Blazor Server 跟一般前端不一樣：C# 全在伺服器，瀏覽器只有 blazor.server.js、一條 SignalR 連線和畫面 diff，每個互動都是一則 SignalR 事件送回伺服器。好處是傳統網站把 REST API 端點全攤在外面，Blazor Server 只露一條 SignalR，真正打 API、查 DB 的 C# 在伺服器，外面看不到；API 還關在 VNET 裡連不到。

flowchart LR
  subgraph 傳統前後端分離
    direction LR
    B1[瀏覽器] -->|看得到每個 API 端點| A1[REST API] --> D1[(資料庫)]
  end
  subgraph Blazor Server
    direction LR
    B2[瀏覽器] -->|只看得到一條 SignalR| C2[伺服器上的 C#]
    subgraph VN[VNET 私有網路]
      A2[後端 API] --> D2[(資料庫)]
    end
    C2 --> A2
    B2 -. 連不到 .-> A2
  end

但這也容易讓人以為就安全了。整份清單只有一句重點：畫面上看不到，不代表打不到。按鈕藏起來只是前端不畫，SignalR 事件還在，自己組出來送過去就繞過前端了。

Stage 0 — 部署層基本盤

• DetailedErrors production 關閉（例外堆疊會回傳到 circuit）
• ASPNETCORE_ENVIRONMENT 是 Production，不是誤留 Development
• 反向代理正確轉發 WebSocket 升級標頭，沒暴露內部埠
• 回應標頭不洩漏框架版本（Server、X-Powered-By）
• HTTPS 強制 + HSTS，無混合內容
• 安全標頭：CSP、X-Content-Type-Options、X-Frame-Options / frame-ancestors
• _Host.cshtml 沒把設定值、連線字串、內部 URL 寫進註解或 inline script

Stage 1 — 偵察

Blazor Server 這邊本來就該很乾淨，挖得到料就是有東西漏了。

• 確認是 Blazor Server（blazor.server.js、/_blazor negotiate），這藏不掉
• /_blazor/negotiate 回應有沒有多餘資訊
• 有沒有混用傳統 REST / Minimal API（/api/...），有的話一併列入攻擊面
• wwwroot 有沒有誤放 .map、備份檔、appsettings.*.json、匯出檔
• 第三方 SaaS / CDN / 分析服務，確認權限範圍
• 錯誤頁、404、500 有沒有洩漏內部資訊

Stage 2 — 未登入測試

• 匿名建 circuit 後能觸發哪些元件事件，範圍符合預期
• [Authorize] 是不是只在頁面／元件層，沒落到服務／資料層（關鍵風險，Stage 3）
• @attribute [Authorize] 跟路由授權一致，沒漏掉的路由
• 匿名可觸發的事件會不會呼叫到需授權的服務方法
• Anti-forgery：negotiate / 登入流程 CSRF 保護完整
• prerender 有沒有洩漏本該登入才看得到的資料（互動 circuit 前會先跑一次）

Stage 3 — 登入後測試

最容易出事的一層。授權要做在伺服器端，不能靠 UI 藏按鈕。

授權落點

「構造／重放 SignalR 事件」是指：Blazor 每個互動都是一則訊息（第幾號元件、第幾號事件、參數）。開 DevTools 看得到格式，就能改參數或送隱藏按鈕的事件，伺服器照收。

• 每個敏感操作在服務／資料層都有獨立授權檢查，不是靠使用者看不到按鈕
• 直接構造／重放 SignalR 事件時，伺服器仍拒絕越權（核心測試）
• IDOR：換 ID / key 能不能存取他人資料，服務層要驗擁有權
• 角色／權限矩陣在伺服器端強制，跟 UI 授權一致

狀態與 circuit

• 不同 circuit 的元件狀態、快取、DI scoped 服務有隔離，不會 A 的狀態跑到 B（常見雷：Scoped 誤設 Singleton）
• AuthenticationStateProvider 沒放進可被跨 circuit 污染的位置
• token / session 過期後正確失效，權限被撤銷伺服器要即時反映
• 敏感資料（PII）沒長期滯留在元件狀態 / 記憶體
• token 有沒有塞進 ProtectedLocalStorage（Server 模式多半不用，見文末）

輸入驗證

• 前端驗證在伺服器端都有對應（輸入經 SignalR 到伺服器，前端驗證可繞過）
• 綁定模型有沒有過度綁定（over-posting）
• @((MarkupString)...) 使用點逐一檢查 XSS

檔案上傳

• magic bytes 驗真實檔型，不信任副檔名 / MIME
• 圖片檢查像素上限、ZIP 檢查解壓後大小，擋解壓縮炸彈
• 有大小 / 數量上限，大檔走串流

完整流程

• 走完整流程找邏輯漏洞（價格、數量、訂單狀態跳關／倒退，例如沒付款跳「已出貨」）
• 付款 callback / webhook 要驗簽、要冪等（重送不會重複扣款）

Stage 4 — DoS / 資源耗盡

每條 circuit 都佔伺服器記憶體，這是 Blazor Server 特有的。

• 大量並發 circuit 的資源上限與行為（記憶體、CPU）
• CircuitOptions：DisconnectedCircuitMaxRetained、DisconnectedCircuitRetentionPeriod 合理，避免斷線 circuit 堆積
• MaximumReceiveMessageSize 有限制，防超大訊息
• 單一 circuit 的昂貴操作有速率限制
• 連線層有連線數、頻率限制

Stage 5 — 資料層 / PII

碰到 PII 或受規範資料才需要。

• 加密欄位解密後，明文沒滯留在記憶體或 log
• audit trail 涵蓋所有敏感操作，無法被越權繞過而不留痕
• 錯誤 / 例外 log 沒誤記 PII
• 測試環境用去識別化資料，不是 production PII
• 第三方傳輸敏感資料有加密、最小權限

Stage 6 — PoC 驗證與留痕

• 高風險項目做 PoC，證明可利用，不只是可能有漏洞
• 留證據：時間戳、請求／事件內容、影響範圍
• 每個 finding 標嚴重度、資料類別、修復建議、對應 Stage
• 收尾，沒留下測試帳號或後門

白箱 vs 黑箱：盲區對照

很多項目光讀源碼看不出來：

兩個都做，盲區互補。

實戰：Front Door + CSP 安全標頭

範例站台的做法：前面 Azure Front Door 當反向代理，安全標頭由 app 端一支 middleware 統一發。幾個踩過的坑：

CSP nonce：每個 request 一組隨機 nonce 授權自家 inline script。用 Hex 不用 Base64，因為 Base64 的 + 會被 Razor 在屬性裡 encode，害 header 跟頁面上的 nonce 對不起來，DAST 會誤報。

byte[] nonceBytes = new byte[32];
RandomNumberGenerator.Fill(nonceBytes);
string nonce = Convert.ToHexString(nonceBytes);
context.Items["CSPNonce"] = nonce;

SignalR 來源：connect-src 少了 wss:// circuit 就連不起來，用 Azure SignalR Service 還要放它的網域。

var connectSources =
    $"'self' wss://{host} https://{host} " +
    "https://*.service.signalr.net wss://*.service.signalr.net";

UI 元件庫：Telerik / Syncfusion 這類，style-src 多半得留 'unsafe-inline'（元件把 Width / Height 等 render 成 inline style）；但 script-src 不一定要 'unsafe-eval'，別照抄範例。

3xx 跳轉擋快取：登入跳轉的 Location 常帶敏感 return URL，回應要 no-store，但排除 304，免得靜態檔快取壞掉。

COEP：require-corp 會擋掉沒有 CORP 的第三方腳本（如分析工具），要嘛不裝要嘛降 credentialless。

HSTS 只在 production 開：開發環境不加，免得 localhost SSL 出問題把自己鎖死。

附：ProtectedLocalStorage 能不能存 token？

ProtectedLocalStorage 用 ASP.NET Core Data Protection 在伺服器端加密後才寫進瀏覽器 localStorage，比裸存好，客戶端讀不到也改不了。但：

• 擋不了 XSS：密文能被整包送回 app 重放，或在 circuit 裡直接動手。要擋 XSS 竊 token 該用 HttpOnly cookie。
• Server 模式多半不用：狀態本來就在 circuit，token 放伺服器就好，存 localStorage 是 WASM 的做法。
• 金鑰是部署雷：Data Protection 金鑰環沒持久化 / web farm 沒共用，舊密文就解不開，使用者莫名被登出。

結論：ProtectedLocalStorage 存不敏感、掉了重取即可的狀態；auth token 留伺服器端，要瀏覽器持有用 HttpOnly cookie。

一點心得

最常中的是 Stage 3 授權落點：[Authorize] 掛在頁面就當做完，服務層沒再檢查，繞過 UI 送事件就進去了。

用自動化工具測的話，prompt 先講清楚前提：Blazor Server（走 SignalR，不是 REST-first）、UI 隱藏不等於授權、有沒有混用 REST API、render mode 是 Server / WASM / Auto。

本文僅供授權範圍內的安全測試與學習。所有測試只在自己擁有或已取得書面授權的環境進行；未經授權對他人系統操作屬違法行為。

厲害的 DJ 靠手感就搞定了。我想試試能不能讓電腦幫我算，就寫了這個小程式。

先把好不好聽變成分數

電腦聽不懂音樂，得先把接得順不順拆成幾條它照著就能算的規則。

每首歌先標三個東西：調（DJ 圈用的 Camelot 輪盤編號，像 8A、5A）、BPM（快慢）、能量（有多嗨，我用 1 到 10）。

然後訂三條接歌的規則：

第一條，看調合不合。那些調可以想成時鐘刻度，相鄰的接起來很順，隔壁的關係大小調也行，亂跳就刺耳。順的加分、撞調的扣分。

第二條，比 BPM 差多少。兩首 BPM 越接近越好接，差太多就會斷拍。差個三以內加很多分，差超過十二就直接扣。

第三條，看能量走勢。一路往上堆會越來越嗨，突然大掉場子就冷。所以往上加成、往下打折。

把整場每一次接歌的分數加起來，就是這份歌單的總分。

難的地方在這裡

假設我要從 20 首裡挑 8 首排順序，總共有幾種排法？答案是幾百億種以上。一種一種試，電腦根本算不完。

而且更煩的是，好根本不只一種。程式同時看三件事：整場多嗨、接歌多順、高潮衝多高，這三個常打架。要接歌超順，可能就衝不高；要炸裂的高潮，接起來可能沒那麼順。沒有唯一答案，只有一堆各有取捨的選擇。

其實是一題作業研究

做到一半才發現，排歌單這問題，跟工廠排產線、貨車跑最短路線，骨子裡是同一種東西：一堆限制底下用數學找最好的安排，就是工業工程和作業研究在做的事。

對照起來蠻剛好：決定歌的先後，OR 裡叫排序、排程；從一堆歌先挑再排，叫組合最佳化；上一首會影響下一首順不順，叫順序相依成本，工廠換模、換線算的就是它；同時顧嗨、順、高潮這三件打架的事，是多目標最佳化，最後那組各有取捨的方案，就是 Pareto 效率前緣。

尤其接不接得順要看上一首是什麼，這點讓整題變得很像旅行推銷員問題（TSP）：業務員跑完所有城市、每段路有距離，怎麼跑總路程最短。城市換成歌、距離換成順不順，幾乎同一題。而這種題目是 NP-hard，歌一多就別想又快又保證最佳，所以這東西頂多算到二十幾首，再多電腦就吃不消。

所以我做的，就是把 DJ 靠手感在做的事，拆成一條一條電腦算得動的規則，再拿課本裡的動態規劃跟 Pareto 前緣去解。

動態規劃

動態規劃聽起來很難，概念其實很簡單：算過的東西記下來，不要每次從頭重算。

放到排歌單就是：只要記住已經放了哪幾首、最後一首是什麼，後面算到同樣狀態就直接拿現成結果，不用一直重算。

沒有唯一答案這件事，我的做法是留一整組互不吃虧的方案：一套方案只要找不到另一套樣樣都贏過它的，就留著。所以程式不是丟一個答案，而是給好幾套風格不同的歌單，今天想順一點還是炸一點自己挑。

實際跑起來長這樣

拿內建的 10 首曲庫、編 6 首來說，程式一次吐出 11 套各有取捨的歌單。挑幾套看就懂取捨是什麼意思：

最嗨的一套（嗨度 61.2 | 流暢度 4.2 | 高峰 10）:
  Satisfaction → Opus → Insomnia → Levels → One → Strobe
  能量一路 7→8→8→9→9→10 往上堆，但中間 Levels→One 撞了一次調

最順的一套（嗨度 42.7 | 流暢度 7.1 | 高峰 9）:
  Titanium → One More Time → Around the World → Music Sounds Better with You → Opus → Levels
  每一接都順，但少了那記炸裂的高潮，也沒那麼嗨

一套嗨到頂但接歌會凸一下，一套從頭順到尾但沒爆點，沒有誰對誰錯，看當下想要哪種。中間那九套是各種程度的折衷。

驗算

這個我還蠻在意的，特別寫了一段來驗。

做法是拿一個很小的曲庫，一邊讓聰明的演算法算，另一邊用最笨的方法把每種排法通通列出來也算一次，兩邊對答案。結果一模一樣，才敢相信聰明那版沒偷偷算漏。

實用嗎

拿來做小範圍精算很好用，要它排整個曲庫還差得遠。

算得動的大概就二十幾首上限，再多會爆（前面說的排列爆炸躲不掉）。真實 DJ 曲庫動不動上百上千首，所以實際做法是先用簡單規則粗篩，砍到十五到二十首候選，再丟給程式精算順序。

還有，電腦再準，也只是照著我訂的那幾條評分規則去最佳化。那些規則到底貼不貼近真正好聽，才是最難的地方，這部分還是得靠人一直去調。

程式碼放在 GitHub：dks50217/DjSetPlanner，用 C# / .NET 8 寫的，dotnet run 就能跑內建曲庫的 demo，也能餵自己的 CSV。

最後推薦一套很有感的現場：Armin van Buuren F2F Maddix @ A State of Trance 2025。F2F 是 Armin 搞出來的玩法：兩個 DJ 面對面、各用一套器材，看不到對方點什麼歌，全靠手勢跟耳朵即時對，比共用一台混音器、還能事先套好歌單的 B2B 更即興。整場能量走勢跟每次轉場都是當場喬出來的，我程式想算的那個順，他們靠手感直接做到了。看完再回頭想我那三條規則，特別有感。

順手把這場 set 的能量走勢畫成一張圖，五段（P1–P5）都是先掉到低點、再一路爬回高潮，那個呼吸感看圖就懂。

就是這個畫面，看到的當下心涼了一半

上網查完更慌，一堆媒體都在講「Switch 2 首次啟動的帳號連結是永久、不可逆的」。不過後來發現我踩到的其實不是那個坑，前後花了十天把角色救回來了。這篇記一下過程，給之後同樣手殘的人看。

先搞清楚你踩到的是哪個坑

有兩件事很容易被混在一起：

Nintendo 帳號 ↔ Square Enix 帳號的綁定，這個才是不可逆的。 媒體警告的是這件事，如果你登入了錯誤的 SE 帳號，那真的沒救。

Service Account 選錯是另一回事，官方有補救管道。 一個 SE ID 底下可以開最多 8 個 service account，你的角色、訂閱、平台授權都掛在其中一個上面。我的 SE 帳號從頭到尾都是對的，只是 license 被註冊到新開的那個空帳號去了。

上面那兩個分頁就是兩個 service account，角色只掛在 1 底下，2 是空的

順帶一提這個坑也不是 Switch 2 才有，之前 PS 轉 Steam 的時候就有一批人中過招了。

表單

官方名稱叫 Improperly Registered Service Account，北美帳號從這裡送：

https://support.na.square-enix.com/contact.php?id=5382&la=1&daxx=2

（如果是綁錯 SE ID，那是另一張表單，網址結尾改成 daxx=1）

送出前有幾個條款要先知道：錯誤的那個 service account 會被永久停用，8 個名額就少一個；已經付掉的訂閱費不退；這是一次性服務，只能用一次；官方標示處理時間最長兩週。

Registration Code 填 0

表單說明只寫「PlayStation Store 或 Microsoft Store 的數位版填 0」，完全沒提 Nintendo，我在這裡卡了很久。

後來想通了，eShop 數位版跟 PS/MS 一樣是 entitlement 綁帳號，根本不發序號，整個啟動流程也沒有哪一步要你輸入 16 碼。所以直接填 0 就對了，不要跟 eShop 儲值卡的序號搞混。

因為沒有序號可以給他們對，我就在說明欄把完整的 eShop 收據資訊貼上去：Transaction ID、購買日期、商品名稱、金額、Nintendo 帳號的 email。

Current 和 Intended 不要填反

這兩欄很容易搞混：

• Current = 你不小心註冊上去的那個 → Service Account 2
• Intended = 你本來想註冊的那個 → Service Account 1

Current 選 2、Intended 選 1，方向反了就是災難

Current 欄下面那句「Please select “Service Account 1” if you only have one service account」是給另一種情況的人看的，別被它影響。判斷依據永遠是上面那句：你不小心註冊上去的是哪個。如果填反了，SE 會去停用你有角色的那個帳號，那就慘了。

其他欄位

姓名、地址、生日要跟 SE 帳號的登錄資料一字不差，這是拿來驗身分的。ZIP+4 如果不知道就留空，不要填一半。

我還主動在說明欄寫了「錯誤的那個帳號上沒有角色、也沒有其他授權」，這樣可以少一次來回問答。另外附上 Mog Station 的 Select Service Account 截圖也有幫助，一張圖就能同時證明兩個帳號存在、以及角色在哪一個。

送出後會給一組 ticket number，之後所有往來都靠它

實際流程跟我想的不太一樣

送出當天就收到人工回覆了，比想像中快很多。我回 Yes 之後，第二封信才把實際會怎麼處理講清楚，而且跟我以為的「幫你搬移」完全是兩回事：

1. SE 會把 license 從錯誤的帳號刪掉（不是搬移，是刪除）
2. 那個帳號暫時停權幾天
3. 你下次開遊戲時，註冊畫面會再跳出來一次
4. 這次由你自己選正確的 service account

所以決定成敗的動作其實還在你手上。所謂「一次性」，真正卡的是最後這一步，不是那張表單。

信裡還有一句我覺得應該用紅字寫：註冊畫面有可能在你收到完成通知之前就跳出來。要是你隨手點過去又選錯，那就真的沒了。所以在收到通知前，我完全沒去碰 Switch 2 上的遊戲。

還有，被停權的只是那個錯誤的帳號，PC 版完全不受影響，這段期間我照樣上線。

中間插曲：說完成了卻還是進不去

8/8 收到完成通知，開遊戲登入，結果直接跳錯誤：

Your service account's subscription has expired or FINAL FANTASY XIV
has not yet been registered on this console.

註冊畫面根本沒出現。這個錯誤訊息叫你去 Mog Station 完成註冊，但那是給 PC 版寫的通用文字，Switch 2 根本沒有序號可以輸入，照著它繞只是浪費時間。

真正該做的是去 Mog Station 診斷。切到正確的 service account，點 Service Account Status：

• Subscription 的 End Date → 我這邊是 9/3 到期、正常續訂，所以不是訂閱的問題
• 往下捲到 Platform → 這裡 Nintendo Switch 2 沒有打勾

到這邊就定位出來了：移除做完了，但重新發放沒做完。我完整關機重開、也確認 eShop 還是顯示已購買，試過都一樣，於是回報客服，信裡多加了一句：

Since the registration screen never appears, I have had no opportunity to select a Service Account.

這句我是刻意寫的。註冊畫面沒出現，就代表我根本沒機會選錯，一次性的額度沒被用掉。這點不講清楚，萬一被判定成「你已經用掉機會了」就麻煩了。

客服請我再試一次，這次註冊畫面正常跳出來，角色回來了。

看到這個勾才算真的結束

時間軸

給遇到同樣狀況的人

• 別因為看到「不可逆」就放棄，那指的是 Nintendo 帳號綁定，不是這個。
• 等待期間不要開通 Switch 2 訂閱、不要課金、也不要在錯誤帳號上創角。條款寫明可能會依訂閱狀態駁回，趁免月費期間送件最乾淨。
• 不要重複送表單。想確認進度就用 ticket 編號去問，不要開新單。
• 一律用原本那封信回覆。我前後遇到三個不同的專員，他們是靠 thread 歷史接手的，記得每次都帶上 Ticket Number 和 Case ID。
• 最後那一步慢慢來。註冊畫面跳出來時，先確認三件事再按：標籤對不對、下面有沒有你的角色、平台清單對不對。不確定就退出遊戲，退出不會消耗任何東西，按錯才會。
• 事後回 Mog Station 驗收，Platform 那排看到 Nintendo Switch 2 打勾，才算真的結束。

整件事最讓我怕的就是「一次性」這三個字，我填完表單反覆確認了四五次同一個欄位。

• 使用 MCP 協定(Model Context Protocol)處理聊天語意與工具呼叫
• 整合 NetStone 查詢《Final Fantasy XIV》的角色與世界資料
• 使用 WPF 呈現 ChatGPT 風格的對話框與 Markdown 回應

若你是一位 MMO 玩家、AI 工具開發者，或是想結合遊戲與語言模型的工程師，這篇文章會是你的入門指南。

工具架構概覽

• WPF 作為前端（輸入框、對話框）
• MCP Server 處理自然語言與工具匹配
• NetStone 提供 FFXIV 資料查詢
• OpenAI API 作為語言理解後端（可選）

建立 MCP Server

1. 建立一個Server.csproj專案 (MCP 伺服器)，安裝以下套件

    <PackageReference Include="ModelContextProtocol" Version="0.1.0-preview.8" />
    <PackageReference Include="NetStone" Version="1.4.1" />
   

2. 於Server.csproj 專案的 Program.cs中加入以下

    builder.Services
        .AddMcpServer()
        .WithStdioServerTransport()
        .WithToolsFromAssembly();
   

3. 撰寫 NetStone Service NetStoneService.cs，寫一個讀取FC資訊服務

    public interface INetStoneService
    {
        Task InitializeAsync();
        Task<FreeCompanySearchEntry?> GetFCInformation(string name, string world);
    }
   
    public class NetStoneService : INetStoneService
    {
        private LodestoneClient? _lodestoneClient;
   
        public async Task InitializeAsync()
        {
            _lodestoneClient = await LodestoneClient.GetClientAsync();
        }
   
        public async Task<CharacterSearchEntry?> GetCharacterID(string name, string world)
        {
            if (_lodestoneClient == null)
                throw new Exception("LodestoneClient initialization failed.");
   
            var searchResponse = await _lodestoneClient.SearchCharacter(new CharacterSearchQuery()
            {
                CharacterName = name,
                World = world
            });
   
            var lodestoneCharacter =
                searchResponse?.Results
                .FirstOrDefault(entry => entry.Name == name);
   
            return lodestoneCharacter;
        }
    }
   
   

4. 撰寫 NetStone Tool FreeCompanyTool.cs，使用INetStoneService服務

    [McpServerToolType]
    public class FreeCompanyTool(INetStoneService netStone, ILogger<CharacterInformationTool> logger)
    {
        private readonly INetStoneService _netStoneService = netStone;
        private readonly ILogger<CharacterInformationTool> _logger = logger;
   
        [McpServerTool(Name = "get_fc_information", Title = "Get fc information")]
        [Description("Get free Company information")]
        public async Task<FreeCompanySearchEntry?> GetFCInformation(
        [Description("The free company name.")] string name,
        [Description("The data center (world).")] string world
    )
        {
            var freeCompany = await _netStoneService.GetFCInformation(name, world);
   
            return freeCompany;
        }
    }
   

5. Program.cs中初始化服務

    builder.Services.AddSingleton<INetStoneService, NetStoneService>();
   
    static async Task InitNetStone(IHost host)
    {
        var netStoneService = host.Services.GetRequiredService<INetStoneService>();
        await netStoneService.InitializeAsync();
    }
   
    var app = builder.Build();
   
    await InitNetStone(app);
   
    await app.RunAsync();
   

MCP Client

• 可使用Claude Desktop 或 自行建立的Client UI

1. 以本範例WPF為例，用OpenAI的key來實現

private async Task InitializeMCP()
{
    AddUIMessage(ChatRole.System, "初始化中，請稍候...");

    var clientTransport = new StdioClientTransport(new StdioClientTransportOptions
    {
        Name = "helpTroubleshooter",
        Command = "dotnet",
        // 指定MCP Server csproj位置
        Arguments = ["run", "--project", "../../../../../src/NetStoneMCP.csproj", "--no-build"],
    });

    var client = await McpClientFactory.CreateAsync(clientTransport);

    _tools = await client.ListToolsAsync();

    _apiKey = Environment.GetEnvironmentVariable("OPENAI_API_KEY") ?? string.Empty;

    if (string.IsNullOrEmpty(_apiKey))
    {
        MessageBox.Show("API Key is Empty!", "Info");
        return;
    }

    _chatClient = new OpenAIClient(_apiKey).GetChatClient(_model).AsIChatClient()
                        .AsBuilder().UseFunctionInvocation().Build();

    _messages.Add(new(ChatRole.System, "請使用繁體中文回答所有問題。"));
    _messages.Add(new(ChatRole.System, "公司是指公會。"));

    AddUIMessage(ChatRole.System, "歡迎使用本工具！這是一個結合 NetStone 的自然語言 MCP 伺服器，可用來查詢《Final Fantasy XIV》的角色與世界資料。");
}

Client程式碼較長，詳細程式碼請參考Repo

實際使用效果

翻譯問題需要在MCP Tool內加入對照字典即可解決

GitHub 專案連結

查看完整原始碼 on GitHub，陸續增加工具中

透過本篇文章，我們成功打造了一個結合 WPF、MCP 協定、NetStone 工具視覺呈現的 FFXIV 對話式資料查詢工具。這不僅是一個實用的小工具，更是一種整合語言模型與遊戲資料的範例：讓開發者能以自然語言，直接與複雜的系統進行互動。

當然，也可以不只利用 NetStone —— MCP Server 是彈性開放的，也可以輕鬆整合其他第三方 API、資料庫查詢工具，甚至你的 AI 模型工具，打造屬於自己的自然語言操作平台。

無論你是《Final Fantasy XIV》的忠實玩家，還是正在探索語言介面與遊戲結合可能性的開發者，這樣的系統都提供了更多創作空間。你可以繼續擴充工具功能，支援更多查詢、角色行為、甚至製作 Discord Bot、網頁前端或語音助理版本。

模型組合架構（Ensemble）

該系統包含兩個 AI 模型，分別負責不同任務：

1. MegaDetector（目標偵測器）

• 用途：從影像中找出 動物、人類、車輛 等目標。
• 特點：不辨識動物的種類，僅提供「有動物」這類粗略判斷。
• 適合用於初步過濾與目標區域偵測。

2. SpeciesNet（物種分類器）

• 架構：採用 Google 訓練的 EfficientNet V2 M 架構。
• 分類能力：可辨識超過 2000 個標籤，包含：
  • 各種動物物種（例如：獅子、長頸鹿）
  • 高階分類群（如：哺乳類 Mammalia、貓科 Felidae）
  • 非動物類別（如：「空白」、「車輛」）
• 訓練資料：
  • 來自 Wildlife Insights 社群的整理影像
  • 公開資料庫，總數超過 6,500 萬張相機陷阱影像
• 功能：提供物種層級的影像分類結果。

整合方式

• 使用啟發式規則（heuristics）整合 MegaDetector 和 SpeciesNet 的輸出。
• 可選擇使用地理資訊以提升分類準確性。
• 最終為每張影像提供 單一分類結果。

這篇文章是紀錄實際應用 & 自己筆記用

安裝Python環境

• 安裝 Miniforge

• 安裝完成後開啟 Miniforge Prompt

  

• 輸入以下指令建立環境名稱:speciesnet

    conda create -n speciesnet python=3.11 pip -y
  

• 啟動speciesnet環境

    conda activate speciesnet
  

• 如出現以下代表環境建立成功

  

安裝SpeciesNet

pip install speciesnet

簡易測試

• 輸入以下指令執行預測

python -m speciesnet.scripts.run_model --folders "{需要辨識的圖片來源資料夾路徑}" --predictions_json "{輸出的json檔案}"

• 以某張圖為範例結果如下，把結果先丟給ChatGPT分析prediction區塊看來查看其含義

分類階層解析（從大到小）

Predictions:
{
    "predictions": [
                {
            "filepath": "image/american_black_bear.jpg",
            "classifications": {
                "classes": [
                    "436ddfdd-bc43-44c3-a25d-34671d3430a0;mammalia;carnivora;ursidae;ursus;americanus;american black bear",
                    "febff896-db40-4ac8-bcfe-5bb99a600950;mammalia;cetartiodactyla;cervidae;odocoileus;hemionus;mule deer",
                    "5c7ce479-8a45-40b3-ae21-7c97dfae22f5;mammalia;cetartiodactyla;cervidae;odocoileus;virginianus;white-tailed deer",
                    "eb3829b0-772e-4088-ae90-f11b9fe38284;mammalia;cetartiodactyla;cervidae;cervus;elaphus;red deer",
                    "330bb1e9-84d6-4e41-afa9-938aee17ea29;mammalia;carnivora;ursidae;ursus;arctos;brown bear"
                ],
                "scores": [
                    0.9895798563957214,
                    0.003979037050157785,
                    0.0037781514693051577,
                    0.0007601650431752205,
                    0.0005046064616180956
                ]
            },
            "detections": [
                {
                    "category": "1",
                    "label": "animal",
                    "conf": 0.9598512053489685,
                    "bbox": [
                        0.43310546875,
                        0.4283854365348816,
                        0.3232421875,
                        0.322265625
                    ]
                }
            ],
            "prediction": "436ddfdd-bc43-44c3-a25d-34671d3430a0;mammalia;carnivora;ursidae;ursus;americanus;american black bear",
            "prediction_score": 0.9895798563957214,
            "prediction_source": "classifier",
            "model_version": "4.0.0a"
        }
    ]
}

從json內可以看到有bbox(bounding box)標示出動物邊界框，我們以畫面帶出

微調模型

目前訓練程式碼尚未開源。雖然程式碼基本上是依照論文中的方法進行的，大部分的訓練資料也不是公開的

官方不久後可能會發布微調的範例程式碼

• 從kaggle下載模型至本地端查看模型結構

path = kagglehub.model_download("google/speciesnet/keras/v4.0.0a")

model_file = os.path.join(path, "always_crop_99710272_22x8_v12_epoch_00148.keras")

species_model = tf.keras.models.load_model(model_file)

species_model.summary()

• 模型若有下載會放至/root/.cache/kagglehub/models/google/speciesnet/keras/v4.0.0a/3
  • label 是標籤、keras是模型主檔

1. 可試著微調模型加入台灣黑熊

   
    path = kagglehub.model_download("google/speciesnet/keras/v4.0.0a")
   
    model_file = os.path.join(path, "always_crop_99710272_22x8_v12_epoch_00148.keras")
   
    print(model_file);
   
    NEW_CLASS_NAME = "taiwan_black_bear"
    LABELS_TXT_PATH =  os.path.join(path, "always_crop_99710272_22x8_v12_epoch_00148.labels.txt")
    NEW_DATASET_DIR = "dataset/taiwan_black_bear" 
    IMAGE_SIZE = (480, 480)
    BATCH_SIZE = 8
    EPOCHS = 10
   
   
    print("[INFO] Loading base model...")
    base_model = load_model(model_file)
   
    print("[INFO] Extracting old dense weights...")
    old_dense_layer = base_model.layers[-1]
    old_weights, old_bias = old_dense_layer.get_weights()
   
    original_class_count = old_weights.shape[1]
    new_class_count = original_class_count + 1
   
    print(f"[INFO] Expanding output layer from {original_class_count} to {new_class_count} classes...")
   
    new_weights = np.concatenate(
        [old_weights, np.random.normal(size=(old_weights.shape[0], 1))],
        axis=1
    )
    new_bias = np.concatenate(
        [old_bias, np.array([0.0])]
    )
   
    x = base_model.layers[-2].output  # Dropout 輸出層
    new_output = layers.Dense(new_class_count, activation='softmax', name="expanded_output")(x)
   
    model = Model(inputs=base_model.input, outputs=new_output)
   
   
    model.get_layer("expanded_output").set_weights([new_weights, new_bias])
   
    for layer in model.layers[:-1]:
        layer.trainable = False
   
    print("[INFO] Loading new class images...")
    datagen = ImageDataGenerator(rescale=1.0/255)
   
    def generate_bear_dataset(path):
        class_label = new_class_count - 1  # taiwan_black_bear = 2498
        filenames = [os.path.join(path, f) for f in os.listdir(path) if f.lower().endswith((".jpg", ".png"))]
        images = []
        labels = []
        for f in filenames:
            img = tf.keras.utils.load_img(f, target_size=IMAGE_SIZE)
            img_array = tf.keras.utils.img_to_array(img) / 255.0
            images.append(img_array)
            labels.append(class_label)
        return np.array(images), np.array(labels)
   
    X_train, y_train = generate_bear_dataset(NEW_DATASET_DIR)
    print(f"[INFO] Loaded {len(X_train)} images for class '{NEW_CLASS_NAME}'.")
   
    model.compile(optimizer=tf.keras.optimizers.Adam(1e-4),
                loss='sparse_categorical_crossentropy',
                metrics=['accuracy'])
   
    print("[INFO] Training on new class only...")
    model.fit(X_train, y_train, batch_size=BATCH_SIZE, epochs=EPOCHS)
   
    print("[INFO] Saving new model as 'speciesnet_with_bear.keras'...")
    model.save("speciesnet_with_bear.keras")
   
    new_uuid = str(uuid.uuid4())
   
    NEW_LABEL_LINE = f"{new_uuid};mammalia;carnivora;ursidae;ursus;thibetanus;taiwan_black_bear"
   
    with open(LABELS_TXT_PATH, "r", encoding="utf-8") as f:
        lines = f.readlines()
        if any("taiwan_black_bear" in line for line in lines):
            print("[INFO] Label for 'taiwan_black_bear' already exists in labels.txt, skipping append.")
        else:
            backup_path = LABELS_TXT_PATH + ".backup"
            if not os.path.exists(backup_path):
                with open(backup_path, "w", encoding="utf-8") as backup_file:
                    backup_file.writelines(lines)
                print(f"[INFO] Backup created: {backup_path}")
   
            with open(LABELS_TXT_PATH, "a", encoding="utf-8") as f_append:
                f_append.write("\n" + NEW_LABEL_LINE)
                print(f"[INFO] Appended new class to labels.txt: {new_uuid}")
   

使用GPU (以Windows為例)

使用GPU可以加外模型預測處理速度，使用以下指令有檢測到GPU即可

pip install torch torchvision --upgrade --force-reinstall --index-url https://download.pytorch.org/whl/cu118
python -m speciesnet.scripts.gpu_test

演示用程式

SpeciesNetDemo

參考資料

• https://github.com/google/cameratrapai?tab=readme-ov-file
• https://github.com/google/cameratrapai/blob/main/installing-python.md
• https://www.inside.com.tw/article/37737-google-opensources-speciesnet

• 建立一個App.razor，內容如下，加入Router

<Router AppAssembly="@typeof(App).Assembly">
    <Found Context="routeData">
        <RouteView RouteData="@routeData" />
    </Found>
    <NotFound>
        <h1>Page not found</h1>
    </NotFound>
</Router>

• 將RootComponent中的ComponentType改為App

<Grid>
    <blazor:BlazorWebView HostPage="wwwroot\index.html" Services="{DynamicResource services}">
        <blazor:BlazorWebView.RootComponents>
            <blazor:RootComponent Selector="#app" ComponentType="{x:Type components:App}" />
        </blazor:BlazorWebView.RootComponents>
    </blazor:BlazorWebView>
</Grid>

• 建立一個Home.razor，按下按鈕後測試路由導向

@page "/"
@inject NavigationManager navigationManager

<button @onclick="NavigateToPage">Go to Counter</button>

@code {
    private void NavigateToPage()
    {
        navigationManager.NavigateTo("/Counter");
    }
}

App.razor就算是主要的頁面，都是由此頁面操作路由

遊戲製作人禁止玩家使用ACT等外部插件，禁止使用副本輔助工具等會影響公平性的工具

若有使用請以不影響其它玩家為主

本篇主要自己紀錄一下如何使用開發ACT插件基底

建立一個C#類別庫專案

至Nuget安裝 AdvancedCombatTracker

在專案內建立一個使用者控制項

於使用者控制項內實作ACT介面，InitPlugin, DeInitPlugin

public partial class UserControl1 : UserControl, IActPluginV1
{
    public UserControl1()
    {
        InitializeComponent();
    }

    public void InitPlugin(TabPage pluginScreenSpace, Label pluginStatusText)
    {
        //插件初始化
    }

    public void DeInitPlugin()
    {
        //插件解除初始化
    }
}

測試讀取遊戲Log

• 建立一個 lblChatLog 的Label，將遊戲的log印到控制項中
• 註冊讀取log事件 Game_LogLineRead

public partial class UserControl1 : UserControl, IActPluginV1
{
    public UserControl1()
    {
        InitializeComponent();
    }

    public void InitPlugin(TabPage pluginScreenSpace, Label pluginStatusText)
    {
        pluginScreenSpace.Controls.Add(this);
        Dock = DockStyle.Fill;
        lblStatus = pluginStatusText;
        lblStatus.Text = "插件初始化";

        ActGlobals.oFormActMain.BeforeLogLineRead += Game_LogLineRead;
    }

    private void Game_LogLineRead(bool isImport, LogLineEventArgs logInfo)
    {
        string[] logLine = logInfo.originalLogLine.Split('|');
        this.lblChatLog.Text = string.Join(", ", logLine.Select(x => $"\"{x}\""));
    }
}

編譯專案與加入自製插件

將專案以Release Build為DLL檔案後，由ACT引用DLL

至ACT點擊Plugins頁籤，點擊Browse將剛才Build好的DLL加入

下方就會出現剛剛自製的DLL了

點入DLL頁籤，從遊戲中測試Log有正常讀取

這樣一個簡單的自製ACT插件就完成了，之後就可以利用遊戲中的log或是其它plugin搭配使用開發出好用的插件

• pyautogui
• cv2
• json

設定檔 (config.json)

為了讓使用者可以自行編輯腳本，規劃設定檔如下

1. image: 代表此動作要影像辨識
2. command: 輸入影像實體路徑
3. dir: 對圖片做的動作 (left、right 左右鍵)

{"type":"image", "command":"A.jpg","dir":"left", "alt":"A_alt.jpg"},

1. button: 代表此動作要按下某按鈕
2. command: 按下的按鈕
3. dir: 留空

{"type":"button","command":"num0","dir":""},

1. long: 代表此動作要按下滑鼠
2. command: 留空
3. dir: left、right 左右鍵

{"type":"long","command":"","dir":"left"}

而組合而成後，就代表要先辨識A圖片後按下左鍵 => 按下數字鍵0 => 按下滑鼠左鍵

{"type":"image", "command":"A.jpg","dir":"left", "alt":"A_alt.jpg"},
{"type":"button","command":"num0","dir":""},
{"type":"long","command":"","dir":"left"}

程式碼

程式啟用後鍵入的設定

1. 次數: 跑config.json流程的次數
2. 信度: 辨識圖片的信度，越高越嚴謹
3. 間格秒數: 每個流程的間隔
4. 灰度匹配: 先轉成黑白在辨識

runtime = input("次數: ")
conf = float(input("信度: "))
sec = float(input("間隔秒數: "))
isGray = input("啟用灰度匹配 (Y/N): ").upper()

將設定檔轉為JSON物件，讓不同type跑不同的動作

for i in jsonObject:
   type = i["type"]
   commmand = i["command"]
   dir = i["dir"]

   if type == "button":
      press(commmand)
   elif type == "image":
      path = img_dir + commmand
      if not locate_click(path, alt_path, t=0.35, button = dir): 
            break;
   elif type == "long":
      long_click(button=dir)
   else:
      print("not defind")

   time.sleep(sec)

辨識圖片則是locateOnScreen檢查有沒有圖片在當前螢幕中後點擊

box = locateOnScreen(img,confidence=conf, grayscale=isGrayscale)
print(imgname, "found at:\n\t", box)
if box is None:
   if alt is not None:
      locate_click(alt, button=button)     
   print("找不到圖片" + imgname)

這樣一個簡單的腳本小工具就完成了， 後續只要更改Config.json即可，小工具Repo如以下連結 FFXIV_Cook_Guildleve

附加! 直接抓FFXIV的Process來執行腳本

為考慮到我僅擁有單一螢幕，且不希望腳本運行佔據我的螢幕空間，我開發了一個新的UI腳本工具。如下圖所示，使用者可以透過UI編輯腳本，然後直接在FFXIV視窗中執行。

• 可透過UI拖曳改變執行順序，儲存腳本
  • 若所選類型為 [Text]，則訊息將傳送至遊戲對話框。
  • 若所選類型為 [Button]，則按鈕將被傳送至遊戲視窗。
  • 設定執行次數
  • 設定執行N次後中途插入額外腳本

這樣腳本工具更具有彈性了 後續只要透過UI修改腳本即可，小工具Repo如以下連結 FFXIVMacroController

下載.NET SDK

連結

將SDK放在Jenkins容器某個資料夾

docker cp $sdkLocationPath $container:$containerSDKPath

安裝.NET SDK Support

至官網下載.NET SDK Support plugin

到Jenkins中選擇部屬外掛，選擇剛剛下載的hpi檔

Jenkins設定SDK路徑

到 jenkins Global Tool Configuration 設定 .NET SDK ，設定路徑、NAME

pipeline

在pipeline 加上 tools section，加上 dotnetsdk ‘{NAME}’，NAME為剛剛設定的.NET SDK NAME

tools {
        dotnetsdk 'dotnetsdk6'
      }

完整使用方式

完整pipeline如下

pipeline {
  agent any
  environment {

  }
  tools {
    dotnetsdk 'dotnetsdk6'
  }
  stages {
    stage('Clean workspace') {
      steps {
        cleanWs()
      }
    }
    stage('Git Checkout') {
      steps {
        git branch: 'master', credentialsId: 'credentialsId', url: 'git_url'
      }
    }
    stage('Restore packages') {
      steps {
        dotnetRestore project: 'Project_Name', workDirectory: 'Project_Path'
      }
    }
    stage('Build') {
      steps {
        dotnetBuild project: 'Project_Name', workDirectory: 'Project_Path'
      }
    }
    stage('Publish') {
      steps {
        dotnetPublish configuration: 'Release', project: 'Project_Name', workDirectory: 'Project_Path'
      }
    }
    stage('Clean') {
      steps {
        dotnetClean project: 'Project_Name', workDirectory: 'Project_Path'
      }
    }
  }

參考資料

• https://plugins.jenkins.io/dotnet-sdk/#documentation
• https://www.jenkins.io/doc/book/pipeline/syntax/#supported-tools

Docker安裝

在Synology 套件管理中心，將Docker安裝

.NET 映像檔下載或匯入

打開Docker，搜尋 .NET CORE，找到如dotnet、aspnetcore下載 但是目前下載的 .net core都是屬於2.0或3.1版本，所以我另外在Docker hub下載 https://hub.docker.com/_/microsoft-dotnet-sdk

將載好的映像檔丟到NAS中，在Docker中選擇從檔案中加入

將剛才載好的映像檔加入Docker中

確認有成功加入

新建並發佈一個 .NET5 MVC網頁，放至NAS

新建一個 .NET5 的MVC專案，並且發佈至資料夾內，如下圖

將發佈的檔案放至NAS中自己指定的路徑

新建容器

選擇新增容器，打上容器名稱

儲存空間頁籤內，選擇新增資料夾，選擇剛剛放檔案的位置

選擇後，容器掛載路徑打入指定路徑，可依照個人喜好輸入，我這裡用/app

port設定，記得防火牆也要同意相關port有開啟

最後進階設定，環境變數ASPNETCORE_URLS 中輸入 http://*:80

建立後立即啟動容器，確認容器已經開啟

點選已啟動容器，點選終端機頁籤，將 .NET 應用啟動

cd app
dotnet familycenter.dll

建立憑證

在NAS中的安全性，選擇憑證並建立憑證，選擇從Let’s Encrypt建立憑證

網域名稱輸入 : familycenter.{Domain}.synology.me

輸入信箱後套用

可以確認憑證已成功建立

反向代理伺服器設定

控制台中搜尋Proxy 並選擇反向代理伺服器頁籤 新增後輸入資料套用

來源

• 通訊協定: HTTPS
• 主機名稱: familycenter.{Domain}.synology.me
• Port: 443

目的地

• 通訊協定: HTTP
• 主機名稱: localhost
• Port: 2266

連結Mapping

回到憑證，選擇剛建立好的憑證，將連結Mapping

瀏覽器輸入網址

https://familycenter.{Domain}.synology.me/

就可以用HTTPS開啟網頁了