夜雨聆风三个模型、两个 Skill、一次关键认知转变。
· · ·
一、一个“好玩”的需求
公众号文章需要配图——不是随便找张网图凑数那种，而是能解释这段文字在说什么的配图。
网上很火的小黑配图skill就很有意思：小黑是一个黑色小豆子形象，白底、手绘、极简、有点怪诞。它会把文章里的概念"演"出来：搬运素材、拉线、卡在流程断点里、分拣信息、连接路径。亭志这段时间玩得不亦乐乎，我心痒好几天了，可不可以把小黑变成我呢？
· ·
二、第一次尝试：WorkBuddy 内置生图
WorkBuddy 自带 ImageGen，我先拿自己的照片试了一张。
结果一言难尽。画出来的人大概 25 岁，太年轻了。更根本的问题是——我不知道下一张图她会长什么样。
ImageGen 是纯文生图，每次调用都是独立的，无法传递"上一张图的人"这个信息。
这条路不通。
· · ·
三、第二次尝试：Qwen Image 2.0 Pro
我有一把 Qwen Image 2.0 Pro 的 API Key，直接调它。
3.1 再次图生图：生成 IP 形象
第一版：太年轻（25 岁）。 第二版：太老了（55 岁）。 第三版：太胖、太锋利、不够亲和。 第四版：终于可以了。
▲ Qwen Image 2.0 Pro 第四版：深蓝连衣裙、黑框眼镜、短发、银项链，终于像我这年龄段的培训师了
我顺手生成了一整套 IP 资产：
角色设定板（正面 + 配色 + 道具） 三视图（正 / 侧 / 背） 动作姿势库（讲课、指白板、思考、点赞等 6 个场景） 细节与表情拆解（发型、眼镜、服装、表情变化）
我把它沉淀为了技能版本1：lily-illustrations，以后就可以调用了。
3.2 问题来了：6 张图，6 个不同的人
我拿这套提示词去生成文章配图。同一篇文章 6 张图：
第一张像设定板里的人，第二张发型变了，第三张眼镜没了，第四张年龄又回去了……
文生图每次独立调用，没有"记忆"。 同一套文字描述，每次 Qwen 都会自由发挥，结果自然跑偏。
3.3 解决方案：head-only 锚点
问题本质是：Qwen 看了整张设定板做参考，会连"版式"一起学过去——或者干脆忽略参考图，自由发挥。
我试了几个方法，最终找到的是：
只传一张"头部特写"做参考图，同时用文字强锁定人身特征，禁止复制参考图。
从角色设定板上裁了一张干净的头部特写（脸 + 短发 + 眼镜），每张新图都用它做图生图。提示词里加了一组反污染指令：
REFERENCE: Only the face. DO NOT copy layout. Exactly ONE Lily. NO duplicates. Prompt extend: FALSE. 人物一致性终于稳住了。
· · ·
四、关键认知转变：配图不是装饰品
这个时候我还犯了一个更大的错误。
4.1 第一次做的是"信息图"
我让 AI 生成了一张"SVG→DrawingML 编译器"的说明图。思路是：把文字信息"压缩"成一张流程图，人物嵌进去讲解。
结果：人物站在画面角落，指着箭头和标签——她就是装饰。
这不是配图。这是把 PPT 做成了图片。
4.2 参考了一个思路
我让 WorkBuddy 再好好学习一下小黑配图模式：
不是信息图，不是装饰插画。IP 角色亲手执行画面里的信息逻辑——搬运、拆解、推拉、连接。
配图里的角色，应该"演"这段文字，而不是"站"在旁边解释它。
4.3 从信息图到分镜图
我把"SVG 编译器"这张图重做成了三格叙事分镜：
- 格 1
：Trainer 把"用户主题"卡片塞进机器（输入阶段） - 格 2
：Trainer 操作编译器，左边 SVG 碎片进、右边 PPT 形状出（转换阶段） - 格 3
：Trainer 举起干净的 .pptx 文件（输出阶段）
底部一行大字：「不是贴图，是每个形状都能改」
这张图的效果完全不同。人物是画面逻辑的操作者，不是导游。
从此以后，分镜模式成了默认配图方式。
· · ·
五、第三次尝试：腾讯 Miora
Qwen 生成的 Lily 形象虽然有了一致性方案，但整体风格还是偏"AI 生成感"——不是不好，是我想试试更专业的 IP 设计工具。
我用腾讯 Miora 生成了一套自己的 IP 形象照。
▲ Miora 生成的第一组 IP：米白针织开衫 + 白衬衫 + 卡其裤，细框眼镜，更贴近真实的培训师质感
▲ 三视图：正面、3/4 侧面、背面。蓝色西装、米色长裤、丝巾、平板电脑、斜挎包
▲ 六个常用动作：讲课、指板、拿平板、整理笔记、点赞、思考
▲ 表情库：五种情绪 + 发型/眼镜/服饰细节拆解
这就是 trainer-illustrations 技能包的 IP 资产。和 lily-illustrations 的区别在于：
两次迭代下来，核心方法沉淀成了 Skill 文件——IP 资产、风格 DNA、构图模式、提示词模板、QA 检查表。
· · ·
六、值不值得？
坦率地说，目前workbuddy生成的配图还是不够理想，不如亭志用codex+gpt生成的效果。一方面可能 workbuddy 还是无法写出codex那样的提示词，另一方面qwen-image-2能力还是不如gpt-image-2 。两者都是大模型的能力问题。
但我初步得到了三样东西：
第一，一致性资产。 以后每篇文章配图，不需要从零描述人物外貌。一个 head-only 锚点 + 一套锁定指令，就能让每张图里的人长得一样。
第二，分镜配图方法论。 从"把信息压进图"到"让 IP 角色演出来"，这个转变会直接影响我以后所有配图的质量。
第三，两个可复用的 Skill。 下次再做配图，不是从零开始，而是像打开一个配置好的工具箱。
最后一个问题：IP 配图到底是为了什么？
不是为了刷脸。如果你做公众号只是为了让人记住你的样子，放照片就行了。
IP 配图的价值，是让内容更容易被记住。 一个固定的角色穿梭在同一篇文章的不同段落里，帮读者在脑子里建立视觉锚点——"看到这个人，我就知道这一节在说什么。"
把经验写成 Skill，把 Skill 交给 AI。以后每篇配图，AI 都能调出一致的"脸"来。
· · ·
本文所有配图均由 Qwen Image 2.0 Pro（图生图）和腾讯 Miora（IP 资产）生成。