我如何让个人 IP 进入文章配图：从角色资产到一致性生成

最近我把一个橙色卫衣、圆框眼镜的 3D 男孩形象，做成了可以进入文章叙事的个人 IP。

它不是每次生图时随机出现的“头像”，也不是把原照片统一套一层滤镜，而是让同一个角色在不同文章里承担不同的动作：他可以操作内容加工机器、面对一团被放大的焦虑，也可以把一次经历交给 AI 复盘，最后沉淀成一个 Skill。

这件事真正难的地方，不是“能不能生成一张好看的图”，而是三个问题：

1. AI 能不能持续认出“这是同一个人”；
2. 角色能不能服务文章的核心观点，而不是只站在画面里摆姿势；
3. 服装、标识和画面风格能不能稳定保留。

这篇文章记录我是怎么把这三个问题拆开解决的。

核心结论

个人 IP 自动配图的核心，不是把一张照片直接交给 AI 修图，而是把“角色身份”和“文章场景”分离：参考图负责回答“他是谁”，文章负责回答“他此刻在做什么”。

一、先区分三种完全不同的图片角色

最开始我也把这三件事混在了一起，结果生成出来的图很难看。后来才发现，提示词里必须明确每张图片的角色。

1. 身份参考图：回答“他是谁”

我最终采用的身份参考，是一张已经验证过效果的成功样片：

• 棕色、蓬松的卷发；
• 大的圆框棕色眼镜；
• 温暖的 3D 卡通比例；
• 橙色卫衣；
• 胸前有深色几何徽记；
• 整体是柔和、干净、偏编辑插画的质感。

这张图的作用是锁定角色身份和渲染语言。它不负责告诉 AI 下一张图里应该出现什么机器、什么文件夹或什么场景。

2. 场景请求：回答“他在做什么”

文章内容决定场景。

比如文章在复盘去司法局阅卷时的焦虑，我没有要求 AI “把原图改成焦虑风格”，而是把文章拆成几个认知锚点：

• 未知的信息会被想象成巨大的威胁；
• “顺利/不顺利”的标签，不等于事实本身；
• 想象中的复杂流程，可能只是一个简单的文件整理过程；
• 录音、AI 深度复盘和 Skill，可以形成一个持续反馈的闭环。

每个锚点对应一张图，每张图只表达一个清晰关系。

3. 编辑目标：回答“只改已有图的哪一处”

后来我又提出了一个具体要求：衣服上必须有“苏苏”。这时就不能重新生成一张全新的场景，而应该把已经满意的图片作为编辑目标，并明确告诉模型：

只在橙色卫衣胸前徽记下方加入“苏苏”，其他内容保持不变。

这三个角色一旦混淆，模型就会把身份参考图里的内容机器、姿势或构图也一起复制，或者为了追求新场景把人物的发型、眼镜和衣服改掉。

二、这次实际采用的工作流

整个流程可以压缩成一条管线：

flowchart LR
  A[身份参考图] --> B[固定角色不变量]
  B --> C[读取文章并提取认知锚点]
  C --> D[为每个锚点设计一个场景]
  D --> E[逐张生成 16:9 插图]
  E --> F[视觉检查角色与构图]
  F --> G[局部编辑加入“苏苏”]
  G --> H[保存最终版本并保留旧版本]

第一步：先把角色当作资产，而不是一句形容词

如果每次只写“一个可爱的男孩”，模型会自由发挥。要获得相对稳定的角色，至少要把下面几类信息固定下来：

维度	本次固定内容
脸部识别	棕色蓬松卷发、圆框棕色眼镜、温和的少年感
服装	橙色卫衣、深色几何胸前徽记
署名标识	徽记下方加入清晰的“苏苏”
画面语言	温暖 3D、干净白底、柔和阴影、编辑插画质感
输出比例	16:9 横向，适合文章正文

其中，“苏苏”不是一次性的文字要求，而是角色资产的一部分。只要角色出现在画面里，它就应该成为一个可检查的不变量。

第二步：为文章制作认知锚点，而不是复述文章段落

文章里有很多句子，但不可能把所有句子都画出来。比较有效的做法，是问自己：

如果读者只看这一张图，他应该立刻理解哪一个关系？

这次的四张图分别对应：

1. 未知 → 被大脑放大成威胁：男孩拉着一根红线，线的另一端连接着写有“未知”的文件夹，后面投射出巨大的怪物影子。
2. 标签 → 事实：男孩分别举起“顺利”和“不顺利”的圆牌，中间的文件夹只写“事实”，表达先把标签与事实分开。
3. 担忧 → 整理：左侧是一团纠缠的红线，右侧则是归档好的文件夹和证据材料，表达现实流程往往比想象简单。
4. 录音 → AI 复盘 → Skill：同一个男孩沿着一条连续路径出现三次，把口述经历交给 AI 分析，再沉淀成“焦虑应对”的能力卡片。

这种拆法有一个好处：画面不会变成文章截图，也不会堆满解释性文字；角色的动作本身就是观点。

第三步：给模型明确标注参考图的用途

生成阶段，我会在提示词里直接写清楚：

Attached image role: identity and rendering reference only.
Use it to preserve the same character identity:
tousled chestnut-brown hair, large round brown glasses,
orange sweatshirt, dark geometric chest emblem.
Do not copy the reference image's props, text, or composition.

这句话非常重要。它告诉模型：参考图只负责“角色是谁”，不是要求它复刻参考图里的内容机器或动作。

然后再补充场景变量，例如：

Scene: the same character is separating a neutral fact folder
from two emotional labels, “顺利” and “不顺利”.
Keep one clear visual relationship and generous white space.

这样，角色约束和文章内容约束就分开了。

三、为什么第一次生成会失败

我第一次尝试时犯了两个错误。

错误一：把身份参考图当成了待编辑原图

我把原先的浴室自拍图直接当成编辑目标，要求模型保留自拍语义，再套用另一套“小黑”线稿风格。结果是人物既没有保持原来的 3D 质感，也没有真正进入文章叙事，只得到了一张风格混杂的图。

后来我把任务改成：

• 旧照片只提供身份线索；
• 成功样片负责提供角色和渲染参考；
• 每一张文章配图重新设计场景。

画面质量马上稳定了很多。

错误二：调用了错误的角色资产

在文章配图流程里，系统当时解析到的角色包是“灰色外套、工装短裤”的另一版形象，而我真正想要的是橙色卫衣、圆框眼镜的男孩。

这说明“角色已经注册”并不等于“当前角色就是我脑中想的那个角色”。执行前还需要核对：

1. 当前角色清单指向谁；
2. 角色参考图是不是用户认可的那一张；
3. 服装和标识是否已经写进角色不变量；
4. 如果注册资产和用户指定样片冲突，应该以用户最新确认的样片为准。

这次我没有覆盖旧版本，而是把正确形象重新生成到独立目录，方便比较和回退。

四、衣服上的“苏苏”为什么要单独做一轮编辑

直接要求模型在复杂场景里生成大量准确文字，成功率并不稳定。尤其当画面里已经有“录音”“AI复盘”“焦虑应对”“认知”“情绪”等文字时，再要求它同时准确生成服装标识，容易造成文字互相污染。

所以我采用了两阶段策略：

阶段一：先把角色和文章场景画对

先只关注：

• 人物是否是同一个人；
• 文章认知锚点是否表达清楚；
• 构图是否适合正文；
• 场景中已有的文字是否足够少。

阶段二：把“苏苏”作为局部编辑

编辑提示词只允许一项变化：

The attached image is the edit target.
Make exactly one visual change: add the exact Chinese characters “苏苏”
below the existing chest emblem on the orange sweatshirt.
Preserve the face, hair, glasses, pose, props, background, lighting,
composition, and all existing labels.

第四张图里有三个同一角色的出现，所以还要额外写明：每一个可见的角色都必须带同样的“苏苏”标识。否则模型很可能只给其中一个角色加字。

最终带署名的四张图保存在：

.punk-ip-assets/illustrations/judicial-review-anxiety-orange-ip-susu/

每张图都是 1672×941 的 PNG。原来的无字版本和旧的灰色外套版本都保留，没有直接覆盖。

五、实现中各个工具分别负责什么

这套流程不是一个 Skill 包办所有事情，而是几个层次协作：

层次	负责的问题	本次作用
个人 IP 配图 Skill	如何管理角色、拆文章、列认知锚点	组织“角色资产 → 文章场景”的工作流
imagegen	如何生成或编辑位图	逐张生成插图，并对服装标识做局部编辑
角色参考图	角色长什么样	锁定发型、眼镜、卫衣和整体质感
Obsidian 文章	需要表达什么	提供焦虑复盘的事实、认知和行动结构
人工检查	结果是否真的符合预期	检查角色漂移、文字错误、构图和尺寸

这也解释了为什么“文章配图 Skill”不是简单的修图工具。它更像一个内容编排层：先理解文章，再决定人物应该在画面里做什么，最后才把任务交给图像模型。

六、如果要把它做成真正可复用的 Skill

这次已经跑通了单篇文章，但要让它长期稳定使用，还需要把经验固化成四类文件：

character.json                 # 角色不变量与版本信息
character-reference-clean.png  # 干净的身份参考图
article-workflow.md            # 文章拆解与 shot list 规则
illustration-style.md          # 画面比例、材质、留白和风格规则

每次调用时，Skill 可以按下面的顺序工作：

1. 读取当前确认的角色版本；
2. 检查角色参考图和服装标识；
3. 阅读文章，提取 3—6 个认知锚点；
4. 判断文章适合“核心动作图”还是“流程拆解图”；
5. 为每个锚点生成一条独立 prompt；
6. 使用同一角色参考逐张生成；
7. 自动检查尺寸、文件数量和文件命名；
8. 对需要准确文字的地方单独做局部编辑；
9. 保留原图、生成图和最终修订版，避免不可逆覆盖。

真正稳定的关键，是把“角色不变量”和“每篇文章的场景变量”写成两个不同的数据结构。角色不变量不能随着文章变化，场景变量则必须随着文章变化。

七、这套方法的边界

它并不能保证模型百分之百复制同一张脸，也不能保证一次生成就得到准确的中文文字。更现实的目标是：

• 让角色的关键识别特征保持稳定；
• 让服装和署名成为可检查的固定符号；
• 让每张图只承担一个认知任务；
• 让错误可以通过局部编辑修正，而不是整套推倒重来。

如果画面里需要大段正文、表格或复杂流程，最好把图像模型负责的内容限制在“人物、道具和关系”，文字排版交给 Markdown、HTML 或后期设计工具。图像模型适合制造视觉关系，不适合承担整篇文章的排版工作。

相关概念

• 文章配图（2026.08.10）：把文章内容转化为正文视觉表达的内容生产环节。
• AI创作工作流（2026.08.09）：个人 IP 配图在 AI 内容生产闭环中的视觉实现。
• Skill（AI技能）（2026.08.10）：把角色管理、文章拆解和图像生成规则封装成可复用能力。
• Prompt（提示词）（2026.08.08）：把身份不变量、场景变量和编辑边界写成可执行指令。

结语：不是让 AI 记住我，而是让系统知道什么不能变

这次实践让我觉得，个人 IP 配图的核心并不是“让 AI 记住苏苏长什么样”，而是把“苏苏是谁”拆成一组可验证的约束：棕色卷发、圆框眼镜、橙色卫衣、胸前徽记，以及徽记下方的“苏苏”。

文章再提供另一组变量：这一次要表达未知、事实、现实流程，还是复盘闭环。

当这两组变量被分开之后，角色就不再是贴在文章外面的装饰，而是可以真正参与文章思考的叙事角色。