在 QQ 里养一只鲸:DeepSeek Harness 实战笔记
在 QQ 里养一只鲸:DeepSeek Harness 实战笔记
两天,从零搭出一个会聊天、会撒娇、会画画、会认图的群友。
不是产品介绍,是踩坑记录 + 可复制的做法。
0. 写在前面
起因很简单:群里缺个活人。不是那种"关键词触发 + 固定话术"的机器人,而是能看上下文、能接梗、被叫到会应一声、还能随手画两张图的那种。
选 DeepSeek Harness(下称 DSH)是因为它天生适合干这个:桌面端常驻、有插件体系、有 MCP 工具层、而且模型和工具是分开的——工具能自己写。
两天下来她现在的状态:
| 能力 | 实现方式 | 状态 |
|---|---|---|
| 群聊/私聊对话 | SnowLuma + qq-bridge + DSH 会话 | ✅ 稳定 |
| 人设(鲸鱼娘「小柒」,撒娇、叫「哥哥」) | 角色卡注入 | ✅ |
| 主动找人说话、潜水、被叫醒 | reserved2 会话状态机 | ✅ |
| 发表情包 | 本地大目录直发 + QQ 收藏表情 | ✅ |
| 画画 | 本地 ComfyUI(SD1.5 + LoRA) | ✅ |
| 画特定角色(原神等) | 角色 LoRA 叠加 | ✅ |
| 图生图(把手绘图转风格) | ComfyUI img2img | ✅ |
| 认图 / 画猜 | 本地 WD14 打标 + 模型视觉 + 检索 | ✅ 可用,新角色需兜底 |
| 群静音开关 | 桥接白名单热更新 | ✅ |
写这篇的目的:网上关于"把 LLM 装进 QQ 群"的内容要么停在"接入成功",要么全是产品文档口吻。真正难的是接进去之后——它说话像客服、它画画翻车、它认不出新角色、它一重启就断线。这篇主要写这些。
阅读方式:可以顺着读,也可以挑章节直接抄配置。第 10 章是运维手册,出问题直接翻那。
1. 全景:四层架构与一条消息的旅程
整套东西由四层组成,每层都能单独换掉——这是后面能持续折腾的前提。
| 层 | 角色 | 具体是谁 |
|---|---|---|
| 决策层 | 想说什么、要不要调工具 | DSH + 模型 |
| 翻译层 | 把 QQ 消息变成会话上下文,把回复变成 QQ 消息;管会话状态 | qq-bridge(独立进程) |
| 通道层 | 接 QQ NT,暴露 OneBot 协议 | SnowLuma |
| 工具层 | 画画、识图、发表情、读写文件 | 自己写的 MCP 服务(qq-tools) |
一条群消息的旅程大致是这样:
- 群友发言 → SnowLuma 通过注入 QQ 进程的 hook 拿到消息,转成 OneBot 事件
- 事件经 WebSocket 进 qq-bridge,桥接判断:这个群在不在白名单、要不要叫醒她(潜水/活跃、@、关键词、概率)
- 该回的话,桥接把上下文打包成一次会话请求发给 DSH,模型开始思考
- 思考过程中如果要画画/发表情,模型调用 MCP 工具,工具直接操作 ComfyUI 或 OneBot
- 回复文本回到桥接,桥接按"真人节奏"发出去(分条、随机间隔)
为什么这么分层:决策层换成别的模型不影响下面;通道层换成别的网关不影响上面;工具层可以随时加新能力。这两天里我换过模型、换过画图引擎、换过打标器,每一次都只动一层。
2. Day 1 上午:先把通路打通
认知纠正:桥接不是插件
一开始我以为 github.com/Derpyu520/qq-bridge 是个 DSH 插件,dsh plugin add 就能装。实际上它是个独立进程(private: true,压根不打算发到插件市场),通过 DSH 的 HTTP/WS 远程接口和桌面端通信。
所以正确的姿势是:把它当一个小服务跑,配置它连到本机的 DSH,再让它连到本机的 QQ 网关。三者是并列关系,不是父子。
SnowLuma 的三个硬要求
- 必须管理员运行。它靠注入 DLL 到 QQ NT 进程来收发消息,普通权限注入不进去。表现是"启动成功但检测不到 QQ 主进程"。
- 必须先有 QQ 在跑。hook 是打到已存在的进程上的。
- 工作目录要对。我第一次用管理员 bat 启动,结果它把工作目录当成了
C:\Windows\System32,找不到自己的文件。
三个坑踩完,通道就通了:OneBot HTTP 3000、WS 3001、WebUI 5099。
两个必须记住的细节
token 是自动发现的,而且两个不一样。 桥接会从网关的配置文件里读 accessToken,HTTP 和 WS 的 token 是分开的。手动填错就会一直 401。
端口冲突很常见。 SnowLuma 发现 5099 被占会自动改用 5100。看起来"起来了",实际是两个实例在抢。判断方法很简单,看进程数:
netstat -ano | findstr ":5099 :3000"同一个 PID 占着 3000 和 5099 才是正常的一个实例。
最阴的一个坑:hook 会静默失效
QQ 重启(或者重新登录)之后,SnowLuma 还活着、端口还在、WebUI 还能开——但一个事件都收不到。
桥接的日志这时候特别有用,它会自己诊断出来:
SnowLuma 上游不健康:已连接但 10 分钟没有收到任何事件包(连 30 秒一次的心跳都没有)……这不是桥接的问题。
修复很土:每次 QQ 重启,回 SnowLuma 的注入页手动重新 hook。这条后来被我写进了自己的运维清单。
3. Day 1 下午:给它一个「人」
角色卡怎么写
技术上是把一个 Markdown 文件注入到每次对话的开头。真正花时间的是内容设计。我的结构是:
- 身份(你是什么、叫什么)
- 语气规则(怎么说话、口头禅、句长)
- 群聊铁律(什么时候别说话、别做什么)
- 边界(不碰什么话题)
- AI 味黑名单(明确禁止"作为 AI 助手""希望可以帮到你"这类句式)
- 回复示例(正例反例各一两条)
第 6 条最有效。模型对"示例"的服从度远高于对"规则"的服从度。
一次改设定的复盘
第一版是"傲娇助手",效果是——她确实会怼人,但对所有人都一个态度,群里显得很吵。
改成"软萌撒娇"之后好了很多,关键改动不是形容词,而是加了三条行为约束:
- 被叫到才说话,不主动刷存在感
- 一次只说一到两句,不写小作文
- 对 owner 用敬称("哥哥"),对其他人正常称呼
结论:人设靠的是行为约束,不是形容词堆叠。
6000 字符的天花板
角色卡有注入字数上限(默认 6000)。这个限制在加的规则越来越多时会很疼——我最后一次加"识图兜底"规则时,全文已经 4478 字符,离上限不远了。
应对办法:把可复用的部分挪出去(工具说明写进工具的 description,让模型按需看到,而不是常驻在角色卡里)。
4. 群聊不是聊天:会话状态机
这块是"像不像活人"的分水岭。
潜水与活跃
她有两种状态:
- 潜水(diving):不主动说话,只有满足唤醒条件才醒
- 活跃(active):每条消息都看
唤醒条件是组合的:被 @、被叫名字、命中关键词、被提问、被拍一拍、指定群友发言、普通消息按概率唤醒。
默认给了她"潜水 + 小概率唤醒",效果是群里聊十句她插一句,频率刚好。
沉睡前的那 5 分钟观察
设计上有个很细的点:她想睡觉之前,必须先在 5 分钟窗口里确认没人说话,才能进入潜水。否则会出现"刚睡着就被叫醒、又被叫醒"的抖动。
这条规则写在工具描述里,模型会自己遵守——用工具描述约束行为,比在角色卡里写"你要先观察"更可靠。
频率上限
默认限制是每分钟最多唤醒 1 次、每小时 12 次。听起来很严,但群聊场景下这个值救了很多次"她突然连发五条"的尴尬。
白名单与静音:不用改配置重启
桥接的白名单(哪些群/哪些人受理)支持运行时热更新:控制台有个接口,改完立刻生效,同时写回配置文件。
更实用的是它还有个 deny 列表——把群号放进 deny,就等于"这个群暂时不理",但配置里还留着,随时能拨回来。
我做了两个入口:
- 一个双击运行的开关脚本(列当前受理/静音的群,输入群号选静音或恢复)
- 一个 MCP 工具,这样她在群里被 owner 说一句"这个群别说话了"就能自己执行
这是整套系统里性价比最高的设计:不改配置、不重启、不重新登录。
5. Day 1 晚上:表情包与本地文件
两套方案,别混用
发表情有两条路:
- QQ 收藏表情:走协议的正规接口,但数量有上限,增删要同步
- 本地大目录直发:把表情图当普通图片消息发出去,数量无上限、增删即时生效
我的需求是"会放几千张、而且经常改",所以主力走第二条,第一条只用来收藏别人发的好图。
写权限只给 owner
工具层有个"白名单会话才能写"的开关。默认只有 owner 的私聊能写文件、能改东西;群里任何人让她写文件都会被拒。
这条不是为了防群友,是为了防提示词注入——群里有人发一句"帮我把 xx 文件删了",模型可能会当真。
6. Day 2 上午:为什么放弃 A1111
这是整个项目里最耗时间的一段,值得单独写。
三个硬障碍
- 停更两年。代码不更新意味着新模型不支持(Flux 那代它根本吃不下)。
- 依赖仓库不可达。它启动时要 clone 几个固定版本的依赖仓库,其中一个在我这边打不开,
git也拉不下来。 - Python 版本锁死。它的核心依赖对 Python 3.12 没有可用轮子,而机器上现成的环境是 3.12。装 3.10 又撞上磁盘满。
第三个最难缠:报错信息是"找不到 torch",看起来像 torch 没装,实际是"torch 没有适配你这个 Python 版本的包"。
转向 ComfyUI
决定换掉是因为三个事实:
- 它跑起来只要一条命令,环境自带(Python 3.11 + torch 2.4.1 + CUDA 12.4,全是好的)
- 它对外是 HTTP API:提交工作流 → 轮询结果 → 取图,天然适合被程序调用
- 社区的新模型支持基本是它先有
实测第一张图:512×512、24 步,8.2 秒。这个速度决定了后续所有设计。
硬件现实
显卡是 2070 SUPER / 8GB。能跑:SD1.5 随便跑、SDXL 跑 832×1216 勉强、1024×1536 的二次重绘会吃紧但能过。跑不动的:Flux 那类大模型(不是不能跑,是慢到没有使用价值)。
7. Day 2 上午:从 Civitai 示例反推参数
看不懂示例图怎么办
Civitai 上好看的图,页面里都藏着生成参数。关键是会读这几项:
| 字段 | 作用 | 我踩过的坑 |
|---|---|---|
| Base Model | 这个 LoRA 配什么底模 | 拿 SDXL 的 LoRA 配 SD1.5 底模,出来是糊的 |
| Clip skip | 文本编码器跳几层 | 不开的话风格 LoRA 效果打折 |
| Hires upscale + upscaler | 二次放大倍数和算法 | 用错算法(通用 vs 动漫专用)细节差一档 |
| Denoising strength | 二次重绘强度 | 太高会把结构重画坏(下面细说) |
| VAE | 色彩倾向 | 不换 VAE 颜色会发灰 |
把这些抄下来,本地复现,风格基本能对上。
两代 LoRA 的血统
我用的两个风格 LoRA 是同一个作者的两代:
- 新手草稿:纯铅笔灰阶,像速写本上的稿子
- 新手涂鸦:小学生蜡笔/马克笔那种,彩色、线条粗
它们不能混用:草稿那套的提示词里带 greyscale, monochrome,套到涂鸦 LoRA 上会把颜色全压掉——这是我最开始复刻失败的直接原因,白折腾半天。
四档预设
最后固化成四档,靠一句话切换:
| 预设 | 底模 + LoRA | 风格 | 耗时 |
|---|---|---|---|
| 草稿(默认) | 原味 SD1.5 + 草稿 LoRA | 铅笔灰阶 | ~60s |
| 灰调 | 另一个 SD1.5 底模 + 草稿 LoRA | 灰调更柔、体积感更润 | ~60s |
| 涂鸦 | 原味 SD1.5 + 涂鸦 LoRA | 蜡笔彩色涂鸦 | ~60s |
| 彩色 | 动漫 SD1.5 底模,不挂风格 LoRA | 精致彩色插画 | ~65s |
默认给草稿,因为"速写本感"最不像 AI 画的。
角色 LoRA 叠加
风格 LoRA 之后再串一个角色 LoRA,就能"用草稿风画某个角色"。实测原神角色(纳西妲、芙宁娜、荧、雷电将军、妮露、诺艾尔、安柏、丽莎、八重神子)还原度都够。
有个细节:角色 tag 里的括号要转义,否则会被当成"加权语法"处理,出来不是那个角色。
8. Day 2 下午:翻车与修复
这一节全是失败的记录,但我觉得比成功的有用。
翻车一:三只手
单张 512×768 出图时,手部结构经常崩——多一只手、手指粘连。
修法不是加分辨率,而是加负向权重:把"多手/多指/畸形肢体"这些词带权重压下去。有效,但不彻底。
翻车二:画面变成"参考图排版"
有几次出来的是"一个人物 + 旁边两个头像特写"的排版,因为模型把"草图/速写本"理解成了"设定集"。
修法是负向加"多视角、参考图、分镜、拼图"这类词。加完之后干净了很多。
翻车三:铅笔风被二次重绘毁掉
这是最反直觉的一条。
想提高细节,第一反应是"放大 + 再重绘一遍"。结果:
- 铅笔草图经过二次重绘,要么变成扁平的黑色线稿,要么变成数码绘画——铅笔的颗粒感和排线全没了
- 二次重绘的强度设到 0.6 时,手和腿的结构会崩得更厉害
最后的结论:铅笔风不走二次放大,直接单遍出图(尺寸调大一点),宁可不放大也不能毁风格。彩色插画才走放大。
翻车四:想"更精细"反而更差
有段时间我把默认画质调成最高,结果用户反馈"时间长了反而效果更差"。
原因就是上面那条:重绘强度太高。把二次重绘的强度从 0.6 降到 0.45、步数从 20 提到 24,质量才稳住。
教训:质量和时间不是单调关系,中间有个峰值。
一次只能画一张
并发提交两张图会把显存和队列拖崩。所以加了个"画图锁":正在画的时候,新请求直接拒绝,返回一句"正在画上一张(已 N 秒),画完再叫我"。
模型收到这个返回,会主动跟对方说"我在画啦,等我一分钟"。把拒绝理由做成模型能读懂的字段,比报错更有用。
9. Day 2 下午:让它会认图
多模态的边界
模型确实能"看见"图片(图片会被转成多模态输入),但看见 ≠ 认得出。
它对"一栋房子、一只猫"没问题,对"这是原神里的哪个角色"基本靠猜——普通视觉模型没有角色知识库。
本地打标器:1 秒出标签
ComfyUI 生态里有个 WD14 打标节点(danbooru 标签分类器)。跑一张图,1 秒内返回几十个标签:
nahida_(genshin_impact), 1girl, solo, long_hair, green_eyes,
white_hair, hair_ornament, white_dress, pointy_ears, ...角色名、发色、瞳色、服饰、构图全有。对动漫角色这块,比通用视觉模型准得多,而且免费、不出网。
词表过期:为什么认不出新角色
问题在于打标器的知识是被"训练时烧进词汇表"的。
我查了手头那个模型的标签表(10,862 个标签):
- 纳西妲、芙宁娜、克洛琳德 —— 在
- 卡其娜、玛薇卡、希诺宁、茜特菈莉 —— 全都没有
也就是说它的知识停在 2024 年中。纳塔版本之后的角色一律不认识。
换新词表
找到了一个 2026 年更新的社区打标器,词汇表 16,473 个标签,验证过包含纳塔角色、以及鸣潮的角色。
坑在于:它只提供 safetensors 权重,而 ComfyUI 的打标节点只认 ONNX。于是得自己转:
- 下载权重(约 1.2GB)
- 用模型架构对应的开源视觉模型骨架重建网络
- 导出 ONNX,输入固定 448×448,输出维度要和标签表条数对齐
- 把 ONNX 和标签表一起放进打标节点目录
转换本身不难,难在依赖:目标环境的 Python 里缺 ONNX 相关包,而且它的嵌入式 Python 会忽略 PYTHONPATH,只能手动把库路径插进 sys.path。前后试了四轮才对。
这件事最值得记的一点:本地模型的"知识更新"是有成本的(下载 + 转换 + 拷贝),但它是一次性的;在线 API 是每次付费换取"稍微新一点的知识",而且下次更新又得重新付费。
三层组合方案
最后的识图方案是三层叠加:
- 标签层(本地打标器):给出硬事实——角色名、发色、服饰、构图
- 眼睛层(模型自己的视觉):读图里的文字、看整体感觉、理解抽象涂鸦
- 检索层(联网搜索):标签里没有角色时,用特征去搜"这是什么角色"
配套的行为规则也写进了角色卡:
- 标签里有角色名就直接用,别猜反
- 标签只是参考,图里的字、梗、夸张画法要自己看
- 手绘草图标签会很弱(打标器是按精美插图训的),以自己观察为主
- 认不出来就说认不出来,别硬编
10. 运维手册
服务自检
一条命令看关键端口是否都在:
netstat -ano | findstr ":3000 :3001 :5099 :8188"正常状态:3000/3001/5099 同一个 PID(QQ 网关),8188 一个 PID(本地出图服务),另有桥接自己的控制台端口。
常见故障对照表
| 症状 | 真实原因 | 处理 |
|---|---|---|
| 端口在监听,但机器人完全不响应 | QQ 重启后 hook 失效,网关在"空转" | 回网关注入页重新 hook |
| 网关启动提示端口被占(5099 → 5100) | 已经有一个实例在跑 | 杀干净再启动一个 |
| 出图报"端口已被占用" | 本地出图服务已经在别处跑着了 | 不要重复启动,直接用现成的 |
| 配置文件改不动(拒绝访问) | 文件被程序占着 / 权限问题 | 停掉服务再改,或用别的编辑器 |
| 脚本/配置出现乱码或 JSON 解析失败 | 编码问题(BOM / ANSI 被当 UTF-8) | 统一存成无 BOM 的 UTF-8 |
| 打标器报"连不上 huggingface" | 首次使用要下载模型,而网络不通 | 手动下载模型文件放进节点目录 |
清端口的命令
Get-NetTCPConnection -LocalPort 8188 -State Listen -ErrorAction SilentlyContinue |
ForEach-Object { Stop-Process -Id $_.OwningProcess -Force }先查 PID、确认路径再杀,别闭眼杀。
11. 成本与性能实测
| 项目 | 数据 |
|---|---|
| 单张图(快速档,512×768) | 约 8–12 秒 |
| 单张图(标准档,含二次放大) | 约 60–70 秒 |
| 识图打标 | 约 1 秒 |
| 对话响应(含模型思考) | 数秒到十几秒,取决于上下文长度 |
| 磁盘占用(模型) | 底模 2–7GB/个,LoRA 几十到几百 MB |
| 调用费用 | 出图、识图全本地,零成本;只有对话走 API |
本地 vs 在线怎么选:
- 高频(出图、识图)→ 本地。免费、无网络依赖、没有内容审查干扰
- 需要最新知识(认新角色)→ 本地做不到,靠检索补
- 需要读图里的小字 → 在线视觉模型更强(但这一环我最后没接,因为用得少)
12. 复盘
做对的三个决策
- 桥接和大脑分开。QQ 协议那层再乱,也不影响模型侧;模型换版本,也不用动协议。
- 能力做成工具,不做成提示词。画画、识图、发表情都是工具调用,不靠模型"记住怎么画"。工具描述里写清楚什么时候用、怎么用,比角色卡里写规则可靠。
- 把运维入口做成聊天指令。静音群、查 LoRA 这类操作,最后都做成了模型能调的工具——你不用开电脑,在群里说一句就行。
还没解决的
- 新角色画不出来。打标器换新词表能认出来,但画图底模本身不认识这些角色,想要画得像必须配角色 LoRA。
- 角色卡逼近上限。规则越加越多,6000 字符快满了,以后要么精简,要么把规则挪进工具描述。
- 图里的文字。试过系统自带 OCR,但在我这边的执行环境里被权限挡住(WinRT 不允许沙盒进程读任意路径)。要么在网关进程里做,要么装独立的 OCR 组件,暂时搁置。
一句总结
两天的最大收获不是"接进去了",而是搞清楚了哪些能力该放在模型里,哪些必须放在模型外。
画画、识图、发表情——这些放模型里怎么调提示词都不稳,做成工具之后立刻好用;而什么时候画、画什么、跟谁撒娇——这些留在模型里,反而灵。
附录:术语速查
| 术语 | 一句话解释 |
|---|---|
| OneBot | QQ 机器人领域的事实标准协议,网关按它对外说话 |
| MCP | 模型调用外部工具的协议标准,工具以独立进程形式提供 |
| LoRA | 小体积的"风格/角色插件",挂在底模上改变出图倾向 |
| 底模(Checkpoint) | 完整的大模型权重,决定画风基线 |
| Hires fix | 先小图后放大再重绘一遍,用来提升细节 |
| Clip skip | 文本编码器跳过最后几层,影响提示词理解方式 |
| Denoising strength | 二次重绘时"改多少",越高越偏离原图 |
| WD14 | 开源动漫图像打标模型,输出 danbooru 标签 |