把 AI 出图变成能用的桌宠：一份 Q 版人物提示词备忘

本文由 AI 协助生成：素材、实测数据与个人观点来自本人，行文与结构由 AI 参与整理。

博客右下角那只小人，是我熬了一晚上调出来的。

过程不算优雅：一开始自己拿 SVG 手绘，画到第三版发现自己画的是”倒着的半圆”；后来改走 AI 出图 + 像素处理，又被”白边””错位””眨眼闪白”轮番教育。最后能跑起来，靠的不是某个神奇的提示词，而是把工程约束提前写进提示词里。

这篇就当个备忘，顺便把踩过的坑记下来。

一、提示词的四段式

一套能用的桌宠素材，我最后拆成四个独立需求：

用途	关键约束
三视图	正面/侧面/背面并列、同比例、透明背景
正面自然垂手	手臂 15–20°、腋下有缝、禁止 T-pose
转身序列	5 帧 0°→90°，角度逐帧递增、脚底同线
行走循环	4 帧、90° 侧视、步幅小且自然

抽一个看，正面垂手那条的核心长这样：

二头身 Q 版小人，正面平视，透明背景（alpha 通道，无任何背景元素）。
头部占总高约 50%，短圆四肢，幼态圆脸。
双臂自然下垂，从躯干向外张开约 15–20 度，肘部微屈，双手略向前伸。
肩部放松不耸起，手臂与躯干之间留有清晰缝隙、不遮挡身体轮廓。
干净纤细的闭合线稿，赛璐璐平涂，一层硬阴影，低饱和柔和配色。

配套的负面词才是真正干活的部分：

white background, solid background, checkerboard pattern, ground shadow,
T-pose, arms straight out, arms crossed, arms merged with torso,
3D render, realistic face, watercolor, thick paint, adult proportions,
messy sketch lines, American cartoon eyes, gradient blending

经验：正面/负面要成对写。 你只写”手臂自然下垂”，它大概率给你一个标准 T-pose 设定图；你必须明确写”不要 T-pose、手臂不要贴住躯干”。提示词不是许愿池，是需求文档。

二、四个我踩过的坑

坑 1：透明背景 ≠ 白底

“透明背景”这个词模型经常听不懂，直接给你一张纯白底。白底也能用，但你得自己抠——而如果角色是白发 + 白袍，抠图会把人抠出白边，边缘全是混了背景色的像素。

我的解法是”最近不透明色扩散”：对半透明边缘像素，用邻近的实色去替换它，而不是简单调 alpha。处理前后边缘平均色从 (252,247,250) 收敛到 (229,225,229)，才勉强看不出白圈。

坑 2：两次生成不可能像素一致

这是最贵的一课。

我先出了一张正视图，又出了一张同角色的闭眼图，兴冲冲想拿闭眼图做眨眼帧——结果两张图腿长不一样。按脸对齐，身体错位；按轮廓对齐，脸被拉伸变形。用户一眼就看出来”高了半条腿”。

结论很简单粗暴：AI 生成的两次结果，不存在”同一张画的两种状态”。 想要眨眼，别指望重新生成，去用 img2img / 局部重绘（inpaint），只重绘眼部，其余锁死。

坑 3：配准锚点选哪个

如果只能硬凑两张图，锚点选择决定成败：

按眉毛对齐 → 半径拉变形（眉毛位置在不同生成里最不稳定）
按轮廓 IoU 对齐 → 全图最像，但身高会被宽度/发量带偏
按眼球中心对齐 → ✅ 眼睛对得最准，而且只替换眼部时，身体根本不需要对齐

最后一版的做法：只替换眼睛，掩膜 = 底图眼球轮廓的凸包 → 外扩 3px → 羽化 1.5px。验收标准写得死死的：

掩膜之外，与底图的逐像素差异必须为 0。

实测 0 像素，这样身体、头发、眉毛在结构上不可能被动到。

坑 4：眨眼闪白

第一版眨眼是直接换 <img> 的 src。结果每次眨眼，画面会白闪一下——因为新图还在解码时，元素是空的，页面底色直接透出来。

改成两张图叠放，只切 opacity，并且闭眼帧提前预载，问题消失。

顺带一个反直觉的坑：CSS 透明度变化在 headless 截图里根本抓不到（连把 src 换成纯红都不刷新画面），只能去读 getComputedStyle().opacity 采样峰值来验证。所以我前半程的”我以为改好了”有一半是假的。

三、上线之后还有一层

素材改完不等于用户能看到新版本——CDN 对 /images/* 常见是 7 天缓存，同名文件覆盖不会生效。这次我连续三次”修好了”其实都卡在这。

最后给所有素材 URL 加了内容指纹：

1 2	var ASSET_V = '?v=20261030t'; // 改素材必须同步改这里，否则 CDN 缓存不会更新

四、一句话总结

提示词负责”生成得像”，工程负责”用得起来”。

AI 出图现在很能打，但它不知道你要做的是171×310 像素、带透明通道、能叠在网页角落、每 5 秒眨一次眼的小人。这些约束，得由你翻译成人话写进提示词，剩下的部分——抠图、配准、掩膜、缓存——才是真正决定”能不能上线”的地方。

完整的实现参数我记在站点的 BLOG_GUIDE 4.6.2 里了，万一以后忘了怎么调，翻那份就行。

五、附录：可直接抄的提示词

下面四份是我实际跑通的那一套，按「一次只让模型干一件事」的思路拆开的。

说明：具体到哪个角色、什么发色服装、要不要做某个特殊动作，这些和我的私活强绑定的细节我都用 xx 代替了——留白的地方换成你自己的设定即可，结构不用动。任务描述越具体（比如“给我来一段跑步”“拿剑摆个姿势”），模型越容易崩，这也是我把它们虚化的原因。

5.1 三视图设定稿

二头身 Q 版小人，角色三视图设定稿：正面 / 正侧面 / 背面 并列排布在同一张画布上，
同比例、同一视角高度、脚底落在同一条水平线上。
角色设定：xx（发型 xx、发色 xx、服装 xx、配饰 xx）。
头部占总高约 50%，短圆四肢，幼态圆脸，大眼睛，表情中性自然。
透明背景（alpha 通道，无任何背景元素、无文字、无边框、无地面阴影）。
干净纤细的闭合线稿，赛璐璐平涂，一层硬阴影，低饱和柔和配色。

white background, solid background, checkerboard pattern, ground shadow,
text, watermark, border, three different characters, different proportions between views,
dynamic pose, T-pose, action pose, motion blur,
3D render, realistic face, watercolor, thick paint, adult proportions, messy sketch lines

5.2 正面自然垂手（主形象）

二头身 Q 版小人，正面平视，透明背景（alpha 通道，无任何背景元素）。
角色设定：xx（发型 xx、发色 xx、服装 xx、配饰 xx）。
头部占总高约 50%，短圆四肢，幼态圆脸。
双臂自然下垂，从躯干向外张开约 15–20 度，肘部微屈，双手略向前伸。
肩部放松不耸起，手臂与躯干之间留有清晰缝隙、不遮挡身体轮廓。
干净纤细的闭合线稿，赛璐璐平涂，一层硬阴影，低饱和柔和配色。

white background, solid background, checkerboard pattern, ground shadow,
T-pose, arms straight out, arms crossed, arms merged with torso,
3D render, realistic face, watercolor, thick paint, adult proportions,
messy sketch lines, American cartoon eyes, gradient blending

5.3 转身序列（5 帧）

同一角色，xx 视角的转身序列，5 帧横向等距排列：0°（正面）、22.5°、45°、67.5°、90°（正侧面）。
每帧均为完整全身，比例一致，头顶到脚底高度完全相同，脚底对齐同一条水平线。
角度逐帧递增，不跳步、不回摆、不重复同一视角。
角色设定：xx（发型 xx、发色 xx、服装 xx、配饰 xx）。
透明背景（alpha 通道，无背景元素、无地面阴影、无文字）。
干净纤细的闭合线稿，赛璐璐平涂，一层硬阴影，低饱和柔和配色。

1
2
3

only one view, duplicated identical frames, front view repeated, inconsistent scale,
floating feet, ground shadow, background, text, watermark, motion blur,
multiple characters, T-pose, action pose, 3D render, realistic face, adult proportions

5.4 行走循环（4 帧）

二维游戏行走循环，4 帧横向排列，90° 正侧视角，同一角色。
角色设定：xx（发型 xx、发色 xx、服装 xx、配饰 xx）。
步幅小、自然，重心平稳，手臂前后小幅摆动，不做大幅摆臂。
4 帧可循环闭合：第 4 帧能自然衔接第 1 帧；第 1、3 帧为接触帧，第 2、4 帧为通过帧。
每帧比例一致、脚底同线，角色朝向始终一致。
透明背景（alpha 通道，无背景元素、无地面阴影、无文字）。
干净纤细的闭合线稿，赛璐璐平涂，一层低饱和柔和阴影。

1
2
3

run, sprint, jump, tilt body, motion blur, duplicated frames,
different character per frame, changing size, facing different directions,
background, ground shadow, text, watermark, 3D render, realistic face, adult proportions

几句话补充：

三视图和垂手正视图是刚需，直接决定后面抠图和配准的难度；转身、行走这两组是加分项，做不出来手绘补也行。
帧数越多越容易崩（5 帧里出现两张一模一样的视角是家常便饭）。真要序列帧，我的做法是一帧一图 + img2img 锁形象，别指望一次出整条序列。
每条正面词都要配一条负面词，尤其是 T-pose 和 arms merged with torso 这两句，少了就等着收 T 字怪。