文章介绍了如何解决 AI 做图风格不统一的问题：将视觉风格沉淀为一份 visual-rules.md 规则文件，作为唯一规则源（Single Source of Truth）。作者详细讲解了如何从视觉资产中反推出包含品牌识别、颜色、字体、版式、图形元素等九大类的 Visual Rules，并演示如何将同一份规则分别应用于 ChatGPT（直接读取执行）、Skill（封装为长期能力和执行流程）和 Figma（映射为 Variables、Styles、Components 和 Templates）。当视觉体系需要更新时，只需修改源文件再同步到各工具端，避免在多个工具中分别维护规则，实现跨工具一致的视觉输出。
文章介绍如何用 AI 从 0 搭建一套个人视觉体系，帮助内容创作者形成统一、可复用的视觉资产。作者提出按「头像 → Banner → 个人配图规则 → 个人介绍卡片」四步搭建，核心在于「继承」而非独立设计：前一步的输出（如 Style DNA、头像）作为下一步的输入。文章还从读者视角分析了四种视觉资产在「看到配图 → 阅读内容 → 认识作者 → 关注作者」路径中的作用，强调搭建的最终产出不是几张图片，而是整套视觉资产与视觉规则，实现一次搭建、长期复用，沉淀个人 IP。
本文是「搭建个人视觉体系」系列教程第2篇，讲解如何将头像和Style DNA延展为个人社交媒体Banner。作者首先介绍了六种Banner类型：个人定位型、IP人物型、视觉风格型、作品展示型、真人照片型和极简符号型，并给出选择方法。随后说明Banner信息的三层结构（我是谁、做什么、什么风格），强调不要堆砌信息。教程核心是复用头像的Style DNA，通过AI生成设计提案再产出最终Banner，并注意各平台的尺寸比例和安全区域。最后建议做主页测试，检查视觉一致性、3秒可懂度和信息是否过满，形成统一的个人视觉IP。
作者分享了自制的 Claude Skill「Visual Style DNA Replicator」，用于解决生成式图像复刻中风格结构不稳定的问题。核心思路是把参考图从模板转化为样本，通过区分风格规则与画面内容，提取主体比例、留白、构图、色彩、光影、文字、材质等视觉变量，形成结构化的 Style DNA JSON。文章通过古典版画、手绘插画、单色儿童摄影、剪影海报、巨型字体产品图、IP 角色档案六个案例演示了如何替换主体而保持系列一致性，并介绍了 Skill 的文件结构与适用场景，如品牌海报、电商视觉、IP 设定等。
