Eagle Auto Tagger

这是一个利用多模态大型语言模型（Multimodal Large Language Models）为 Eagle 素材库中的图片和字体文件自动生成标签（Tags）和注释（Annotation）的 Python 脚本。

主要功能

• 自动化处理：自动为图片和字体文件生成描述性的标签和注释。
• 双模式支持：支持两种模式运行：
  1. 本地模式：通过 LM Studio 等工具在本地部署和调用模型。
  2. 云端模式：通过 API 调用云服务提供商的模型（当前已集成通义千问 qwen-vl-max）。
• 高度可配置：通过 lm_config.json 文件，可以轻松配置模型、API密钥、提示词模板和处理规则。
• 自定义提示词：可以为不同文件类型（如 .jpg, .png, .ttf）指定不同的提示词模板。
• CSV标签支持：使用 Tags-zh.csv 标签表进行标准化标签生成和翻译，确保标签一致性。
• 内置标签库：将 Tags-zh.csv 中的中文标签直接嵌入到提示词中，AI可以直接参考并使用这些标签，避免生成过多非标准化标签。
• 智能历史标签融合：从历史标签中提取3-5个最鲜明的特征标签，当没有合适的现有标签时，AI会优先考虑这些特征标签。
• 历史标签记忆：自动保存生成的标签到 history_tags.json，后续打标时参考历史标签保持一致性。
• 跨平台：基于 Python，可在 Windows, macOS, Linux 等系统上运行。

工作流程

1. 预处理标签库：

   • 从 Tags-zh.csv 中提取中文标签，并过滤掉不需要的标签（如人物名称）
   • 将过滤后的中文标签嵌入到提示词模板 PIC通用反推标签 2.txt 中，形成内置标签库
   • 保存提取的中文标签到 chinese_tags.txt 文件中，便于后续维护

2. 脚本触发运行（例如，通过 运行打标.bat）。

3. 配置加载：

   • 读取 lm_config.json 配置文件，获取当前要使用的模式（本地/云端）、模型参数等信息
   • 加载历史标签记录 history_tags.json，用于保持标签一致性
   • 加载 Tags-zh.csv 标签表，用于标签标准化和翻译

4. 数据准备：

   • 根据文件类型（图片或字体），准备要发送给模型的数据
   • 对于图片，将其转换为适合模型处理的格式（如 base64）

5. 提示词构建：

   • 加载对应的提示词（Prompt）模板文件（如 PIC通用反推标签 2.txt）
   • 从历史标签中提取3-5个最鲜明的特征标签，当没有合适的现有标签时使用

6. 模型调用：

   • 将数据和完整的提示词发送给指定的大语言模型（本地或云端）
   • 等待模型返回结果

7. 结果处理：

   • 接收模型返回的 JSON 格式结果，包含生成的标签和注释
   • 使用 Tags-zh.csv 进行标签标准化和翻译
   • 去重处理，确保标签不重复
   • 更新历史标签记录

8. 结果应用：

   • 将处理后的标签和注释写入到素材文件的 metadata.json 中
   • 保持与 Eagle 素材库的兼容性

文件结构

/
├── lm_clipboard_tag.py     # 主程序脚本
├── restore.py              #还原操作脚本    
├── lm_config.json          # 配置文件，所有设置都在这里
├── requirements.txt        # Python 依赖库
├── 运行打标.bat            # Windows 下的快捷运行脚本
├── 还原打标.bat            # Windows 下的快捷运行脚本
├── PIC通用反推标签 2.txt   # 图片文件的提示词模板（增强版）
├── 字体反推提示模板.txt      # 字体文件的提示词模板
├── Tags-zh.csv            # 中英双语标签表，用于标准化标签生成
├── history_tags.json      # 历史标签记录，用于保持标签一致性
└── README.md               # 项目说明文档

安装与配置

1. 前置需求

1. 安装 Python 依赖:

   • 确保您已安装 Python 3.x。
   • 运行以下命令来安装所需的库：

     pip install -r requirements.txt

2. 配置本地环境 (仅本地模式需要):

   • 安装 LM Studio: 从 官网 下载并安装 LM Studio。
   • 配置硬件加速: 在 LM Studio 的设置中，将硬件加速（Hardware Acceleration）设置为 Vulkan 以获得最佳性能。
   • 下载模型: 在 LM Studio 内搜索并下载推荐的模型，例如：
     • qwen/qwen3-vl-4b
     • qwen/Qwen3-VL-30B-A3B-Instruct
   • 加载模型: 将下载好的模型加载到本地AI服务器上。

2. 配置 lm_config.json

这是最关键的一步。打开 lm_config.json 文件进行修改。

模式选择

• provider_mode: 设置为 1 使用 本地模式，设置为 2 使用 云端模式。

本地模式配置 (provider_mode = 1)

• local_base_url: 设置你本地模型服务（如 LM Studio）的 API 地址，通常是 http://localhost:1234/v1。
• local_model: 设置加载到本地服务中的模型标识符。

云端模式配置 (provider_mode = 2)

• cloud_base_url: 云服务商的 API 地址。默认已填好通义千问的地址。
• cloud_model: 要使用的云端模型名称，例如 qwen-vl-max。
• api_key: （重要） 填入你的云服务商提供的 API Key。

其他配置

• templates_by_ext: 为不同后缀名的文件指定不同的提示词模板文件。
• image_rules / font_rules: 控制是否为图片/字体生成注释和标签。
• 模型参数（temperature, top_p 等）：根据需要调整模型的创造性和随机性。

如何使用

1. 完成上述安装与配置。
2. 对于本地模式：确保你的本地模型服务（如 LM Studio）已经启动，并加载了正确的模型。
3. 对于云端模式：确保你的 API Key 正确且账户有足够余额。
4. 在eagle复制文件的路径, 双击 运行打标.bat 或在终端中运行 python lm_clipboard_tag.py 来启动打标。
5. 在eagle复制文件的路径, 双击 还原打标.bat 或在终端中运行 python lm_clipboard_tag.py 来启动还原操作。提示：你可以通过使用quiker软件来快速打开指定文件

未来计划

1. 添加对于其他任意类型文件，通过阅读thumbnail图片给出标签的能力（已实现）
2. 重构和简化AI生成的代码，删除不必要的内容，使其更容易被人类维护
3. 进一步降低AI生成的标签的随机性，使标签重复率更高。可以通过设置“固定标签库”+“动态标签库”+修改提示词模板来实现。