当模型画“宋式审美”时，它到底还不会什么
作者通过一系列图像生成测试，探讨模型在创作“宋式审美”图像时的能力边界。测试涵盖材质、设色、线条、线框约束、人物叙事、知识封面与产品海报。结论是：模型能生成细线、青绿设色、留白与传统符号，但无法稳定让局部服从复合判断——线条说明形体、颜色附着结构、留白构成空间、主景回应内容。模型适合受约束的探索，人则应转向建立判断系统与排序约束。方法上应先问内容再问画风，用真实命题评估而非孤立美图。
相关文档
拆解 Qwen-Image 官方「智能改写」：我把生图和改图经验总结成了一个 Skill
作者在测试 Qwen-Image 2.1 时发现，生图和改图效果不佳的主要原因是创作意图未被准确传递给模型，如负面文字被印进海报、改姿势只换了衣服等。作者将经验整理成 qwen-image-gen Skill 并提交开源：区分文生图、局部编辑和参考人物创作；将人物动作、接触关系、镜头和画面文字写成模型可执行的描述；落实比例决策并检查返回图片真实像素；将质量反馈带回下一版。四组对照实验显示三组改善、一组失败，证明提示词改写有价值但非几何纠错器。
提示词不用写得专业，要写到你自己能读懂
作者以AI生图的窗边咖啡馆人像提示词为例，讲解如何整理AI生成的冗长提示词。核心方法是：删流程、合重复、换实景、测删除。要点包括：去掉分栏小标题后整体通读，合并重复表达同一意思的形容词；把'不要杂乱'等否定句改写为具体的正面画面描述；将'高级感、电影感'等笼统大词拆解为具体的光线、配色和构图要求；一次只删一句，对照出图验证效果，但不要为了精简丢掉关键的安排。最终目标是写出自己能读懂、出了问题知道从哪句下手的提示词。
GPT Image 2.5 提示词写作指南
本文整理了 OpenAI 官方 GPT Image 2.5 提示词写作指南的八条核心原则：先定义结果、选易维护格式、描述可见细节、写清人物动作、精确文字加引号、分开要改与要保持的内容、给参考图编号、有意识迭代。同时介绍了模型与参数（quality、size、background）的选择建议，并结合人像摄影与自然景物两类示例，给出中文提示词模板和实操要点，帮助用户写出可控、可迭代的图像生成提示词。
GPT Image 2.5 使用指南：从 2.0 提示词迁移，到 Flare / Sunburst 工作流
本文详细介绍了 OpenAI GPT Image 2.5 相比 2.0 的核心升级：参考图主体保持更强、局部编辑更准、多轮修改不易漂移、延迟降低约 50%。作者提出 2.5 的提示词应从"描述+重复+防错"的长写法转向"状态管理"思维，通过 Preserve/Change 结构和 Delta Edit 小步修改，用 Mother Image（母版图）建立基础状态后逐步迭代。文章还对比了 API 中的 Flare（快速生产、批量探索）与 Sunburst（高精度精修、复杂编辑）两个型号的定位，并给出 Flare 探索+Sunburst 精修的合理工作流建议。
OpenAI 官方 GPT Image 2.5 提示词指南深度拆解
本文深度拆解 OpenAI 官方发布的 GPT Image 2.5 图像提示词指南。文章介绍了 Flare 与 Sunburst 双模型的选型逻辑与 API 参数解耦设计，系统梳理了官方首次披露的 8 大提示词工程法则，包括规格化定义结果、用具体细节取代情绪空话、精确文本排版用双引号、编辑时分离改动与约束、多图参考角色分配、单步渐进迭代等。并配以胶片人像、商业广告排版、透明 Logo、四格条漫、移动端 UI 原型、科学信息图、YC 路演页等 8 大商业级实战案例与完整提示词模版，指出 AI 图像生成已进入工程化规格说明时代。
动漫 Prompt 系列15：同一个人物，换 5 种光影就是 5 条故事线
文章讲解如何用光影控制动漫 AI 绘图的叙事情绪，给出黄昏、蓝调、雨夜、阳光、逆光 5 套完整的 Prompt 组合模板。作者强调光影应是写 Prompt 前最先决定的叙事底色，而非最后随手补充的词。每种风格附有核心关键词组合（如 golden hour + warm sunset light + long shadows）、适用剧情场景和进阶调整技巧，帮助同一人物场景呈现出青春、孤独、悬疑、治愈、史诗等不同故事线。
万能GPT Image 2超美AI角色图提示词框架
作者分享了研究多年的万能AI角色图提示词框架，解决AI绘图中提示词匮乏和参数繁琐的痛点。用户只需输入一句话人物描述，框架即可自动提取关键信息、推断缺失参数、生成配色方案、套用固定模块，输出包含渲染标签、光影系统、画面结构、角色设定、服化道细节、负面提示词的完整生图提示词。框架内置性别与身份服饰适配表和多种风格映射表（3D次世代、2D日系、水墨国风等），支持豆包、即梦等工具使用。
AIGC 冷知识：更长的提示词，准确率反而更低
文章探讨了提示词工程中的一个常见误区：提示词越长，生成结果不一定越准确。当提示词同时包含过多人物属性、颜色、物体数量和空间关系时，模型可能生成看起来不错却悄悄偏离关键要求的图片。文中通过长提示词与精简提示词加分步编辑的对比实验说明，约束越多，属性串位、关系混乱和细节遗漏的概率越高。DetailMaster 研究证实，随提示词长度增加，文生图模型在人物属性、位置和实体关系上的准确率一致下降。作者建议不要把提示词写成一次性需求文档，而应先用短提示词锁定主体和构图，再通过局部编辑逐层增加细节，每轮只修改一类变量。
我做了一支skills军队：56 位士兵，一个将军
作者介绍了其 XXD Panel 系统：56 个各自独立、各守一套审美的“士兵”Skill，配合负责推荐、点将、试稿和批量派发的“将军”Skill（xxd-panel-all），解决风格多样后如何选择、批量制作如何提效的问题。每位士兵保留独立原始提示词，互不混血，支持上下、左右、纯设计、壁纸包四种交付模式和批量目录处理。文章详述了 56 位士兵的风格特长分组、适用人群、质量控制逻辑及入门方式。
BLACKGLASS ASCENDANT：图像生成提示词系统
本文介绍了一套名为“BLACKGLASS ASCENDANT”的图像生成提示词系统，用于GPT Image Gen V2或Nano Banana Pro。该系统通过三个子系统（Ascendant Frame、Blackglass Lattice、Silverfall Halo）来构建具有视觉冲击力的图像，强调主体支配、材质细节和光影控制。文章详细规定了提示词的生成规则，包括主题确定、表面处理、光照逻辑、色彩方案等，并针对GPT和Nano分别给出了输出格式要求。
完美逆向文生图提示词的方法找到了
文章介绍了一种利用 Codex 创建两个子智能体（逆向提示词智能体 A 和监督智能体 B）的方法，通过 A 生成提示词、B 生图并对比找差异的循环迭代机制，将任意图片精准逆向为可复用的文生图提示词。实验表明，通过 3 轮迭代，成功将风格描述升级为版式锁定和视觉重心的精确约束，实现了 95 分的高保真复刻。
GPT Image 2 深度应用：个人气质分析与穿搭推荐系统实战
本文详细介绍了作者基于 GPT Image 2 开发的一套个人气质分析与穿搭推荐系统。文章重点分享了四套不同风格的 Prompt 提示词设计方案（基础款、环形款、低沉浸版、沉浸版），阐述了如何通过 AI 分析用户气质并生成 9:16 比例的高级时尚海报。内容涵盖核心逻辑、视觉结构设计、人物一致性约束及互动引导技巧，旨在帮助开发者挖掘 AI 在时尚视觉生成领域的潜力。
