Danbooru Tag RAG MCP Server

Danbooruタグのセマンティック検索を提供するMCP (Model Context Protocol) サーバーです。

概要

このMCPサーバーは、自然言語のクエリからDanbooruタグを検索する機能を提供します。SDXLアニメモデルはDanbooruタグで学習されているため、適切なタグを使用することで画像生成の精度が向上します。

特徴

• セマンティック検索: キーワード一致ではなく、意味的に関連するタグを検索

• 日本語・英語対応: multilingual-e5-small モデルによる多言語サポート

• ローカル実行: 外部APIを使用せず、完全にローカルで動作

• 軽量: LanceDBによる効率的なベクトル検索

Related MCP server: Danbooru Tags MCP Server

技術スタック

インストール

Claude Desktopの設定ファイル（claude_desktop_config.json）に以下を追加:

{
  "mcpServers": {
    "danbooru-rag": {
      "command": "uvx",
      "args": ["--from", "git+https://github.com/Zaozaotvk40/danbooru-rag-mcp.git", "danbooru-rag-mcp"]
    }
  }
}

初回起動時にインデックスが自動構築されます（約60,000タグ、数分かかります）。

使用例

Claude Desktopでこのツールを有効にすると、自然言語でプロンプト生成を依頼できます。

例1: キャラクター描写

あなた: 「青い髪のツインテールの女の子が魔法を使っているシーンのプロンプトを作って」

Claude: semantic_searchで関連タグを検索し、以下のようなプロンプトを生成します：
→ 1girl, blue hair, twintails, magic, casting spell, glowing, magical effects, ...

例2: 風景シーン

あなた: 「夕焼けのファンタジー風景のプロンプトをお願い」

Claude: 関連タグを検索して組み合わせます：
→ scenery, sunset, fantasy, sky, clouds, orange sky, landscape, no humans, ...

例3: 複雑なシーン

あなた: 「カフェで本を読んでいる眼鏡の女の子、窓から光が差し込んでいる感じで」

Claude: 複数の要素を検索して統合します：
→ 1girl, glasses, book, reading, cafe, indoors, window, sunlight, sitting, ...

Claudeが自動的にsemantic_searchツールを使用し、Danbooruタグに基づいた画像生成プロンプトを作成します。

プロジェクト構造

danbooru-rag-mcp/
├── README.md                 # このファイル
├── pyproject.toml            # パッケージ設定
├── danbooru-tags.txt         # ソースデータ
├── src/
│   └── danbooru_rag/
│       ├── __init__.py       # パッケージ初期化
│       ├── __main__.py       # モジュールエントリーポイント
│       ├── config.py         # 設定定数
│       ├── embeddings.py     # 埋め込み生成
│       ├── database.py       # LanceDB操作
│       ├── builder.py        # インデックス自動構築
│       └── server.py         # MCPサーバー本体
├── scripts/
│   └── build_index.py        # インデックス手動構築
└── tests/
    └── ...                   # テスト

データベース保存先:

• Windows: %LOCALAPPDATA%\danbooru-rag\lancedb

• macOS: ~/Library/Application Support/danbooru-rag/lancedb

• Linux: ~/.local/share/danbooru-rag/lancedb

設計判断

なぜmultilingual-e5-smallか？

1. 日本語・英語両対応: ユーザーがどちらの言語でクエリしても対応

2. 高精度: all-MiniLM-L6-v2より高いベンチマークスコア

3. CPU対応: GPUなしでも実用的な速度で動作

4. E5プレフィックス: query:/passage: プレフィックスで精度向上

なぜLanceDBか？

1. サーバー不要: ファイルベースでローカル実行に最適

2. Pythonネイティブ: 簡単にインストール・使用可能

3. 高速: ベクトル検索に最適化

なぜ出現頻度100以下をフィルタリングするか？

1. 学習データの品質: 低頻度タグはSDXLモデルの学習が不十分

2. インデックス効率: 99,999件 → 約60,000件に削減

3. 検索精度向上: ノイズとなる低頻度タグを除外

開発

テスト実行

uv run pytest tests/

コード品質

# 型チェック
uv run mypy src/

# フォーマット
uv run ruff format src/

# リント
uv run ruff check src/

ライセンス

MIT License

データソース

danbooru-tags.txt は ComfyUI-Custom-Scripts で利用されている以下のデータをベースにしています：

https://gist.githubusercontent.com/pythongosssss/1d3efa6050356a08cea975183088159a/raw/a18fb2f94f9156cf4476b0c24a09544d6c0baec6/danbooru-tags.txt

オリジナルのタグ名はアンダーバー区切り（例: blue_hair）ですが、本プロジェクトではスペース区切り（例: blue hair）に変換して使用しています。

謝辞

• ComfyUI-Custom-Scripts - Danbooruタグデータの提供元

• Model Context Protocol - LLMツール統合の標準プロトコル

• LanceDB - 高速ベクトルデータベース

• Sentence Transformers - 埋め込みモデルライブラリ