基于MCP协议构建AI图像生成服务器：让Claude等助手直接画图-洪萨配资

1. 项目概述与核心价值

最近在折腾AI应用开发，特别是想把图像生成能力无缝集成到自己的工具链里，发现了一个挺有意思的项目：alexandrali0506/ai-image-generator-mcp。简单来说，这是一个基于模型上下文协议（Model Context Protocol， MCP）的AI图像生成服务器。如果你和我一样，经常用Claude、Cursor这类智能助手，并且希望它们能直接帮你画图，而不是只能干巴巴地聊天，那这个项目就是为你准备的。

MCP本质上是一个标准协议，它让各种AI助手（客户端）能够安全、标准化地调用外部工具（服务器）。这个ai-image-generator-mcp项目，就是一个实现了MCP协议的图像生成工具服务器。它本身不直接生成图像，而是作为一个“中间人”或“适配器”，去调用后端真正的图像生成模型（比如Stable Diffusion、DALL-E等），然后把结果返回给AI助手。这样一来，你在Claude的聊天框里直接说“画一只在太空站里喝咖啡的猫”，Claude就能通过这个MCP服务器，把指令转换成图像生成API的调用参数，最终把生成的图片呈现给你。

这个项目的核心价值在于解耦和标准化。以前，每个AI助手想要集成图像生成，都得自己写一套对接不同AI画图API的代码，麻烦且不通用。现在，有了MCP协议和这样的服务器，图像生成能力就变成了一个可插拔的标准化组件。对于开发者而言，你可以专注于优化图像生成的提示词工程、模型选择或后处理；对于使用者而言，你可以在自己熟悉的AI助手环境里，获得稳定、一致的图像生成体验，无需在不同平台间切换。

2. 核心架构与MCP协议解析

2.1 什么是MCP（模型上下文协议）？

要理解这个项目，必须先搞懂MCP。你可以把它想象成AI世界的“USB协议”。在电脑上，无论你插的是U盘、键盘还是手机，只要它们遵循USB协议，电脑就能识别并使用它们。MCP之于AI助手（如Claude Desktop）和外部工具（如这个图像生成器），就是类似的角色。

MCP定义了一套标准的通信方式，包括：

工具（Tools）声明：服务器告诉客户端“我有哪些能力”。比如，这个图像生成服务器会声明一个叫generate_image的工具，并说明这个工具需要哪些输入参数（如提示词、图片尺寸等）。
调用（Invocation）：客户端（AI助手）按照声明的格式，向服务器发起工具调用请求。
结果（Result）：服务器执行工具（例如调用Stable Diffusion API），并将结果（如图片URL或Base64编码的图片数据）按照标准格式返回给客户端。

这种设计带来了几个巨大优势：

安全性：工具运行在独立的服务器进程中，与AI助手主进程隔离，避免了恶意工具代码直接影响助手。
灵活性：可以随时开发新的MCP服务器来提供新能力（如数据库查询、代码执行、图像生成），而无需修改AI助手本身。
标准化：只要遵循MCP协议，任何兼容的客户端都能使用任何兼容的服务器，生态容易繁荣。

2.2 ai-image-generator-mcp 的架构拆解

这个项目的架构非常清晰，是一个典型的三层结构：

[AI助手客户端 (如Claude Desktop)] | | (通过MCP协议通信: stdio或SSE) v [ai-image-generator-mcp 服务器 (本项目)] | | (通过HTTP API调用) v [后端图像生成服务 (如Replicate, Stability AI, 或本地SD)]

MCP服务器层（本项目）：这是项目的核心。它是一个用TypeScript/Node.js编写的程序，主要做三件事：
- 协议对接：实现MCP协议，与Claude Desktop等客户端建立连接并通信。
- 请求转发与适配：接收客户端发来的图像生成请求，将其转换成后端图像生成API所要求的格式。
- 结果处理与返回：获取后端API生成的图片，将其处理成MCP协议规定的格式（通常是可访问的图片URL）返回给客户端。
配置与桥接层：项目通过配置文件（如config.json或环境变量）来连接后端服务。这是关键的一环，它决定了你实际使用哪个AI模型来画画。
后端图像生成服务层：这是实际出力的“画家”。项目支持多种后端：
- Replicate平台：提供大量预训练的公开模型，如Stable Diffusion系列、Kandinsky等，按次付费，无需自己部署显卡。
- Stability AI API：官方提供的SDXL等模型的API服务。
- 本地部署的ComfyUI或Automatic1111：如果你自己有强大的显卡，可以在本地电脑或服务器上部署这些WebUI，然后通过它们的API来调用，实现完全免费（电费除外）且私密的图像生成。

注意：项目的具体实现可能会更新，但核心架构思想不变。你需要查阅项目最新的README来确认当前支持的完整后端列表和配置方式。

2.3 与其他图像生成集成方式的对比

你可能会问，为什么不用其他方式？这里简单对比一下：

AI助手内置功能：像ChatGPT Plus集成了DALL-E 3，非常方便。但缺点是被平台绑定，无法自定义模型，且可能受使用次数限制。
浏览器插件：有些插件能让ChatGPT调用Midjourney或SD。问题在于依赖浏览器环境，不够稳定，且配置复杂。
直接调用API：最灵活，但需要在你的应用代码里直接写API调用逻辑，每次换模型或改参数都要动代码，无法被AI助手直接利用。
MCP服务器（本项目）：优势在于标准化和与助手环境深度集成。一次配置，即可在你常用的、支持MCP的AI助手里永久获得图像生成能力，并且可以随时切换后端模型，不影响使用习惯。

3. 环境准备与详细配置指南

3.1 基础运行环境搭建

这个项目基于Node.js，所以第一步是确保你的开发环境就绪。

安装Node.js和npm：建议安装最新的LTS（长期支持）版本。你可以从Node.js官网下载安装包。安装完成后，在终端运行node --version和npm --version来验证。
```
node --version # 应输出 v18.x 或更高 npm --version # 应输出 10.x 或更高
```
实操心得：如果你同时进行多个Node.js项目开发，强烈推荐使用nvm（Node Version Manager）来管理Node.js版本，可以轻松在不同版本间切换，避免全局依赖冲突。

获取项目代码：使用git克隆仓库到本地。

git clone https://github.com/alexandrali0506/ai-image-generator-mcp.git cd ai-image-generator-mcp

安装项目依赖：进入项目目录后，运行npm install。这会根据package.json文件安装所有必要的依赖包。
```
npm install
```
常见问题：如果安装过程中出现网络超时或某些包下载失败，可以尝试切换npm源到国内镜像，如淘宝源：npm config set registry https://registry.npmmirror.com，然后再执行npm install。

3.2 关键配置详解：连接你的“画家”

项目根目录下通常会有一个示例配置文件，如config.example.json或.env.example。你需要复制一份并重命名为实际使用的文件（如config.json或.env），然后填入你的配置。

配置的核心是选择并设置一个后端图像生成服务。这里以最常用的两种方式为例：

方案一：使用Replicate平台（推荐给大多数用户）Replicate托管了大量模型，使用简单，按生成次数计费，适合不想折腾本地部署的用户。

访问 replicate.com 注册账号。
在账户设置中找到你的API Token。
在项目配置文件中，设置后端类型为replicate，并填入Token。
```
// config.json 示例 { "backend": "replicate", "replicateApiToken": "你的_r8_开头的API密钥", "defaultModel": "stability-ai/sdxl:...", // 可选，指定默认模型 "defaultWidth": 1024, "defaultHeight": 1024 }
```
注意事项：Replicate的API Token是私密信息，绝对不要提交到公开的代码仓库。确保你的config.json文件在.gitignore中已被忽略，或者使用环境变量来传递Token。

方案二：连接本地Stable Diffusion WebUI（适合有显卡的用户）如果你本地已经用Automatic1111的WebUI或ComfyUI部署了SD，可以利用其API。

启动你的SD WebUI，并确保启用了--api命令行参数。例如对于Automatic1111，启动命令可能是.\webui.bat --api。
WebUI启动后，API通常运行在http://127.0.0.1:7860。
在项目配置文件中，进行如下设置：
```
{ "backend": "sd_webui", // 具体名称需查看项目文档 "sdWebUiUrl": "http://127.0.0.1:7860", "defaultSampler": "Euler a", "defaultSteps": 20 }
```
踩坑记录：本地连接时，最常见的错误是跨域问题或网络不通。确保MCP服务器和SD WebUI运行在同一台机器，或者正确配置了网络和防火墙规则。可以先在浏览器里访问http://127.0.0.1:7860/docs看看API文档是否能打开，测试连通性。

3.3 配置Claude Desktop以使用MCP服务器

要让Claude Desktop能调用我们的图像生成器，需要修改Claude Desktop的配置。

找到配置文件位置：
- macOS:~/Library/Application Support/Claude/claude_desktop_config.json
- Windows:%APPDATA%\Claude\claude_desktop_config.json
- Linux:~/.config/Claude/claude_desktop_config.json
编辑配置文件：如果文件不存在，就创建一个。在其中添加mcpServers配置项。关键是指定你本地ai-image-generator-mcp服务器的启动命令。
```
{ "mcpServers": { "ai-image-generator": { "command": "node", "args": [ "/你的绝对路径/ai-image-generator-mcp/build/index.js" ], "env": { "BACKEND": "replicate", "REPLICATE_API_TOKEN": "你的_token" } } } }
```
- command: 启动命令，这里是node。
- args: 命令参数，指向你项目编译后的入口文件（通常是build/index.js或dist/index.js）。务必使用绝对路径。
- env: 这里可以直接传递环境变量，这是一种比配置文件更安全的密钥管理方式。
重启Claude Desktop：保存配置文件后，完全退出并重新启动Claude Desktop。启动时，Claude会读取配置，并尝试启动你定义的MCP服务器。你可以在Claude Desktop的日志中查看连接状态。

4. 核心功能实操与提示词工程

4.1 在Claude中发起你的第一次图像生成

配置并启动一切后，打开Claude Desktop，你会发现在输入框上方或侧边栏多了一个“工具”的图标。点击它，应该能看到generate_image这个工具已经被加载进来。

现在，你可以像平时聊天一样让Claude画画了。尝试输入：

“请帮我生成一张图片，内容是一只戴着眼镜、在图书馆看书的柯基犬，风格是水彩画。”

Claude会理解你的指令，并自动调用generate_image工具。你会看到一个工具调用的过程提示。稍等片刻，生成的图片就会直接插入到对话中。

背后的流程：

Claude将你的自然语言描述，转换成一个结构化的“提示词（prompt）”。
Claude通过MCP协议，向本地运行的ai-image-generator-mcp服务器发送请求，包含这个prompt和其他默认参数（如尺寸）。
MCP服务器收到请求，根据配置的后端（如Replicate），调用对应的API，并传递prompt。
后端图像生成模型（如SDXL）开始工作，生成图片。
生成完成后，后端将图片URL返回给MCP服务器。
MCP服务器将URL封装成MCP协议格式，返回给Claude。
Claude接收到图片URL，并将其下载或直接渲染显示在聊天窗口中。

4.2 高级参数控制与提示词技巧

基本的生成很简单，但要想获得更精准、高质量的图片，你需要了解如何通过Claude控制更详细的生成参数。这通常通过更具体的指令来实现。

你可以这样对Claude说：

“使用generate_image工具，生成一张风景图。提示词是 ‘A serene mountain lake at sunrise, mirror-like water, photorealistic, 8k’。请将尺寸设置为 1024x768，生成数量设为2张。”

一个功能完善的MCP服务器，其generate_image工具会定义许多参数。除了必选的prompt，常见的可选参数包括：

参数名	说明	示例值	作用
`prompt`	正向提示词	`masterpiece, a cute cat`	描述你希望画面中出现的内容
`negative_prompt`	反向提示词	`blurry, ugly, deformed`	描述你希望画面中避免出现的内容
`width`/`height`	图片宽高	`1024`,`768`	控制输出图片尺寸
`num_outputs`	生成数量	`2`	一次生成多张供选择
`guidance_scale`	引导尺度	`7.5`	控制模型遵循提示词的程度，值越高越贴近提示
`num_inference_steps`	推理步数	`30`	生成过程的迭代次数，影响细节和质量
`seed`	随机种子	`42`	固定种子可以复现相同的输出

提示词工程心得：

具体化：“一只猫”不如“一只毛茸茸的橘猫，在阳光下眯着眼睛”。
风格化：在提示词中加入风格关键词，如digital art,oil painting,cyberpunk style,Studio Ghibli。
质量修饰：使用masterpiece, best quality, ultra detailed, 8k等词提升质感。
利用负向提示：排除常见瑕疵，如blurry, bad hands, extra fingers, watermark。
权重控制：在某些后端（如SD WebUI）可以通过(keyword:1.5)增加权重，或[keyword]降低权重。

4.3 不同后端模型的特性与选择

选择不同的后端，意味着选择不同的“画家”，他们的“画风”和“能力”各有不同。

Replicate (SDXL)：综合性能好，出图质量高，对提示词理解能力强，适合通用场景。默认模型通常是SDXL的一个版本。
Replicate (Playground v2.5)：在人物生成和审美上可能更出色，色彩鲜艳。
Stability AI API (SDXL Turbo)：生成速度极快，适合需要快速预览的场景，但细节可能不如标准SDXL。
本地SD WebUI (搭配各种Checkpoint)：这是最灵活的方式。你可以下载无数社区训练的精美模型（Checkpoint），如专门画动漫的Anything v5，专门画真实人物的ChilloutMix，或者画科幻场景的DreamShaper。这是获得独特风格和最高可控性的方式。

在ai-image-generator-mcp的配置中，你可以通过defaultModel参数指定默认使用的模型。对于Replicate，模型标识符类似stability-ai/sdxl:39ed52f2a78e934b3ba6e2a89f5b1c712de7dfea535525255b1aa35c5565e08b。对于本地SD WebUI，你需要在WebUI界面中手动切换好想要的Checkpoint，MCP服务器会调用当前激活的模型。

重要提示：切换模型后，提示词的写法可能需要调整。例如，动漫模型对“1girl, blue hair”这类标签式提示词反应更好，而写实模型则需要更完整的句子描述。

5. 开发与扩展：深入项目源码

5.1 项目结构解析

如果你不满足于仅仅使用，还想学习或修改这个项目，了解其代码结构是第一步。典型的项目结构可能如下：

ai-image-generator-mcp/ ├── src/ │ ├── index.ts # 程序主入口，MCP服务器初始化 │ ├── server.ts # MCP服务器核心逻辑，工具声明、请求路由 │ ├── backends/ # 不同后端服务的适配器 │ │ ├── ReplicateBackend.ts │ │ ├── StabilityAIBackend.ts │ │ └── SDWebUIBackend.ts │ ├── types.ts # TypeScript类型定义 │ └── utils.ts # 通用工具函数 ├── build/ # TypeScript编译后的输出目录 ├── config.example.json # 配置文件示例 ├── package.json # 项目依赖和脚本定义 ├── tsconfig.json # TypeScript编译配置 └── README.md # 项目说明文档

src/index.ts：这是起点，它创建MCP服务器实例，加载配置，并启动服务。
src/server.ts：这里是MCP协议实现的核心。initialize函数会向客户端声明可用的工具（如generate_image）。handleToolCall函数则负责接收客户端的工具调用请求，根据工具名分发给对应的后端处理器。
src/backends/：这个目录下的每个文件都是一个“驱动程序”，负责与一种特定的图像生成服务进行通信。它们将统一的内部请求参数，翻译成对应后端API所需的格式。

5.2 如何添加一个新的后端支持

假设你想添加对另一个图像生成API（比如一个叫“FantasyPainter”的新服务）的支持，可以遵循以下步骤：

创建新的后端适配器文件：在src/backends/目录下创建FantasyPainterBackend.ts。

实现通用接口：查看现有的ReplicateBackend.ts，你会发现所有后端类可能都实现了一个共同的接口（例如IImageBackend）。这个接口会定义generateImage(prompt: string, options: GenerateOptions): Promise<ImageResult>这样的核心方法。你需要在新文件中实现这个接口。

// src/backends/FantasyPainterBackend.ts import { IImageBackend, GenerateOptions, ImageResult } from '../types'; export class FantasyPainterBackend implements IImageBackend { private apiKey: string; constructor(config: any) { this.apiKey = config.fantasyPainterApiKey; } async generateImage(prompt: string, options: GenerateOptions): Promise<ImageResult> { // 1. 构建 FantasyPainter API 所需的请求体 const requestBody = { prompt: prompt, negative_prompt: options.negativePrompt, width: options.width, height: options.height, // ... 其他参数映射 }; // 2. 调用 FantasyPainter 的 API 端点 const response = await fetch('https://api.fantasy-painter.com/v1/generate', { method: 'POST', headers: { 'Authorization': `Bearer ${this.apiKey}`, 'Content-Type': 'application/json', }, body: JSON.stringify(requestBody) }); // 3. 处理响应，提取图片URL或Base64数据 const data = await response.json(); // 4. 返回标准化的 ImageResult 对象 return { url: data.generated_image_url, // 假设API返回这个字段 // 或者使用 base64: data.image_data }; } }

在服务器中注册新后端：修改src/server.ts或相关的工厂函数，将新的后端类型加入到配置解析逻辑中。例如，当配置中backend为fantasy_painter时，实例化FantasyPainterBackend。
更新类型定义和配置：在src/types.ts中更新配置类型，允许backend字段包含fantasy_painter。同时更新config.example.json，添加新后端所需的配置项示例。
编译与测试：运行npm run build重新编译TypeScript代码，然后更新你的Claude Desktop配置，将backend改为fantasy_painter并配置相应API Key，进行测试。

5.3 调试与日志查看

开发过程中，查看日志至关重要。MCP服务器通常会将日志输出到标准错误输出。

直接运行调试：在项目目录下，你可以运行npm start或node build/index.js来直接启动服务器。在终端里你会看到服务器启动日志和任何错误信息。
在Claude Desktop中查看：Claude Desktop会捕获MCP服务器的输出。你可以查看Claude Desktop的日志文件（位置因系统而异），或者在Claude Desktop的界面中寻找“开发者工具”或“查看日志”的选项。
使用调试器：如果你使用VSCode，可以配置launch.json来附加调试器到Node.js进程，方便地设置断点、单步调试。

一个常见的调试场景是：Claude显示调用工具失败。这时，你应该首先查看MCP服务器的日志，通常会明确打印出错误原因，比如“API密钥无效”、“网络连接超时”或“请求参数格式错误”。根据错误信息，再去检查对应的配置或代码逻辑。

6. 常见问题与故障排除实录

在实际使用和开发中，你肯定会遇到各种问题。下面是我踩过的一些坑和解决方案，希望能帮你节省时间。

6.1 连接与配置问题

问题1：Claude Desktop启动时提示无法连接MCP服务器，或者工具列表里看不到generate_image。

排查思路：
1. 检查配置文件路径：确认Claude Desktop配置文件中args里的Node.js入口文件路径是绝对路径，并且完全正确。一个空格或一个字符错误都会导致启动失败。
2. 检查Node环境：在终端中，手动切换到项目目录，运行node build/index.js。如果直接报错（如“找不到模块”），说明项目依赖可能没装好或者编译有问题。尝试重新npm install和npm run build。
3. 检查端口/进程冲突：虽然MCP常用stdio通信，但某些配置可能涉及网络。确保没有其他程序占用相关端口。
4. 查看Claude Desktop日志：这是最直接的错误信息来源。日志会记录启动MCP服务器子进程时的详细错误输出。

问题2：配置了Replicate，但生成图片时提示“Authentication failed”或“Invalid API Token”。

解决方案：
1. 确认你的Replicate API Token是否正确。Token应以r8_开头。
2. 确保Token已正确设置。最佳实践是使用环境变量，而不是写在明文配置文件中。在Claude Desktop配置的env字段里设置，或者通过系统环境变量设置。
3. 登录Replicate网站，确认账户是否有余额或是否已正确设置支付方式。

6.2 图像生成相关问题

问题3：生成的图片质量很差，或者完全不是想要的内容。

排查与优化：
1. 提示词问题：这是最常见的原因。回顾第4.2节的提示词技巧，让你的描述更具体、更丰富。尝试添加质量修饰词和风格词。
2. 模型问题：你使用的默认模型可能不适合你的需求。尝试在配置中更换defaultModel，或者如果后端支持，在调用工具时通过参数指定另一个模型。
3. 参数问题：调整guidance_scale（提高它让模型更听话）、num_inference_steps（增加步数可能提升细节，但也会变慢）。对于本地SD，采样器（sampler）的选择也影响巨大，Euler a通用性好，DPM++ 2M Karras可能质量更高。
4. 负向提示词：善用负向提示词排除不想要的元素，如ugly, blurry, bad anatomy, watermark, text。

问题4：生成速度非常慢。

可能原因与对策：
1. 后端服务：如果是Replicate等云端服务，速度取决于其队列和模型加载情况，通常需要10-60秒，这是正常的。
2. 本地部署：如果连接本地SD WebUI，速度取决于你的显卡性能。生成一张1024x1024的图，RTX 3060可能需要10-20秒，而更弱的显卡则更久。
3. 网络问题：如果MCP服务器和SD WebUI不在同一台机器，网络延迟会影响速度。
4. 参数过高：过高的width/height或num_inference_steps会显著增加计算时间。适当降低这些参数可以提速。

6.3 开发与扩展问题

问题5：我添加了新的后端，但编译TypeScript时出现类型错误。

解决步骤：
1. 确保你正确实现了所有接口要求的方法。
2. 检查src/types.ts，确保你为新的后端配置添加了相应的类型定义。
3. 运行tsc --noEmit命令只进行类型检查而不输出文件，可以更清晰地看到所有类型错误。

问题6：工具调用成功了，但返回的图片无法显示（链接失效或格式错误）。

调试方法：
1. 在MCP服务器的generateImage方法中，打印出后端API返回的原始响应数据，检查其中包含的图片URL或数据是否正确。
2. 确保返回的ImageResult对象格式符合MCP客户端（如Claude）的预期。有些客户端期望url，有些能处理base64。查看项目源码中其他后端是如何构建返回结果的。
3. 如果是URL，手动在浏览器中打开这个URL，看是否能访问。可能是URL过期时间太短，或者需要特定的认证头才能访问。

7. 进阶应用与场景探索

掌握了基本使用和开发后，我们可以看看这个项目还能玩出什么花样。

7.1 构建复杂的AI工作流

MCP服务器的强大之处在于它可以被无缝集成到AI助手的对话流中。你可以让Claude进行多步推理和创作。

故事配图：让Claude先写一个简短的科幻故事，然后基于故事中的关键场景，自动调用generate_image为每个场景生成配图。
设计迭代：“生成一个现代公司Logo的草图，主体是字母A和山峰的结合。” 得到图片后，你可以继续说：“这个不错，但请把颜色从蓝色改为深蓝色，并在山峰上加一点雪。” Claude可以基于之前的对话上下文，调整提示词再次调用工具。
数据分析可视化：虽然这个项目是图像生成，但思路可以拓展。你可以想象一个“图表生成MCP服务器”，Claude分析完一段数据后，直接调用工具生成对应的柱状图或折线图。

7.2 与其他MCP服务器联动

MCP的生态不止于此。社区还有其他MCP服务器，例如：

文件系统MCP服务器：让AI助手读写本地文件。
数据库MCP服务器：让AI助手查询数据库。
代码执行MCP服务器：让AI助手在安全沙箱中运行代码。

你可以同时配置多个MCP服务器给Claude。想象一下这个场景：你让Claude“帮我分析一下项目日志里最新的错误”。Claude可以：

调用文件系统MCP读取日志文件。
理解错误内容后，调用代码执行MCP运行一个脚本去模拟或修复。
最后，调用我们的图像生成MCP，将分析结果生成一张信息图向你汇报。

7.3 性能优化与安全考量

对于个人或团队生产环境的使用，还需要考虑以下几点：

性能：
- 本地缓存：可以考虑修改MCP服务器，对相同的提示词和参数组合生成的图片进行本地缓存，避免重复调用API消耗资源和额度。
- 队列管理：如果并发请求多，可以引入简单的请求队列，防止压垮后端服务或本地显卡。
安全：
- 令牌管理：API Token必须妥善保管，永远不要提交到代码仓库。使用环境变量或安全的密钥管理服务。
- 输入过滤：虽然Claude本身会过滤有害内容，但在MCP服务器端也可以对传入的prompt进行基本的审查或过滤，防止生成不当内容。
- 访问控制：如果你将MCP服务器部署在网络上供团队使用，需要考虑增加简单的认证机制，避免未授权访问。

这个项目打开了一扇门，它不仅仅是“让Claude能画画”，更是展示了如何通过标准化协议将专业能力赋予AI助手。从使用一个现成的工具，到理解其原理，再到根据自己的需求去修改和扩展它，整个过程本身就是一次非常有价值的学习和实践。无论是想提升日常工作效率，还是作为学习AI应用开发的样板，ai-image-generator-mcp都是一个绝佳的起点。