核心用法
openstoryline-install 专注于从源码本地部署 FireRed-OpenStoryline 系统，覆盖完整安装生命周期：环境检测 → 仓库克隆 → Python 虚拟环境创建 → 依赖安装 → 大模型资源下载 → config.toml 配置填充 → MCP/Web 双服务启动。技能采用确定性工作流，优先使用本地 venv 而非 Docker/conda，除非用户显式指定。
关键路径：
1. 前置依赖检查（git、Python ≥3.11、ffmpeg、wget、unzip）
2. 解释器验证（测试 ssl/sqlite3/venv 标准库可用性）
3. 创建 .venv 并安装 requirements.txt
4. 执行 download.sh 获取 .storyline 模型权重与 resource/ 资源包
5. 使用 scripts/update_config.py 注入 LLM/VLM API 密钥与端点
6. 验证安装（pip check + 配置加载测试 + 资源存在性检查）
7. 并行启动 MCP 服务与 FastAPI Web 服务
显著优点
- 全流程自动化：单技能覆盖从裸机到可访问服务的完整链路，减少用户跨文档查找成本
- 容错设计：支持
wget断点续传、依赖缺失前置阻断、多解释器降级策略（系统 Python → conda → pyenv） - 沙箱友好：显式处理 agent 环境的端口绑定权限问题，优先
127.0.0.1降低安全暴露面 - 双语支持：原生识别中文安装指令（"安装/配置/启动/修复 OpenStoryline"）
潜在缺点与局限性
- 资源消耗重：模型权重与资源包下载体积大、耗时长，弱网环境易中断
- 外部依赖硬：强制要求有效 LLM/VLM API 密钥，无本地离线推理 fallback
- POSIX 限定：仅支持 macOS/Linux/WSL，Windows 原生环境未覆盖
- 无状态假设：每次调用需重新验证环境，不维护跨会话的安装缓存
适合人群
- 开发者/研究者：需要本地源码级部署以二次开发或调试
- 内容创作者团队：构建私有化故事线生成工作流，避免 SaaS 订阅成本
- 技术运维：在隔离网络或合规环境中搭建内网实例
常规风险
- API 密钥泄露风险：
config.toml以明文存储密钥，共享环境需配合权限管控 - 供应链风险：
download.sh拉取的外部模型权重与资源包未经完整性校验（无哈希校验说明） - 服务端口冲突：MCP（默认 8001）与 Web（默认 8005）可能与现有服务冲突，需前置检查
- 长运行进程管理：技能启动服务后不等待退出，用户需自行维护进程生命周期（崩溃无自动重启）