引言
"不是你不会描述画风，而是画风这个东西本来就不该靠临时描述。"
这是"一天一个开源项目"系列的第 230 篇 。今天的项目是 HandRaw-Style。
用 AI 画图最让人崩溃的体验之一,大概是这样的:好不容易用一堆形容词凑出一个满意的"手绘风格治愈系插画",结果换个主题重新生成,画风整个跑偏------线条粗细变了,配色基调变了,连"治愈系"的那种感觉都没了。问题不在于你的提示词写得不够详细,而在于自然语言描述画风本身就是模糊的,同一句话每次喂给模型,解读都可能有偏差。
HandRaw-Style 的思路很直接:既然模糊的问题出在"临时描述"上,那就不临时描述------把 327 种手绘插画风格、165 种排版图型、36 种经典配色全部提前编号归档,测试好对应的双语提示词。以后要用哪种风格,直接说编号就行,不用再临时拼形容词,画风自然就稳定了。
4.7k Stars,以 Skill 形式分发,支持 Codex、Claude Code 等 AI 编码助手直接安装调用。
你将学到什么
- HandRaw-Style 如何用编号系统替代模糊的自然语言画风描述
- 风格(001-327)、排版(SC/IC/CS/IP/EC 前缀)、配色(C-01~C-36)三套独立编号体系
- 智能推荐模式与精确选号模式的使用差异
- 海报设计、文章配图、摄影策划等多种专用工作模式
- 模型能力矩阵:针对不同图像模型的适配策略差异
前置知识
- 使用过至少一种 AI 图像生成工具(Midjourney、DALL-E、Stable Diffusion 等)
- 了解 AI Coding Agent 的 Skill/插件机制(如 Claude Code、Codex)
- 可选:有过"反复调试 Prompt 却画风不稳定"的实际经历,会更有共鸣
项目背景
项目简介
HandRaw-Style 的官方定位是"手绘风格编号画廊与双语提示词 Skill"。它本质上不是一个传统意义上的代码项目,而是一套结构化的 Prompt 资产库,打包成 AI Agent 可以直接安装调用的 Skill。核心价值主张是解决"画风描述模糊,每次生成都飘"的痛点------用提前编号、提前测试好的风格/排版/配色组合,替代每次现场拼凑的模糊描述。
团队与项目信息
- 作者:yang0
- 协议:宽松且附带署名要求的开源协议(允许自由使用、修改、商用,要求保留对作者 yang0 和原仓库地址的署名)
- 分发形式:AI Skill 包(兼容 Codex、Claude Code 等编码助手),配套离线 HTML 画廊
项目数据
- ⭐ GitHub Stars:4,700+
- 🍴 Forks:549
- 👀 Watchers:14
- 📄 协议:自定义宽松协议(含署名要求)
主要功能
解决什么问题
arduino
传统 AI 绘图的画风描述方式：
用户每次用自然语言临时描述风格
↓ "治愈系手绘插画，线条简洁，色调温暖......"
↓ 模型对同一段描述的解读存在随机性
↑ 同一主题换一次生成，画风就飘了
↑ 积累的"调教经验"无法复用，下次还要重新摸索
HandRaw-Style 的做法：
提前测试好 327 种风格 + 165 种排版 + 36 种配色，全部编号归档
↓ 用户只需说出编号 + 主题
↓ 输出的是已验证过的双语提示词模板
↑ 画风/排版/配色稳定可复现，不再依赖临时描述
↑ "调教经验"变成可查询、可复用的编号资产使用场景
-
社交媒体封面设计
- 小红书、公众号封面图,直接指定风格编号+主题色编号,快速产出符合平台调性的配图
-
长文章/知识类内容配图
- 批量插画自动填充模式,规划 2-5 个插画插入点,全文锁定统一风格,自动排版成最终 Markdown 文件
-
信息图/数据可视化
- "万能海报思维法",把信息图当作高密度海报处理,支持自定义时间线和数据展示
-
漫画分镜与 IP 设计
- 165 种排版图型中包含漫画分镜(68 种)、IP 设计(13 种)专用模板
-
摄影/人像拍摄策划
- 专业摄影策划模式,针对情侣、婚纱、人像场景生成 3 套候选方案和 8 宫格布局,要求包含真实地标和奇幻概念的组合
快速开始
安装方式(对话式,无需命令行):
text
直接把这句话发给 Codex 或支持 Skill 的 AI Agent：
"帮我安装这个 Skill：https://github.com/yang0/handraw-style，
然后用它帮我设计配图。"Agent 会自动拉取仓库并配置好风格/排版/配色资源。
使用示例:
text
# 精确选号模式
041号风格，主题：秋天的第一杯奶茶
# 组合指定排版+风格+配色
图型：SC-001，风格：041，主题色：C-01，主题：秋天的第一杯奶茶
# 海报设计模式
请帮我出海报提示词，主题：秋分核心特性
1. 三套独立编号体系
| 维度 | 编号范围 | 细分 |
|---|---|---|
| 手绘风格 | 001--327 | 例如 #018 极简冷面对话漫画(Minimal Deadpan Dialogue Cartoon) |
| 排版图型 | 165 种,前缀分类 | 社交卡片 SC(21 种)、信息图 IC(35 种)、漫画分镜 CS(68 种)、IP 设计(13 种)、电商(24 种) |
| 主题配色 | C-01 ~ C-36 | 经典蓝系、清新绿系、古典红绿、浪漫粉紫、暖阳大地、中性色系(六大色系) |
2. 两种画面渲染模式
- 纯图模式:不含文字的纯插画输出
- 图文模式:文字融入画面构图的设计
3. 五种专用工作模式
| 模式 | 适用场景 |
|---|---|
| 智能推荐模式 | 不指定编号,根据情绪/场景自动匹配风格+配色 |
| 精确选号模式 | 直接指定风格/排版/配色编号组合 |
| AI 海报设计模式 | 围绕"8 大核心纯净设计字段"(主题/场景/受众/密度/情绪/色彩/编辑风格/艺术风格)结构化出图 |
| 文章/视频封面设计模式 | 提取约 200 字摘要,推断受众画像,"先设计隐喻再出图,主标题明显" |
| 批量插画自动填充模式 | 为长文章规划多个插画插入点,统一风格,自动排版成 Markdown |
4. 模型能力矩阵
针对不同图像生成模型采用差异化适配策略:对已深度适配的模型(如 gpt-image-2)直接输出精调提示词;对 Midjourney、Flux、Stable Diffusion、Imagen、Gemini 等通用模型,则采用"参考图高保真兜底"策略,用 4 宫格参考图辅助对齐风格。这份能力矩阵存储在 skills/handdraw-style-prompter/references/model_capabilities.json,并开放社区贡献实测数据。
深入剖析
把"画风描述"从自然语言问题变成检索问题
HandRaw-Style 最核心的设计思路,其实是一次问题的重新定义:它没有尝试"让自然语言描述更精确"(比如写更长更详细的 Prompt 模板),而是彻底绕开了自然语言描述这一步,把"选画风"从一个开放式的语言生成问题,转化成一个封闭式的编号检索问题。
arduino
开放式问题（传统方式）：
"我想要一种......大概是治愈系，但又不要太甜，线条简单一点......"
↑ 描述空间无限大，同一个意图可以有无数种语言表达
↑ 模型每次解读都可能落在描述空间的不同位置
封闭式问题（HandRaw-Style 方式）：
"041号风格"
↑ 对应一个已经验证过、固定的提示词模板
↑ 结果的随机性只来自模型本身的生成波动，不再有"描述解读"这一层随机性这个转化的价值在于:它把"不稳定来源"砍掉了一半。AI 图像生成本身就有生成随机性,这是模型层面无法消除的;但"描述解读的随机性"是可以通过预先固化描述来消除的。HandRaw-Style 做的就是消除后者。
三套编号体系为什么要分离
风格、排版、配色被设计成三个独立的编号维度,而不是合并成一个大编号表,这个设计选择值得注意:
ini
如果合并成一个大表：
"风格041+排版SC001+配色C01" 的组合 = 327 × 165 × 36 ≈ 194 万种
↑ 要为每一种组合单独测试提示词，不现实
分离成三个维度：
风格、排版、配色各自独立测试、独立验证
↑ 用户按需自由组合，三个维度相互正交
↑ 维护成本是 327+165+36=528 份测试，而不是 194 万份这是一个典型的"用正交分解降低状态空间"的设计------风格关心的是线条/笔触/情绪基调,排版关心的是构图/信息密度,配色关心的是色彩关系,这三者在视觉设计中原本就是相对独立的变量,拆开编号、独立验证,既降低了维护成本,也让用户的自由组合空间没有被压缩。
"先设计隐喻再出图"背后的设计流程前置
文章/视频封面设计模式里有一条值得展开的规则:"先设计隐喻再出图,主标题明显,小字少或者没有文字"。这句话背后其实隐含了一个专业设计流程的前置化:
业余做法：
直接把文章标题塞进图里当文字 → 排版拥挤、缺乏设计感
HandRaw-Style 内置的做法：
第一步：从约 200 字摘要中提炼出一个视觉隐喻（而不是摘要本身）
第二步：围绕这个隐喻构图，主标题保持简洁醒目
第三步：减少或去掉小字，避免信息过载这相当于把一个资深设计师"先想隐喻,再谈排版"的思维习惯,固化成了 Skill 的默认执行顺序------用户不需要懂设计方法论,只需要调用这个模式,流程本身已经把专业判断前置好了。
分发形式的选择:Skill 而非 SaaS 或插件
HandRaw-Style 选择以"Skill 包"的形式分发,依托 Codex、Claude Code 等已有的 AI Agent 基础设施,而不是自己做一个网站或图像生成前端。这个选择的好处很直接:它不需要自己接入图像生成 API、不需要维护服务器,也不需要处理鉴权和计费------所有图像生成的工作仍然交给用户已经在用的 AI 工具和图像模型完成,HandRaw-Style 只负责"提供编号化的、测试过的提示词资产"这一个环节。这是一种很克制的项目边界设定:不越界做图像生成本身,只做好提示词资产管理这一件事。
与通用 Prompt 模板库的区别
| 维度 | 通用 Prompt 模板网站/合集 | HandRaw-Style |
|---|---|---|
| 组织方式 | 关键词搜索或分类浏览 | 固定编号检索,可精确复现 |
| 风格/排版/配色关系 | 通常混在一起描述 | 三套编号独立正交,可自由组合 |
| 模型适配 | 一套提示词应付所有模型 | 显式区分深度适配模型 vs 通用兜底策略 |
| 使用方式 | 复制粘贴 | AI Agent Skill,支持对话式调用和模式切换 |
| 专用工作流 | 通常没有 | 海报/封面/批量插画/摄影策划等场景化模式 |
项目地址与资源
官方资源
- 🌟 GitHub :github.com/yang0/handr...
- 📄 协议:自定义宽松开源协议(含署名要求)
- 📚 文档 :仓库内
STYLES.md、LAYOUTS.md、COLORS.md、TUTORIALS.md
相关资源
skills/handdraw-style-prompter/gallery/------ 离线交互式画廊(index.html / layouts.html / colors.html / tutorials.html)skills/handdraw-style-prompter/references/model_capabilities.json------ 模型能力矩阵,开放社区贡献实测数据
总结与展望
核心要点回顾
- 把画风描述从语言问题变成检索问题:预先编号+测试好的提示词,消除"自然语言描述被模型解读"这一层随机性
- 风格/排版/配色三套独立正交编号:528 份独立测试覆盖理论上近 200 万种组合,维护成本大幅降低
- 多种专用工作模式:从智能推荐到精确选号,从海报设计到批量插画填充,覆盖不同的实际创作场景
- 模型能力矩阵显式区分适配策略:深度适配模型直出,通用模型走参考图兜底,不是"一套提示词应付所有模型"
- 克制的项目边界:只做提示词资产管理,不做图像生成本身,依托已有 AI Agent 基础设施分发
适合谁
- 社交媒体/公众号内容创作者:需要快速产出风格统一的封面图,不想每次临时构思画风描述
- 知识类博主/信息图作者:需要稳定、可复现的插画风格来保持内容的视觉一致性
- 已经在用 Claude Code/Codex 等 AI Agent 的用户:想把 AI 绘图能力无缝整合进已有工作流
- 对"Prompt 不稳定"深有体会的 AI 绘图爱好者:想要一套经过验证、可复用的风格资产库
一句话评价
HandRaw-Style 没有试图让 AI 更懂你的描述,而是干脆取消了"描述"这一步------这或许才是解决"画风漂移"问题最直接的办法。
欢迎访问 PrimeSkills ------ 一个精心策划的 AI Agent 与技能市场，所有内容均经过真实企业级工作流验证。没有噱头，只有真正有效的东西。
更多实用知识和有趣产品，欢迎访问我的个人主页