场记 / Continuity

一个 DeepSeek Harness 插件，为智能体提供本地图像 / 语音 / 音乐 / 音效生成能力，并记住它生成的内容 —— 同一个角色在每次调用中始终保持一致，且失败的生成永远不会被当作成功结果通过。

本地运行。模型按请求懒加载，空闲时释放，因此当你不用它时 GPU 完全不被占用 —— 实测常驻内存 0.21 GiB。你可以在同一张显卡上玩游戏。

场记是电影片场上的连续性监督员。他们的全部工作只有两件事：确保服装、发型和道具在不同镜头之间保持一致，以及在问题被剪进成片之前当场发现错误。这正是这个插件的职责。

安装

uvx --from continuity-mcp continuity-setup      # preflight → build engines → fetch weights → start
dsh plugin --profile <your-profile> add dsh-plugin-continuity

continuity-setup 在下载任何东西之前先检查机器，并根据检测结果调整安装规模。先运行 continuity-setup --check 查看它会做什么 —— 该命令只读取硬件信息，不改变任何东西：

体检结果:
  GPU     AMD Radeon RX 7800 XT (RADV NAVI32)  (16.0 GiB, 此刻可用 15.8 GiB, DISCRETE_GPU, vulkan device 1)
          未选 AMD Radeon RX 7900 XTX (RADV NAVI31) (24.0 GiB, 此刻可用 1.4 GiB)
          跳过 llvmpipe —— 软件渲染, 不是真显卡
  内存    30.9 GiB
  磁盘    3118.4 GiB 可用 / 需要 30 GiB
  生图    启用
  抠图默认档  best
  参考音上限  30s (每秒约 0.19 GiB 显存)

其中有两个细节，因为朴素的方案是错误的：

• 它会跳过 llvmpipe。 软件光栅化器宣称拥有 30.9 GiB 的“显存”（实际上是你的系统内存），会在任何“选最大显卡”的竞争中胜出。然后一切都会在 CPU 上运行 —— 能工作，看起来完全正常，但慢得无法使用。

• 它按空闲显存选择，按总显存设门槛。 在上面的机器上，24 GiB 的显卡实际只有 1.4 GiB 空闲，因为另一个进程占用了它；按容量选择会选中它然后内存耗尽。但“这张卡够不够好”是硬件问题，所以那个判断使用总显存 —— 否则 16 GiB 的显卡会因为开着游戏而被拒绝。

最低要求

仅音频安装（见下文）需要 安装期间 20 GiB，安装后 9.5 GiB。

本页所有显存/内存数字均为 GiB（2³⁰ 字节），与 rocm-smi 和 vulkaninfo 报告的一致。本 README 的早期版本将其标为 GB；那是错误的，会让余量看起来比实际更紧张。

选择 Vulkan 而非 CUDA 不是偏好问题 —— 这正是它能运行的原因。ROCm 在这类 GPU 上错误计算 VAE 解码（ROCm#6633）：对相同输入进行五次解码，返回了五个互不相关的结果。Vulkan/RADV 在运行时编译 SPIR-V，而不是查找按架构划分的内核表，在这里既正确又更快。副作用是跨三家厂商的可移植性。

GPU 厂商

我只有 AMD 显卡，所以不会声称更多。代码中没有任何 AMD 特有的内容 —— 没有 CUDA、ROCm、HIP、/dev/kfd 或 gfx 目标 —— 而且 ggml 的 Vulkan 后端在 NVIDIA 上被广泛使用。但“广泛使用”不等于“我验证过”。

NVIDIA 路径是真正不同的接线方式，而不仅仅是不同的显卡：NVIDIA 的 Vulkan ICD 位于宿主机驱动中，必须由 nvidia-container-toolkit 注入，且 NVIDIA_DRIVER_CAPABILITIES 必须包含 graphics —— 默认的 compute,utility 会给你可用的 CUDA 和 Vulkan 中的空设备列表。continuity-setup 会检测 NVIDIA，使用正确的 compose 覆盖层，并告知你该路径未经验证。无论哪种情况，欢迎报告。

内存详细说明

空闲时占用可忽略不计；峰值才是决定机器配置的因素。

背景移除是上限，其成本与输入大小无关 —— 256 / 512 / 1024 像素的峰值均为约 6.8 GiB，因为 BiRefNet 以固定的内部分辨率运行。

在 16 GiB 上一切正常。 低于 12 GiB 时，continuity-setup 将默认值设为 quality="fast"（u2netp）：峰值降至 1.33 GiB，运行时间从 7.2 秒缩短到 0.6 秒。在典型的游戏精灵图上，两者肉眼几乎无法区分 —— 在洋红色背景上并排检查，边缘放大。在空间允许的情况下，best 仍是默认值，因为模型在精细边缘（头发、半透明边缘）上确实存在差异，但请将 fast 视为合理选择，而非降级方案。

哪些会随显存调整，哪些不能

三件事随显卡扩展。所有三个阈值都是实测而非猜测：

仅音频层级是真正的产品，而非安慰奖：角色配音、对话、音乐、音效和抠图都能工作，且轻松适配 4 GiB。

不能自适应：图像模型。 量化它完全不会改变显存 —— Q4_0（2.29 GiB 权重）峰值 6.60 GiB，Q8_0（4.01 GiB）峰值 6.59 GiB，完全相同。降低分辨率也无济于事（512 / 768 / 1024 峰值相同；只有时间变化）。瓶颈是 8 GiB 未量化的 4B 文本编码器，而非扩散模型。因此没有“中等”图像层级可提供，只有安装或不安装。（Q4_0 仍然提供 —— 显存相同，磁盘少 1.7 GiB。）

低于 8 GiB 的图像生成意味着更换文本编码器或模型家族。这是可能的，但会将身份固定从原生 ref_images 转移到 IP-Adapter，而后者在此处未经验证 —— 而身份固定正是整个插件的核心。

零常驻

在 RX 7800 XT 上实测，显卡上无其他负载：

图像是免费的：引擎按请求流式加载权重，从不常驻。音频由空闲定时器释放（AUDIO_IDLE_UNLOAD_S，默认 120 秒）—— 不是立即释放，因为连续配音十行的人不应每次重新加载。重新加载成本可忽略不计：同一个 TTS 请求冷启动和热启动都耗时 3.0 秒，因为权重被 mmap 并驻留在页面缓存中。

请求串行化，因此峰值 = 单个最大模型。关闭智能体也会释放显存 —— MCP 服务器在退出时卸载，而不是让引擎持有它。

它实际做的两件事

1. 身份跨调用保持。 生成后端是无状态的：两次请求同一个角色，你会得到两个只是相似的人。在 Qwen3-TTS 上实测，来自一个语音描述的四行：

在贪心解码下，种子被证明是无效的 —— 种子 5 / 99 / 777 产生了相同的 sha256 —— 因此随机性被完全消除，仍然漂移了 242 Hz。身份是输入文本的函数，而非随机抽取的函数。 temperature=0 和 top_k=1 无法修复。只有固定到参考工件才能。

create_actor(name, voice)          -> audition clip; listen before you commit
actor_tts(actor, text)             -> same timbre every line

create_character / create_animal / create_object (name, appearance)
subject_image(subject, scene)      -> same look, new scene / angle / outfit

身份和服装是分开的：固定面部和体型，然后在场景提示中更换衣服。一个穿着靛蓝长袍的参考，被要求“穿着厚重的红色盔甲”，会以相同的面部穿着盔甲返回。

已经在别处选好了角色？ import_actor 和 import_subject 固定你提供的工件 —— 真实的语音录音、ElevenLabs 片段、来自其他工具的角色表 —— 所有下游行为完全相同。音频会为你归一化为 24 kHz 单声道（44.1 kHz 立体声输入，已验证：参考 f0 相同，导入的角色与原生角色跟踪到 11 Hz）。

2. 拒绝退化输出。 计算错误的后端会返回格式完全正确的全零 WAV，或纯灰色 PNG，并返回 HTTP 200。每个工件都会被检查（图像标准差、音频 RMS、非有限样本），调用会大声失败，而不是在垃圾数据上报告成功。抠图还会额外获得质量报告 —— 大部分透明、未移除任何内容、主体碎裂成碎片、主体被穿透 —— 每个都有特定的警告，而不是静默通过。

另外还有 remove_bg：扩散模型将“透明背景”绘制为不透明的棋盘格；这个工具将其转换为真正的 RGBA 抠图，这是精灵图所必需的。还有 gen_sfx，它程序化地合成 sfxr 风格的游戏音效 —— 对于给定种子，比特级一致，毫秒级，无需 GPU —— 因为扩散模型不是 40 毫秒金币拾取音效的正确工具。

工具

19 个工具。所有工具都返回绝对本地文件路径，而非 URL —— 智能体和引擎在同一台机器上，因此路径可以直接进入你的游戏项目，无需下载步骤，也没有文件服务器需要运行或配置。

generate_image 和 generate_speech 的存在是为了处理一次性任务，其自身描述中也有说明：它们明确告知代理，它们生成的内容不会在下次调用时返回，并针对任何重复性需求指向固定（pinning）工具。

限制，以及每项限制存在的原因

这里的每个数字都是实测的失败边界，而非政策。

低于 24 kHz 的导入音频会被接受，但会被标记：上采样无法恢复已丢弃的八度音程，因此克隆结果会比您提供的文件更沉闷。这值得警告而不是静默通过——这与本插件存在所要捕获的其他失败形态相同。

超大输入按类型有意区别处理。 过大的图像会被调整大小，并将结果报告给您（原图 2400x1600 → 存为 1024x682）——缩放后的图片仍然描绘相同的内容。过长的参考音频会被拒绝，而非裁剪：截断音频尾部会导致转录文本描述的内容与音频不再匹配，而这种对齐正是克隆所依赖的。静默裁剪会交给您一个导入成功但听起来像别人的角色。

自带后端（可选）

本地引擎是默认选项，但每个后端都是一个 URL（SD_SERVER、AUDIO_SERVER）。将它们指向您自己的服务器，就不会加载本地模型。如果这样做，有一个限制：音频引擎自行解析参考音频路径，因此它必须看到相同的角色目录（同一台机器，或共享挂载）。

图像后端必须接受参考图像（FLUX.2 风格的原生 ref_images、IP-Adapter 或用于人脸的 PuLID）。没有它，身份固定（identity pinning）就无法工作——插件会明确说明，而不是静默降级。

先前工作

对当前 MCP 生态系统的调查——MiniMax-MCP、openrouter-mcp-multimodal、AtlasCloud、dsh vision/draw 插件以及四个游戏资产服务器——发现多个项目支持语音克隆，但没有一个支持视觉主体固定，也没有一个支持输出验证。

布局

bundle/   dsh bundle (npm) — one plugin row; dsh spawns and supervises the MCP server
src/      the MCP server: pinning, guardrails, verification, cutout, VRAM lifecycle
src/continuity_mcp/deploy/   compose + engine Dockerfile + weight manifest

许可证

MIT