Field Test
在 GPT-Image-2 上实测过
下面每一张都由 skill 自己产出提示词，未经人工润色。包括一次失败。
Claude Code Skill
「书不尽言，言不尽意……圣人立象以尽意。」 ——《周易·系辞上》
lixiang
形容词说不清的，
用机制说清。
The Divide
大多数提示词在描述想要的效果。这套方法只做一件事：把主题翻译成一个可施工的物理机制，然后下达怎么把它造出来的指令。
通常写法
「精美的、高级的、有质感的东方海报，8K，大师级构图」
全是形容词。模型只能靠猜，出图靠抽卡，换个主题就得重写。
立象写法
「一条横向延展的褶皱隆起成为远处缓坡，另一块厚实折叠边缘从近景斜向切入，两者夹出狭长、连续、可通行的低地」
全是空间动词。模型执行指令，不执行赞美——而且主体是槽位，同一套词可以复用几百次。
Method
不是模板，是流程。命中已验证机制就复用判例库，不命中就现场造——语料实测 90% 的顶级提示词都是现场造的。
写 围绕[槽位]生成一张…，主体永不写死。能用否定式定性更好——先说"不是什么"，把廉价模板感挡在门外。
分水岭。「早安」不画太阳，而是转译成一处由针织物褶皱构成的微缩地景。判据只有一条：这个机制能不能用空间动词描述？
第一眼高级，第二眼惊喜，第三眼记住。没有"第二眼"的图，是好看但记不住的图。
材质地貌 → 主体叙事 → 构图重量 → 文字系统 → 色彩关系 → 光学完成度。其中文字系统写得最重：高级感 80% 来自排版纪律。
每个正向指令后紧跟一句"而不是 X"，堵死模型最可能走的偷懒路径。语料均值每篇 4.3 条。
显式写出这套风格什么时候算垮了。比任何正向描述都更能锁住风格。
主题、画幅、张数、必现文字全部隔离在分隔符之后。批量的关键不是"生成 10 张"，而是"沿哪根轴变化 10 次"。
十条硬指标逐条过，含一份禁用词黑名单。不过关就改，不交平庸稿。
Evidence
301 条语料全量精读 + 词频统计 + 相似度聚类。所有结论都能回溯到具体条目。
Field Test
下面每一张都由 skill 自己产出提示词，未经人工润色。包括一次失败。
Coverage
语料里最大的两块是人像和字体，海报反而不是。因为交付的是方法不是模板——品类只是佐料区的一个字段。
杂志封面式人像、写真、婚纱、请柬、生日纪念、表情包、九宫格分镜、街拍
单线骨架、几何切割、水墨签名、镂空、物象嵌入。可作模块插进任意汤底
知识图鉴、课件 PPT 一次 10 页、知识卡片、长文转 30 秒速读图
二十四节气、早安晚安日签、节日祝福、朋友圈配图
手机与桌面壁纸、抽象概念视觉、专辑封面
批量出图、小红书卡页、系列化 PPT 配图
产品海报、电商主图、菜单、门店立牌、包装提案、招聘与活动海报
照片转绘、古画转实景摄影、垫图保人物一致性、垫刀版图做包装