上一篇写《女程序媛多肉》的 AI 小绿书，反馈还不错。 今天我想继续针对领域专业知识，具体展开讲讲。 我在做《女程序媛多肉》这个微信公众号账号时，真的遇到过一批很具体的问题：人物肉眼看着像了，但朱雀检测标红；衣服看起来很精致，但像贴在身体表面；人物图很漂亮，但没有影子；背景很干净，但一眼像棚拍；标题很顺，但没有任何二跳信号。
一开始我也会本能地想：是不是 prompt 不够好？ 是，也不是。 说是，是因为最终出图的就是提示词，它确实不够好；说不是，是因为提示词来源于创作者本人，创作者对图像、摄影的理解水平就到这了，已经无法更好了。 幸运的是，现在我们可以让我们的 AI 代替我们去学习，让它学会就好了。 但这并不等于我们人类就可以完全不懂，记住 AI 也会出错，AI 给你的结果好不好需要你来判断，你永远是最终决策者，让 AI 学习之后，你自己也一定要跟 AI 协作，自己补充这些知识。 当然，最好是自己先学习，再去让 AI 学习，给它确定性的材料，你才能更好的把关。
这一篇就我们讲讲，《女程序媛多肉》这个微信公众号账号选了哪些学习方向，具体学了哪些资料，又是怎么落到生产系统里的。
不是直接学生图技巧
做 AI 生图，最容易搜到的是两类内容。
- prompt 模板。比如真实感关键词、摄影关键词、镜头关键词、低 AI 味关键词。
- 工具技巧。比如 ComfyUI、Detail-Daemon、Flux 重采样、局部重绘、放大修复、降噪参数。
这些东西有没有用？ 有用。 但如果一开始只学这些，很容易变成"调参式努力"。图不真实，就加 realistic；背景太糊，就加 detail；人物不像，就加 same face；朱雀红了，就想办法加噪、压缩、重采样。
问题是，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真实照片？ 如果这个问题没拆清楚，工具越多，只会让你更快地抽卡。 我们选下来的资料，基本围绕几个硬问题：
- 真实相机是怎么拍到这张照片的？
- 光源和阴影是否能闭合？
- 衣服为什么有体积，而不是贴图？
- 头发、皮肤、表情为什么像真实人？
- 构图第一眼应该看哪里？
- 微信发布链路会怎么影响图片？
- 平台推荐流为什么需要二跳信号？
这些问题能直接进入 prompt、generation packet、门禁和复盘。 这才是我们要的资料。
学相机知识
第一个学习方向是摄影和相机链路。我们为什么先学这个？因为项目里最常见的一类失败图，是看起来像"高清 AI 渲染图"，不像手机随手拍。 这类图的特点通常是，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关系。整张图像一个无损大图。 怎么样，你用 AI 生成的图是不是也这样，这就是所谓的一眼假。 《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。 这些资料转成了一个很具体的卡片：相机事件卡。 生成前必须回答：
- 谁在拍？
- 手机高度是多少？
- 人和相机距离大概多远？
- 是胸口高度、腰部高度，还是桌面定时拍？
- 焦点落在脸、衣服、手、鞋，还是背景？
- 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 prompt 中只写"真实手机照"，因为"真实手机照"太空。
现在我们会写摄影事件，比如： 朋友在出租屋门口胸口高度拍摄，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，脸因为低头和发丝遮挡不作为最锐利区域。背景衣架和门口鞋子低对比、略糊，暗部角落有轻微压缩损失。
这就是学习相机资料后的实际应用，它更能让模型知道这张图是怎么被拍到的。
学光影知识
第二个学习方向是光影。我们遇到过很多图，人物和衣服都还行，但没有任何可靠影子。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，头发贴脸但脸侧没有暗部。 真实的照片一定不是这样的，这样的图仍然会被用户认为一眼假。
这时候如果只是 prompt 加一句"有真实影子"，没什么用。 因为问题不是少了影子，而是整张图没有光源几何，AI 帮你加了影子，但影子是错的。
所以我们去学了 PBRT 里的 area lights，学大面积光源为什么会产生更软的阴影和半影；学 National Gallery、Met 这些资料里对明暗、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。 最后这些资料变成了光源-阴影几何施工图。 生成前必须回答：
- 主光是门口弱日光、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？
这里有一个关键转变，以前我们把影子当装饰，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。裙摆遮腿暗部证明裙子有厚度。口袋盖下方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。
这样的照片被观众看到，仍然是一眼假。 所以我们去学了 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"拆成可观察项。
我们接着做了一个服装材质和受力施工图。
生成前必须写：
- 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？
- 鞋底有没有压地面？
- 鞋面有没有符合材质的窄高光、磨损或灰尘？
- 哪些材质微缺陷可以保留，哪些不能用来掩盖结构错误？
这个施工图解决的是一个非常实际的问题，不要让 Agent 用"wrinkled cotton""scuffed shoe"这种孤立词抽图，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，就不要生成。
学头发、皮肤和表情
第四个学习方向是人物自然度，我们见过太多的 AI 图像脸很完美，但太完美本身就是一种假。 这个方向是为了避免 AI 把脸做得太漂亮。 很多 AI 图最大的问题，是人物真实度层级错配。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。 这张图会很怪。
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。
- CG faces 和 uncanny realism 相关资料，理解脸、头发、身体和环境真实度错配为什么会不舒服。
- Marschner 的 human hair scattering，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。
- Debevec、人脸反射和 skin subsurface 相关资料，理解皮肤不是均匀美白纹理，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。
- FACS 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、背景是否处在同一手机抓拍真实度层级？
- 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、发际线暗部和局部色差？
- 表情是否服务当前动作？
- 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"像实拍"，但脑子里并没有真实照片的结构。 所以我们要求展示照生成前，尽量先拆一张真实手机照片或真实朋友圈照片。
拆什么？ 不是抄真人脸，也不是抄具体房间，更不能把隐私场景变成长期资产。 我们只抽象这些：
- 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：哪些锐，哪些糊。
- 主光、反光、暗部、过曝、白平衡。
- 构图重心：第一眼、第二眼、背景层级。
- 人物状态：表情、眼神、动作、是不是摆拍。
- 衣服材质：褶皱、口袋、接触阴影、反光。
- 一眼真信号和一眼假风险。
拆完后，再抽象成生成指令。 比如：朋友在出租屋门口胸口高度拍摄，距离 1.5-2 米，焦点在白 T、卡其裙和袜鞋，脸略低头不是最锐，门口侧光 + 室内顶灯混合，人物略偏右，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"从感觉变成摄影事件。 只要摄影事件成立，衣服、场景、动作换掉，图也更接近真实拍摄。
怎么落到系统里
这些资料如果只停留在笔记里，就没有意义。
我们把它们落到了四个层级。
第一层，Source Dossier。
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，先不进入生产规则。
第二层，Rule Cards。
把资料转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、朱雀前肉眼反证卡。
第三层，Practice Drills。
这一步很关键。我们要求 Agent 在真正生成前先做训练动作：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、一眼假预测。
目标不是让 Agent 画漂亮草图，而是证明它理解这张照片为什么像真实实拍。
第四层，Generation Packet 和 Gates。
最终所有判断都进入 generation-packet.md 和门禁。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、失败熔断。生成后再逐项检查，不能让生产 Agent 自己说自己通过。
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、平台这些知识拆成了 Agent 必须执行和门禁必须检查的流程"。
这才是 Agent Native 工程化。
结语
我现在越来越觉得，AI 时代很多事情都会回到同一个问题：
你是不是真的懂这个领域？
不懂领域的人，会把 AI 当成按钮。
懂领域的人，会把 AI 当成执行器。
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"，而是谁能判断生成结果能不能用，谁能把这种判断固化成流程。