我被一套 AI 配图的规矩,折腾了三个晚上

上周三晚上十一点多，我在给一套课程材料配图。

五张。第一张粗线条，第二张变成细马克笔，到第三张，画风已经完全像换了个画师，还凭空多出一只长得像柯基的狗。第四张我放弃了，直接从图库拖了张照片塞进去。

整份材料读下来，像一个五人小组各自交了各的作业。

我当时就愣住了。不是生气，是那种特别熟悉的无力感，同一个模型，同一段提示词，前后就隔了十分钟，它给我五张来自五个平行宇宙的图。

这三年我一直在跟这件事打交道，也一直以为问题出在模型。它还不够听话，它还不够稳，等下一代就好了。

我猜不止我一个人干过这种事。凌晨一点，明天要交一份课件，或者要发一篇笔记，你在素材库里翻了半小时，翻到眼睛发酸，最后挑中一张「大概还算像」的图，安慰自己说观众不会在意。

观众会在意的。

他们不会说你这张图风格不统一，他们只会觉得这份东西有点草率，然后划走。

这话听着有点刺耳，但我是真的这么觉得。

上周我把这个结论推翻了。

推翻它的东西叫 oil-visual，是别人写的一个配图 skill，我拿它跑了一张图。看到结果那一刻，我第一个反应不是「画得真好」，而是「等等，画风居然没变」。

坦率的讲，那一下给我整不会了。

先说清楚它是个什么东西。它不是模型，也不是某个网站，它就是一个文件夹。里面有一份 SKILL.md，写了这套图该怎么描述、提示词该怎么拼、出问题该怎么改，还有七张示例图，一个抠图脚本，叫 cutout.py。

就这么点东西。

但这份文件里的规矩，写得非常死。黑色的漫画墨线，粗细要有变化。灰的地方不用渐变，用那种老印刷品上的圆形半调网点。主角是一个火柴人，圆脑袋，细圆框眼镜，点状的眼睛。旁边永远跟着一只胖胖的暖黄色边牧。整张图的底色只有黑白灰加暖黄，另外最多再给你两种语义色，蓝色代表输入的东西，橙色代表动作或者代价，绿色代表成功的结果。

我一开始觉得这不就是限制创作吗。

后来才反应过来，我要的根本不是创作，我要的是「这五张图看起来像同一个人画的」。

你想想看，一个 agent 读完这份文件，等于领到了一支固定的笔。它下一次再画，还是这支笔。

顺着这个再聊聊它是怎么干活的。

它把整件事拆成四步，而且这四步的顺序是硬性的。

第一步是先写 brief。它逼你在动笔之前回答六个问题，看图的人在十秒内应该看懂什么，一句话的结论是什么，画面里有哪些真实存在的物件，这些物件之间是什么关系，把文字全抹掉之后画面还能不能看懂，场景里该摆哪两三个有用的小东西。

这六个问题问得我有点脸红。我以前配图，从来没想过「把文字抹掉还看得懂吗」这件事。我以前的思路是先想一句话，再让模型想办法把那句话画出来。

第二步是标签。只留两到六个，每个都必须贴在它对应的那个物件上，不许飘在半空当装饰。

第三步才是拼提示词。按固定顺序拼，最后压上一段风格锚点。这段锚点每次都要原样粘贴，一个字都不许改。

第四步是核对。图出来之后，逐个字跟 brief 对一遍，错一处就只改那一处，别让它自由发挥。

那份 brief 我写了差不多二十分钟，比我以前写一段提示词的时间长了十倍。填进去的东西大概是这些。十秒内要让人看懂的是，同一套规则能产出一样的结果。一句话结论是，重复不靠手感，靠规则没变。画面里的真实物件是散稿、印刷机、卡片。关系是流水线。把字全抹掉，左中右三块东西还在，还能看懂。场景是一张工作台，两条环境线索就够，一盏台灯，一叠卷边的纸。颜色用三种，蓝给输入，橙给动作，绿给结果。

写完这六条，提示词几乎是自动长出来的。我甚至没怎么改措辞。

写到一半我突然明白了，这套东西真正难的地方不在提示词。难的是把「我觉得这样好看」翻译成一句别人能复述的话。审美一旦变成句子，别人就能抄，机器也能照做。

这四步走下来，看着特别笨，但每一步都在把变量往下砍。

我一开始还嫌它啰嗦，跳过第一步直接写提示词。出来那张图，构图挺好，两个标签贴错了物件，一个飘在空白处，另一个贴在了狗身上。

我寻思了一下我没寻思明白。回过去补完那六个问题，同样的提示词，第二张就对了。

但我按这四步跑出来的那张图，是我这三年里第一次，生成完之后不用修。

画面是这样的。左边一摞散着的稿纸，蓝色的，堆得歪歪扭扭。中间那个戴圆框眼镜的火柴人正在摇一台老式印刷机，边牧蹲在旁边看着他。右边出来三张一模一样的绿色卡片，卡片上都是同一个火柴人。

三个标签，散稿、同一套规则、三张一样的图，一次全中。一个错字都没有，也没多写别的字。网点也是真的网点，我放大看过，是一个个圆点排出来的，不是那种贴上去的灰渐变。

我当时盯着屏幕看了挺久，说实话有点不真实。

不是因为画得多漂亮。那张图谈不上多漂亮，它就是干净，字对，线对，圆点对。

当然它也有毛病。右下角那行「三张一样的图」压到了图边，差一点点就要出画。这一处没法修，只能重生成。

我没重生成。

留着这个瑕疵，反而让我更相信前面那些好。一个会出错的东西，通常是真的在做事。哪哪都完美的那种，我反而更信不过。

这张图我后来一直没删，就躺在项目文件夹里，文件名起得特别朴素，ov-test-run。

再说它为什么能稳。逻辑其实特别简单，风格锚点是常量，内容才是变量。颜色、线、网点、角色，这些全部写死在锚点里，模型只负责把这一张图的物件摆对。变量少了，结果自然就收敛了。

那段锚点里还有一句我一直记着，图里的字必须一次生成，不许事后叠一层文字。

以前我干的正好是相反的事。先生成一张干净的图，再打开设计软件把标题压上去。折腾过的人都知道，字和画面永远贴不严，字不是压住了狗的眼睛，就是字号跟画面气质打架。

它把这条路堵死，等于逼你在构图阶段就把字当成一个物件摆进画面里。

聊到这儿我脑子里突然冒出中世纪的画坊。

那会儿画一幅教堂的圣像，不是一个人从头画到尾。师傅定一套图样，学徒照着同一套线描去描、去填色，所以一排圣像看过去，气质是同一个人给的。他们甚至有一种东西叫画样书，就是一本照着抄的样本。

这套办法跟 AI 一点关系都没有，它是手艺活的老规矩。手艺要传下去，靠的从来不是每个徒弟都天赋异禀，靠的是那本谁都能翻的样本。

oil-visual 干的事，其实就是把画样书塞进了提示词里。

说到这儿我又想起一件不太相干的事。全世界的地铁线路图，画法都差不多，细直线，四十五度的拐角，换乘站一个白圈。你说那是审美吗？不全是，那是一套让陌生人在三十秒里读懂一座城市的约定。

它里面的颜色也是这个意思。蓝色永远代表输入的东西，橙色代表动作或者代价，绿色代表结果。你不用每次都解释一遍颜色代表什么，看图的人自己就接上了。

我做了三年内容，第一次觉得配图居然是一门有语法的语言。语法不自由，可语法让人看得懂。

我知道有人会说，Midjourney 早就有风格参考码了，贴一个 sref 不就一致了吗？

我自己也用过。它能让你靠近那个味道，但靠不到同一个点，每次还是在那个附近晃。oil-visual 给的不是一个范围，是一份能逐字复述的说明书，你把它抄一遍，出来的东西就该是那个样子。

说大一点，这件事在广告公司叫视觉规范。品牌手册里写清楚主色、字体、图形怎么用，不是为了限制设计师，是为了让十个供应商交上来的东西拼在一起不打架。

它还有第二条线，叫 Mode B，专门出透明素材。先用纯绿幕画，绿得特别纯粹的那种，色值是 00FF00，然后跑 cutout.py 把背景抠掉，输出一张透明 PNG，丢进封面、文档、卡片里，字交给版式去排。

我第一张绿幕图就翻车了。

背景看着是纯绿，但四个角其实有一层特别淡的渐变。抠完以后，人物边缘留了一圈灰边，放大到百分之百才看得见，不放大根本发现不了。

它的检查清单第一条就写着，四角先看，有一点渐变、噪点、阴影，就重画，别硬抠。

我当时不信，觉得抠图脚本应该能扛住。。。

后来重画了一张干净的，抠出来四角 alpha 全是 0，眼镜框、狗耳朵、尾巴、细胳膊，一根线都没断，白纸面和网点灰也都在。这一版我才敢用。

顺便说一句，它自带的示例图有七张。解释 agent 工作流的，讲成本对比的，把一团乱麻变成清晰结构的，画反馈回路的，画流水线卡点的，一张方形版，一张透明插画。

七张图摆在一起看，才是它最想说的话。它们不是七个作品，是同一套语言说了七遍。

再补一句角色的事。连载漫画有个东西叫角色设定表，发色、瞳色、一件始终不换的外套，画师换人了也得照着这张表画。读者记住的从来不是那张脸，是那张脸背后的规矩。

它里面那个火柴人，圆脑袋、细圆框、点状的眼睛，就是一张极简的设定表。狗也一样，必须是胖的，必须是暖黄的。这两个角色每张图都在，看久了你会觉得他们是熟人。

我第一眼看到那只狗的时候有点走神。它蹲在印刷机旁边，什么也不干，就那么看着。我后来才反应过来，它在画面里的作用不是可爱，是温度。一张讲规则的图，光有规则会很冷。

那它有没有做不到的？

有，而且不少。

它不适合文字密集的画面。我试过让它画一张带三段配置代码的图，出来以后代码像一堆乱码，字号也忽大忽小。这类东西本来就该交给排版工具，不该让模型烤进图里。

它也不适合真实影像。照片、App 截图、产品渲染图，都不是它的活。真需要照片的地方，你还是得去拍，或者去买，这套东西替代不了摄影。

颜色上是硬上限，语义色最多两种，加上那只暖黄的狗，就是这张图的全部颜色预算。我贪心试过第三种，加了紫色去区分两个阶段，出来那张图的花哨程度，跟这套黑白墨线完全不是一个世界。

还有一条，一张图只讲一件事。我试过让它在一张图里同时讲流程和对比，出来那张图我看了三遍才看懂，读者大概一遍就划走了。

一张图同时讲两件事，特别像一个人在你耳边同时说两段话。他每个字都没错，你就是听不进去。

这三件事的共同点，是我一直在逼它干它说好不干的事。它的边界写得清清楚楚，是我自己没读。

说到这儿我得替另一拨人说句公道话。

如果你一周只配两张图，这套规矩对你是负担。写六个问题、压一段锚点、逐字核对，这些时间够你手动修三张图了。它真正值钱的地方，是你有一整套东西要出，二十张、五十张，而且必须看起来像同一个人做的。那时候一致性才是成本，其他都不是。

这块需要注意一下，前几次一定会比手动做还慢。

你要逐条回答那六个问题，要一个字一个字对标签，要重画一张干净的绿幕图，心急的话很容易在第二张就放弃。我自己第三次才摸到节奏，前面两次纯属给自己添堵，一边写 brief 一边想，我用这时间都画完三张了。

我自己也是在做到第八张的时候，才真正感觉到这套规矩的力气。

如果你也在做内容，你可以回想一下，上一次因为配图风格不统一而返工，是什么时候。我想大多数人的答案，都不会太久远。

回到最开始那个晚上。

五张图，五个画师，我盯着屏幕发愣。

现在我再看那套材料，八张图摆在一起，线是同一种线，灰是同一种灰，狗还是那只狗。中间当然有瑕疵，有一张的字压边了，有一张我重画了三次。

但它看起来是一个人的东西。

我一直觉得，配图这件事最贵的地方，不是你画得多好。画得好的人太多了，模型现在也能画得挺好。

最贵的是「像」。像同一个人，像同一个系列，像同一套语言。

我们做内容的人特别容易被「好看」牵着走。看到一张漂亮的图，第一反应是我也要这种。可读者其实不太在意你这一张有多惊艳，他们在意的是翻到第三页的时候，还认不认得出这是你的东西。

好看是这一张的事，像是一整套的事。这句话我一开始不太懂，做完那八张卡之后，懂了。

手艺传了几百年，传的都不是某一幅画。

传的是那本画样书。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧。想第一时间收到推送，也可以给我个星标。

谢谢你看我的文章，我们，下次再见。