Wasurenagusa MCP

MCP开发工具

提供方 tsutushi0628

开发工具 未标注 API Key 社区 / 第三方 ClaudeCursorWindsurf

wasurenagusa是一个能够自动检测错误、学习经验并优化AI编程代理行为的MCP服务器,适用于长期项目开发和团队协作。

一句话选型结论

按资料字段整理

Wasurenagusa MCP 属于开发工具类 MCP 服务器,传输方式未标注,API Key,可直接接入 Claude、Cursor、Windsurf,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类开发工具 传输方式未标注 鉴权API Key 部署方式本地部署
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 11 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

开发工具
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量11暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

AI编程辅助TypeScript本地部署错误检测机器学习自动化优化跨项目记忆

安装与配置

未标注 API Key
上游未给出传输方式
  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Node.js 等运行时,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 11 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
代码与仓库操作

在对话里直接查代码、提 issue、走 PR,省掉来回切工具。

本地命令与脚本

把构建、测试、格式化这类重复命令交给模型执行。

接口联调与测试

让模型调你的接口、跑一遍用例,快速定位问题。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 11 个工具,覆盖面较广,能满足多种调用。
  • 已适配 Claude、Cursor、Windsurf,换客户端不用重新研究配置。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在开发工具场景里让模型直接调用外部能力的人。
  • 已经在用 Claude、Cursor 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
Wasurenagusa MCP当前 11 未标注 本地部署 无 2026-05-17
Git 838e2ec1 12 stdio · 本地进程 本地部署 有 2026-05-17
Markitdown MCP 2c653a5f 1 stdio · 本地进程 本地部署 有 2026-05-17
JavaGuide 未标注 stdio · 本地进程 本地部署 有 2026-04-11
awesome-claude-skills 未标注 stdio · 本地进程 本地部署 有 2026-04-26
Context7 831acf40 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

开发工具
字段来自项目仓库与公开索引,中文说明由本站标注
提供方tsutushi0628上游标注的维护方 tsutushi0628
分类开发工具本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

20.0 KB
来自项目仓库与上游目录的原文,未做删改

勿忘草

教你的AI编码代理从错误中学习。

> 勿忘草 (勿忘我)-一种日本花,其名字的意思是“不要忘记我”


问题

人工智能编码代理功能强大,但会失忆。每一次会议都是从头开始的——你的项目惯例、过去的决定和来之不易的经验教训在会议结束时就消失了。

现有的解决方案要么需要手动操作,要么只是存储原始内存,直到它们淹没上下文窗口。

解决方案

wasurenagusa是一个MCP服务器,它不仅 记住 它 学习.

  1. 自动检测错误 --捕获重试模式、用户挫折和重复失败
  2. 将经验教训提炼为原则 --LLM将数百个原始条目压缩为少数可操作的规则
  3. 将负数转换为正数 --生成 positiveRule 在每个原则旁边:“不做X”变成了“做Y”。研究表明,LLM遵循肯定的指示明显优于禁令(粉红象问题)
  4. 将配置压缩为主题 --LLM将分散的设置组合成连贯的摘要,保留端口和路径等事实
  5. 只注射重要的东西 --整合智慧+仅限活动设置。没有模板膨胀,没有重复条目。
  6. 混合搜索(全文+语义) -带有本地嵌入推理的SQLite-based存储(不需要外部API)。日语支持的全文搜索+矢量语义搜索,合并和去重。完全离线工作。
  7. 智能标签检索 --LLM生成的加权标签+综合评分(新鲜度、标签权重、访问频率)优化了检索优先级,而不会丢弃任何数据。
  8. 内存存储/恢复 --暂时将记忆隐藏在活动上下文之外以节省上下文窗口空间,然后在需要时恢复它们。非常适合与子代理进行长时间会话。

通过Claude Code钩子实现完全自动化——设置后无需配置。

现实世界的影响

来自作者在8个生产项目中的日常使用(它们之间有跨项目内存共享):```
1,581 "dont" entries → 5-9 principles per project (LLM consolidation)
each with positiveRule → affirmative-only injection (Pink Elephant fix)
29 config entries → 4-5 thematic summaries (LLM consolidation)
21,800 chars raw data → 6,200 chars injected (71% reduction)


______________________________________________________________________

## 演示

What happens behind the scenes

1. **第1节**:Claude使用端口3000——用户将其更正为8080
1. **止动钩**:wasurenagusa自动分析对话并记录错误
1. **第2节**:Claude在没有被告知的情况下正确使用了端口8080

______________________________________________________________________

## 为什么是留尼古萨

大多数记忆工具都会存储发生的事情。wasurenagusa教你的人工智能 **事情为什么会出错** --并确保它永远不会重复同样的错误。

这不是一个记忆库。这是一个 **学习系统**.

wasurenagusa · claude mem · mcp内存服务 · claude.md
自动检测错误 · 是(重试+情绪) · 否 · 否
自动合并(LLM) · 是(不→原理、配置→主题) · 否 · 是(基于衰变) · 否
向量语义搜索 · 是(本地推理,离线) · 是(ChromaDB) · 是
内存层(短/中/长) · 是(余弦距离阈值) · 否 · 否
自动促销(强度) · 是(访问次数→ 强度5) · 否 · 否
通过钩子实现零努力 · 是 · 是 · 部分 · 否
人类可读存储 · 否(SQLite——从v1 Markdown自动迁移) · 否(SQLite) · 否
Multi-LLM支持 · Gemini/OpenAI/Anthropic(嵌入是本地的-不需要API密钥) · 仅限Claude · 本地(MiniLM-L6-v2) · 不适用
令牌高效检索 · 是(索引→ 详细信息,节省70-90%) · 是(3层) · 不适用 · 否
跨项目内存 · 是(前5个活动项目) · 否 · 否
许可证 · MIT · AGPL-3.0 · Apache-2.0 · N/A

______________________________________________________________________

## 运作原理```
Session Start (Hook) — injection mode
→ Checks if consolidation is stale
→ Spawns background LLM worker if needed (non-blocking)
→ Spawns background embedding backfill worker (non-blocking)
→ Injects consolidated config + principles (layer 1) + recent 30-day entries (layer 2) + owner profile
→ Vector search injects semantically related short-term memories (layer 3)
→ Cross-project vector search injects related memories from other active projects (layer 4)
→ Only customized settings injected (defaults stripped)

Session Start (Hook) — agent mode
→ Injects dont summary + config index + owner profile (minimal footprint)
→ No vector search at startup (deferred to on-demand recall)

User Prompt (Hook) — agent mode
→ Injects 1-line reminder: "search memory if relevant"
→ Main agent spawns memory-recall sub-agent as needed
→ Sub-agent runs memory_search → returns summary only (no raw data in main context)
→ Survives compaction (re-injected on every user message)

During Session
→ memory_save auto-generates embedding via local inference (no API call)
→ memory_save enriches tags with LLM-assigned weights (0.0-1.0) (when API key available)
→ Theme shift triggers background re-tagging of related past entries
→ memory_search merges keyword + vector semantic + tag-weighted results
→ Vector hits increment access counts → auto-promote to intensity 5 at threshold

Session End (Hook)
→ LLM analyzes the conversation
→ Detects mistakes, frustration, retry patterns
→ Auto-saves lessons learned (with embedding)
→ Deduplicates against existing entries before saving
→ Updates active projects tracker (top 5 recent projects)

Background (async workers)
→ Consolidates "dont" entries → behavioral principles
→ Consolidates "config" entries → thematic summaries
→ Backfills embeddings for entries created before vector layer (20/run)
→ Results used in next session start

快速开始

> 💡 推荐: 将此README粘贴到Claude Code中,并要求它为您设置wasurenagusa。它会自动处理下面的一切。

先决条件

  • Node.js 18+
  • 克劳德代码(CLI)
  • 不需要外部API密钥 用于核心内存功能(嵌入在本地运行)
  • 可选:用于LLM合并/分析的API密钥- 双子座 / 开放人工智能 / Anthropic

1.安装```bash

npm install -g wasurenagusa-mcp


或来源:```bash
git clone https://github.com/tsutushi0628/wasurenagusa-mcp.git
cd wasurenagusa-mcp
npm install && npm run build
npm link

> npm run build 自动运行 chmod +x 在CLI入口点上。无需手动设置权限。

2.配置

创建 ~/.wasurenagusa/.env:```bash

Set at least one API key

GEMINI_API_KEY=your-key-here

OPENAI_API_KEY=your-key-here

ANTHROPIC_API_KEY=your-key-here


|变量|必填|描述|
|----------|----------|-------------|
| `GEMINI_API_KEY` |三选一| Google Gemini API密钥|
| `OPENAI_API_KEY` |三选一| OpenAI API密钥|
| `ANTHROPIC_API_KEY` |三选一|人类API密钥|
| `LLM_PROVIDER` |没有| `gemini` (默认), `openai`,或 `anthropic` |
| `LLM_MODEL` |否|覆盖提供商的默认模型|
| `MEMORY_DIR` |否|内存目录(默认: `.wasurenagusa`) |
| `MAX_ENTRIES_PER_CATEGORY` |否|自动存档前每个类别的条目限制(默认值: `100`) |
| `LOG_RETENTION_DAYS` |否|日志保留期(以天为单位)(默认值: `30`) |
| `SLACK_WEBHOOK_URL` |否|自主任务的Slack通知|

### 3.注册MCP服务器```bash
claude mcp add wasurenagusa -- wasurenagusa-mcp

4.设置挂钩

> ⚠️ 必需 --如果没有这一步,就永远不会在会话开始时注入内存。这是最常错过的设置步骤。

添加 ~/.claude/settings.json (或 settings.local.json 如果你喜欢保持钩子分开):```json
{
"hooks": {
"SessionStart": [
{
"hooks": [
{
"type": "command",
"command": "wasurenagusa-context",
"timeout": 5
}
]
}
],
"UserPromptSubmit": [
{
"hooks": [
{
"type": "command",
"command": "wasurenagusa-context",
"timeout": 5
}
]
}
],
"Stop": [
{
"hooks": [
{
"type": "command",
"command": "wasurenagusa-analyze",
"timeout": 30
}
]
}
],
"PreCompact": [
{
"hooks": [
{
"type": "command",
"command": "wasurenagusa-context",
"timeout": 15
}
]
}
]
}
}


### 5.开始使用

启动克劳德代码。就这样

- 第一次会议: `.wasurenagusa/` 目录是自动创建的
- 第一次对话后:Stop Hook分析并保存重要上下文
- 第二节开始:积累的智慧在开始时自动注入

> 添加 `.wasurenagusa/` 到你的 `.gitignore` --它包含特定于项目的内存数据。

______________________________________________________________________

## 内存类别

|类别|存储内容|文件|
|----------|---------------|------|
| **配置** |API URL、端口、身份验证位置| `memory.db` |
| **不要** |错误、反模式、用户挫折| `memory.db` |
| **决定** |架构决策、技术选择| `memory.db` |
| **日志** |实施记录,已解决的错误| `memory.db` |
| **片段** |常用命令和查询| `memory.db` |

______________________________________________________________________

## MCP工具

|工具|说明|
|------|-------------|
| `memory_get_context` |获取配置+合并原则(在会话开始时自动调用)|
| `memory_search` |轻量级索引搜索(仅限ID、标题、标签)。使用 `project: "active"` 用于跨项目搜索|
| `memory_get_detail` |按ID获取完整详细信息|
| `memory_save` |显式保存内存条目|
| `memory_stash` |暂时隐藏记忆以节省上下文窗口空间|
| `memory_restore` |将之前隐藏的记忆恢复到活动上下文中|
| `memory_delete` |按ID删除条目|
| `task_submit` |提交一个全天候执行的自主任务|
| `task_status` |检查任务执行状态|
| `task_action_list` |列出并管理待处理的人为行为|
| `project_init` |初始化项目质量标准|

______________________________________________________________________

## CLI命令

|命令|目的|调用人|
|---------|---------|------------|
| `wasurenagusa-context` |将config+dont+向量内存输出到stdout |会话启动/UserPromptSubmit/PreCompact钩子|
| `wasurenagusa-analyze` |LLM分析对话并自动保存|停止钩子|
| `wasurenagusa-backfill` |为没有向量的条目生成嵌入|背景(自动生成)|
| `wasurenagusa-rebuild` |修复损坏的内存数据(数据消除、重新排序日志)|手动|
| `wasurenagusa-spec-update` |自动更新规范文档| cron/systemd计时器|
| `wasurenagusa-consolidate-all` |跨所有活动项目运行整合|手动/计划程序|
| `wasurenagusa-scheduler` |安装/卸载/状态夜间整合调度程序|手动|

______________________________________________________________________

## 输出模式

wasurenagusa支持SessionStart Hook的两种输出模式,可通过以下方式为每个项目配置 `.wasurenagusa/config.json`.

|模式|描述|最适合|
|------|-------------|----------|
| **注射** (默认)|在会话开始时注入全内存文本|没有子代理的环境(Cursor、Windsurf等)|
| **代理** |在会话开始时注入最小索引+在每条用户消息上注入内存调用提醒。通过子代理按需检索详细信息|Claude Code+代理团队|

### 配置

添加 `outputMode` 到你的项目 `.wasurenagusa/config.json`:```json
{
"outputMode": "agent"
}

如果文件不存在或 outputMode 未设置,默认值为 "injection" (完全向后兼容)。

代理模式的推荐CLAUDE.md规则

当使用 "agent" 在Claude Code Agent Teams模式下,将这些规则添加到您的项目中 CLAUDE.md:```markdown
- Read/write memories via sub-agents (memory_search / memory_get_detail / memory_save)
- Do not bring raw memory data into the main context
- When system-reminder suggests memory recall, spawn a sub-agent to run memory_search and return summary only


______________________________________________________________________

## 高级功能

### 矢量存储层

wasurenagusa介绍了一种由局部嵌入驱动的生物启发记忆系统。每个记忆都被转换为384维向量,实现了基于意义的检索,远远超出了关键字匹配的范围。

**具有余弦距离阈值的三层架构:**

|层级|阈值|用例|
|------|-----------|----------|
| **短期的** |≤0.2 |高度相关——会话开始时自动注入|
| **中期** |≤0.45 |上下文相关——在 `memory_search` |
| **长期** |≤0.7 |松散相关——可发现但未主动显示|

**自动升级:** 每次通过向量搜索检索内存时,其访问计数都会增加。5次检索后,内存自动升级为 `intensity: 5` --确保经常需要的知识在整合中获得最大的权重。长期休眠的记忆可以被相关性“唤醒”,并最终通过反复访问获得最高强度。

**它是如何工作的:**```
memory_save
→ Text → local inference (Hugging Face Transformers) → embedding → SQLite (sqlite-vec)

memory_search "authentication setup"
→ Full-text search (FTS5, Japanese support) ─┐
→ Embed query → vector similarity search     ─┤→ merge, deduplicate → results
└→ increment access count
→ auto-promote if threshold met

SessionStart Hook
→ Embed project name → short-tier search → inject related memories

不需要外部API --嵌入是通过以下方式在本地生成的 @huggingface/transformers数据存储在SQLite中 sqlite-vec 用于矢量索引。完全离线工作。

从v1自动迁移 --现有的基于Markdown的内存文件在首次运行时会自动迁移到SQLite。无需手动操作。

智能标签检索

智能标签检索通过三种机制提高搜索精度,而不会删除或忘记数据:

  1. 节省时间的加权标签富集 --当您保存内存时,LLM会生成描述性标签,并为每个标签分配一个权重(0.0-1.0)。诸如端口号或API端点之类的具体事实获得了高权重;通用类别的权重较低。
  2. 主题转换时重新标记背景 --当检测到新主题时,后台工作人员会更新相关过去条目的标签,以便在新上下文中保持可发现状态。
  3. 综合评分 --搜索结果根据新鲜度、标签权重和访问频率进行排名,首先显示最相关的记忆。

所有的记忆都被完全忠实地保存下来。智能标签检索仅优化 检索优先级,从不丢弃数据。

跨项目内存

wasurenagusa会自动跟踪你最近使用的前5个项目,并在他们的记忆中搜索相关上下文。

它是如何工作的:

  1. 止动钩 在中记录每个项目会话 ~/.wasurenagusa/scheduler/active-projects.json
  2. 会话开始 搜索其他活动项目的向量存储(短层≤0.2,仅高相关性)
  3. memory_search 随着 project: "active" 在所有活动项目中搜索(关键字+向量)

例子: 你正在努力 project-a 前面讨论过的身份验证 project-b。当您在中开始会话时 project-a 与主题相关,wasurenagusa会自动从以下位置显示相关的身份验证记忆 project-b.

无需配置——在使用了两个或多个项目后会自动工作。

LLM整合

当内存条目累积时,LLM会自动将其压缩为紧凑的摘要:

  • 请勿输入 → 5-9 行为原则评分如下 sourceCount × maxIntensity每个原则都包括原始原则 rule (❌→💡→✅ 格式)和a positiveRule (只有肯定的措辞)。这 positiveRule 默认情况下被注入——研究 粉红象问题 显示LLM在指令中与否定作斗争。
  • 配置条目 → 4-5 主题摘要(例如,29个条目→ 5 主题保留所有端口、路径、URL)

在会话启动期间,整合作为独立的后台进程运行,也可以作为 夜间计划作业 (凌晨2点)。结果以JSON格式缓存,并从下一个会话开始使用。通过比较文件修改时间和条目计数来检测静态。

原始条目始终被保留。在会话开始时注入合并版本;原始条目仍可通过以下方式搜索 memory_search.

正向规则转换

每个合并原则都存储两种形式:

字段 格式 目的
rule ❌ 图案不好→ 💡 为什么不好→ ✅ 正确的行为 完整的上下文 memory_get_detail
positiveRule 仅平权行动声明(“做X”,“使用Y”) 注入LLM上下文

为什么? LLM注意力机制激活否定中提到的概念——“不使用innerHTML”仍然激活“innerHTML。”肯定指令(“使用textContent”)只激活所需的行为。原始用户反馈(dont.md)保持不变;转换仅发生在固结层。

记忆强度(1-5)

每个not条目都带有 强度 代表课程严重程度的分数(1-5):

强度 含义 示例
5 愤怒/辞职——用户差点放弃 “我告诉过你10次了,别这样做”
4 强烈的挫败感——明显的愤怒 “不!不要那样做!”
3 明确纠正——坚定但冷静 “错了,这样做”
2 温和的音符——温和的引导 “下次,更喜欢X而不是Y”
1 建议——信息 “仅供参考,我们通常这样做”

自动检测: LLM分析用户消息中的情感信号(感叹号、强烈的语言、重复的更正),并自动分配强度。会话元数据(自上次正反馈以来的轮次、消息长度比)提供了额外的增强信号。

手动超控: 通过 intensity: N 到 memory_save 设置或调整分数。

评分公式: 在合并过程中,每个原则都得到 score = sourceCount × maxIntensity原则按分数降序排列——频繁重复的、高愤怒的课程以更强烈的措辞出现在第一位。

自动存档

每个内存类别都有一个条目限制(默认值:100)。超过时,最旧的条目会自动移动到存档文件中(*-archive.md).日志有单独的30天轮换。您的数据永远不会被删除,只会移出活动搜索路径。

情绪检测

通过文本模式、消息长度变化和没有积极信号来检测用户的沮丧情绪。记录出了什么问题,为什么,以及该怎么做。

自主任务

通过提交任务 task_submit wasurenagusa使用Claude CLI作为子进程运行它们。LLM评估完成条件,并在需要时重试。可用于规范更新、重构和测试生成。

业主简介

第一次运行时,A owner-profile.md 生成模板。填写该表格,让人工智能了解您对自主任务执行的决策偏好。

只有您实际定制的部分才会被注入——默认选择和空字段会自动剥离,从而保持最小的注入量。

夜间整合调度程序

您可以安排所有活动项目的夜间整合,而不是只在会话开始时进行整合,比如“过夜”```bash

Install (macOS: launchd, Linux: crontab)

wasurenagusa-scheduler install

Check status

wasurenagusa-scheduler status

Remove

wasurenagusa-scheduler uninstall


每天在 **凌晨2:00**,合并最近所有活动项目的don和config条目。这确保了你的人工智能每天早上都以新组织的原则开始,即使你从未关闭过你的会话。

______________________________________________________________________

## 当前限制

- **仅限克劳德代码** --基于钩子的自动注射需要Claude Code。MCP服务器本身与任何兼容MCP的客户端一起工作,但没有自动注入。

______________________________________________________________________

## 设计理念

- **默认情况下自主,选择手动** --Hooks使一切自动化。手动工具存在,但是可选的。
- **上下文高效** --LLM合并+智能过滤实现71%的注入减少。两阶段检索(索引然后详细信息)进一步减少了按需消耗。
- **SQLite存储** --所有存储在SQLite中的内存都使用SQLite-vec进行向量索引。从v1 Markdown格式自动迁移。
- **外部化提示** --LLM提示直播 `prompts/` 作为纯文本。迭代而不重建。

______________________________________________________________________

## 发展```bash
npm run build        # Compile TypeScript
npm test             # Run tests
npm run test:watch   # Watch mode

许可证

麻省理工学院


Japanese README(日本语)

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
Wasurenagusa MCP 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

Wasurenagusa MCP 怎么在 Claude、Cursor、Windsurf 里配置?

它的传输方式未标注,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

Wasurenagusa MCP 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

Wasurenagusa MCP 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

Wasurenagusa MCP 支持哪些客户端?

资料标注支持 Claude、Cursor、Windsurf;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

Wasurenagusa MCP 能提供哪些能力?

资料显示约 11 个工具;能力标签包括 AI编程辅助、TypeScript、Claude、机器学习。具体工具清单以官方文档为准。

Wasurenagusa MCP 需要什么运行环境?

属于本地进程,需要在本机装好运行环境。

Wasurenagusa MCP 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。