 MCP 接入，让 AI 直接调用搜索能力

距离上次发文已经过去了一段时间，这期间工具做了不少改动，挑几个值得说的讲一下。

---

最大的更新：MCP 接口

这次更新里影响最大的，是加了 MCP（Model Context Protocol）接口。

简单说，MCP 是一个让大模型客户端「调用外部工具」的协议。接入之后，Claude Desktop、Cursor、Cherry Studio 这类支持 MCP 的客户端，可以在对话过程中直接调用 Danbooru 标签搜索引擎，不需要你手动打开网页复制粘贴，AI 会在需要的时候自己去查。

接入方式很简单，在客户端的 MCP 配置里加一条：

{
  "mcpServers": {
    "danbooru-searcher": {
      "url": "https://sakizuki-danboorusearch.hf.space/mcp/mcp"
    }
  }
}

目前提供两个工具：

• search_tags：自然语言搜索标签，接受中英文描述，返回匹配标签列表和可直接用于 AI 绘画的 prompt 字符串
• get_related_tags：给定已选标签列表，基于共现数据推荐搭配标签

工具的参数设计上做了比较仔细的场景化区分，比如 use_segmentation 控制是否拆词（完整画面描述开，精确查词关），top_k 针对不同场景给了推荐值，文档里都有说明。

---

为什么 MCP 比直接把标签集合塞给 AI 更好用？

这个问题我做了一个量化测试。

实验设计：底模统一使用 DeepSeek-V3-0324（无思考模式）。方案 A 是接入本项目的 MCP 接口，让模型按需调用检索工具；方案 B 是利用该模型的 1M 上下文窗口，直接将完整的 tags_enhanced.csv 标签数据库塞入 prompt，让模型在静态上下文中直接回答。两组输入的 Prompt 完全相同，只有信息获取方式不同。评测模型选用 Gemini 2.5 Pro，对两组输出隐去来源后进行盲评打分，满分 100 分。

测试共 17 组，覆盖完整画面描述（含人设还原）、关联推荐、概念扩展、角色识别、角色特征搜索等五类场景。

得分汇总如下：

#	任务类型	A（MCP）	B（静态注入）	差值
1	原创人设还原	95	72	+23
2	完整画面描述	94	74	+20
3	关联推荐	100	96	+4
4	概念扩展（武装JK）	90	40	+50
5	角色识别（星穹铁道）	95	20	+75
6	完整画面描述（夜景）	90	40	+50
7	哥特洛丽塔场景	95	85	+10
8	深夜便利店场景	92	65	+27
9	图书馆阅读场景	92	72	+20
10	角色描述搜索（SAO）	85	40	+45
11	角色识别（原神）	95	45	+50
12	角色识别（石之门）	90	85	+5
13	角色特征（初音未来）	100	40	+60
14	概念扩展（透视感）	95	75	+20
15	意境扩展（异国街道）	95	90	+5
16	关联推荐（blood+sword）	98	80	+18
17	关联推荐（cake+maid）	98	82	+16
均值		93.5	64.8	+28.7

17 组测试 A 全部高于 B。A 均值 94.1（标准差 3.9），B 均值 64.8（标准差 22.5），平均差值 29.3 分（95% CI：[18.3, 40.3]）。

以下是各统计指标的计算方式与结果。设 \(n = 17\)，\(d_i = A_i - B_i\) 为第 \(i\) 组的得分差值，\(\bar{d}\)、\(s_d\) 分别为差值的均值与标准差。

配对 t 检验检验「两组得分均值是否存在显著差异」的假设，适用于同一批任务上的两种方案对比。统计量为：

\[t = \frac{\bar{d}}{s_d / \sqrt{n}}\]

代入数据：\(\bar{d} = 29.3\)，\(s_d = 21.5\)，得 \(t(16) = 5.63\)，\(p = 3.8 \times 10^{-5}\)。

Wilcoxon 符号秩检验是配对 t 检验的非参数替代，不假设差值服从正态分布，对小样本更稳健。它对所有差值 \(d_i\) 按绝对值排秩，统计量 \(W\) 为正差值对应秩次之和：

\[W = \sum_{i: d_i > 0} R_i\]

其中 \(R_i\) 为 \(|d_i|\) 的秩次。本次 \(W = 153\)（即全部 17 个正差值的秩次之和，等于 \(1+2+\cdots+17 = 153\)，意味着没有任何一组 B 优于 A），\(p = 1.4 \times 10^{-4}\)。

符号检验是最简单的非参数检验，仅统计 A 优于 B 的组数，原假设为「A 优于 B 的概率等于 0.5」。若 17 组全部 A 优于 B，在原假设下出现此结果的概率为：

\[p = \left(\frac{1}{2}\right)^{17} \approx 7.6 \times 10^{-6}\]

效应量 Cohen's d衡量两组差异的实际大小，与样本量无关，消除了「样本足够大时任何微小差异都显著」的问题。配对场景下的公式为：

\[d = \frac{\bar{d}}{s_d} = \frac{29.3}{21.5} = 1.37\]

按惯例，\(d > 0.8\) 即为大效应。1.37 表明两种方案的差距在实践中是可以明显感知的，不只是统计上显著。

95% 置信区间给出了均值差的估计范围，基于 \(t\) 分布构造：

\[\bar{d} \pm t_{0.975,\, n-1} \cdot \frac{s_d}{\sqrt{n}} = 29.3 \pm 2.12 \times 5.21 = [18.3,\ 40.3]\]

即在 95% 的置信水平下，MCP 方案相对于静态注入方案的得分优势在 18.3 到 40.3 分之间。

B 的标准差（22.5）远高于 A（3.9），说明静态注入方案的表现高度依赖任务类型，在部分场景下尚可（关联推荐类最高 96 分），在另一些场景下几乎完全失效（角色识别类最低 20 分）；MCP 方案在所有任务类型上均保持稳定。

失败模式上，B 的问题在不同任务类型里有明显规律：

角色识别类（第 5、10、11 组） 是差距最大的场景，B 得分分别为 20、40、45。B 在第 5 组（缇宝识别）直接把有三个分身的黄金裔角色答成了「阿格莱雅」，导致整组输出失效；在第 10 组（刀剑神域系统管理员）把正确答案「神代凛子」认成了「桐谷直叶」；在第 11 组（原神厨师香菱）虽然答对角色，但只能提供 cooking 这一个相关特征标签，而 A 命中了 guoba_(genshin_impact)、holding_cooking_pot、chili_pepper 等十余个精确标签。

概念扩展与领域专有标签（第 4 组） 差距达 50 分。B 只能做到 weapon + school_uniform 的字面组合，无法命中 tactical_school_uniform 这个专门描述「战术校服」的领域标签，而这正是语义检索 + 共现索引的核心优势所在。

角色识别（第 5 组） 差距最大，达 75 分。题目是「星穹铁道里有三个分身的可玩黄金裔角色」，B 直接把答案给成了「阿格莱雅」，角色认错导致后续所有特征标签全部失效，得分 20。A 通过检索工具定位到正确角色「缇宝」，命中了 tribbie_(honkai:_star_rail)、triplets、chrysos_heirs_(honkai:_star_rail)、cross-shaped_pupils、laurel_crown 等核心标签，还区分出了三个分身各自的独立标签（trianne_、trinnon_、tribios_）。

完整画面描述类（第 1、2 组） 的差距相对小一些（20~23 分），主要问题是 B 凭空添加未指定的属性（如 blue_eyes、long_sleeves），以及属性降级（high_ponytail 被简化为 ponytail）。

关联推荐类（第 3、16、17 组）两者差距较小，这符合预期——关联推荐本质上是标签推荐而非精确匹配，B 依靠模型自身的语言知识仍能给出合理结果，只是覆盖度和精确度略低。

核心差距不来自模型参数能力，而来自 信息获取方式：实时检索可以访问标签共现结构和角色映射关系，静态数据集注入受限于词表边界，越是依赖图谱关联理解的任务，差距越大。特别是角色识别类任务，B 在这类高度依赖专有知识库的任务上几乎没有胜算。

---

其他主要更新

推荐打分算法升级

共现推荐的打分从原来的 TF-IDF 惩罚归一化换成了 NPMI（归一化点互信息）。旧方案只惩罚目标标签的热度，不考虑种子标签本身的频率，会导致高频种子标签（如 1girl）推荐出大量只是因为高频而共现的无关标签。NPMI 同时归一化两端，有效过滤掉这类热度驱动的伪相关结果。

意图检测与层权重动态分配

搜索时会先检测输入的语言特征：是中文还是英文、是长句还是短词。根据检测结果，四个检索视图（英文标签、中文扩展词、维基释义、中文核心词）各自分配不同的 top_k 配额。比如输入是长中文句子，释义视图权重会更高；输入是英文短词，英文视图优先。这个逻辑原来是等权处理的，现在按意图动态分配。

REST API 完善

/api/search 和 /api/related 两个端点已经是正式可用的状态，有完整的 Swagger 文档（访问 /api/docs 可查看）。

---

当前运行数据

工具上线至今运行约 4 个月，累计搜索量 17,000+，累计访问量 33,000+，HuggingFace Space 收到 24 个 Like，GitHub 23 个 Star。

---

工具地址：https://huggingface.co/spaces/SAkizuki/DanbooruSearch

ComfyUI 插件版：https://github.com/SuzumiyaAkizuki/ComfyUI-DanbooruSearcher

MCP 接入文档：https://github.com/SuzumiyaAkizuki/DanbooruSearchOnline#mcp-接口

如果觉得有用，欢迎点个 Like 或 Star，也可以把链接分享给需要的人。有问题或反馈可以直接在评论区说。