为什么要搞自己的 IP

事情是这样的 —— 我在用 AI 帮我写博客。文章没问题，但配图一直是个痛点。

网上那些插画要么太商业、要么太通用、要么跟我的内容气质完全对不上。一个写 NAS、Docker、自建服务的技术博客，配一张花里胡哨的扁平插画，怎么看怎么别扭。

后来在 GitHub 上看到 Ian 的 小黑怪诞手绘 Skill—— 用一个黑色 blob 小怪物当固定 IP，白底手绘风配中文批注，专门给技术文章做正文配图。这个思路很对：固定角色 + 固定风格 + 内容驱动。

但问题来了。小黑是 Ian 的 IP，不是我的。

于是 fork、改角色、换画风、踩坑、重来。下面就是全部过程。

起点：fork 了 Ian 的仓库

Ian 的小黑 Skill结构很清晰：

1
ian-xiaohei-illustrations/
2
├── SKILL.md                    # Skill 定义和工作流
3
├── references/
4
│   ├── style-dna.md            # 风格 DNA：白底黑线、红橙蓝批注
5
│   ├── xiaohei-ip.md           # 小黑 IP 定义
6
│   ├── composition-patterns.md # 构图模式
7
│   ├── prompt-template.md      # 生图 prompt 模板
8
│   └── qa-checklist.md         # 质量检查清单
9
└── assets/examples/            # 示例图

我 fork 到了 Smart-Chou/xiaohei-illustrations，然后就开始想：怎么把那个黑色 blob 换成我自己。

设计 MarxChou

先用 ChatGPT 生成了几版 IP 设计稿。

三套方案：

• 卡通风（chibi）：3D Pixar 风，彩色精致。好看是好看，但像产品宣传图，不像正文配图。
• 像素风（16-bit SNES）：复古游戏风，跟 Linux/Docker/NAS 的 Geek 气质完美契合。但生图模型对像素风中文标注支持不好。
• 铅笔素描风：黑白线稿、仅卫衣填青绿色、纯白背景。最终选了这个 —— 既有辨识度，又够简洁，插在文章里不突兀。

定稿的人设：清瘦少年、蓬松凌乱短发、黑细圆框眼镜、青绿色连帽卫衣（胸口黑色 M 字母）、安静专注的表情。

选后端：Seedream 接入

Hermes Agent 有内置的 image_generate 工具，但需要配后端。默认的 FAL 需要 API Key，我没有。

好在已经在用火山方舟的 API（vision 模型就是走火山的），而且火山有 Seedream 文生图模型。Hermes 也有现成的火山插件。

但配置过程踩了个坑：插件安装了、enabled 了，image_generate 还是在找 FAL_KEY。

翻了 Hermes 的文档才发现 —— 插件 enabled 只是注册了 provider，但 image_generate 选哪个 provider 需要在 config.yaml 里显式指定：

1
image_gen:
2
  provider: volcengine

加上这一行，/reset 重载，通了。模型用的是 doubao-seedream-5-0-260128（Seedream 5.0 Lite）。

四轮风格探索

有了后端，开始试风格。这个过程比我想象的折腾 —— 前前后后跑了四轮。

第一轮：保留小黑风，换角色

直接用原版的白底黑线手绘 prompt，把角色描述从小黑 blob 换成简笔 MarxChou。效果还行，但跟原版太像了，没有自己的味道。

第二轮：像素风

16-bit SNES 像素 MarxChou，坐在桌子前，周围 NAS、Docker 鲸鱼、Linux 企鹅全是像素版。说实话效果不错 ——Geek 味拉满，跟博客气质绝配。但有两个问题：Seedream 对像素风的中文标注渲染不稳定，经常出乱码；而且像素画风做概念隐喻（比如「内容发酵」「信任桥」）天生受限 —— 你没法用 32×32 的像素块表达「想法像面团一样发酵」。

第三轮：chibi 矢量风

精致 3D Pixar 风格，MarxChou 坐在办公桌前，细节丰富。这是「最好看」的一轮，但也是最不适合当正文配图的一轮 —— 太像产品宣传图了，插在技术文章里格格不入。

第四轮：铅笔素描风

用户给出了精确的中文提示词：

手绘铅笔素描风，简约干净线稿，同一个清瘦少年男生，蓬松凌乱短发，黑细圆框眼镜，身穿固定青绿色连帽卫衣，卫衣胸口有黑色大写 M 字母，身形比例统一，五官柔和沉稳，表情安静专注；仅卫衣填充统一青绿色，其余人物、背景全黑白线条，纯色空白背景。

一试，对了。简洁、有辨识度、不抢正文风头。

两个折磨人的坑

坑一：chibi 大头

最早的 prompt 里写了「手绘草图」「doodle」「sketch」这些词。我当时完全没想到，这几个词在 Seedream 眼里就是「请画成小学生涂鸦风格」的指令 —— 人物头占了半个身子，比例像 Q 版手办。

试过的修法：

• 加 NOT chibi, NOT child, adult proportions → 无效
• 改成 editorial illustration, New Yorker style → 部分改善
• 换 Seedream 4.5 模型 → 模型不存在，404
• 加强负面词：Q版，大头娃娃，chibi，cartoon，cute，child → 还是漂

最后发现根因不在负面词，而在正面风格描述。「手绘草图 / doodle」就是 chibi 触发器。换成「手绘铅笔素描风 + 写实轻漫画质感 + 清瘦少年 + 身形比例统一」，一步到位。

坑二：画面出现乱线

生成出来的图上经常有莫名其妙的红色 / 橙色涂鸦线和标注，跟场景完全无关。

排查了半天，根因是 prompt 里的这句话：

少量红色 / 橙色中文手写批注

Seedream 把这理解成了「在画面上到处撒点红橙色的涂鸦和文字」。

修法很简单：删掉这句。改为「极度简洁，画面中只出现下述指定的元素」。每个需要的标签在场景描述里逐一指定，不要用通用批注描述。

最终 Prompt 模板

折腾了 6 次 commit 之后，落地的模板长这样：

1
角色（严格锁定）：
2
同一个清瘦少年男生，蓬松凌乱短发，黑细圆框眼镜，
3
身穿固定青绿色连帽卫衣，卫衣胸口有黑色大写M字母，
4
身形比例统一，五官柔和沉稳，表情安静专注。
5
仅卫衣填充统一青绿色，其余人物、背景全黑白线条。
6

7
风格：
8
手绘铅笔素描风，简约干净线稿，纯色空白背景，
9
线条粗细一致，写实轻漫画质感。
10
极度简洁，画面中只出现下述指定的元素，
11
不要任何多余的线条、涂鸦、装饰或标注。
12

13
负面提示词：
14
Q版，大头娃娃，厚涂油画，水彩浓彩，染发，
15
换外套，无眼镜，脸型变形，五官偏移，夸张表情，
5 collapsed lines
16
肥胖身材，多人，杂乱背景，阴影过重，色彩杂乱，
17
chibi，cartoon，cute，child，杂乱线条，多余线条，
18
噪点，涂鸦，草稿线，多余的批注
19

20
{具体场景描述 + 指定标签文字}

改了哪些文件

完整 diff 和提交历史：GitHub

几条经验

坦率讲，这个过程里学到的不是「AI 生图技巧」，而是「AI 生图这件事的边界在哪」。

1. Seedream 对风格关键词极度敏感

「手绘草图」= chibi，「铅笔素描」= 成人比例。一字之差，输出天差地别。别妄想用英文负面词去压制中文正面词的诱导 —— 正面词的权重远高于负面词。

2. 中文 prompt 比英文 prompt 更稳定

Seedream 是豆包的中文模型，中文人物描述比英文准确得多。「清瘦少年」四个字比 slender young male, ~25 years old, NOT a child 一堆英文管用。

3. 负面 prompt 要穷举

「Q 版」「大头娃娃」「多余线条」「杂乱背景」—— 一个都不能少。AI 不会推理「你不喜欢 chibi 所以也不应该画大头」，你必须把每个不希望出现的东西都列出来。

4. 不要写通用的批注描述

「少量中文手写批注」→ 随机撒涂鸦。正确做法：每个标签在场景描述里逐一指定。给 AI 留发挥空间 = 给 AI 留犯错空间。

5. 逐张审批比批量生成靠谱

14 张示例图，逐张生成 + 逐张检查。中间发现 chibi 问题、乱线问题，立刻纠偏。如果一口气出 14 张再回头看，估计要全部重来。

6. 插件 enabled ≠ provider 被选中

Hermes 的 image_gen 需要显式在 config.yaml 里指定 provider。插件 enabled 只是注册了候选，不指定的话默认仍然走 FAL。

后续：换个后端试试

Seedream 跑了几天之后，我开始想一个问题：每张图 ¥0.25，如果一篇文章配 5 张，就是 ¥1.25。不算贵，但一个月写 8 篇就是 ¥10，写 20 篇就是 ¥25—— 对于一个博客来说，这个开销不是问题，但也不是可以完全忽略的数字。

而且 Seedream 那两个坑 ——chibi 关键词触发和红蓝标签随机涂鸦 —— 虽然找到了规避方法，但本质上是模型的行为特征，不是 bug。你永远不知道下次会不会冒出新花样。

发现一个更便宜的代理

我本来就在用 SchrodingCatAI（xuedingmao.com）的 API 代理跑聊天和 embedding。某天顺手查了一下它的模型列表，发现居然有 gpt-image-2——OpenAI 的图片生成模型，而且走的是 OpenAI 兼容端点。

更重要的是价格：

25 倍的差距。说实话看到这个数字的时候我愣了一下 —— 这意味着我可以用 ¥1 生成 100 张图，反复试风格、试构图、试不同隐喻，成本几乎为零。

切换配置

Hermes 切换到新后端只需要三步：

1
# 1. 切换 provider 和 key
2
hermes config set image_gen.provider xuedingmao
3
hermes config set image_gen.xuedingmao.api_key "sk-xxx"
4

5
# 2. 启用插件（最容易漏的一步！）
6
hermes plugins enable xuedingmao
7

8
# 3. 新会话生效
9
# /reset

注意第二步 —— 只改 config 不启用插件，image_generate 会报 provider='xuedingmao' is set but no plugin registered。这个跟之前 Seedream 那个「插件 enabled 但 provider 没指定」是同一个坑的对称版本，只是方向反了。

用新后端重新生成了 14 张示例图

换后端之后第一件事：把 14 张示例图全部重新生成一遍，验证迁移效果。

结果出乎意料地好。GPT Image 2 对中文 prompt 的理解不比 Seedream 差，而且在那两个已知的坑上表现更好：

• chibi 触发: 我没在 prompt 里写 hand-drawn sketch 或 doodle，直接用的中文「手绘铅笔素描风，写实轻漫画质感」，出来的图比例完全正常，没出现大头娃娃。
• 乱线问题: 我用的是全中文 prompt，标注只限于场景描述中指定的文字，没有出现随机涂鸦。GPT Image 2 对「画面中只出现下述指定的元素」这条指令遵守得相当好。
• 色彩控制: Seedream 标注颜色只能用橙色（红色和蓝色容易触发随机装饰线），GPT Image 2 对颜色的遵守更严格，但目前只验证了全橙标注，其他颜色还没充分试。

14 张图，生成时间大约 4 分钟，总成本约 ¥0.14。同样的图用 Seedream 要 ¥3.50。

两个后端的行为差异

跑了两个后端之后，总结了几个值得注意的差异：

有一个反直觉的点：Seedream 作为中文原生模型，在中文 prompt 上应该比 GPT Image 2 强才对。但实际用下来，GPT Image 2 对中国风格关键词（铅笔素描、清瘦少年、蓬松短发）的理解并不逊色，而且在「不要画面中出现多余东西」这条指令上的遵守度反而更高。

这可能不是因为模型能力差异，而是因为我用的是 API 代理 —— 代理层可能对 prompt 做了优化，也可能是 GPT Image 2 本身的泛化能力更强。总之结果是好的。

这套 Skill 现在已经在用了。以后写文章配图，就一句 /skill xiaohei-illustrations，告诉它主题，剩下的它自己搞定。14 张示例图已经躺在新仓库里，随时可以用 —— 或者说，随时可以继续改。

毕竟折腾永无止境。

这里没有答案，但有同路人。

仓库地址：Smart-Chou/xiaohei-illustrations