mood
Enables AI to display its current mood as a locally generated ASCII face using Stable Diffusion, with a tool feel(emotion) that the AI can call to update the terminal display.
README
mood
Gib deiner KI ein Gesicht. mood ist ein physisches Stimmungs-Display fürs
Terminal: dein LLM zeigt seine aktuelle Stimmung als lebendiges, lokal mit Stable
Diffusion generiertes ASCII-Gesicht — proaktiv, während ihr zusammenarbeitet.
<img src="docs/hero.png" width="560" alt="mood — focused, ready to dig into network config">
Unter der Haube: Eine Emotion (z.B. smiling) wird in einen Prompt eingesetzt, auf
der GPU ein Bild generiert und als ASCII-Helligkeitsgradient im Terminal angezeigt.
Per MCP ruft die KI das Tool feel(emotion) selbst auf, wann immer sich ihre
Stimmung ändert — wie ein Mensch unwillkürlich das Gesicht verzieht.
Schnellstart
Voraussetzung: uv und eine GPU — NVIDIA (Linux,
CUDA) oder Apple Silicon (macOS, MPS). Ohne GPU läuft es auf der CPU, aber sehr
langsam. macOS-Details siehe unten.
./run.sh
Startet das Stimmungs-Display (Listener auf Port 8765) mit den Standard-Settings. Beim ersten Mal wird die Umgebung eingerichtet und das Modell von HuggingFace geladen (mit sichtbarem Fortschritt). Dann ist das Display bereit.
Damit deine KI es ansteuert, die MCP-Bridge in Claude Code registrieren (siehe MCP in Claude Code):
./install-mcp.sh
Ab jetzt zeigt die KI ihre Stimmung von selbst auf dem Display. feel(emotion) gibt
im Chat nur "ok" zurück (das Bild geht aufs Display, nicht in die Konversation).
Selbst ausprobieren
echo "laughing" | nc 127.0.0.1 8765 # Emotion ans laufende Display schicken
./run.sh "a red sports car" # einmaliges Bild (kein '::' -> One-Shot)
Weitere Stimmungen:
<img src="docs/demo.png" width="300" alt="relieved and laughing"> <img src="docs/demo2.png" width="300" alt="very happy">
Aussehen anpassen
Das Gesicht entsteht aus einem Prompt-Template mit :: als Platzhalter für die
Emotion. Standard ist ein Vault-Boy-Stil (Fallout). Alles per Env überschreibbar
(siehe .env.example, eine .env wird automatisch geladen):
| Variable | Default | Wirkung |
|---|---|---|
MOOD_PROMPT |
girl, :: face, retro poster style, … |
Prompt-Template (:: = Emotion) |
MOOD_MODEL |
sd15 |
sdxl, sd15, flux, qwen |
MOOD_LORA |
vaultboy |
LoRA-Kurzname / Pfad ('' = keine) |
MOOD_RAMP |
ink |
ASCII-Rampe: ink, acid, blocks, minimal, … |
MOOD_COLOR |
green |
mono, Akzent (green/amber/cyan/white) oder palette (echte Bildfarben, auf 8 klare ANSI-Farben reduziert) |
MOOD_MODELS_ROOT |
– | lokale Modelle bevorzugen statt HF-Download |
Volle Optionsliste: ./run.sh --help. CLI-Flags überschreiben Env überschreiben .env.
Mit --color palette werden statt eines Akzents echte Bildfarben gerendert (auf ein
kleines, klares Set reduziert):
<img src="docs/palette.png" width="420" alt="--color palette — happy, solved the issue">
--color palette · „happy, solved the issue"
macOS / Apple Silicon
Läuft nativ auf M1/M2/M3 über Apples MPS-Backend — gleiche Codebasis wie Linux, kein CUDA und kein Docker nötig:
# uv installieren (falls noch nicht vorhanden):
curl -LsSf https://astral.sh/uv/install.sh | sh
./run.sh
uv sync zieht automatisch das passende torch (mit MPS) von PyPI — der CUDA-Index
greift nur unter Linux. Die App erkennt das Gerät selbst (CUDA → MPS → CPU). Modelle
landen im HuggingFace-Cache (~/.cache/huggingface).
- Die erste Generierung lädt das Modell (mehrere GB); danach wenige Sekunden pro Bild (je nach Chip). MPS ist langsamer als eine dedizierte NVIDIA-GPU, aber gut nutzbar.
ncist vorinstalliert; MCP-Bridge (./install-mcp.sh) funktioniert identisch.- Docker bringt auf dem Mac nichts: Container haben dort keinen Zugriff auf die
Apple-GPU (Metal/MPS) — nur CPU, also viel zu langsam. Auf dem Mac immer
./run.shnativ nutzen. Das Docker-Setup unten ist ausschließlich für Linux + NVIDIA.
MCP in Claude Code
./install-mcp.sh
Registriert die Bridge (Tool feel) mit den richtigen Pfaden — funktioniert auf
Linux und macOS. Danach Claude Code neu starten und ./run.sh laufen lassen.
Per Docker
Braucht NVIDIA-Treiber + nvidia-container-toolkit. Modelle landen auf dem Host in
./models und bleiben erhalten.
docker compose build
docker compose up # Display/Listener auf :8765
docker compose run --rm mood "a cat" # einmaliges Bild
Modi
- Display/Listener (Default, Prompt mit
::): hält die Pipeline, jede gesendete Emotion wird gerendert. CTRL-C beendet. - One-Shot (Prompt ohne
::): ein Bild, dann Ende. - MCP-Bridge (
-m): leitetfeel(emotion)an den Listener weiter; lädt selbst kein Modell → nur eine Pipeline im VRAM.
* flux/qwen sind experimentell (große/gated Repos).
Lizenz
MIT — siehe LICENSE.
Recommended Servers
playwright-mcp
A Model Context Protocol server that enables LLMs to interact with web pages through structured accessibility snapshots without requiring vision models or screenshots.
Magic Component Platform (MCP)
An AI-powered tool that generates modern UI components from natural language descriptions, integrating with popular IDEs to streamline UI development workflow.
Audiense Insights MCP Server
Enables interaction with Audiense Insights accounts via the Model Context Protocol, facilitating the extraction and analysis of marketing insights and audience data including demographics, behavior, and influencer engagement.
VeyraX MCP
Single MCP tool to connect all your favorite tools: Gmail, Calendar and 40 more.
graphlit-mcp-server
The Model Context Protocol (MCP) Server enables integration between MCP clients and the Graphlit service. Ingest anything from Slack to Gmail to podcast feeds, in addition to web crawling, into a Graphlit project - and then retrieve relevant contents from the MCP client.
Kagi MCP Server
An MCP server that integrates Kagi search capabilities with Claude AI, enabling Claude to perform real-time web searches when answering questions that require up-to-date information.
E2B
Using MCP to run code via e2b.
Neon Database
MCP server for interacting with Neon Management API and databases
Exa Search
A Model Context Protocol (MCP) server lets AI assistants like Claude use the Exa AI Search API for web searches. This setup allows AI models to get real-time web information in a safe and controlled way.
Qdrant Server
This repository is an example of how to create a MCP server for Qdrant, a vector search engine.