AI生图核心技巧：领域知识决定生成质量

从调参到拆解：一个AI内容账号的“专业判断”进阶之路

上一篇聊《女程序媛多肉》的AI内容，反响还不错。今天这篇就来聊聊，做这类账号时，遇到的那些具体问题，以及怎么系统性地解决它们。

直接说痛点。在运营这个微信公众号时，我们碰上了一批很典型的“一眼假”情况：人物看着像本人了，但朱雀检测还是标红；衣服细节精致，却像贴图一样扁平；画面很漂亮，影子却凭空消失了；背景干净得像棚拍；标题顺溜，却没有让人点进去的欲望。

一开始，我们本能地怀疑：是不是prompt不够好？是，也不是。说“是”，因为prompt就是指令，不够好当然不行。说“不是”，因为prompt背后是创作者对图像、摄影的理解。理解不到位，prompt写得再花哨，也是空中楼阁。幸运的是，现在AI能替我们去学习。但这不等于我们可以甩手掌柜。AI会犯错，好坏需要你来判断，你永远是最终决策者。让AI学习的同时，自己也得跟上，甚至最好自己先学，再给AI确定性的材料，这样才能更好地把握方向。

那《女程序媛多肉》这个账号，到底选了哪些学习方向？学了哪些具体资料？又是怎么落地到生产系统的？今天就来拆解一下。

不是直接学生图技巧

做AI生图，最容易被搜到的就两类：

1. Prompt模板：真实感关键词、摄影关键词、镜头关键词、低AI味关键词，一抓一大把。

2. 工具技巧：ComfyUI怎么用、Detail-Daemon怎么调、Flux重采样、局部重绘、放大修复、降噪参数，教程满天飞。

这些东西有用吗？有用。但如果一开始只学这些，很容易陷入“调参式努力”。图不真实？加个realistic。背景太糊？加个detail。人物不像？加个same face。（朱雀检测的）红脸？想办法加噪、压缩、重采样。

问题在于，这些动作并没有回答最根本的问题：

这张照片，到底为什么像一张真实的照片？

如果这个问题没拆清，工具越多，只会让你更快地“抽卡”而已。我们筛选资料的核心标准，是看它能不能回答下面这几个硬问题：

• 真实相机是怎么拍出这张照片的？
• 光源和阴影，能否逻辑自洽？
• 衣服为什么有体积感，而不是一张贴图？
• 头发、皮肤、表情，为什么像真实的人？
• 构图的第一眼，应该落在哪里？
• 微信发布链路，会如何影响图片质量？
• 平台推荐流，为什么需要“二跳信号”？

这些问题，能直接转化为prompt、生成流程、检查清单和复盘依据。这才是我们真正需要的资料。

学相机知识

第一个学习方向，是摄影和相机链路。为什么先学这个？因为项目里最常见的一类废图，是看起来像“高清AI渲染图”，而不是手机随手拍。

这类图的特点很明显：脸很清楚，衣服很清楚，背景也很清楚。没有焦点差异，没有压缩损失，没有白平衡偏差，没有手机广角带来的轻微透视。整张图就是一个无损大图。看看你自己生成的AI图，是不是也这样？这就是“一眼假”的典型特征。

《女程序媛多肉》需要的是微信生态里的生活照片：出租屋门口、公司电梯、园区路上、工位附近，朋友或自己随手拍到的一瞬间。所以我们去学习了数字摄影、手机成像、文件链路和微信图片发布约束。

这些资料，最终被转化成一个非常具体的工具：相机事件卡。生成之前，必须回答这些问题：

• 谁来拍？
• 手机高度是胸口、腰部、桌面，还是自拍？
• 人物和相机距离大概多远？
• 焦点落在脸上、衣服上、手上、鞋上，还是背景上？
• 哪些地方应该锐，哪些地方允许糊？
• 暗部噪声和压缩损失，应该出现在哪里？
• 微信发布链路，会不会削弱细发丝、背景细线和暗部细节？

这一步改掉了我们之前一个很大的坏习惯：不再在prompt里只写一句“真实手机照”。因为“真实手机照”这句话太空了。现在，我们会写一个摄影事件，比如：

朋友在出租屋门口，用手机在胸口高度拍摄。手机距离多肉约1.5-2米，轻微广角透视。焦点落在白T、卡其裙和袜鞋这一组穿搭上。脸部因为低头和发丝遮挡，不作为最锐利区域。背景的衣架和门口鞋子，低对比、略糊。暗部角落有轻微的压缩损失。

这就是学习相机知识后的实际应用。它让模型知道，这张图到底是怎么被拍到的。

学光影知识

第二个学习方向是光影。我们遇到过很多图，人物和衣服都不错，但就是没有可靠的影子。鞋像浮在地面上，裙摆没有遮挡暗部，包带压在衣服上却没有投影，头发贴着脸但脸侧没有暗部。真实照片绝对不可能是这样的。这样的图，用户还是会觉得“一眼假”。

这时候，如果只是在prompt里加一句“有真实影子”，是没用的。问题不是少了影子，而是整张图没有光源几何。AI帮你加了影子，但影子是错的。

所以我们去学习了PBRT里的area lights，理解了为什么大面积光源会产生更软的阴影和半影；学习了National Gallery、Met等资料里对明暗、体积和投影的解释；也看了Kee、O'Brien、Farid关于用shading和shadows暴露照片篡改的研究。这些资料最终变成了一份光源-阴影几何施工图。生成前必须回答：

• 主光是什么？门口弱日光、窗光、顶灯，还是混合光？
• 光源是大面积软光，还是小面积硬光？
• 主光方向大概从哪里到哪里？
• 鞋底、裙摆、袜口、包带、头发贴脸处的暗部，能不能共同支持同一个光源？
• 哪些阴影解释不通时，要直接熔断，重新生成？

这里有一个关键转变：以前我们把影子当装饰，现在我们把影子当空间证据。鞋底接触阴影，证明人站在地面上；裙摆遮腿的暗部，证明裙子有厚度；口袋盖下方的短投影，证明口袋不是印上去的；包带压住衣服的暗部，证明包和身体在同一个空间里。这套知识，接着进入了我们的生成后检查清单（门禁）。生成后不再问“有没有影子”，而是问：这些暗部能不能反推同一个光源？如果不能，直接判定失败。

学绘画和材质知识

第三个学习方向是绘画里的明暗塑形、服装材质和布料受力。这也是我们做穿搭图时遇到的高频问题。AI很容易把衣服画成一层好看的“纹理”。白T没有真实褶皱，卡其裙口袋像印上去的，袜口没有压痕，鞋底没有接触暗部，黑鞋像塑料玩具。这样的照片被用户看到，依然是“一眼假”。

所以我们去学习了cloth/wrinkles、contact shadows、Met关于tone、chiaroscuro和投影如何建立体积的资料。目标不是变成画家，而是把“衣服是真的”拆解成可观察、可检查的项。我们接着做了一个服装材质和受力施工图。生成前必须明确：

• 上衣的褶皱，来自肩袖、胸口、腰侧还是衣摆？
• 下衣的腰头、口袋盖、侧缝、裙摆，有没有厚度和短投影？
• 袜口有没有卷边、堆叠、压小腿的暗部？
• 鞋底有没有压在地面上？
• 鞋面有没有符合材质的窄高光、磨损或灰尘？
• 哪些材质的微缺陷可以保留，哪些不能用来掩盖结构错误？

这个施工图解决了一个非常实际的问题：不要让Agent用“wrinkled cotton”“scuffed shoe”这种孤立词来抽图。因为孤立词只会增加纹理，不一定增加结构。真实衣服不是纹理。布料会被身体、动作、重力和接触点约束。这就是为什么我们后来要求Agent解释每条皱褶、每个口袋盖、每处袜鞋接触，为什么存在。解释不通，就不生成。

学头发、皮肤和表情

第四个学习方向是人物自然度。我们见过太多AI图像，脸很完美，但太完美本身就是一种假。这个方向，就是为了避免AI把脸做得过于“漂亮”。很多AI图最大的问题，是人物真实度层级的错配：背景是出租屋，衣服有压缩损失，墙面有局部过曝，但脸像精修头像，头发像广告假发，表情像标准营业微笑。这种图会让人感觉非常“怪”。

所以我们去看了几个方向的资料：

• Kee和Farid关于过度修图如何破坏照片可信度的研究。
• CG faces和uncanny realism相关研究，理解脸、头发、身体和环境真实度错配为什么会产生不适感。
• Marschner的human hair scattering模型，理解真实头发不是一整块假发壳，而是发束、亮暗面、遮挡和边缘损失的集合。
• Debevec、人脸反射和skin subsurface相关研究，理解皮肤不是均匀的美白纹理，而是几何、次表面散射、局部油脂高光、阴影和白平衡共同作用的结果。
• FACS（面部动作编码系统）和表情动作单元，理解“自然表情”不能只写“自然微笑”，而要拆成视线、头部姿态、嘴角状态和动作阶段。

这些资料转成了头发-皮肤-表情自然度施工图。生成前必须回答：

• 脸、头发、衣服、背景，是否处于同一手机抓拍的真实度层级？
• 头发有没有发束分组、亮暗面、贴脸遮挡暗部和边缘损失？
• 皮肤有没有鼻侧、眼下、下巴、发际线的暗部和局部色差？
• 表情是否服务于当前的动作？如果她正在低头找门卡，为什么还要直视镜头“营业笑”？

这一步对我们影响很大。以前看到一张图，会本能地选更漂亮的脸。现在会先问：这个脸是不是太像头像精修？它和出租屋的环境，是不是同一个真实度层级？这就是专业知识带来的判断力变化。

学真实照片反向拆解

只学理论还不够。我们后来专门加了一个真实照片反向拆解协议。原因也很简单：很多人说“要像实拍”，但脑子里并没有真实照片的具体结构。所以，我们要求在生成展示照之前，先拆解一张真实的手机照片或朋友圈照片。拆什么？不是抄真人脸，也不是抄具体房间，更不能把别人的隐私场景变成自己的长期资产。我们只抽象这些结构：

• 文件链路：原图、微信转存、截图还是压缩图？
• 相机高度：胸口、腰部、桌面、朋友手持还是自拍？
• 透视特征：普通手机广角、长焦压缩还是近距离变形？
• 焦点位置：脸、衣服、手、鞋还是背景？
• 清晰度分布：哪些区域锐，哪些区域糊？
• 光影结构：主光、反光、暗部、过曝、白平衡是如何协作的？
• 构图重心：第一眼落点、第二眼落点、背景层次。
• 人物状态：表情、眼神、动作，是抓拍还是摆拍？
• 衣服材质：褶皱、口袋、接触阴影、反光。
• 一眼真的信号和一眼假的风险。

拆完后，再抽象成生成指令。比如：“朋友在出租屋门口，用手机在胸口高度拍摄，距离1.5-2米。焦点落在白T、卡其裙和袜鞋，脸部略低头，不是最锐区域。门口侧光与室内顶灯混合。人物略偏右侧，左侧保留门口鞋和衣架，边缘有裁切。”这一步的价值，是把“真实感”从一种模糊的感觉，变成一个明确的摄影事件。只要摄影事件成立，即使衣服、场景、动作全换了，最终生成的图，也会更接近一张真实的拍摄图。

怎么落到系统里

这些资料，如果只停留在笔记里，就没有任何意义。我们把它们落到了四个层级中。

第一层：Source Dossier（资料档案）

它记录我们学了什么、依据来自哪里、为什么这条资料能约束生图。这里有一个准入标准：不能转成“生成前问题”或“失败判据”的资料，暂时不进入生产规则。

第二层：Rule Cards（规则卡片）

把资料转化成生成前必须填写的卡片。比如：相机事件卡、曝光和光源卡、明暗塑形卡、构图和视觉组织卡、人物真实度卡、生活事件卡、朱雀检测前的肉眼反证卡。

第三层：Practice Drills（实践训练）

这一步很关键。我们要求Agent在真正生成之前，先做几个训练动作：相机事件草图、三值明暗拆解、接触阴影枚举、构图显著性路径、服装受力图、头发/皮肤/表情状态、人体支撑图、以及“一眼假”的预测。目标不是让Agent画出漂亮的草图，而是证明它理解了这张照片，为什么像一张真实的实拍照。

第四层：Generation Packet & Gates（生成包与门禁）

最终，所有判断都进入一个generation-packet.md文件和相关门禁。生成前，先写清楚目标、摄影事件、光影施工图、服装受力、人物自然度和失败熔断条件。生成后，再逐项检查，不能允许生产Agent自己说自己通过了。

这就是我们最终的应用方式。不是“我学了摄影，所以我会写更漂亮的prompt。” 而是“我把摄影、绘图、光影、材质、平台这些知识，拆解成了Agent必须执行，门禁必须检查的流程。” 这才是真正意义上的Agent Native工程化。

结语

现在越来越清晰的一点是：AI时代，很多问题最终都会回到同一个核心——

你是不是真的懂这个领域？

不懂领域的人，会把AI当成一个按钮。懂领域的人，会把AI当成一个执行器。这两个概念，区别很大。

按钮的逻辑是：我按一下，它给我一个结果。执行器的逻辑是：我知道这个任务应该怎么拆，我知道每一步怎么检查，我知道哪些地方会失败，我把这些判断，交给AI去执行。

做AI图是这样，写代码也是这样。你不懂工程，AI写出代码你也不知道哪里危险；你不懂架构，AI生成一堆文件你也不知道边界是否合理；你不懂测试，AI说通过了，你也不知道有没有证据。

所以，我不太相信“AI让外行躺赢”这个说法。AI会降低执行成本，但不会取消专业判断。它甚至会让专业判断变得更值钱。因为当所有人都能调用模型时，差距就不再是“谁会不会生成”，而是谁能判断生成的结果能不能用，以及谁能把这种判断，固化成可执行的流程。

来源：互联网