总所周知，腾讯服务器给你返回的 QuoteReply 的源消息并不是富文本消息，也就是说，图片会“退化”为[图片]等等。如果我们想做回复消息搜图之类的功能，这给我们带来了比较多的麻烦。

但是，我们可以取到源消息的 MessageSource，只要你本地存了聊天记录，就能够通过 MessageSource 获取相应消息。按照这个思路，我们只要跟QQ客户端一样，把消息存到本地，需要时获取即可。

具体实现

本帖中将使用 Mirai Hibernate Plugin 插件储存聊天记录，演示获取回复消息原文的方法。

引用依赖 // build.gradle(.kts) repositories { mavenCentral() } dependencies { compileOnly("xyz.cssxsh.mirai:mirai-hibernate-plugin:依赖版本") } // hibernate 6 和 HikariCP 5 需要 jdk11 mirai { jvmTarget = JavaVersion.VERSION_11 } //author("MrXiaoM") // 在主类插件信息处声明插件依赖关系 dependsOn("xyz.cssxsh.mirai.plugin.mirai-hibernate-plugin", false) Kotlin val QuoteReply.originalMessageFromLocal: MessageChain get() = MiraiHibernateRecorder[source].firstOrNull()?.toMessageChain() ?: source.originalMessage // 使用示例 @EventHandler fun GroupMessageEvent.listen() { // 检测回复消息 message[QuoteReply.Key]?.run { val original = originalMessageFromLocal // do sth. } } Java public static MessageChain getOriginalMessageFromLocal(QuoteReply quote) { Optional<MessageRecord> record = MiraiHibernateRecorder.INSTANCE.get(quote.getSource()).stream().findFirst(); return record.map(MessageRecord::toMessageChain).orElseGet(() -> quote.getSource().getOriginalMessage()); } // 使用示例 @EventHandler public void onGroupMessage(GroupMessageEvent event) { // 检测回复消息 QuoteReply quote = event.getMessage().get(QuoteReply.Key); if (quote != null) { MessageChain original = getOriginalMessageFromLocal(quote); // do sth. } }

最近在kaggle中发现了一位大佬写的用tpu进行ai画画，https://www.kaggle.com/code/loseman/novelai-tpu

多张图生成的速度比GPU快不少，单图速度和GPU差不多。

修改了一下大佬的笔记本，使得可以将生成的图片输出至目录，并压缩方便下载。

kaggle：https://www.kaggle.com/code/sakuraxiaowen/novelai-aidraw-tup

colab：https://colab.research.google.com/drive/1Qrn3B0uv7mQmngYiCptfwlYdtfm9jcPz?usp=sharing

先放一些效果图：
没人at：
屏幕截图 2022-07-09 220824.jpg
有人at：
屏幕截图 2022-07-09 220926.jpg
有一堆人at（极端案例）：
屏幕截图 2022-07-09 220911.jpg

历程：

我接触mirai后写的几个练手插件基本都是Java原生功能，比如“现在XX地几点”：输入时区返回该时区时间（毕竟群内人并非同一时区），或者一些简单的触发关键字返回等。

有次见另一个群里的Python机器人支持的这个“谁at我”功能，就想也移植个过来。当时梳理鉴定逻辑时，什么全体成员或mirai码来鉴定at的部分都很好弄，结果开始写后被“保存该at进数据库”给卡住了。（只搞过Android的SQLite 2333，YAML不完全会而且感觉不大适合）

后来想了个土办法，拿XAMPP在本机搭建localhost和sql环境，然后用PHP去get内容。

比如提取at信息：

String url = "http://localhost/who_at_me/get.php" + "?group=" + sender.getGroup().getId() + "&user_id=" + sender.getUser().getId();

用OkHttp发出去。

$group = $_GET["group"]; $user_id = $_GET["user_id"];

然后拼出一个JSON出来返回。
(JSON就不配图了，要马赛克的地方太多了）

数据库结构 & 数据收集样本展示：
Screenshot 2022-07-09 at 22-10-02 localhost _ 127.0.0.1 _ who_at_me _ at_list phpMyAdmin 5.2.0.png

ID：Primary Key timestamp：时间戳 group_id：群号 at_from：at人的群昵称 at_to：被at人的QQ号 at_message：整条含at的信息

at收集使用SimpleListenerHost，at查询使用JSimpleCommand。

最后使用Graphics2D绘图，转成ByteArray发出去。

打算回头把数据存储这块弄好后发插件区试试（
屏幕截图 2022-07-09 224437.jpg

原本是想学java的 但是感觉python更简单 不知道这两个是都能适配miral的吗?

自动记录群友的消息，并在预训练语言模型的基础上迁移学习群友的聊天记录，训练语言模型并进行简单的文本生成

上面提到的只是个想法。

想法来源是最近在阅读NLP相关书籍的时候想到，群里每天聊天记录那么多，用QQ机器人可以很方便的收集信息，既然有那么多法典优质语料，有没有办法让两者结合起来，训练一个模仿群友说话风格的AI呢？

其实我第一反应是想到之前在论坛里见到过的Chat-Learning插件，结果我打开才发现并不是真正的机器学习。

大致了解了一下，之前也有大佬做过mirai的py的简单api项目myrai，正好功能完全足够了。

考虑到如果放在某偶像粉丝群或者虚拟主播粉丝群之类的地方，说话风格比较统一 （都载着理发店） ，一天也能有1000-2000条消息，过滤掉图片和一些不适合训练的消息的话，一段时间下来的数量也是可观的，模型可能大概15天~1个月就可以收敛了。

大致需要实现的功能就是记录群友说话，然后定时同步到云端算力平台进行预处理和训练。如果数据量不大的话也可能可以直接用myrai写插件，然后插件定时直接在本地训练，因为是每天都训练一次，一次大概就两三个epoch，时间十分充裕，对算力要求也就没那么高。

个人感觉还是有可能实现的，但是由于数据量其实还是太少，模型也不可能多复杂，效果估计一般，假如能训练出来，模型生成的文本能正常对偶像和主播示爱就已经够逆天了，也不指望训练seq2seq之类的聊天机器人了

f5cbd849-a3ea-404e-9204-9dbd52f9252a-image.png

mirai的统一经济底层插件已经出了，准备在此基础上实现一个经济管理的插件，其中的道具系统准备做成api接口的形式，但是自己构思的一个思路发现行不通，准备来论坛看看有没有大神。

经济底层插件

原本是准备照着这个插件的api设计思路写，发现我所构思的跟这个设计方式有很大差距，我没办法实现。

经济底层设计思路

或者有没有大佬知道mc的物品系统的设计思路，也可以提提。

主要是针对errorType=46的情况。当机器人被风控以后需要手动解封，否则无法发送群消息，但是私聊好友不受影响。
所以想问有没有办法能实现在群聊触发例子中的错误时自动私聊指定QQ号并通知手动登录账号解除风控呢？多谢！

Mirai 2.13 其中一项大更新是 https://github.com/mamoe/mirai/pull/2048

那么，怎么样才能将mirai/mirai-console编译成kexe/exe呢
然后那些纯kotlin写的插件又怎么转换呢（如mirai-api-http（图穷而匕首见））

Him188 created this issue in mamoe/mirai closed Native target #2048

Mirai-NLP > GPT2-Chinese

Mirai-NLP Github Project

前言

作为Mirai-NLP系列教程的第一章，本教程将会手把手教你从头开始训练一个基于GPT2-Chinese语言模型并进行文本生成。

本系列教程以及衍生插件均起源于 关于将QQ机器人与深度学习NLP结合的可能性 一帖，在这里对参与讨论和关注后续的各位表示感谢。没有你们的支持，我的寒假和国庆假期就不会这么充实。

本帖全部内容已经过作者验证，笔记本的内容也经过了封装，用户不需要接触到代码，只需输入参数即可进行训练和生成。

训练过程中如果出现问题可以回复或私聊，同时也非常欢迎各位在帖子下方分享自己的训练成果。

声明

仅供学习用途，禁止用于任何违反法律法规和社区规定的行为，禁止用于商业行为。

需要 一台可以科学上网的电脑 可以使用Google Drive的Google账号 一个可以用于收集训练数据的QQBot 一点点动手能力 教程 数据准备

请为你的QQBot安装用于收集数据的NLP插件：

NLPHelper - 自然语言处理模型训练数据采集专用插件

或者如果你已经在使用Mirai Hibernate Plugin，则可以使用此插件：

Mirai Hibernate NLP，用于将聊天记录导出为 NLP 所需数据的插件

相关插件的使用方法均在对应帖内有说明，本教程中不再介绍。

使用Python对Json格式的数据进行二次处理为GPT2所需格式 ...

使用插件内置的导出数据有时无法满足我们想要的功能，这时可以导出Json格式的数据，并使用Python对数据进行二次处理为GPT2所需格式。

本教程中只介绍此方法的可行性，不详细讲解，下面给出一个例子，可用于针对 123456 的内容过滤。

import json import ijson if __name__ == "__main__": with open('data.json', 'r', encoding='utf-8') as f: objects = ijson.items(f, 'item') new = [] while True: try: i = objects.__next__() if i['size'] <= 100 and (i['sender']!=123456 or not "*龙门粗口*" in i['content']) : new.append(i['content']) except StopIteration as e: print("数据过滤完成, 共" + str(len(new)) + "条符合要求的数据") break with open('train.json', 'w', encoding='utf-8') as f: json.dump(new, f, ensure_ascii=False) 初始化笔记本 打开本项目的Colab笔记本 在右上角登录你的 Google 账号 首先点击右上角的连接，等待分配完成和初始化 在上方菜单栏中选择代码执行程序，在倒数第三项找到更改运行时类型，在硬件加速器中选择 GPU，等待分配完成
1.png
2.png 按照笔记本提示进行初始化、训练和生成
目录.png 初始化源码、模型等 在全局变量单元格输入模型的名字，然后点击旁边的运行按钮
2-1 如果弹出安全提示则选择仍然运行
baea6992-85c0-42a7-9ea8-f492850d0518-image.png 依次运行初始化单元格下的单元格

挂载Google Drive
2-2-1
选择你的 Google 账号
2-2-2
滑到最下方，允许
2-2-3
挂载成功后，可以看到左侧目录里已经出现了我们的GDrive文件夹
2-2-3

下载源代码
耗时可能比较久，我这里测试的是约五十秒。下载好后大约如下：
2-3

下载预训练模型
这里使用的是hhou435大佬提供的通用中文小模型。
你可以前往此处下载其他模型 (散文、诗词、对联、歌词、文言文等)，并自行上传到drive/MyDrive/your_model_name/文件夹下。
若为二次训练 (即已经在GDrive中有训练过的模型)，则无需运行此单元格。
下载好后可以看到在我们的GDrive挂载目录下出现了预训练模型（共三个文件）
2-4

上传数据
运行后会在日志出现选择文件按钮，点击并选择导出的数据会自动上传到正确位置并重命名。
若文件较大则速度会比较慢，耐心等待即可。
2-5-1

至此，程序初始化已经完成。

开始训练

依照笔记本内容仔细填写参数后，点击运行按钮进行训练。

关于参数的含义，笔记本中已经介绍的十分详细了。

3-1-1

开始训练后会持续输出进度以及误差 (误差可能在0.5-0.1左右效果比较好，依数据量和内容也会发生变化)。

3-1-2

如何进行二次训练 ...

有时，我们训练完后可能觉得训练轮数不够或是被Colab强制停机了，亦或是增加了新数据，想接着训练先前的模型。

这时，我们需要修改以下参数。

3-2-1
3-2-2

之后点击运行按钮，就可以接着上次的进度继续训练了。

生成文本

等待训练完成后，我们就可以进行文本生成了。

在下方生成参数中填写生成参数 (不能为空，修改后会自动运行，必须运行一次才可以进行生成)。

如果填写完后没有自动运行，可以自己手动运行一次。

3-3-1

参数填写完成并允许后，在下方可以看到两个代码块:

直接生成 生成并保存至本地

前者只会输出到日志，后者输出完成后会自动保存并下载。

两者效果一样，选择其中一个运行即可。

3-3-2

结尾

本教程至此已完成全部内容，由于部署对于一般用户而言太过困难且代价较高，因此本教程中不做介绍，可自行百度。

目前Mirai-NLP以及衍生插件只支持gpt2一种模型，未来预计还会支持更多其他模型，届时也会发布笔记本和教程，可以在Mitr-yuzr/Mirai-NLP-Notebook 仓库中查看。

由于数据集和预训练模型等问题，效果不理想是很正常的，但你已经踏入了机器学习领域的大门，并亲身体验了训练的全过程，这毫无疑问是一次难得的经验。

在如今的智能时代，NLP其实很近，并没有我们想的那么遥远。你打字时的自动联想，语音输入和识别、你的Siri、小爱，这些平日里见惯的内容，其实背后都有NLP辅助。

或许在未来的某一天，NLP真的发展到足以通过图灵测试的程度。你可能会想起在曾经启蒙的时代，你也曾有过一个属于自己的独一无二的AI，它可以水群，可以玩梗，会模仿你和你的朋友们说话。

内容大致就到这里了。如果教程有问题或是有困难可以回复或者私聊，也可以在github上提issue。

你也可以将你的训练成果分享到帖子下方，鼓励那些想试而迟迟未动手的用户去大胆尝试。

另外，在最后祝各位国庆节快乐。

比如在 plugin类中，获取群消息事件的API我该怎么做

下载此文件
将他放入一个空文件夹
双击运行
在选择java版本时选择17，在默认x64的位置输入x32
等待下载完成后
按照此帖子更新mirai

5c9352de-c1dc-4d4c-95a1-b97319bccab9-image.png

更新后下载此文件，解压后将两个文件放在plugins

最后，运行mcl
就可以正常登录且加载Native插件了

引用资源来源（侵删）

https://github.com/iTXTech/mcl-installer/releases?page=1 https://mirai.mamoe.net/topic/1653/升级-mirai-至-2-13-0-rc-rc2-使用新的短信验证方法解决设备验证 https://github.com/iTXTech/mirai-native/issues/167#issuecomment-1304617220 InoryS created this issue in iTXTech/mirai-native open 不支持 mirai 2.13.0 #167

有没有什么办法能加速软件打开的速度

NovelAi

最近novelai的模型被曝了出来，所以快自己搭建一个免费的色图生成器吧

Snipaste_2022-10-08_16-14-27.png

在colab上运行 https://colab.research.google.com/drive/1gk-R0lx0T_Pk3kETvcMDs4Js8vxzSaKm?usp=sharing 首先打开colab的GPU支持

362c75aa-24e1-4f0d-ba1b-b9061c90cf51-image.png
d1ea4931-f3df-490e-aa13-fecad87f0670-image.png

然后鼠标指到每个代码段前面，点击运行即可

9209f843-92fb-4688-ac8b-60952c65e2fa-image.png

在本地运行

如果你实在搭建不起来，那么就去b站找一件启动包吧，或者用上面的在线运行

环境

请确保你的网络通常，以及防火墙

首先确保你有一张10系及以上的Nvidia显卡，如果你是AMD的显卡，可能需要在linux下进行操作

16G内存

需要磁盘空间 15G 左右（大概

16系显卡有点特殊，请注意下面教程中的说明

下面的教程使用的是windows

资源 模型资源

magnet:?xt=urn:btih:5bde442da86265b670a3e5ea3163afad2c6f8ecc

只需要下载一个模型即可
模型在 stableckpt 目录下

能用到的模型有两个:
animefull-final-pruned：4G小模型（如果你的显存小于等于4G, 下这个）
animefull-latest：7G大模型（如果显存大于等于6G, 用这个, 顺便把小模型的config.yaml也下载下来,有用）

模型文件夹里有两个文件（都要下载）:
config.yaml：模型的配置文件
model.ckpt：模型

大模型的效果比较好

Snipaste_2022-10-08_16-25-03.png

CUDA

https://developer.nvidia.com/cuda-downloads
下载后安装

Python 3.10

https://www.python.org/downloads/release/python-3107

翻到页面最下面的文件列表，一般用最后一个

Snipaste_2022-10-08_16-19-34.png

安装时起始页面有两个勾都勾上

Snipaste_2022-10-08_16-21-57.png

Git

https://git-scm.com/

webui

https://github.com/AUTOMATIC1111/stable-diffusion-webui

使用 git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui.git 下载，之后每次运行前都可以拉去一下更新 git pull

如果你的git报错，请确保你安装了git并设置了账号信息（git如何设置账号信息请自行搜索）然后再检查你的网络是否通畅（无法正常使用git的话就开个加速器或者优化git的软件，如 dev-sidecar等，或者自行搜索git加速的方法），如果还不行的话就关闭防火墙试试。

准备

上述资源准备好后

1. 放置模型文件 model.ckpt

来到 stable-diffusion-webui 项目目录中（后面的操作如果没有特殊说明都在这个项目中完成）
把模型文件 model.ckpt 放到 models\Stable-diffusion 目录中 (看清楚是models目录, 不是modules目录)

2. 初始化运行

!!! 如果你的显卡是16系显卡，请进行下面的操作 !!!

在项目根目录找到 webui-user.bat 并编辑
在 set COMMANDLINE_ARGS= 后面加上 --precision full --no-half 参数
完整webui-user.bat如下

@echo off set PYTHON= set GIT= set VENV_DIR= set COMMANDLINE_ARGS=--precision full --no-half call webui.bat

在项目根目录找到 webui-user.bat 运行 (! 不要使用管理员运行 !)
运行会安装必要的依赖，但没有进度条
如果你的网络顺畅那么下面那些问题应该都不会有

如果太长时间未相应或你想看进度可以手动安装依赖（但必须先运行一遍 webui-user.bat，卡住后 ctrl+c 退出）

手动安装依赖：
如果手动安装失败，那就老老实实用 webui-user.bat 吧
请确保你项目根目录下有 venv 文件夹, 没有就去执行一下 webui-user.bat (不用执行完,等他安装卡住时退出即可
在根目录下运行cmd
执行命令 ./venv/Scripts/pip.exe install -r ./requirements.txt
一定要用项目环境中的pip
安装完成后再次运行 webui-user.bat

python依赖安装完成后如果出现 git clone xxx 报错，可手动安装github依赖库

手动安装github依赖库
主要是下面这个github库比较大
https://github.com/CompVis/taming-transformers

在项目根目录找到 repositories 文件夹，没有就自己建一个
把上面那个库放到这里，git clone
安装完成后再次运行 webui-user.bat

python依赖与github库依赖都下载完后还会下载1个多G的数据

如果一切正常最后会看到一个URL: http://127.0.0.1:7860
先不要着急去体验，现在模型还发挥不出他应有的实力，先 ctrl+c中止运行，然后继续下面的步骤

3. 放置模型配置文件 config.yaml

把模型对应的 config.yaml 放置到 repositories\stable-diffusion\configs\stable-diffusion 目录下
替换原来的 v1-inference.yaml (把你的配置改名成这个
如果你没有 repositories 这个目录，那么就说明你上面项目初始化没做完

!!! 注意 !!!
如果你是小模型就直接替换
如果你用的大模型且你的显存小于等于6G，请使用小模型的config (否则可能会爆显存
如果你的显存大于等于8G可以尝试使用大模型的config （如果不行的话就换小模型的config

再去根目录运行 webui-user.bat 启动，然后就可以愉快的玩耍了

4. 使用

如果你想要在其他设备上使用，可在 webui-user.bat 里的 COMMANDLINE_ARGS= 后面加上 --listen 参数

页面中的参数大部分默认就行，你可以调整一下输出图片高度（但要量力而行，否则可能爆显存

Prompt 输入框就是你输入tag的地方，每个tag间用逗号隔开。可以加上这几个tag，效果更好些 masterpiece, best quality,highly detailed,

更多tag可去danbooru上查看

Negative prompt 建议使用下面这组tag，可以优化输出品质

lowres, bad anatomy, bad hands,text, error, missing,fingers,extra digit, fewer digits, cropped, worst,quality, Low quality, normal quality, jpeg ,artifacts,signature, watermark, username, blurry,bad feet

Sampling Steps 建议 20-40 即可

Width ,Height 输出图片宽高（量力而行）

Batch count 批量输出数量

CFG Scale ai的创作度， 7-11

Seed 种子，可以用于生成根之前类似的图片（如果你生成一张还不错的图片，但细节还不够好，可以用他的种子继续生成类似的图片）
seed在生成的图片下边那一串英文的最后一行中间

生成的图片默认保存在项目根目录下的 outputs 目录中，不用点网页上那个保存

设置里最下边有个 Stop At last layers of CLIP model 滑条可以调到 2

如果想了解每个参数的具体含义，可看这个视频 https://www.bilibili.com/video/BV1V8411s76T
或者项目wiki https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki

其他

此教程中的很多内容来自网络以及群友（感谢

https://rentry.org/voldy
官网：https://novelai.net

想使用mirai开发一个qq 第三方客户端 可行吗

使用Java如何获取得到Linux系统的MAC地址值？或者不变且唯一的机器码

JPA是Java Persistence API的简称，中文名Java持久层API，
可以通过 注解或XML描述对象－关系表的映射关系。

简单来说，你声明了一个实体类，可以通过注解的方式，实现

将注解类和数据库中是数据表关联，一一对应 将实体类的属性和数据列关联，一一对应 将实体类和实体类关联，外键

以上功能 sql 将会自动生成，而不需要手写 sql 。

jpa 这种方式有利有弊。相对于 mybatis 来说，隐去了维护 sql 的麻烦，方便支持多数据库平台，
缺点是性能差，不利于像 mybatis 一样可以通过插件拓展功能。
但是一般来说，mirai-console 插件 并不需要过多关注数据库性能。

可作为前置插件的成品，带有一个消息记录器持久化消息到数据库
https://github.com/cssxsh/mirai-hibernate-plugin

首先在 dependencies 中加入相关依赖
从我的前置插件中获得

dependencies { implementation("xyz.cssxsh.mirai:mirai-hibernate-plugin:2.4.4") } mirai { jvmTarget = JavaVersion.VERSION_11 } ...

或者你可以从原始库中获得

dependencies { // SQL/ORM api("org.hibernate.orm:hibernate-core:6.1.3.Final") api("org.hibernate.orm:hibernate-hikaricp:6.1.3.Final") api("org.hibernate.orm:hibernate-community-dialects:6.1.3.Final") // 连接池 api("com.zaxxer:HikariCP:5.0.1") // 数据库驱动 api("com.h2database:h2:2.1.214") api("org.xerial:sqlite-jdbc:3.39.3.0") api("mysql:mysql-connector-java:8.0.30") api("org.postgresql:postgresql:42.5.0") testImplementation(kotlin("test")) testImplementation("org.slf4j:slf4j-simple:2.0.0") testImplementation("net.mamoe:mirai-logging-slf4j:2.12.3") testImplementation("net.mamoe:mirai-core-utils:2.12.3") } mirai { jvmTarget = JavaVersion.VERSION_11 }