太初玄鼎 · 下一代 Anima 扩散模型训练工作台
GitHub · 快速开始 · 功能概览 · 与上游版本的区别
MonadForge 是 anima_lora 的一个深度改进分支，将原有的 PySide6 桌面 GUI 全面重构为 基于 FastAPI + Vue 3 的现代化 WebUI，并在此基础上扩展了大量工程化改进与用户体验增强。
🌐 双语界面 — 内置中英文切换，代码注释与界面文案全面国际化
⚡ 实时训练监控 — WebSocket 流式传输训练指标、损失曲线、学习率变化与预览图
🎨 Material Design 3 主题 — 琥珀色品牌系统、JetBrains Mono 等宽字体、精致的交互动效
🖥️ 跨平台一致体验 — Windows / Linux 统一的浏览器界面，告别 Qt 平台差异
# 1. 克隆仓库
git clone https://github.com/LingyeSoul/MonadForge.git
cd MonadForge
# 2. 运行安装脚本（自动安装 uv、依赖、构建前端）
setup-win.bat
# 3. 启动 WebUI
start-webui-win.bat安装脚本会自动完成：
- 检测并安装 uv 包管理器
- 同步 Python 3.13 + PyTorch 2.12 + CUDA 13.2 环境
- 自动下载便携版 Node.js（如系统未安装）
- 构建 Vue 3 前端并输出到
webui/frontend/dist/ - 自动打开浏览器访问
http://127.0.0.1:8000
# 1. 克隆仓库
git clone https://github.com/LingyeSoul/MonadForge.git
cd MonadForge
# 2. 运行安装脚本
chmod +x setup-linux.sh
./setup-linux.sh
# 3. 启动 WebUI
chmod +x start-webui-linux.sh
./start-webui-linux.sh# 1. 环境准备
uv sync # Python 3.13 + 所有依赖
# 2. 构建前端
cd webui/frontend
npm install
npm run build
cd ../..
# 3. 下载模型
python tasks.py download-models # DiT + Qwen3 TE + QwenImage VAE
# 4. 启动服务
python tasks.py daemon # 启动 daemon（它会自动拉起 WebUI）
# 或直接：python -m webui（此时 WebUI 会自行 ensure_daemon）
# Windows 双击 start-webui-win.bat = 启动 daemon + WebUI + 系统托盘（见下）服务启动后访问 http://127.0.0.1:8000。
MonadForge 由一个本地训练守护进程（scripts/daemon/，127.0.0.1:8765）统筹：
它既是串行作业队列，也是 WebUI 服务器的宿主。
- 串行队列 + GPU 守卫 —— 同时只跑一个训练任务，避免多任务抢占显存导致 OOM
- 持久化 —— 任务状态落盘到
output/daemon/，WebUI/托盘关闭重启后任务继续跑 - chain_train —— "预处理 → 训练"可串联，提交者关闭终端后链路仍继续
- 托管 WebUI（sidecar）—— daemon 启动时拉起 uvicorn WebUI 子进程，崩溃自动重启、 daemon 关闭时一并退出。WebUI 作为 sidecar 不计入串行队列，不影响训练调度
- MCP 桥 —— AI agent（如 Claude Code）可直接提交/监控/停止训练任务
python tasks.py daemon # 启动 daemon（幂等、后台常驻；同时拉起 WebUI）
python tasks.py daemon-status # 查看状态 + 作业列表（JSON）
python tasks.py daemon-attach # 实时跟随当前作业输出
python tasks.py daemon-kill # 停止当前作业（daemon 继续运行）
python tasks.py daemon-terminate # 关闭整个 daemon（WebUI 一并退出）
# CLI 训练加 --queue 即提交到队列而非直接运行:
python tasks.py lora --queue --network_dim 32
# 仅 CLI/ComfyUI 场景不需要 WebUI 时禁用 sidecar:
set ANIMA_DAEMON_HOST_WEBUI=0 && python tasks.py daemon若希望 WebUI 单独运行（不由 daemon 托管），仍可
python -m webui，它会在启动时 自行ensure_daemon（daemon 已在跑则跳过）。
Windows 系统托盘（scripts/tray/）：状态指示器 + 控制器。
.venv\Scripts\pythonw.exe -m scripts.tray # 或双击 start-tray-win.bat托盘图标颜色反映 daemon 状态（🟢 空闲 / 🟡 运行中，含作业名+步数 / 🔴 出错 / ⚪ 未运行），
右键菜单可：打开 WebUI、暂停/恢复队列、停止当前作业、重启 daemon、切换语言（中/英）。
托盘语言独立于 WebUI，默认中文，选择持久化在 output/daemon/tray-prefs.json。
MonadForge WebUI 提供完整的训练工作流覆盖，从数据准备到模型合并一站式完成：
| 页面 | 功能描述 |
|---|---|
| ⚙️ Config | 可视化配置编辑器 — 方法/变体/预设选择、TOML 字段级编辑、实时帮助提示、自定义变体与预设创建 |
| 📁 Dataset | 数据集浏览器 — 多目录管理、缩略图网格/列表视图、搜索筛选、排序、图片详情与标签编辑 |
| 🔧 Preprocess | 预处理流水线 — 状态仪表盘、数据集路径配置、一键执行 resize/VAE cache/TE cache/PE cache/mask |
| 🧩 Adapter | 适配器管理 — 查看已训练 LoRA/HydraLoRA 检查点、版本信息、元数据浏览 |
| 🧪 Distill | 蒸馏配置 — Modulation Guidance 蒸馏参数编辑、训练启动、状态监控 |
| 🔀 Merge | 模型合并 — 文件树浏览、合并策略选择、多检查点融合为独立 DiT |
| 📊 Dashboard | 训练仪表盘 — 实时进度环、损失曲线、学习率曲线、GPU/CPU/内存监控、训练预览图流 |
| 📋 Tasks | 任务监控 — 所有后台任务状态、实时日志流（彩色分级）、取消/重试操作 |
| 🔧 System | 系统管理 — 环境变量查看、硬件信息、模型路径配置、一键更新 |
- WebSocket 流式数据 — 训练过程中通过
/api/ws实时推送 step/epoch/loss/lr/speed - 动态损失曲线 — 基于 Canvas 绘制的实时 Loss Curve，支持历史数据点回溯
- 学习率可视化 — 独立的 LR Curve 面板，清晰展示 warmup / decay 过程
- GPU 监控 — 显存占用、利用率、温度实时条形图（基于
nvidia-ml-py） - 训练预览图 — 每 N 步生成的 sample 图片自动流式展示，支持点击放大查看
- 内置 English / 简体中文 双语支持
- 界面语言一键切换，无需重启
- 所有训练概念、字段帮助、错误提示均已翻译
- 基于 Vue 组合式 API 的
useI18n系统，易于扩展新语言
- 琥珀色（Amber）主色调 — 区别于上游的默认蓝紫，温暖而具有辨识度
- JetBrains Mono 等宽字体用于所有数值输入与代码展示
- 精致的交互动效 — 卡片悬浮抬升、焦点发光环、按钮按压反馈、骨架屏加载、抖动错误提示
- 深色模式优先 — 专为长时间训练场景优化的暗色界面
- WebUI 不再直接启动训练子进程，而是将训练、预处理、合并等操作提交给本地 training daemon
- daemon 负责串行作业队列、GPU 守卫、进程树管理、任务取消与状态落盘，避免多个训练任务争抢显存
- WebUI TaskService 作为适配层，尾随 daemon 的
stdout.log与每个 job 独立的progress.jsonl，再通过 WebSocket 推送日志、指标与预览图 - 训练进度使用每任务隔离的
output/daemon/jobs/<job_id>/progress.jsonl，避免跨 run 复用output/logs/<output_name>.progress.jsonl导致旧数据串入
| 特性 | MonadForge (本分支) | upstream (sorryhyun/anima_lora) |
|---|---|---|
| GUI 框架 | FastAPI + Vue 3 + Vuetify 3 (WebUI) | PySide6 (Qt 桌面应用) |
| 前端构建 | Vite + TypeScript + Sass | 无（纯 Python Qt） |
| 通信方式 | HTTP REST + WebSocket | 本地进程间通信 / 文件系统轮询 |
| 任务调度 | 本地 training daemon 串行队列 + WebUI TaskService 适配层 | 外部 Python daemon 进程 |
| 更新机制 | make update 支持 + 内置更新器 |
仅 make update |
| 跨平台 | 浏览器统一体验，完全一致 | Qt 平台差异（Linux 字体渲染等） |
| 功能 | MonadForge | upstream |
|---|---|---|
| 实时训练仪表盘 | ✅ 完整 — 损失曲线、LR 曲线、GPU 监控、预览图流 | ❌ 仅基础日志输出 |
| 双语界面 | ✅ 内置 EN/CN 切换 | ❌ 仅英文 |
| 训练预览图流 | ✅ WebSocket 实时推送 sample 图片 | ❌ 需手动查看输出目录 |
| WD Tagger 集成 | ✅ 内置 timm-based WD 标签器，WebUI 一键打标 | ❌ 仅命令行 |
| ControlNet 预处理 | ✅ 内置 canny/depth/pose 预处理与数据集生成 | ❌ 实验性 / 缺失 |
| 蒸馏 UI | ✅ 完整的 Modulation Guidance 蒸馏配置界面 | ❌ 仅命令行 |
| 自定义数据集路径 | ✅ WebUI 配置多组 source/resized/cache 路径 | ❌ 手动编辑 TOML |
| 自定义预设 | ✅ 图形化创建硬件预设（VRAM 档位） | ❌ 仅内置预设 |
| 文件浏览器 | ✅ 内置目录树浏览、模型选择器 | ❌ 系统文件对话框 |
| WebSocket 日志 | ✅ 彩色分级实时日志流（INFO/WARN/ERROR） | ❌ 文件 tail |
| 主题系统 | ✅ MD3 琥珀色品牌主题 + 动效系统 | ❌ 原生 Qt 样式 |
| 改进项 | 说明 |
|---|---|
| 移除 PySide6 | 完全移除 Qt 依赖，减少 ~200MB 安装体积，消除跨平台字体/渲染问题 |
| Daemon 托管 WebUI | 训练守护进程成为任务调度中心并可托管 WebUI sidecar；WebUI 只做提交、订阅与展示，训练任务即使浏览器关闭也会继续运行 |
| Windows 原生优化 | 专用 setup-win.bat / start-webui-win.bat，自动处理 Defender 排除、Node 便携版、无窗口训练进程 |
| 前端独立构建 | Vue SPA 独立构建输出到 dist/，支持 CDN 部署或内嵌到 FastAPI StaticFiles |
| SPA 路由回退 | 支持直接刷新 /dashboard、/config 等子路由，不会 404 |
| SVG 品牌标识 | 矢量 Logo 与 Favicon，任意缩放清晰 |
| WandB 集成 | 训练指标自动上报，WebUI 内嵌 WandB 看板链接 |
| JSONL 进度追踪 | 优化的训练日志格式，支持流式解析与历史回放 |
以下训练优化移植自 WhitecrowAurora/lora-rescripts（AGPL-3.0），该项目是 kohya-ss/sd-scripts 的维护分支，专注于 LoRA 训练效率与算法创新。
| 优化项 | 来源文件 | 说明 | 本项目对应文件 |
|---|---|---|---|
| AdamW 8-bit Kahan 补偿求和 | scripts/stable/library/adamw_8bit_kahan.py |
在 8-bit 量化 AdamW 上叠加 Kahan 补偿求和，将舍入误差回注下一步，有效精度从 8-bit 提升至 ~11-12 bit，显著改善长训练 run 的收敛稳定性 | library/training/adamw_8bit_kahan.py |
| 分阶段混合分辨率训练 | mikazuki/utils/mixed_resolution.py |
课程学习：按阶段递增分辨率（512→768→1024），batch size 按像素面积比自动缩放，save/sample 间隔 LCM 对齐 | library/training/staged_resolution.py |
| 自适应噪声偏移 | scripts/stable/library/custom_train_functions.py |
基于 latent 通道统计量的自适应噪声偏移，替代固定噪声偏移，改善生成图像的动态范围 | library/runtime/noise.py |
| 对比流匹配损失 | scripts/stable/train_network.py |
在 Rectified Flow 目标上叠加对比损失项，通过正/负流方向对比提升 latent 表征质量 | library/training/losses.py |
| 金字塔多分辨率噪声 | scripts/stable/library/custom_train_functions.py |
多尺度噪声叠加（6 层，discount=0.4），让模型同时接触多频段噪声模式 | library/runtime/noise.py |
| VeRA 适配器 | scripts/stable/networks/vera.py |
向量随机矩阵适配 — 跨层共享冻结随机投影矩阵，仅学习对角缩放向量，参数量比标准 LoRA 低 10-100× | networks/lora_modules/vera.py |
| DyLoRA 适配器 | scripts/stable/networks/dylora.py |
动态 LoRA — 每次前向随机选择 rank，同时训练多个 rank 级别，训练后可提取任意 rank ≤ max_rank | networks/lora_modules/dylora.py |
| 优化器状态 CPU 卸载 | scripts/stable/library/optimizer_offload_util.py |
将 Adam 系优化器的 momentum/variance 缓冲区卸载到 CPU RAM，step 时按需搬回 GPU，可节省 ~50% 优化器显存 | library/training/optimizer_offload.py |
| 训练步计时分析器 | scripts/stable/train_network.py (ExperimentalAttentionStepProfiler) |
窗口化计时分析器，按 forward/backward/optimizer/save 分段统计每步耗时与占比 | library/training/profiler.py |
所有特性均为可选激活，不改变默认训练行为。通过 CLI 参数（如 --optimizer_type AdamW8bitKahan、--staged_resolution、--contrastive_flow_matching 等）或配置文件启用。
感谢 WhitecrowAurora 的出色工作。lora-rescripts 在注意力后端（FlashAttention / SageAttention / SparseAttention）、多平台支持（NVIDIA / AMD ROCm / Intel XPU）、优化器生态（50+ 种优化器）等方面的工程实践为本项目提供了重要参考。
MonadForge 支持丰富的优化器选择，以下列出各优化器的来源与许可：
| 优化器 | --optimizer_type 值 |
来源 | 许可 | 说明 |
|---|---|---|---|---|
| AdamW | AdamW |
PyTorch 内置 | BSD-3 | 默认优化器，fused CUDA 实现 |
| AdamW 8-bit | AdamW8bit |
bitsandbytes | MIT | 8-bit 量化 AdamW |
| AdamW 8-bit Kahan | AdamW8bitKahan |
WhitecrowAurora/lora-rescripts | AGPL-3.0 | 8-bit AdamW + Kahan 补偿求和 |
| PagedAdamW | PagedAdamW / PagedAdamW8bit / PagedAdamW32bit |
bitsandbytes | MIT | 分页内存优化 |
| Lion | Lion / Lion8bit / PagedLion8bit |
lion-pytorch | MIT | 符号动量优化器 |
| SGD Nesterov | SGDNesterov / SGDNesterov8bit |
PyTorch / bitsandbytes | BSD-3 / MIT | 经典 SGD + Nesterov 动量 |
| D-Adaptation | DAdaptAdam / DAdaptLion / DAdaptSGD 等 |
dadaptation | MIT | 自动学习率调整 |
| Prodigy | Prodigy |
prodigyopt | MIT | D-Adaptation 改进版 |
| Prodigy Plus Schedule-Free | ProdigyPlusScheduleFree |
LoganBooker/prodigy-plus-schedule-free | MIT | Prodigy + schedule-free |
| Adafactor | Adafactor |
transformers (Google) | Apache-2.0 | 内存高效二阶优化器 |
| CAME | CAME |
kozistr/pytorch_optimizer | Apache-2.0 | 置信度引导的内存高效优化器，兼容多分辨率批次 |
| Automagic | Automagic |
Ostris AI Toolkit → scvxzf1/anima_lora_webui | MIT | 逐参数自适应 LR |
| Schedule-Free | RAdamScheduleFree / AdamWScheduleFree / SGDScheduleFree |
schedulefree | MIT | 无需调度器 |
| Rose | (注释中，需手动启用) | MatthewK78/Rose | — | 无状态优化器 |
使用示例：
# Adafactor — 大模型低显存训练
python tasks.py lora --optimizer_type Adafactor --lr_scheduler adafactor
# CAME — 置信度引导的内存高效优化器（支持多分辨率批次）
python tasks.py lora --optimizer_type CAME --learning_rate 1e-4
# Automagic — 逐参数自适应 LR（无需调度器）
python tasks.py lora --optimizer_type Automagic --lr_scheduler constant
# Prodigy Plus Schedule-Free
python tasks.py lora --optimizer_type ProdigyPlusScheduleFree --learning_rate 1.0 --lr_scheduler constantMonadForge 完整继承并同步上游的所有训练与推理能力：
- ✅ Fast LoRA Training — 恒定 token 分桶 + 逐块
torch.compile，RTX 5060 Ti 上 13.4GB VRAM / 1.1s per step - ✅ LoRA / OrthoLoRA / T-LoRA — 三种变体可叠加，无损合并为独立 DiT 检查点
- ✅ Spectrum 推理加速 — 训练无关的 ~1.75× 加速，支持 ComfyUI 节点
- ✅ DCW / SMC-CFG — 采样器级 SNR 校正与滑模 CFG 修正
- ✅ HydraLoRA / ChimeraHydra — MoE 多专家路由与双池加法架构
- ✅ EasyControl — 扩展自注意力图像条件控制
- ✅ Turbo (DP-DMD) — 2 步蒸馏生成
- ✅ DirectEdit — 流反演图像编辑
- ✅ Soft Tokens / SPD / Embedding Inversion — 完整实验方法支持
MonadForge/
├── webui/ # WebUI 主目录
│ ├── server.py # FastAPI 应用工厂
│ ├── api/ # REST API 路由层
│ │ ├── config.py # 配置读写 API
│ │ ├── tasks.py # 任务管理 API
│ │ ├── preview.py # 训练预览图 API
│ │ ├── system.py # 系统信息 API
│ │ ├── tagger.py # WD 标签器 API
│ │ ├── distill.py # 蒸馏 API
│ │ ├── files.py # 文件浏览 API
│ │ ├── images.py # 图片服务 API
│ │ ├── preprocess.py # 预处理 API
│ │ ├── merge.py # 合并 API
│ │ ├── ws.py # WebSocket 端点
│ │ └── i18n.py # 国际化文案 API
│ ├── services/ # 业务逻辑层
│ │ ├── task_service.py # 异步任务调度核心
│ │ ├── training_log_parser.py # 训练日志流式解析
│ │ ├── config_service.py # TOML 配置管理服务
│ │ ├── image_service.py # 图片处理与缓存
│ │ ├── wd_tagger_service.py # WD 标签器封装
│ │ ├── distill_service.py # 蒸馏任务管理
│ │ ├── file_service.py # 文件系统操作
│ │ ├── merge_service.py # 模型合并逻辑
│ │ └── preprocess_service.py # 预处理流水线
│ └── frontend/ # Vue 3 前端
│ ├── src/
│ │ ├── App.vue # 根组件（MD3 导航抽屉）
│ │ ├── router.ts # 路由定义
│ │ ├── main.ts # 入口（Pinia + Vuetify + i18n）
│ │ ├── views/ # 页面级组件
│ │ │ ├── ConfigEditor.vue
│ │ │ ├── TrainingDashboard.vue
│ │ │ ├── DatasetBrowser.vue
│ │ │ ├── PreprocessView.vue
│ │ │ ├── TaskMonitorView.vue
│ │ │ ├── AdapterView.vue
│ │ │ ├── DistillView.vue
│ │ │ ├── MergeView.vue
│ │ │ └── SystemView.vue
│ │ ├── stores/ # Pinia 状态管理
│ │ ├── composables/ # Vue 组合式函数
│ │ ├── i18n/ # 中英文文案
│ │ ├── plugins/ # Vuetify 主题配置
│ │ └── styles/ # SCSS 全局样式
│ └── public/
│ └── logo.svg # 品牌 Logo
├── library/ # 核心训练/推理库（与上游同步）
├── networks/ # 适配器网络实现（与上游同步）
├── scripts/ # 任务脚本（与上游同步）
├── tasks.py # 跨平台任务入口
├── setup-win.bat / setup-linux.sh # 一键安装脚本
├── start-webui-win.bat / start-webui-linux.sh # 启动脚本
├── build-webui-win.bat # 前端构建脚本
└── pyproject.toml # 项目配置（uv 锁定）
# 训练
python tasks.py lora # 标准 LoRA 训练
python tasks.py lora-gui # 从 GUI 预设训练
python tasks.py easycontrol # EasyControl 训练
# 推理测试
python tasks.py test # 最新 LoRA 推理测试
python tasks.py test SPECTRUM=1 # 启用 Spectrum 加速
python tasks.py test MOD=1 # 启用 Modulation Guidance
# 预处理
python tasks.py preprocess # 完整预处理流水线
python tasks.py mask # 生成 SAM3 掩码
# 工具
python tasks.py merge # 合并 LoRA 到 DiT
python tasks.py download-models # 下载基础模型
python tasks.py --help # 查看所有命令WebUI 启动后，上述所有操作均可在浏览器中完成，无需记忆命令行参数。
| 层级 | 技术 |
|---|---|
| 后端 | Python 3.13, FastAPI, Uvicorn, WebSocket |
| 前端 | Vue 3, Vuetify 3, Pinia, Vue Router, TypeScript |
| 构建 | Vite, Sass, vue-tsc |
| 包管理 | uv (Python), npm (Node.js) |
| ML 框架 | PyTorch 2.12（Ampere+）/ 2.10+cu129（SM 7.x），Transformers, Diffusers, Flash Attention 2（SM 8.0+） |
| 字体 | JetBrains Mono, Roboto |
老显卡兼容方案（SM 7.0 / SM 7.5）：V100、T4、RTX 2060/2070/2080 等 Volta/Turing 架构显卡需要单独的兼容环境。核心差异：
- PyTorch 版本：使用
torch==2.10.0+cu129（而非默认的 2.12），确保 SM 7.x 兼容- 不安装 flash-attn：flash-attn 要求 SM 8.0+（Ampere 及以上），在 SM 7.x 上会产生 NaN
- 注意力后端：生产训练使用
attn_mode="torch"（SDPA）- 精度策略：默认 bf16 会自动切换为 fp16（V100/T4 无 bf16 张量核心）；训练器自动启用
lora_fp32_compute，LoRA rank 分支保持 fp32 计算以降低偏色/语义退化风险（可用network_args = ["lora_fp32_compute=false"]做 A/B）- torch_compile：可正常启用，配合
gradient_checkpointing=trueV100 专用安装脚本（适配所有 SM 7.x 老显卡）：
- Windows:
setup-v100-win.bat— 一键创建.venv并安装 torch==2.10.0+cu129- Linux:
setup-v100-linux.sh— 自动配置兼容环境- 依赖文件:
requirements-v100.txt— 不含 flash-attn 的依赖清单脚本以 V100 命名，但同样适用于 T4、RTX 20 系列等所有 SM 7.0/7.5 显卡。安装完成后，在 WebUI 或 TOML 配置中使用上述参数即可。
详见
bench/v100_flash/README.md。
- GPU: NVIDIA Volta 或更新架构（V100 / T4 / RTX 20 系列及以上）；推荐 Ampere+（RTX 3000 / A100 / RTX 5060 Ti）
- 驱动: NVIDIA Driver ≥ 595
- CUDA: 13.2 Toolkit（用于
torch.compile/ Triton） - Python: 3.13（由 uv 自动管理）
- OS: Windows 10/11, Linux
- 内存: 16GB+ 系统内存
- VRAM: 8GB+（推荐 16GB+ 用于完整功能）
欢迎提交 Issue 与 PR！本分支特别关注的改进方向：
- 🎨 UI/UX 改进 — 新主题、动画、交互细节
- 🌐 更多语言 — 日语、韩语等社区翻译
- 📱 移动端适配 — 响应式布局优化
- 🔌 新功能页面 — 如模型对比、批量推理等
MonadForge 基于 sorryhyun/anima_lora 构建，感谢上游项目的卓越工作。
训练算法优化部分移植自 WhitecrowAurora/lora-rescripts，感谢该项目在 LoRA 训练效率与算法创新方面的贡献。
优化器部分参考了 scvxzf1/anima_lora_webui（MIT）的实现，感谢该项目在 Anima LoRA WebUI 工程化方面的贡献。Automagic 优化器源自 Ostris AI Toolkit（MIT）。ProdigyPlusScheduleFree 来自 LoganBooker/prodigy-plus-schedule-free（MIT）。CAME 优化器来自 kozistr/pytorch_optimizer（Apache-2.0）。
- Toolkit 代码: MIT
- 上游衍生部分: Apache 2.0（源自 kohya-ss/sd-scripts）
- lora-rescripts 衍生部分: AGPL-3.0（源自 WhitecrowAurora/lora-rescripts）
- Anima 基础模型权重: CircleStone Labs Non-Commercial License v1.0
太初玄鼎 · 以简驭繁