前言¶
做 AI 出图的团队都遇到过类似问题：同一个角色在第二张图里脸变了，分镜第三格的机位和第一格接不上，MJ 和 SD 各有一套语法，同一条提示词换模型就失效。问题不在模型，在于提示词缺少结构化控制。下面介绍的 Skill 就是把这类控制固化成一套可复用的提示词工程工作台。
这是什么¶
绘画构图专家-提示词工程（坐标 @user_2cbe9405/ai-draw-cue-word-project）是一个面向 AI 绘图的提示词工程 Skill，版本 2.8.0，由社区发布者 user_2cbe9405 维护，SkillHub 分类为 design-media，来源标记为 community，标签 requires_api_key=false（不强制要求 API Key）。
它解决的问题是：跨模型语法家族编写提示词时，如何稳定控制角色一致性、构图与镜头、多角色空间关系、分镜与格线、以及多格式输出。工作台的核心思路是权重与比例（weight & ratio）精度控制。
核心功能¶
按官方简介，这套 Skill 的能力分四层。
第一层是模型语法适配。覆盖五种语法家族：自然语言（natural-language）、对话式（conversational）、MJ-Niji、SD，以及国内 API（domestic API）。同一个创作意图需要在五种语法之间转换，而不是为每个模型单独发明一套描述。
第二层是输出格式适配。支持图像、分镜（storyboard）、漫画格（comic panel）、视频、3D 五种输出形态，各自有对应的提示词模板。
第三层是创作控制资产，这是体量最大的一部分：
- character-anchor sheets（角色锚定表）：把角色固定特征写成可复用的锚点描述
- composition & shots references（构图与镜头参考）
- posture-emotion mapping（姿势与情绪映射）
- reference-image capability matrix（参考图能力矩阵）
- multi-character spatial relations（多角色空间关系）
- storyboard/panel layout rules（分镜与格线布局规则）
- speech-bubble positioning（对话气泡定位）
- LoRA management（LoRA 管理）
- temporal-consistency checklist（时序一致性检查表）
- 3D generation matrix（3D 生成矩阵）
- video prompt template（视频提示词模板）
- conversational edit chain（对话式编辑链路）
- negative-word bank（负面词库）
第四层是质量校验：P0/P1/P2 三级验证清单，用来在出图前逐项确认提示词是否达标。
安装与启用¶
已抓取资料中没有给出官方安装命令、目录约定或配置字段，这里不补写未经验证的内容。
可用的官方入口是 SkillHub 页面与 API 地址：
- SkillHub 页面：https://www.skillhub.cn/skills/user_2cbe9405/ai-draw-cue-word-project
- API 地址：https://api.skillhub.cn/user_2cbe9405/ai-draw-cue-word-project
坐标为 @user_2cbe9405/ai-draw-cue-word-project，按该坐标在支持 SkillHub 的工具中检索即可。因为该 Skill 属于通用 SKILL.md 格式，落地方式取决于你使用的 Agent 工具对 SKILL.md 的加载机制；具体步骤需要以你所用工具的文档为准。
截至资料抓取时间，SkillHub 上的安装量为 0，评分 100000，下载 858 次。安装量为 0 不代表 Skill 不可用，但说明它在 SkillHub 上的分发尚未形成规模，实际效果需要自己验证。
典型用法¶
已抓取资料只提供能力清单，没有给出可复现的输入输出示例。下面按 Skill 的能力结构描述一种可落地的使用方式，命令和字段请以官方资料为准。
以「多角色漫画分镜」为例，先做角色锚定，再做构图与空间关系，最后走校验：
1、从 character-anchor sheets 取出角色 A、B 的锚点描述，替换为你自己的角色设定，不要在这一步写动作。
2、从 multi-character spatial relations 中选一条空间关系规则，比如左右对峙或前后遮挡，写进构图层。
3、从 composition & shots references 选镜头类型与机位，确定景别后再写姿势。
4、从 posture-emotion mapping 取姿势与情绪的对应描述，替换角色的肢体与表情。
5、从 storyboard/panel layout rules 确定格数与每格内容分配，从 speech-bubble positioning 确定气泡在格内的位置。
6、按目标模型的语法家族转换整条提示词：自然语言、对话式、MJ-Niji、SD 或国内 API 各走一套规则。
7、若使用 LoRA，从 LoRA management 登记本次使用的模型与触发词，避免同一角色在不同格中被不同权重覆盖。
8、出图前跑 P0/P1/P2 验证清单，P0 不过直接改提示词，不要依赖抽卡。
9、若输出是视频或 3D，改用 video prompt template 或 3D generation matrix，并执行 temporal-consistency checklist 检查时序一致性。
10、失败的提示词追加到 negative-word bank，形成自己的负面词积累。
适用场景与注意¶
适合以下场景：角色需要跨多张图、多个格、多种模型保持一致；交付物是分镜、漫画格或视频而非单张图；团队内部多人编写提示词，需要统一的结构而不是各自发挥。
限制与坑：
- Skill 只提供提示词结构与控制资产，不保证出图质量，模型本身的能力仍是下限。
- 五套语法家族的转换规则需要按目标模型实测，尤其是国内 API 的措辞习惯与 MJ-Niji、SD 差异较大，直接套用可能产生语义漂移。
- reference-image capability matrix 和 LoRA management 依赖具体模型对参考图、LoRA 的实际支持，使用前要核对目标模型的能力，不要假定全部支持。
- 角色锚定表、姿势情绪映射这类资产需要替换成你自己的角色设定，直接复用示例描述会得到通用脸。
- 该 Skill 来自社区而非官方，版本更新与维护节奏取决于发布者，接入前先确认版本与依赖。
- 资料中安装量为 0，社区使用反馈样本极少，建议先小范围试点再推广。
结尾¶
这套 Skill 的价值在于把「让角色稳定、让构图可控」这件事从经验变成结构：五套模型语法、五种输出格式、十三类控制资产加一套 P0/P1/P2 校验清单。对于需要批量产出分镜或漫画内容、且跨模型出图的团队，它能显著降低提示词层面的反复试错成本。
官方地址：https://api.skillhub.cn/user_2cbe9405/ai-draw-cue-word-project
