三步打造专属桌面猫咪:BongoCat自定义模型导入全攻略
你是否已经厌倦了千篇一律的桌面宠物?想让你的BongoCat与众不同?本文将带你通过简单三步,将任何Live2D模型转化为会对你的键盘和鼠标操作做出反应的专属桌面猫咪。无需编程基础,只需跟着指引操作,5分钟即可完成个性化设置。
一、准备符合规范的模型文件
BongoCat支持标准Live2D Cubism 3/4格式的模型文件,你需要准备以下文件结构:
- 主配置文件(.model3.json)
- 模型数据文件(.moc3)
- 纹理图片文件夹(包含.png格式纹理图)
- 动作文件(.motion3.json,可选)
- 表情文件(.exp3.json,可选)
官方预设模型结构可参考:src-tauri/assets/models/standard/
模型配置文件(.model3.json)是关键,需要正确定义文件引用关系。以下是一个基本的配置示例:
{
"Version": 3,
"FileReferences": {
"Moc": "demomodel.moc3",
"Textures": [
"demomodel.1024/texture_00.png",
"demomodel.1024/texture_01.png"
],
"Motions": {
"CAT_motion": [
{
"File": "live2d_motion1.motion3.json",
"FadeInTime": 0.5
}
]
}
}
}
二、导入模型到BongoCat
-
创建模型文件夹 在项目的模型目录中创建新文件夹:src-tauri/assets/models/ 建议使用有意义的名称(如"my_custom_cat")作为你的模型标识。
-
复制文件到目录 将准备好的所有模型文件复制到新创建的文件夹中,保持文件结构与官方模型一致。确保所有文件路径在.model3.json中正确引用,相对路径以配置文件所在位置为基准。
-
修改模型存储配置 编辑模型存储文件:src/stores/model.ts 在初始化函数中添加你的模型信息:
nextModels.unshift({
id: "my_custom_cat", // 唯一标识
mode: "standard", // 模型类型:standard/keyboard/gamepad
isPreset: false, // 设为false表示自定义模型
path: join(modelsPath, "my_custom_cat"), // 模型文件夹路径
})
三、配置模型交互行为
BongoCat通过参数映射实现模型对用户输入的响应,你需要配置键盘按键与模型动作的对应关系。
-
编辑模型交互逻辑 打开模型交互逻辑文件:src/composables/useModel.ts
-
设置按键响应 在handlePress函数中添加按键与动作的映射关系:
const handlePress = (key: string) => {
// 自定义按键映射
const keyMappings = {
'KeyA': 'left_paw',
'KeyS': 'right_paw',
'Space': 'jump'
};
const motionPath = modelStore.supportKeys[keyMappings[key]];
if (motionPath) {
live2d.startMotion(motionPath);
}
}
- 调整模型大小与位置 如果导入的模型大小不合适,可以在handleResize函数中调整缩放比例:
catStore.window.scale = round((size.width / width) * 80); // 80为缩放百分比
四、应用与测试
完成上述步骤后,重新启动BongoCat应用,在设置界面的模型选择中就能看到你的自定义模型了。点击应用后,模型会立即加载并对你的键盘操作做出反应。
如果模型无法加载或动作异常,可以检查:
- 模型文件路径是否正确
- .model3.json配置是否有语法错误
- 纹理图片格式是否为PNG且尺寸合适
- 模型文件权限是否正常
现在,你已经成功创建了专属的BongoCat模型!尝试添加更多自定义动作和表情,让你的桌面猫咪更加生动有趣。如有疑问,可以参考项目官方文档或提交issue获取帮助。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0123- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
MiMo-V2.5-ProMiMo-V2.5-Pro作为旗舰模型,擅⻓处理复杂Agent任务,单次任务可完成近千次⼯具调⽤与⼗余轮上 下⽂压缩。Python00
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniCPM-V-4.6这是 MiniCPM-V 系列有史以来效率与性能平衡最佳的模型。它以仅 1.3B 的参数规模,实现了性能与效率的双重突破,在全球同尺寸模型中登顶,全面超越了阿里 Qwen3.5-0.8B 与谷歌 Gemma4-E2B-it。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00
