前言¶
做 AI 出圖的團隊都遇到過類似問題：同一個角色在第二張圖裏臉變了，分鏡第三格的機位和第一格接不上，MJ 和 SD 各有一套語法，同一條提示詞換模型就失效。問題不在模型，在於提示詞缺少結構化控制。下面介紹的 Skill 就是把這類控制固化成一套可複用的提示詞工程工作臺。
這是什麼¶
繪畫構圖專家-提示詞工程（座標 @user_2cbe9405/ai-draw-cue-word-project）是一個面向 AI 繪圖的提示詞工程 Skill，版本 2.8.0，由社區發佈者 user_2cbe9405 維護，SkillHub 分類爲 design-media，來源標記爲 community，標籤 requires_api_key=false（不強制要求 API Key）。
它解決的問題是：跨模型語法家族編寫提示詞時，如何穩定控制角色一致性、構圖與鏡頭、多角色空間關係、分鏡與格線、以及多格式輸出。工作臺的核心思路是權重與比例（weight & ratio）精度控制。
核心功能¶
按官方簡介，這套 Skill 的能力分四層。
第一層是模型語法適配。覆蓋五種語法家族：自然語言（natural-language）、對話式（conversational）、MJ-Niji、SD，以及國內 API（domestic API）。同一個創作意圖需要在五種語法之間轉換，而不是爲每個模型單獨發明一套描述。
第二層是輸出格式適配。支持圖像、分鏡（storyboard）、漫畫格（comic panel）、視頻、3D 五種輸出形態，各自有對應的提示詞模板。
第三層是創作控制資產，這是體量最大的一部分：
- character-anchor sheets（角色錨定表）：把角色固定特徵寫成可複用的錨點描述
- composition & shots references（構圖與鏡頭參考）
- posture-emotion mapping（姿勢與情緒映射）
- reference-image capability matrix（參考圖能力矩陣）
- multi-character spatial relations（多角色空間關係）
- storyboard/panel layout rules（分鏡與格線佈局規則）
- speech-bubble positioning（對話氣泡定位）
- LoRA management（LoRA 管理）
- temporal-consistency checklist（時序一致性檢查表）
- 3D generation matrix（3D 生成矩陣）
- video prompt template（視頻提示詞模板）
- conversational edit chain（對話式編輯鏈路）
- negative-word bank（負面詞庫）
第四層是質量校驗：P0/P1/P2 三級驗證清單，用來在出圖前逐項確認提示詞是否達標。
安裝與啓用¶
已抓取資料中沒有給出官方安裝命令、目錄約定或配置字段，這裏不補寫未經驗證的內容。
可用的官方入口是 SkillHub 頁面與 API 地址：
- SkillHub 頁面：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
座標爲 @user_2cbe9405/ai-draw-cue-word-project，按該座標在支持 SkillHub 的工具中檢索即可。因爲該 Skill 屬於通用 SKILL.md 格式，落地方式取決於你使用的 Agent 工具對 SKILL.md 的加載機制；具體步驟需要以你所用工具的文檔爲準。
截至資料抓取時間，SkillHub 上的安裝量爲 0，評分 100000，下載 858 次。安裝量爲 0 不代表 Skill 不可用，但說明它在 SkillHub 上的分發尚未形成規模，實際效果需要自己驗證。
典型用法¶
已抓取資料只提供能力清單，沒有給出可復現的輸入輸出示例。下面按 Skill 的能力結構描述一種可落地的使用方式，命令和字段請以官方資料爲準。
以「多角色漫畫分鏡」爲例，先做角色錨定，再做構圖與空間關係，最後走校驗：
1、從 character-anchor sheets 取出角色 A、B 的錨點描述，替換爲你自己的角色設定，不要在這一步寫動作。
2、從 multi-character spatial relations 中選一條空間關係規則，比如左右對峙或前後遮擋，寫進構圖層。
3、從 composition & shots references 選鏡頭類型與機位，確定景別後再寫姿勢。
4、從 posture-emotion mapping 取姿勢與情緒的對應描述，替換角色的肢體與表情。
5、從 storyboard/panel layout rules 確定格數與每格內容分配，從 speech-bubble positioning 確定氣泡在格內的位置。
6、按目標模型的語法家族轉換整條提示詞：自然語言、對話式、MJ-Niji、SD 或國內 API 各走一套規則。
7、若使用 LoRA，從 LoRA management 登記本次使用的模型與觸發詞，避免同一角色在不同格中被不同權重覆蓋。
8、出圖前跑 P0/P1/P2 驗證清單，P0 不過直接改提示詞，不要依賴抽卡。
9、若輸出是視頻或 3D，改用 video prompt template 或 3D generation matrix，並執行 temporal-consistency checklist 檢查時序一致性。
10、失敗的提示詞追加到 negative-word bank，形成自己的負面詞積累。
適用場景與注意¶
適合以下場景：角色需要跨多張圖、多個格、多種模型保持一致；交付物是分鏡、漫畫格或視頻而非單張圖；團隊內部多人編寫提示詞，需要統一的結構而不是各自發揮。
限制與坑：
- Skill 只提供提示詞結構與控制資產，不保證出圖質量，模型本身的能力仍是下限。
- 五套語法家族的轉換規則需要按目標模型實測，尤其是國內 API 的措辭習慣與 MJ-Niji、SD 差異較大，直接套用可能產生語義漂移。
- reference-image capability matrix 和 LoRA management 依賴具體模型對參考圖、LoRA 的實際支持，使用前要覈對目標模型的能力，不要假定全部支持。
- 角色錨定表、姿勢情緒映射這類資產需要替換成你自己的角色設定，直接複用示例描述會得到通用臉。
- 該 Skill 來自社區而非官方，版本更新與維護節奏取決於發佈者，接入前先確認版本與依賴。
- 資料中安裝量爲 0，社區使用反饋樣本極少，建議先小範圍試點再推廣。
結尾¶
這套 Skill 的價值在於把「讓角色穩定、讓構圖可控」這件事從經驗變成結構：五套模型語法、五種輸出格式、十三類控制資產加一套 P0/P1/P2 校驗清單。對於需要批量產出分鏡或漫畫內容、且跨模型出圖的團隊，它能顯著降低提示詞層面的反覆試錯成本。
官方地址：https://api.skillhub.cn/user_2cbe9405/ai-draw-cue-word-project
