Fhir Mcp

管理 Python

🚀 FHIR Careplan - 通用FHIR服务器与工具集

FHIR Careplan是一套全面的FHIR（快速医疗互操作性资源）服务器与工具集，专为医疗数据集成、患者护理规划和临床决策支持而设计。本项目提供了一个通用接口，可连接多个FHIR服务器，并具备先进的人工智能临床分析能力。

🚀 快速开始

安装前提

Python 3.11 或更高版本
OpenAI API密钥（用于AI功能）
访问FHIR服务器（本地或远程）

配置MCP服务器

克隆仓库

git clone https://github.com/Kushagra-Dutta/Fhir-MCP.git
cd FHIR-MCP

安装依赖

pip install -r requirements.txt
# 或者使用uv
uv sync

配置环境变量

# 创建.env文件
echo "OPENAI_API_KEY=your_openai_api_key" > .env

运行FHIR MCP服务器
```
python fhir_server.py
```

本地搭建Firely测试数据库

获取Firely服务器许可证密钥
- 访问 Firely Server试用页面
- 填写表格，通过电子邮件接收许可证密钥
- 您将收到许可证密钥和下载文件（许可证有效期为7天）
- 将许可证文件保存为 firelyserver-license.json

使用Docker进行设置

# 拉取Firely服务器镜像
docker pull firely/server

# 运行容器
# 对于Windows CMD：
docker run -d -p 9090:4080 --name firely.server -v %CD%/firelyserver-license.json:/app/firelyserver-license.json firely/server

# 对于PowerShell或macOS/Linux：
docker run -d -p 9090:4080 --name firely.server -v ${PWD}/firelyserver-license.json:/app/firelyserver-license.json firely/server

# 验证容器是否正在运行
docker ps

加载测试数据
- 使用Postman加载测试数据包
- 在Postman中创建一个新的PUT请求
- 将请求类型设置为原始JSON
- 复制测试数据包中的内容
- 向基础URL（http://localhost:9090）发送请求
- 对每个数据包重复上述步骤

完成这些步骤后，您将拥有一个可在 http://localhost:9090 访问的测试数据库。

搭建MCP聊天机器人客户端

您可以通过分叉仓库或使用Docker来搭建MCP聊天机器人客户端。该聊天机器人将作为与FHIR服务器交互的前端界面。

获取聊天机器人设置

# 克隆仓库
git clone https://github.com/cgoinglove/mcp-client-chatbot.git
cd mcp-client-chatbot

安装PNPM（如果未安装）
```
npm install -g pnpm
```

选择设置方法

Docker Compose设置 🐳

# 安装依赖
pnpm i

# 配置环境变量
# 编辑.env文件，添加您的API密钥（在pnpm i后自动创建）

# 启动包括PostgreSQL在内的所有服务
pnpm docker-compose:up

本地设置 🚀

# 安装依赖
pnpm i

# 设置环境变量
pnpm initial:env

# 启动PostgreSQL（如果已经运行则跳过）
pnpm docker:pg

# 运行数据库迁移
pnpm db:migrate

# 启动开发服务器
pnpm dev

# 可选：构建并启动以进行类似生产环境的测试
pnpm build:local && pnpm start

配置环境变量 创建或编辑 .env 文件，添加所需的API密钥：

# LLM提供商API密钥（添加您计划使用的密钥）
OPENAI_API_KEY=****
GOOGLE_GENERATIVE_AI_API_KEY=****
ANTHROPIC_API_KEY=****
XAI_API_KEY=****
OPENROUTER_API_KEY=****
OLLAMA_BASE_URL=http://localhost:11434/api

# 认证配置
BETTER_AUTH_SECRET=**** # 使用：npx @better-auth/cli@latest secret生成
BETTER_AUTH_URL= # 可选：您访问应用的URL

# 数据库配置
POSTGRES_URL=postgres://your_username:your_password@localhost:5432/your_database_name

# MCP配置
FILE_BASED_MCP_CONFIG=false

# 可选的OAuth设置（用于Google/GitHub登录）
GOOGLE_CLIENT_ID=
GOOGLE_CLIENT_SECRET=
GITHUB_CLIENT_ID=
GITHUB_CLIENT_SECRET=

将MCP服务器连接到聊天机器人
- 在 http://localhost:3000 访问聊天机器人
- 创建账户并登录
- 进入MCP配置页面
- 点击“添加服务器”
- 复制并粘贴您的 .chatbot-config.json 配置

配置系统提示

导航到聊天机器人仓库中的 src/app/prompts.ts 文件
用 system_prompt.txt 中的自定义提示替换默认系统提示

示例系统提示结构：

export const defaultSystemPrompt = `您是一个强大的智能AI编码助手。
您可以使用一组工具来回答用户的问题。


1. 对话要专业且友好。
2. 用第二人称称呼用户，用第一人称称呼自己。
3. 以Markdown格式格式化您的回复。
4. 绝不撒谎或编造信息。



遵循以下关于工具调用的规则：
1. 始终严格按照工具调用模式执行。
2. 绝不调用未明确提供的工具。
3. 仅在必要时调用工具。
4. 在调用每个工具之前，先向用户解释调用原因。



进行代码更改时：
1. 添加所有必要的导入语句和依赖项。
2. 除非用户要求，否则绝不向用户输出代码。
3. 使用适当的代码编辑工具进行实现。

`;

根据您的需求自定义提示部分：
- ：定义AI的交互方式
- ：指定使用工具的规则
- ：设置代码修改的准则
保存更改并重启开发服务器

完成这些步骤后，您的聊天机器人将连接到MCP服务器，并准备好与FHIR数据库进行交互。

✨ 主要特性

🔗 多服务器FHIR集成

通用FHIR接口：可连接多个FHIR服务器（Epic、Cerner、HAPI、Firely等）
供应商无关：无论底层FHIR服务器实现如何，都提供标准化API
实时连接测试：自动进行服务器健康检查和诊断
智能故障转移：自动在服务器之间切换，以实现最佳性能

🤖 人工智能临床分析

OpenAI集成：从自由文本中提取临床关键词和概念
语义映射：将临床术语映射到标准化FHIR代码
相似患者匹配：查找具有相似临床特征的患者
预测分析：根据历史数据生成护理建议

📊 全面的患者数据访问

完整的患者记录：包括人口统计信息、病情、药物、手术、就诊记录
生命体征和实验室结果：分类观察结果，包含时间序列数据
护理计划和团队：治疗计划和医疗服务提供者信息
过敏和手术记录：完整的医疗历史跟踪

🚀 性能优化

异步操作：非阻塞I/O，实现高性能数据访问
智能缓存：缓存条件代码和频繁访问的数据
批量处理：高效处理多个患者记录
连接池：优化多个服务器的HTTP连接

📦 安装指南

安装前提

Python 3.11 或更高版本
OpenAI API密钥（用于AI功能）
访问FHIR服务器（本地或远程）

配置MCP服务器

克隆仓库

git clone https://github.com/Kushagra-Dutta/Fhir-MCP.git
cd FHIR-MCP

安装依赖

pip install -r requirements.txt
# 或者使用uv
uv sync

配置环境变量

# 创建.env文件
echo "OPENAI_API_KEY=your_openai_api_key" > .env

运行FHIR MCP服务器
```
python fhir_server.py
```

本地搭建Firely测试数据库

获取Firely服务器许可证密钥
- 访问 Firely Server试用页面
- 填写表格，通过电子邮件接收许可证密钥
- 您将收到许可证密钥和下载文件（许可证有效期为7天）
- 将许可证文件保存为 firelyserver-license.json

使用Docker进行设置

# 拉取Firely服务器镜像
docker pull firely/server

# 运行容器
# 对于Windows CMD：
docker run -d -p 9090:4080 --name firely.server -v %CD%/firelyserver-license.json:/app/firelyserver-license.json firely/server

# 对于PowerShell或macOS/Linux：
docker run -d -p 9090:4080 --name firely.server -v ${PWD}/firelyserver-license.json:/app/firelyserver-license.json firely/server

# 验证容器是否正在运行
docker ps

加载测试数据
- 使用Postman加载测试数据包
- 在Postman中创建一个新的PUT请求
- 将请求类型设置为原始JSON
- 复制测试数据包中的内容
- 向基础URL（http://localhost:9090）发送请求
- 对每个数据包重复上述步骤

完成这些步骤后，您将拥有一个可在 http://localhost:9090 访问的测试数据库。

搭建MCP聊天机器人客户端

您可以通过分叉仓库或使用Docker来搭建MCP聊天机器人客户端。该聊天机器人将作为与FHIR服务器交互的前端界面。

获取聊天机器人设置

# 克隆仓库
git clone https://github.com/cgoinglove/mcp-client-chatbot.git
cd mcp-client-chatbot

安装PNPM（如果未安装）
```
npm install -g pnpm
```

选择设置方法

Docker Compose设置 🐳

# 安装依赖
pnpm i

# 配置环境变量
# 编辑.env文件，添加您的API密钥（在pnpm i后自动创建）

# 启动包括PostgreSQL在内的所有服务
pnpm docker-compose:up

本地设置 🚀

# 安装依赖
pnpm i

# 设置环境变量
pnpm initial:env

# 启动PostgreSQL（如果已经运行则跳过）
pnpm docker:pg

# 运行数据库迁移
pnpm db:migrate

# 启动开发服务器
pnpm dev

# 可选：构建并启动以进行类似生产环境的测试
pnpm build:local && pnpm start

配置环境变量 创建或编辑 .env 文件，添加所需的API密钥：

# LLM提供商API密钥（添加您计划使用的密钥）
OPENAI_API_KEY=****
GOOGLE_GENERATIVE_AI_API_KEY=****
ANTHROPIC_API_KEY=****
XAI_API_KEY=****
OPENROUTER_API_KEY=****
OLLAMA_BASE_URL=http://localhost:11434/api

# 认证配置
BETTER_AUTH_SECRET=**** # 使用：npx @better-auth/cli@latest secret生成
BETTER_AUTH_URL= # 可选：您访问应用的URL

# 数据库配置
POSTGRES_URL=postgres://your_username:your_password@localhost:5432/your_database_name

# MCP配置
FILE_BASED_MCP_CONFIG=false

# 可选的OAuth设置（用于Google/GitHub登录）
GOOGLE_CLIENT_ID=
GOOGLE_CLIENT_SECRET=
GITHUB_CLIENT_ID=
GITHUB_CLIENT_SECRET=

将MCP服务器连接到聊天机器人
- 在 http://localhost:3000 访问聊天机器人
- 创建账户并登录
- 进入MCP配置页面
- 点击“添加服务器”
- 复制并粘贴您的 .chatbot-config.json 配置

配置系统提示

导航到聊天机器人仓库中的 src/app/prompts.ts 文件
用 system_prompt.txt 中的自定义提示替换默认系统提示

示例系统提示结构：

export const defaultSystemPrompt = `您是一个强大的智能AI编码助手。
您可以使用一组工具来回答用户的问题。


1. 对话要专业且友好。
2. 用第二人称称呼用户，用第一人称称呼自己。
3. 以Markdown格式格式化您的回复。
4. 绝不撒谎或编造信息。



遵循以下关于工具调用的规则：
1. 始终严格按照工具调用模式执行。
2. 绝不调用未明确提供的工具。
3. 仅在必要时调用工具。
4. 在调用每个工具之前，先向用户解释调用原因。



进行代码更改时：
1. 添加所有必要的导入语句和依赖项。
2. 除非用户要求，否则绝不向用户输出代码。
3. 使用适当的代码编辑工具进行实现。

`;

根据您的需求自定义提示部分：
- ：定义AI的交互方式
- ：指定使用工具的规则
- ：设置代码修改的准则
保存更改并重启开发服务器

完成这些步骤后，您的聊天机器人将连接到MCP服务器，并准备好与FHIR数据库进行交互。

💻 使用示例

基础用法

1. 服务器管理

from fhir_tools import UniversalFhirMcpServer

# 初始化服务器
fhir_server = UniversalFhirMcpServer()
await fhir_server.initialize()

# 测试服务器连接
result = await fhir_server.test_server_connectivity("firely_local")
print(result)

# 切换到不同服务器
await fhir_server.switch_server("hapi_r4")

2. 患者搜索

# 搜索患者
search_criteria = {
"family": "Smith",
"given": "John",
"birthdate": "1990-01-01"
}
patients = await fhir_server.find_patient(search_criteria)

3. 患者数据检索

# 获取全面的患者信息
patient_info = await fhir_server.get_comprehensive_patient_info("patient-123")

# 获取特定数据类型
conditions = await fhir_server.get_patient_conditions("patient-123")
medications = await fhir_server.get_patient_medications("patient-123")
vital_signs = await fhir_server.get_vital_signs("patient-123")
lab_results = await fhir_server.get_lab_results("patient-123")

高级用法

1. 临床文本提取

# 从自由文本中提取临床关键词
clinical_note = "45岁女性，患有HER2阳性浸润性导管癌，III A期"
keywords = await fhir_server.extract_clinical_keywords(clinical_note)

2. FHIR代码映射

# 将临床术语映射到FHIR代码
clinical_data = {
"conditions": ["乳腺癌", "糖尿病"],
"age": 45,
"gender": "女性"
}
fhir_codes = await fhir_server.map_to_fhir_codes_fast(clinical_data)

3. 相似患者匹配

# 查找具有相似临床特征的患者
criteria = {
"age": 45,
"gender": "女性",
"conditions": ["乳腺癌"]
}
similar_patients = await fhir_server.find_similar_patients_simple(criteria)

4. MCP服务器集成

FHIR服务器可用作MCP服务器，与AI助手集成：

{
"mcpServers": {
"fhir-server": {
"command": "python",
"args": ["fhir_server.py"],
"env": {
"OPENAI_API_KEY": "your-key-here"
}
}
}
}

📚 详细文档

系统架构

核心组件

graph TD
A[FHIR Server] --> B[Universal FHIR MCP Server]
B --> C[FHIR Tools Library]
C --> D[Multiple FHIR Servers]
C --> E[OpenAI Integration]
C --> F[Caching Layer]

D --> G[Firely Local]
D --> H[HAPI R4]
D --> I[Epic Systems]
D --> J[Cerner]

E --> K[Clinical Text Analysis]
E --> L[Code Mapping]
E --> M[Patient Matching]

服务器注册表

系统维护了一个全面的FHIR服务器注册表：

Firely Local (http://localhost:9090) - 本地开发服务器
HAPI R4 (http://hapi.fhir.org/baseR4) - 公共测试服务器
Epic、Cerner、Azure - 企业医疗系统（可配置）

配置说明

服务器配置

系统支持在 fhir_tools.py 中配置多个FHIR服务器：

servers = {
"firely_local": {
"name": "Firely Server Local",
"base_url": "http://localhost:9090",
"version": "R4",
"vendor": "Firely",
"auth_type": "none"
},
"hapi_r4": {
"name": "HAPI FHIR R4 Public",
"base_url": "http://hapi.fhir.org/baseR4",
"version": "R4",
"vendor": "HAPI",
"auth_type": "none"
}
}

环境变量

# 必需
OPENAI_API_KEY=your_openai_api_key

# 可选
FHIR_SERVER_URL=http://localhost:9090
FHIR_SERVER_AUTH_TOKEN=your_auth_token

可用工具

核心FHIR操作

switch_server(server_name) - 在FHIR服务器之间切换
test_server_connectivity(server_name) - 测试服务器连接
find_patient(search_criteria) - 搜索患者
get_comprehensive_patient_info(patient_id) - 获取完整的患者数据

临床数据访问

get_patient_observations(patient_id) - 获取患者观察结果
get_patient_conditions(patient_id) - 获取患者病情
get_patient_medications(patient_id) - 获取患者药物信息
get_vital_signs(patient_id) - 获取生命体征
get_lab_results(patient_id) - 获取实验室结果
get_patient_encounters(patient_id) - 获取患者就诊记录
get_patient_allergies(patient_id) - 获取患者过敏信息
get_patient_procedures(patient_id) - 获取患者手术记录

人工智能分析

extract_clinical_keywords(text) - 从文本中提取临床信息
map_to_fhir_codes_fast(clinical_data) - 将术语映射到FHIR代码
find_similar_patients_simple(criteria) - 查找相似患者
extract_condition_codes_from_fhir() - 提取所有条件代码

系统管理

list_available_servers() - 列出所有配置的服务器
get_server_registry() - 获取完整的服务器注册表
diagnose_fhir_server(server_name) - 诊断服务器功能
clear_condition_cache() - 清除条件代码缓存
get_condition_cache_stats() - 获取缓存性能统计信息

测试工具

MCP检查器

MCP（模型上下文协议）检查器是一个强大的开发和测试工具，可帮助调试和验证FHIR服务器交互。它提供了对服务器行为和API响应的实时检查。

使用MCP检查器

# 在特定文件上运行MCP检查器
mcp dev fhir_server.py

# 这将：
# 1. 以开发模式启动检查器
# 2. 监控所有FHIR服务器交互
# 3. 将详细信息记录到logs/mcp_dev_inspector.log

功能特性

实时监控：实时观察FHIR服务器交互
请求/响应日志记录：详细记录所有API调用和响应
错误检测：立即反馈API错误或配置错误
性能指标：跟踪响应时间和服务器性能
调试模式：增强日志记录，用于开发故障排除

日志文件位置

检查器将详细日志写入：

logs/mcp_dev_inspector.log

最佳实践

在开发过程中使用MCP检查器验证服务器行为
监控日志文件，查找意外错误或性能问题
在实现新的FHIR端点时运行检查器
使用它来调试与外部FHIR服务器的连接问题

业务应用

医院参与平台

该工具集可支持自动化医院参与平台：

患者护理协调
- 自动生成护理计划
- 管理治疗时间表
- 多学科团队协调
临床决策支持
- 基于证据的治疗建议
- 风险评估和早期预警
- 根据类似病例进行结果预测
资源优化
- 资源分配的预测分析
- 自动调度和容量管理
- 通过数据驱动的洞察实现成本优化
质量改进
- 自动跟踪质量指标
- 合规性监控和报告
- 性能分析和基准测试

安全与合规

HIPAA合规：设计时考虑了医疗数据隐私
安全通信：所有服务器通信采用HTTPS/TLS加密
认证支持：多种认证方法（OAuth、API密钥等）
审计日志：全面的日志记录，用于合规性和调试

性能特性

异步操作：非阻塞I/O，实现高吞吐量
连接池：高效的HTTP连接管理
智能缓存：缓存条件代码和元数据
批量处理：高效处理多个记录
错误处理：强大的错误处理和重试机制

测试说明

运行测试

# 运行基本连接测试
python -c "
import asyncio
from fhir_tools import UniversalFhirMcpServer

async def test():
server = UniversalFhirMcpServer()
await server.initialize()
result = await server.test_server_connectivity('firely_local')
print(result)

asyncio.run(test())
"

服务器诊断

# 全面的服务器诊断
diagnostics = await fhir_server.diagnose_fhir_server("firely_local")
print(diagnostics)

日志记录

系统提供全面的日志记录：

import logging

# 配置日志记录
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

# 日志自动写入logs/mcp_dev_inspector.log

FHIR时间线代理

功能特性

自然语言处理：将自由文本患者查询转换为结构化临床数据
真实患者数据分析：使用实际FHIR患者记录生成时间线
人工智能时间线生成：利用OpenAI GPT - 4生成准确的临床时间线
交互式CLI界面：用户友好的命令行界面，具有丰富的格式
全面的患者匹配：根据年龄、性别和病情查找相似患者

使用方法

# 以交互式聊天界面模式运行
python fhir_timeline_agent.py

# 以演示模式运行，使用示例查询
python fhir_timeline_agent.py --demo

示例查询

• "45岁男性，患有胰腺癌"
• "62岁女性，患有HER2阳性乳腺癌"
• "58岁男性，患有IIIA期肺腺癌"

时间线生成过程

查询处理
- 从自然语言中提取临床关键词
- 识别年龄、性别、病情、阶段和生物标志物
FHIR代码映射
- 将临床术语映射到标准化FHIR代码
- 使用Firely本地服务器的代码系统
相似患者搜索
- 在FHIR数据库中查找匹配的患者
- 根据年龄、性别和病情对匹配项进行评分
数据聚合
- 收集全面的医疗历史
- 包括手术、药物、就诊记录
时间线生成
- 使用人工智能创建详细的治疗时间线
- 按时间顺序组织事件，并提供临床背景

输出格式

代理生成丰富的格式化输出，包括：

患者概况：人口统计信息、诊断、阶段、生物标志物
治疗时间线：按日期排列的逐步临床事件
临床结果：治疗反应、生存状态、毒性
数据源：服务器信息和分析指标

配置信息

代理硬编码使用：

Firely本地FHIR服务器 (http://localhost:9090)
OpenAI GPT - 4进行时间线生成
丰富的控制台输出进行格式化显示

要求

OpenAI API密钥（在 .env 文件中设置）
运行中的Firely本地FHIR服务器

Python包：

openai>=1.86.0
rich>=13.7.0
python-dotenv>=1.0.0
aiohttp>=3.8.0

最佳实践

在查询中提供完整的患者信息
包括年龄、性别和主要诊断
如有可用，添加阶段和生物标志物信息
使用特定的临床术语，以获得更好的匹配效果

错误处理

代理包括强大的错误处理机制，用于处理：

缺少患者信息
FHIR服务器连接问题
人工智能生成失败
数据解析错误

每个错误都会显示有用的解决建议。

🔧 技术细节

异步操作

系统采用异步操作，通过非阻塞I/O实现高性能数据访问。在 fhir_tools.py 中，许多函数使用 async 和 await 关键字，确保在等待I/O操作时不会阻塞其他任务。例如，在服务器连接测试和数据检索过程中，异步操作可以显著提高系统的响应速度和吞吐量。

智能缓存

为了提高性能，系统实现了智能缓存机制。缓存条件代码和频繁访问的数据，减少了对FHIR服务器的重复请求。在 fhir_tools.py 中，有专门的函数用于管理缓存，如 clear_condition_cache() 和 get_condition_cache_stats()，可以方便地清除缓存和查看缓存性能统计信息。

多服务器集成

系统通过 UniversalFhirMcpServer 类提供了一个通用接口，可连接多个FHIR服务器。该类实现了服务器管理、连接测试、切换服务器等功能。在 fhir_tools.py 中，服务器配置信息存储在 servers 字典中，通过标准化的API实现了供应商无关的访问。

人工智能集成

系统集成了OpenAI，用于临床文本分析、代码映射和患者匹配。在 fhir_tools.py 中，通过调用OpenAI的API，从自由文本中提取临床关键词和概念，并将临床术语映射到标准化FHIR代码。同时，利用OpenAI的能力进行相似患者匹配和预测分析。

📄 许可证

本项目采用MIT许可证 - 详情请参阅 LICENSE 文件。

🆘 支持

如果您需要支持或有任何问题：

在GitHub仓库中创建一个问题
检查日志目录，获取详细的错误信息
使用诊断工具进行服务器故障排除

🔄 版本历史

v0.1.0 - 初始版本，具备核心FHIR功能
v0.2.0 - 添加人工智能临床分析功能
v0.3.0 - 增强多服务器支持和缓存功能

🎯 路线图

[ ] 高级分析仪表盘
[ ] 实时数据流
[ ] 机器学习模型集成
[ ] 增强安全功能
[ ] 移动应用支持
[ ] 云部署模板

为医疗互操作性和改善患者护理而精心打造 ❤️

0 条评论
分类：管理

Fhir Mcp

🚀 FHIR Careplan - 通用FHIR服务器与工具集

🚀 快速开始

安装前提

配置MCP服务器

本地搭建Firely测试数据库

搭建MCP聊天机器人客户端

Docker Compose设置 🐳

本地设置 🚀

✨ 主要特性

🔗 多服务器FHIR集成

🤖 人工智能临床分析

📊 全面的患者数据访问

🚀 性能优化

📦 安装指南

安装前提

配置MCP服务器

本地搭建Firely测试数据库

搭建MCP聊天机器人客户端

Docker Compose设置 🐳

本地设置 🚀

💻 使用示例

基础用法

1. 服务器管理

2. 患者搜索

3. 患者数据检索

高级用法

1. 临床文本提取

2. FHIR代码映射

3. 相似患者匹配

4. MCP服务器集成

📚 详细文档

系统架构

核心组件

服务器注册表

配置说明

服务器配置

环境变量

可用工具

核心FHIR操作

临床数据访问

人工智能分析

系统管理

测试工具

MCP检查器

使用MCP检查器

功能特性

日志文件位置

最佳实践

业务应用

医院参与平台

安全与合规

性能特性

测试说明

运行测试

服务器诊断

日志记录

FHIR时间线代理

功能特性

使用方法

示例查询

时间线生成过程

输出格式

配置信息

要求

最佳实践

错误处理

🔧 技术细节

异步操作

智能缓存

多服务器集成

人工智能集成

📄 许可证

🆘 支持

🔄 版本历史

🎯 路线图

0 个评论

相似服务问题

相关AI产品

热议话题 »