Skillget

lilyco

mcp
Guvenlik Denetimi
Uyari
Health Uyari
  • License — License: MIT
  • Description — Repository has a description
  • Active repo — Last push 0 days ago
  • Low visibility — Only 6 GitHub stars
Code Gecti
  • Code scan — Scanned 12 files during light audit, no dangerous patterns found
Permissions Gecti
  • Permissions — No dangerous permissions requested

Bu listing icin henuz AI raporu yok.

SUMMARY

让人类远离计算机，AI 可做任何事 —— 一个 struct 派生 CLI/TUI/Web/MCP 四端，天生 AI-callable：MCP 服务器 + 进度通知 + 采样桥（工具可反向调用 Agent 的 LLM）。一套代码，Windows/Linux/Android 全平台。

README.md
banner

Lilyco

One struct. Four interfaces (CLI / TUI / Web / MCP). Zero boilerplate. Cross-platform (Windows / Linux / Android).

License
Rust
CI
Release
Tests
crates.io crates.io crates.io docs.rs

Lilyco is a Rust framework that generates CLI, TUI, Web UI, and a standard MCP server — from a single struct definition. Every app is an AI tool by default: agents (DeepSeek Harness, Claude Code, Cursor…) call it directly through MCP or JSON-stream. Same binary runs on Windows, Linux, and Android (Termux). You write the business logic once; the framework handles everything else.

Table of Contents

Why Lilyco

A typical Rust CLI tool needs about 200 lines of clap boilerplate before the first line of actual logic. Add a TUI? Another 400 lines. A web dashboard? A different codebase entirely. Want LLMs to call your tool? You're writing JSON Schema by hand.

Lilyco collapses all of this into a single #[derive]:

#[derive(App)]
#[app(about = "Compress image files", run = "compress")]
struct ImgCompress {
    #[arg(about = "Input file", must_exist = true)]
    input: PathBuf,

    #[arg(about = "Quality 1-100", default = 75, range = 1..=100)]
    quality: u8,

    #[arg(about = "Output format", default = "jpeg")]
    format: Format,

    #[arg(about = "Dry run")]
    dry_run: bool,
}

From this you get:

  • imgpress --input photo.jpg --quality 50 --format webp — CLI
  • Interactive TUI form with live command preview — TUI
  • Browser-based form with SSE progress — Web
  • Valid Anthropic/OpenAI tool definition — AI
  • imgpress --mcp — a standard MCP server any Agent can call (2024-11-05)

Same binary, four interfaces — the backend is chosen automatically by the environment.

Quick Start

Create a new project and add the dependencies:

cargo new imgpress && cd imgpress
cargo add lilyco serde serde_json image      # 一个框架依赖即可（宏经 facade 解析路径）

Paste this into src/main.rs:

use std::path::PathBuf;
use std::time::Instant;
use image::{DynamicImage, GenericImageView};
use image::imageops::FilterType;
use lilyco::prelude::*;

// 1. Define your types
#[derive(Debug, ValueEnum)]
enum Format { Jpeg, Png, Webp }

#[derive(App)]
#[app(about = "Compress image files", run = "compress")]
struct ImgCompress {
    #[arg(about = "Input image", must_exist = true)]
    input: PathBuf,

    #[arg(about = "Quality 1-100", default = 75, range = 1..=100)]
    quality: u8,

    #[arg(about = "Output format", default = "jpeg")]
    format: Format,

    #[arg(about = "Max width, 0 = no resize")]
    width: u32,

    #[arg(about = "Dry run")]
    dry_run: bool,
}

// 2. Write your business logic
fn compress(app: &ImgCompress, ctx: &Context) -> Result<serde_json::Value, AppError> {
    let start = Instant::now();
    ctx.emit(Progress::Started { total: Some(3), message: None });

    let data = std::fs::read(&app.input)?;
    let img = image::load_from_memory(&data)
        .map_err(|e| AppError::Runtime(format!("decode: {e}")))?;

    ctx.tick(1, Some(3), "Resizing...");
    let img = if app.width > 0 && app.width < img.width() {
        let ratio = app.width as f64 / img.width() as f64;
        let h = (img.height() as f64 * ratio) as u32;
        img.resize_exact(app.width, h.max(1), FilterType::Lanczos3)
    } else { img };

    ctx.tick(2, Some(3), "Encoding...");
    let out_path = app.input.with_file_name(format!("compressed.{}",
        if matches!(app.format, Format::Jpeg) { "jpg" } else { "png" }));
    img.save(&out_path).map_err(|e| AppError::Runtime(format!("save: {e}")))?;

    ctx.tick(3, Some(3), "Done");
    ctx.done(serde_json::json!({"output": out_path.to_string_lossy()}),
             start.elapsed().as_millis() as u64);
    Ok(serde_json::json!({"status": "ok"}))
}

// 3. Wire up — one line, four interfaces
fn main() {
    lilyco::run::<ImgCompress>();
}

Run it:

$ cargo run -- --input photo.jpg --quality 50 --format webp
$ cargo run -- --schema              # JSON Schema
$ cargo run -- --anthropic-tool      # AI tool definition
$ cargo run -- --json-stream         # Machine-readable progress
$ cargo run -- --gui                 # Web GUI (SSE progress)
$ cargo run -- --mcp                 # MCP stdio server (Agent-ready)

lilyco::run::<A>() 按环境自动选端（借鉴 mininterface 的接口工厂）：
交互终端 → TUI；管道/脚本 → CLI；--gui → Web；--mcp → MCP。
TUI 起不来时自动回退 CLI，绝不裸崩。

Architecture

高内聚低耦合：执行语义只存在于 core（executor），四个后端只做"渲染/传输"，
门面 lilyco 是唯一的组合根（依赖所有后端），用户只依赖 lilyco。

+----------------------------------------------------------+
|              Your Struct  #[derive(App)]                  |
+----------------------------------------------------------+
                  |
     lilyco (facade)：自动后端选择（显式参数 > LILYCO_UI > 探测）
                  |
   +--------------+----------------+----------------+-----+
   |  lilyco-cli |  lilyco-tui    |  lilyco-gui    | lilyco-mcp
   |   clap      |  ratatui 表单  |  axum + SSE    | stdio JSON-RPC
   |             |                |                | tools/list·call
   +--------------+----------------+----------------+-----+
                  |                  |
      +-----------v------------------v-----------------+
      |              lilyco-core                        |
      |  App trait · CommandSchema · Registry(别名/隐藏) |
      |  executor（唯一执行宿主：参数→执行→进度事件）     |
      |  Progress 协议 · Context · AppError              |
      +--------------------------------------------------+

Design Principles

  1. Type-driven: bool -> checkbox, u8 -> number input, custom enum -> dropdown. No manual widget mapping.
  2. CLI-first: CLI is the most structured interface. TUI and Web are derived from the same schema.
  3. Progress as first-class citizen: Every interface understands Progress::Tick / Log / Done.
  4. One execution host: core::executor 是唯一的"参数→执行→进度事件"实现，
    CLI / TUI / GUI / MCP 只渲染事件流，不再各自实现宿主循环（消灭了三份重复代码）。
  5. AI-native: 导出 LLM function-calling schema + 标准 MCP 服务器（--mcp），Agent 直接调用。
  6. Facade 自动选端: 借鉴 mininterface 的接口工厂 —— 显式参数 > LILYCO_UI > 自动探测，
    TUI 起不来回退 CLI。
  7. Registry 动态注册: 借鉴 unilang —— 运行期注册命令（插件 / AI 动态注册 / REPL），
    声明式 JSON 加载（Registry::register_from_json）。

Crate Reference

lilyco-core

The foundation. No UI dependencies.

use lilyco_core::prelude::*;

Core Traits

Trait Method Purpose
App schema() -> CommandSchema Returns the full command schema
App from_args(&HashMap) -> Result<Self, AppError> Construct from parsed CLI/AI args
App run(&self, &Context) -> Result<Value, AppError> Execute business logic
Renderer render(&self, &CommandSchema) -> Output Convert schema to a UI representation
ValueEnum variants() -> Vec<&str> All possible string values
ValueEnum from_str(&str) -> Option<Self> Parse from string

Core Types

Type Purpose
CommandSchema Full command description: name, about, args, subcommands
ArgSchema Single argument: name, about, kind, required, default
ArgKind `Flag
Progress `Started
LogLevel `Debug
Context Runtime: progress channel, cancel signal, output format
OutputFormat `Human
AppError `InvalidArg
Registry 运行期命令注册表：注册 / 别名 / 隐藏 / JSON 声明式加载
RegisteredCommand name + aliases + hidden + schema + handler
Handler Fn(&Context, &Value) -> Result<Value, AppError>（统一执行入口）
executor 共享执行宿主：spawn（流式）/ execute（同步收集），保证事件流以 Done/Error 结尾

CommandSchema JSON Export

schema.to_json_schema()       // JSON Schema (generic)
schema.to_openai_tool()       // OpenAI function calling format
schema.to_anthropic_tool()    // Anthropic tool use format

lilyco-macros

Proc macros for deriving boilerplate.

use lilyco_macros::{App, ValueEnum};

#[derive(App)]

Generates schema(), from_args(), and run(). Reads these attributes:

Struct-level:

Attribute Example Purpose
#[app(about = "...")] #[app(about = "Compress images")] Command description
#[app(run = "fn")] #[app(run = "compress")] Wire up run() to a business-logic function

Field-level:

Attribute Example Purpose
#[arg(about = "...")] #[arg(about = "Input file")] Argument description
#[arg(default = expr)] #[arg(default = 75)] Default value
#[arg(range = lo..=hi)] #[arg(range = 1..=100)] Number range
#[arg(min = n)] #[arg(min = 0)] Min value
#[arg(max = n)] #[arg(max = 255)] Max value
#[arg(must_exist = bool)] #[arg(must_exist = true)] Path existence check

#[derive(ValueEnum)]

Auto-converts PascalCase variants to snake_case strings:

#[derive(ValueEnum)]
enum Codec { H264, H265, Av1 }
// -> variants: ["h264", "h265", "av1"]
// -> from_str("h265") -> Some(Codec::H265)

Type Inference

Rust Type Inferred ArgKind required
bool Flag false
String Text true
u8/i32/f64/... Number true
PathBuf Path true
Option<T> same as T false
Vec<T> List { item: infer(T) } true
Custom enum Enum true

lilyco-cli

Generates a clap::Command from CommandSchema. Adds built-in flags automatically.

let schema = MyTool::schema();
let renderer = lilyco_cli::CliRenderer::new();
let cmd = renderer.render(&schema);
let matches = cmd.get_matches();

Built-in Flags (auto-added to every command)

Flag Behavior
--schema Print JSON Schema and exit
--openai-tool Print OpenAI function definition and exit
--anthropic-tool Print Anthropic tool definition and exit
--json OutputFormat::Json
--json-stream OutputFormat::JsonStream (one JSON per line)

Public API

impl CliRenderer {
    fn new() -> Self;
    fn render(&self, schema: &CommandSchema) -> clap::Command;
    fn handle_builtin_flags(schema: &CommandSchema, matches: &ArgMatches) -> bool;
    fn output_format(matches: &ArgMatches) -> OutputFormat;
    fn extract_args(schema: &CommandSchema, matches: &ArgMatches)
        -> HashMap<String, serde_json::Value>;
}

多命令（Registry → clap 子命令）

一个二进制挂多个命令，子命令名 / 别名 / 隐藏语义全部来自 Registry：

let mut registry = Registry::new();
registry.register(RegisteredCommand::from_app::<Compress>())?;
registry.register(RegisteredCommand::from_app::<Resize>())?;

lilyco_cli::run_registry("imgtool", registry);   // crate 入口
lilyco::run_cli_registry("imgtool", registry);   // 门面入口

imgtool compress --input a.png    # 子命令
imgtool resize --width 800        # 子命令
imgtool --schema                  # 注册表清单（全部命令 schema，Agent 可消费）

#[derive(App)] 默认用结构体名做命令名；多命令场景建议
#[app(name = "img-compress")] 指定 kebab-case 名。

lilyco-tui

Interactive terminal form built on ratatui.

 Transcode -- Transcode video files
 $ transcode --input video.mp4 --codec h265 --quality 18
---------------------------------------------------------
          (*) input: [video.mp4________________________]
              codec: [h264] h265 [Av1]                  <->
           quality: [18]                                ^v
           dry_run: [x]                                 Space
---------------------------------------------------------
 [Tab] Switch  [Enter] Confirm  [Esc] Quit  [F1] Help

Widget Behaviors

ArgKind Key Behavior
Flag Space Toggle on/off
Text Type + Backspace Edit text
Number ^ v +/-1（自动夹在 schema 范围内）. Type digits to edit（越界由提交校验拦截）
Enum < > Cycle through options
Path Type + Tab 目录补全：循环候选（目录带 / 后缀）；空值时 Tab 切换字段
List Enter / Delete Add/remove item

State Machine

[多命令] CommandSelect --Enter--> Form --Enter--> Confirm --Enter--> Running --done--> Done
                                          ^                   |               |
                                          |                   |               |
                                          +------<--- Done/Error 任意键返回（单命令退出）
  ^               |                   |               |
  |               Esc                 |               |
  +---------------+                   v               v
                                   Error <---------- Enter

CLI Preview

The bottom bar shows a live CLI command preview that updates as you edit values. It auto-omits:

  • false flags (e.g., --dry-run only appears when checked)
  • Values matching their defaults
  • Empty optional fields
  • Path values are auto-quoted if they contain spaces

lilyco-gui

Web server with embedded HTML, similar to Gradio in spirit.

let gui = lilyco_gui::GuiRenderer::new(8080);
gui.serve(schema, Arc::new(|args| Box::pin(async move {
    // process args, return result
    Ok(serde_json::json!({"status": "ok"}))
}))).await;

+-------------------------------------+
|  ImgCompress -- Compress images     |
|                                     |
|        Input: [___________________] |
|      Quality: [75_______________]   |
|       Format: [jpeg v]             |
|         Width: [0________________]  |
|      Dry run: [ ]                  |
|                                     |
|        [> Run]    [Copy CLI]        |
|                                     |
|  $ imgcompress --quality 75         |
+-------------------------------------+
|  Output                             |
|  ████████░░░░░░░ 50%               |
|  Encoding frame 50/100              |
|  Done in 1.2s                       |
+-------------------------------------+

Flow: Form POST -> spawn task -> SSE stream -> progress bar + log

lilyco (facade)

一个依赖搞定四端。用户代码只依赖这一个 crate，后端按环境自动选择。

use lilyco::prelude::*;

fn main() {
    lilyco::run::<ImgCompress>();          // 自动选端
    // lilyco::run_with::<ImgCompress>(Backend::Mcp);  // 显式指定
}
触发方式 后端
--mcp MCP stdio 服务器（Agent 直接调用）
--gui / --web Web GUI
LILYCO_UI=cli|tui|web|mcp 环境变量强制
交互终端 + TERM TUI 表单（起不来自动回退 CLI）
其余（管道 / CI / 脚本） CLI（--json-stream 供 AI 消费）

多命令场景（Registry → 四端导航）：

lilyco::serve_mcp(registry);         // MCP：整个注册表 = tools/list
lilyco::run_cli_registry("app", registry);   // CLI：注册表 → clap 子命令
lilyco::run_tui_registry("app", registry);   // TUI：命令选择页 → 表单（回退 CLI）
触发方式（单命令） 后端
--mcp MCP stdio 服务器（Agent 直接调用）
--gui / --web Web GUI
LILYCO_UI=cli|tui|web|mcp 环境变量强制
交互终端 + TERM TUI 表单（起不来自动回退 CLI）
其余（管道 / CI / 脚本） CLI（--json-stream 供 AI 消费）

lilyco-mcp

把命令注册表暴露为标准 Model Context Protocol 服务器（2024-11-05），
实现 initialize / ping / tools/list / tools/call，零额外依赖。
tools/call 携带 _meta.progressToken 时，执行期间流式返回
notifications/progress（Progress::Started/Tick → 通知），长任务对 Agent 不再是黑盒。

let mut registry = Registry::new();
registry.register(RegisteredCommand::from_app::<MyTool>())?;
lilyco_mcp::McpServer::new(registry).serve_stdio()?;

核心是纯函数 handle_line（一行请求 → 一行响应），serve 可挂任意 Read + Write，
协议逻辑全部可单元测试。

lilyco-ultra-ui

Experimental JSON-to-React declarative UI generator. Write a Chinese-language JSON spec; get a full React frontend — no Rust code required.

use lilyco_ultra_ui::UltraUiServer;

#[tokio::main]
async fn main() {
    UltraUiServer::new(9090).serve().await;
}

The JSON spec uses Chinese field names for an Excel-like feel:

{
  "窗口": {
    "标题": "My App",
    "大小": "中等",
    "元素": [
      { "类型": "标题", "内容": "Welcome" },
      { "类型": "文本输入", "标签": "Name", "占位符": "Enter name..." },
      { "类型": "数字", "标签": "Quantity", "最小值": 0, "最大值": 100 },
      { "类型": "按钮", "文本": "Submit", "样式": "primary" },
      { "类型": "进度", "标签": "Progress" }
    ]
  }
}

Supported Element Types

Type (Chinese) English Description
文本 Text Static text block
标题 Heading H1-H4 heading
按钮 Button Clickable button with style variants
文本输入 Text Input Single-line text input
数字 Number Numeric input with min/max
下拉 Select Dropdown select
复选框 Checkbox Boolean toggle
多行文本 Textarea Multi-line text input
图片 Image Image display
分割线 Divider Visual separator
进度 Progress Progress bar
链接 Link Hyperlink
计算器 Calculator Built-in calculator widget

Type -> Widget Mapping

Rust Type CLI TUI Web
bool --flag [x] Space toggle <input type=checkbox>
String --name <val> text input <input type=text>
u8/i32/f64/... --count <num> ^v +/-1 + digit input <input type=number>
Custom enum --mode <choice> <-> cycle <select>
PathBuf --file <path> text input <input type=text>
Vec<T> --tag a --tag b Enter/Delete multi-line dynamic inputs
Option<T> optional optional (not required) optional

AI Integration

Every Lilyco app is an AI tool:

$ imgpress --anthropic-tool

{
  "name": "ImgCompress",
  "description": "Compress image files",
  "input_schema": {
    "type": "object",
    "properties": {
      "input": { "type": "string", "description": "Input image file" },
      "quality": { "type": "number", "minimum": 1, "maximum": 100, "description": "Quality" },
      "format": { "type": "string", "enum": ["jpeg", "png", "webp"], "description": "Format" },
      "dry_run": { "type": "boolean", "description": "Dry run" }
    },
    "required": ["input"]
  }
}

This is a valid Anthropic tool-use definition. Drop it into your Claude API call, and the model can invoke your Rust tool directly.

$ imgpress --openai-tool             # Chat Completions 格式（嵌套 function）
$ imgpress --openai-responses-tool   # Responses API 格式（扁平，strict:false）
$ imgpress --openai-strict-tool      # strict mode（结构化输出：剥约束关键词 +
                                     #   additionalProperties:false + 全字段 required）
$ imgpress --gemini-tool             # Gemini functionDeclarations（OpenAPI 子集）
$ imgpress --anthropic-tool          # Anthropic tool_use
$ imgpress --schema                  # Generic JSON Schema (for other LLMs)
$ imgpress --mcp            # 标准 MCP 服务器：Agent 直接调用（含进度通知）

更进一步 —— 采样桥（HostBridge）：MCP 形态下，工具执行中途可以反向调用
Agent 客户端的 LLM（sampling/createMessage），让"工具用上模型"而不只是
"模型用工具"：

fn run(app: &VisionTool, ctx: &Context) -> Result<serde_json::Value, AppError> {
    let caption = ctx.sample("描述这张图片的内容", 256)?;   // 反向采样
    ctx.done(serde_json::json!({ "caption": caption }), 0);
    Ok(serde_json::Value::Null)
}

客户端未声明 sampling 能力时返回带指引的错误（审批权始终在客户端手里）。
$ imgpress --json-stream # Each Progress event as one JSON line — ideal for agent consumption


### MCP Server（AI 调用的事实标准）

```bash
$ imgpress --mcp

lilyco-mcp 把命令注册表暴露为标准 MCP stdio 服务器（协议 2024-11-05）。
任何支持 MCP 的 Agent（Claude Desktop、Cursor、OpenHands 等）都可以直接调用你的 Rust 工具：

{"jsonrpc":"2.0","id":1,"method":"initialize","params":{}}
{"jsonrpc":"2.0","id":2,"method":"tools/list"}
{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"ImgCompress","arguments":{"input":"photo.jpg","quality":50}}}

相比手写 --anthropic-tool / --openai-tool 单次 schema，MCP 是标准化的长连接协议，
一次 tools/list 拿全量工具定义，tools/call 直接执行并返回结构化结果。

AI Agent Consumption Pattern

{"type":"started","total":5,"message":"Loading photo.jpg..."}
{"type":"tick","current":1,"total":5,"message":"Reading input file","percent":0.2}
{"type":"tick","current":2,"total":5,"message":"Original: 4000x3000","percent":0.4}
{"type":"tick","current":3,"total":5,"message":"Encoding...","percent":0.6}
{"type":"tick","current":4,"total":5,"message":"Writing compressed.jpg","percent":0.8}
{"type":"done","result":{"output_size":142000,"compression_ratio":35.5},"duration_ms":1200}

Progress Protocol

Every interface consumes the same Progress events:

ctx.emit(Progress::Started { total: Some(100), message: Some("Starting...".into()) });

for i in 0..=100 {
    if ctx.is_cancelled() { return Err(AppError::Cancelled); }
    ctx.tick(i, Some(100), format!("Processing frame {i}"));
}

ctx.log(LogLevel::Info, "Compression complete");
ctx.done(serde_json::json!({"size_mb": 4.2}), 3200);
Interface Started Tick Log Done
CLI (--json-stream) JSON line JSON line with percent JSON line JSON line + exit
CLI (Human) -- \r progress line [INFO] line summary + exit
TUI Progress bar at 0% Bar fills + message Scroll log Result screen
Web SSE: bar at 0% SSE: bar fills SSE: log append SSE: result JSON

Examples

Image Compressor (lilyco-example)

cd lilyco-example
cargo run -- --input photo.jpg --quality 50 --format webp
cargo run -- --input photo.jpg --dry-run --json
cargo run -- --schema

See lilyco-example/src/main.rs for the full source (~230 lines).

Grep (lilyco-grep)

Simple recursive grep — the DSH ecosystem test vehicle:

cargo run -p lilyco-grep -- --pattern hello --path src
cargo run -p lilyco-grep -- --pattern TODO --path . --ignore-case --count
cargo run -p lilyco-grep -- --pattern hello --path src --json-stream   # AI 消费
cargo run -p lilyco-grep -- --pattern hello --path src --mcp           # MCP 服务器

Brush (lilyco-brush)

brush（bash 兼容 shell）用 lilyco 重写 —— 给 AI 的 shell 工具：

lbrush --command "x=1; echo $x; ls | wc -l"        # CLI
lbrush --command "sleep 5" --timeout-secs 1        # 超时 kill
lbrush --command "ls" --json-stream                # AI 消费（JSONL）
lbrush --mcp                                      # MCP 服务器
  • 每次调用全新 shell（--no-config），非零退出码不是工具错误（结构化返回 exit_code）
  • DSH 接入：lilyco-brush/dsh/cordis.patch.yml（dsh-mcp-client stdio 直连，模型看到 mcp__lbrush__Brush）
  • CI 产出 lbrush-windows artifact，本机不装 Rust 也能拿二进制

Android（Termux）

lbrush 跨平台，Android 用 headless 构建（CLI + MCP）：

# CI artifact：lbrush-android-arm64；或本地交叉编译：
cargo build -p lilyco-brush --no-default-features --features android --target aarch64-linux-android
  • headless 关掉 TUI/Web 后端（crossterm 的 cfg(unix) 不含 android；lilyco facade 按 feature 门控）
  • shell 解析自动命中 Termux bash（/data/data/com.termux/files/usr/bin/bash）
  • Termux 里直接跑：./lbrush --command "echo hi"，或 ./lbrush --mcp 给 AI agent 连

Vision Toolkit (lilyco-vision)

DSH Vision Toolkit 的 Rust 重写 —— 8 个本地视觉操作，Registry 注册 + --mcp 给 DSH 提供视觉：

lvision --list                                     # 打印全部工具 schema
lvision --mcp                                      # MCP 服务器（8 个原生工具）
工具 功能 依赖
ImageInfo 尺寸 / 格式 / 大小 image
Crop 像素框裁剪 + 缩放（LANCZOS） image
Resize 等比缩放 image
DominantColors 主色提取（贪心聚类 + 容差） image（自研算法）
PixelDiff 网格级像素差异排行 + 热力图 image（自研算法）
ExtractForeground 前景抠图（边界泛洪，透明 PNG） image（自研算法）
Trace 位图矢量化 → SVG vtracer
HtmlScreenshot HTML → PNG（headless Chrome/Edge） 浏览器
  • 全部本地计算，无 Python 运行时（原版是 Pillow+numpy+vtracer 的 uv 环境）
  • DSH 接入：lilyco-vision/dsh/cordis.patch.yml（模型看到 mcp__lvision__* 工具）
  • CI 产物：lvision-windows / lvision-android-arm64
  • 服务类工具（glance/ground/detect/OCR）依赖外部视觉服务，v1 不做

FFmpeg Transcode (lilyco-ffmpeg)

lffmpeg —— ffmpeg 包装：转码 / 缩放 / 裁剪，实时进度 + 取消，四端 + AI 可调：

cargo binstall lilyco-ffmpeg                        # 免编译安装（见下）
lffmpeg --input a.mp4 --output b.mp4 --codec h265 --crf 28   # CLI
lffmpeg --input a.mp4 --output b.mp4 --width 1280            # 缩放（高度自动等比）
lffmpeg --input a.mp4 --output clip.mp4 --start 10 --duration 5  # 裁剪
lffmpeg --input a.mp4 --output b.mp4 --json-stream          # AI 消费（JSONL 事件流）
lffmpeg --mcp                                              # MCP 服务器
  • 实时进度：解析 ffmpeg -progress pipe:1；ffprobe（可选）算完成百分比，缺失降级不确定进度
  • 取消：CLI Ctrl-C、TUI Ctrl-C/c/q/Esc，kill 正在运行的 ffmpeg
  • 非零退出不是工具错误：结构化返回 exit_code + stderr 摘要
  • cargo binstall：[package.metadata.binstall] pkg-url = "https://github.com/lilyco-42/lilyco/releases/download/v{ version }/{ name }-{ target }{ binary-ext }", pkg-fmt = "bin" —— 打 tag 时 CI 发布 lffmpeg-x86_64-pc-windows-msvc.exe / lffmpeg-aarch64-linux-android，{ target } 全量 triple 供 binstall 匹配。crate 已发布 crates.io，故 cargo binstall lilyco-ffmpeg 可简写；未发布预编译资产时自动回退源码安装
  • 完整用法：见 docs/lffmpeg.md
  • 依赖系统 ffmpeg（必须在 PATH 上）

Transcode (TUI demo)

use lilyco_macros::{App, ValueEnum};
use lilyco_core::prelude::*;
use std::path::PathBuf;

#[derive(ValueEnum)]
enum Codec { H264, H265, Av1 }

#[derive(App)]
#[app(about = "Transcode video files")]
struct Transcode {
    #[arg(about = "Input file", must_exist = true)]
    input: PathBuf,

    #[arg(about = "Codec", default = "h264")]
    codec: Codec,

    #[arg(about = "Quality 0-51", default = 23, range = 0..=51)]
    quality: u8,
}

Ultra UI (lilyco-ultra-ui-example)

cargo run -p lilyco-ultra-ui-example
# Open http://localhost:9090 in your browser

Edit the JSON spec in the browser; the React UI updates in real time.

DSH Integration

DeepSeek Harness 接入（实测验证）：lilyco 应用以 MCP 服务器形态挂进 dsh，模型直接获得原生工具。

原理

dsh 的能力扩展单元是 cordis 插件；外部 Rust 二进制经官方 @deepseek-ai/dsh-mcp-client 插件桥接（spawn 进程 + 注册 ctx.tools），模型看到 mcp__<server>__<tool> 原生工具。

一键接入

curl -fsSL https://raw.githubusercontent.com/lilyco-42/lilyco/main/install.sh | bash

脚本自动：下载 release 二进制 → 安装 dsh-mcp-client 插件 → 写 profile patch。重启 dsh web 后，模型获得：

服务器 工具
mcp__lbrush Brush（真 bash 执行器：变量/管道/重定向/&&/`
mcp__lvision Crop / Resize / DominantColors / PixelDiff / ExtractForeground / Trace / HtmlScreenshot / ImageInfo

已知坑（实测）

  • 首轮不可见：若 profile 使用了 router-flash 类 agent preset（首轮 core 工具过滤），新会话第一轮看不到 mcp 工具 —— 让模型先调用任意一次工具，下一轮全目录放开。
  • 插件无 dsh.bundle 时是 plain dependency，patch insert 显式引用其 name 即可加载。
  • 加/改插件后必须重启 dsh web（可用 tasklist 验证 lbrush-windows.exe --mcp 子进程确认插件已连接）。

Testing

本地：

# Run all tests
cargo test --workspace

# Run a specific crate
cargo test -p lilyco-core
cargo test -p lilyco-cli
cargo test -p lilyco-tui
cargo test -p lilyco-macros
cargo test -p lilyco-ultra-ui
cargo test -p lilyco-mcp
cargo test -p lilyco-vision

CI（GitHub Actions）：push / PR 自动跑 ubuntu + windows 双矩阵 —
cargo fmt --check + cargo clippy --workspace --all-targets + cargo test --workspace + cargo doc；
打 tag v* 自动构建 4 个二进制（Windows + Android-arm64）并发布 GitHub Release。
见 .github/workflows/ci.yml。Windows TUI 从此由 CI 持续验证编译与单元测试。

Current coverage: 241 tests across all crates (ubuntu + windows 双平台) + 端到端冒烟（examples/multi.rs）+ 性能基准（cargo bench -p lilyco-example）.

Installation

From crates.io (published)

[dependencies]
lilyco = "0.2"            # 推荐：一个依赖搞定四端
lilyco-core = "0.2"       # derive(App) 宏展开需要

From git

[dependencies]
lilyco = { git = "https://github.com/lilyco-42/lilyco" }
lilyco-core = { git = "https://github.com/lilyco-42/lilyco" }

Limitations & Roadmap

Current Limitations

  • #[derive(App)] only works on named-field structs (no tuple structs or enums)
  • #[app(run = "fn")] requires the function to be in scope. Without this attribute, run() panics with a helpful message directing you to add it.
  • Input validation is shared: CommandSchema::validate_args (required / number range / enum / path must-exist) runs server-side in MCP (INVALID_PARAMS) and Web GUI (400), and pre-submit in TUI; CLI validates via clap at parse time
  • Subcommands are supported in CLI only — TUI and Web renderers do not handle them yet
  • Ultra UI is experimental — JSON spec format may change

Roadmap

已完成（v0.1 → v0.2.x）

  • Real run() dispatch in Web GUI with progress streaming — done via GuiRenderer::serve_app::<A>()
  • #[app(run = "fn")] macro attribute — wire business logic with zero boilerplate
  • Integration tests that exercise all three interfaces end-to-end — 12 tests in lilyco-example
  • 共享执行宿主 — core::executor，CLI/TUI/GUI/MCP 同一执行路径
  • 运行期命令注册表 — core::Registry（别名 / 隐藏 / JSON 声明式加载）
  • MCP 输出面 — lilyco-mcp：--mcp 启动标准 stdio 服务器
  • 门面自动选端 — lilyco::run::<A>()（借鉴 mininterface 工厂）
  • CI 双矩阵 — GitHub Actions ubuntu + windows：fmt / clippy / test / doc
  • CLI 多命令：注册表 → clap 子命令 — lilyco_cli::run_registry(name, registry) / 门面 lilyco::run_cli_registry；隐藏命令可调用不显示，根级 --schema 打印注册表清单
  • MCP 进度通知 — tools/call 携带 _meta.progressToken 时流式返回 notifications/progress（零依赖实现）
  • MCP 采样 / roots — 零依赖实现（不引 rust-sdk）：HostBridge（core）+ 双向 JSON-RPC 分流（serve）；handler 经 ctx.sample() 反向调用 Agent 的 LLM（sampling/createMessage），ctx.roots() 获取宿主工作根；客户端能力门控 + srv-N 字符串请求 id + 超时保护
  • Subcommand navigation in TUI and Web GUI — TUI 命令选择页（TuiApp::new_multi + run_tui_registry，mininterface subcommand picker 模式；隐藏命令不显示）；Web GUI serve_registry + ?cmd= 切换下拉；/run 显式执行未知命令 400
  • Input validation in TUI/Web widgets (range, required, enum) — 共享校验 CommandSchema::validate_args：MCP tools/call 前置校验（INVALID_PARAMS）、Web GUI 服务端 400 + 浏览器 required/min/max、TUI 提交前拦截并红色提示；TUI 数字 ↑↓ 夹紧到 schema 范围
  • TUI 执行异步化（进度渲染 + 取消） — 非阻塞事件循环；取消键 Ctrl-C/c/q/Esc；executor 自动补发 Done/Error 终止事件（防卡死）
  • Path auto-complete in TUI (Tab triggers directory listing) — Path 字段有输入时 Tab 触发目录补全，重复 Tab 循环候选（目录带 / 后缀）；空值时 Tab 照常切换字段；兼容 / 与 \ 分隔符
  • #[app(name = "...")] macro attribute — 多命令场景自定义 kebab-case 命令名（默认取结构体名）
  • #[app(subcommands)] macro support
  • TUI 执行异步化（进度渲染 + 取消）
  • Publish to crates.io — lilyco-core/macros/cli/tui/gui 0.2.1、lilyco-mcp/lilyco 0.2.0、lilyco-ffmpeg 0.1.0（旧 core 0.1.0/0.2.0 因缺 executor/registry 已 yank）
  • Performance benchmarks for schema generation — 零依赖基准 cargo bench -p lilyco-example（schema 生成 / JSON 导出 / validate_args / Registry 装配，release 实测 0.03–3 µs/op）

License

MIT OR Apache-2.0, at your option.

Yorumlar (0)

Sonuc bulunamadi