Image Prompt Patterns
v0.1.0编写或优化AI图像生成提示（适用于Midjourney、Nano Banana Pro、GPT-Image-2、Flux等）。当用户要求编写/组合/提供...时，首先使用此选项。
by @neonsoung98运行时依赖
安装命令
点击复制本土化适配说明
Image Prompt Patterns 安装说明： 安装命令：["openclaw skills install image-prompt-patterns"]
技能文档
Image Prompt Patterns
可复用的 AI 图像生成 prompt 模式库。
⚠️ 默认优先级（强触发规则）
当用户请求以下任一类型时，必须先使用本 技能，不要跳到 gencut-image 或其他执行工具：
"写 prompt" / "给我 prompt" / "想个 prompt" / "prompt 怎么写" "给我 XX 图的提示词" / "用 MJ/Nano/Flux 生成的文字" 任何只要文字 prompt 文本、用户自己拿去跑图的需求 讨论 prompt 结构、对比 prompt 风格、优化已有 prompt
只有用户明确说以下词汇时才考虑执行层（gencut-image）：
"生成" + 具体工具名（如"用 gencut 生成"） "调用" / "执行" / "跑" + API/命令行工具 明确的 task routing keyword：生成_three_view, 生成_first_frame, 生成_first_frame_batch, 生成_three_view_batch 在 NemoVideo 工作流 的制作流水线中（脚本→三视图→首帧→视频）
模糊情况的默认行为：先走本 技能 写 prompt → 确认后再问用户是否需要调用执行工具。
When to use
调用场景：
用户要生成肖像/海报/角色设定/UI mockup/分镜 用户模糊地说"给我想个 prompt"，但没指定工具 需要从一个参考风格迁移到新主题 想对比同一构图在不同模型上的效果 优化或重写已有的 prompt
不适用场景（→ 走 gencut-image）：
gencut 命令行工具 工作流（生产流水线） 专业短片分镜的系统性生成（脚本→三视图→首帧→视频） 需要写入 project.json 的视频制作任务 核心 prompt 结构（五种流派）
基于 126 个 GPT Image 2 实战 prompt 的实证分析归纳（数据：raw-data/awesome-gpt-image-2-zh.md）
类型 A：写实摄影 / 商业视觉（8 层结构）
适用：肖像、产品、社媒 mockup、伪截图。 一条高质量 prompt 按这个顺序组织信息，遗漏任何一层都会丢细节：
[1. 摄影/媒介] + [2. 光线与色彩] + [3. 构图景别] + [4. 主体（外貌/表情/服装，层层细化）] + [5. 姿势/动作/视线方向] + [6. 环境/背景（前景/中景/远景分开描述）] + [7. 材质/质感修饰词] + [8. 后期/胶片颗粒/色彩分级]
典型权重分配：主体 50-60%，环境 20-30%，技术/风格 15-20%。 字数范围：150-250 词。
类型 B：电影分镜 / 风格化绘画（5 层结构）
适用：Jibaro/Ghibli/漫画/油画风分镜。
[1. 主体 + 动作] + [2. 关键视觉细节] + [3. 光线色彩词汇] + [4. 风格锪点 (Named artist / work / medium)] + [5. 比例 + 语境]
风格锪点（一个词如 "Jibaro style"）替代了摄影/材质/后期 3 层的细节控制。 字数范围：40-80 词。更长反而会稀释风格锪点。
→ 详见 references/cinematic-storyboard.md
类型 C：结构化 JSON Prompt（伪代码结构）
适用：信息密集型图像—— UI mockup、landing page、数据报告、多区块活动海报、信息图。
核心思路：把 prompt 写成 JSON / 结构化标记语言，模型能精确解析每个区块和字段。
{ "type": "[图像类型]", "theme": "[整体风格描述]", "sections": [ { "id": "[区块名]", "layout": "[布局方式]", "content": { ... } } ] }
独有优势：
可寻址性：模型准确知道哪块信息属于哪里 参数化：用 {argument name="..." default="..."} 一条 prompt 变模板 高密度：10+ 元素的图像不会乱
字数范围：结构完整比字数重要，典型 200-500 行。
→ 详见 references/structured-json-prompt.md（含 5 种 JSON 组织模式 + 黄金三字段 + 分类模板库）
类型 D：文化融合 / 风格锚点 Mashup（极简公式）
适用：用两个文化符号的特质组合生成独特视觉。
「A 的 X 特质」+「B 的 Y 特质」の融合 → 生成 C
例：「いらすとや」のほのぼのとした雰囲気 + 「霞ヶ関スライド」の圧倒的な情報密度 → ポンチ絵
关键：
锚点的特质化提取（不是全盘融合，只取各自核心特质） 文化锚点用原语言（日式→日语、中式→中文、西方→英文） 字数 30-80 字，越短锚点越强 类型 E：场景化叙事（多主体动作场景）
适用：动漫战斗、多人物场面、动作漫画式构图。
[1. 总体风格] + [2. 前景主体位置 + 动作 + 能量特效] + [3. 后景主体位置 + 动作 + 能量特效] + [4. 环境物理效果（碎裂/尘土/水花）] + [5. 场景内文字（如招牌）] + [6. 光线 + 视角]
关键技巧：
明确前/后景空间关系（in the foreground / in the background to the right） 能量 + 物理双层特效（能量漩涡 + 地板碎裂缺一不可） 文字嵌入场景（招牌/屏幕内容，不是 overlay） 动态 pose 动词库（forward-thrusting / leAPIng / mid-AIr twist）
字数范围：100-200 词。
跨流派机制：参数化（{argument}）
实证：126 个案例里 >95% 都用了参数化。不是高级技巧，是默认姿势。
{argument name="参数名" default="默认值"}
可以嵌套在任何流派的 prompt 里（字符串 / JSON 值 / 数组元素）。
→ 详见 references/parametric-template.md（优先级、决策原则、模板库）
关键技巧
- 分层堆叠（Layered Stacking）
不是一句话描述"美女"，而是：
面部结构（eyes shape / nose bridge / jawline） 皮肤质感（undertone / specular highlights / micro pores） 妆容状态（natural dewy / glossy / subtle flush） 发型细节（messy high ponytAIl / loose strands falling around face）
→ 模型对具体解剖学词汇比对形容词（"beautiful"）响应更好
- 矛盾修饰（Controlled Contradiction）
好 prompt 常有刻意的矛盾对：
"seductive playful yet slightly vulnerable" "intensely seductive with soft doe eyes" "harsh fluorescent light mixed with warm neon"
→ 制造张力，避免扁平化表情和光线
- 光源命名（Named Light Sources）
不说"good lighting"，说：
"harsh convenience store fluorescent from above" "pink and blue neon glow from window outside" "warm practical lamp on bedside table"
→ 多光源叠加 = 立体感 + 电影感
- 相机/胶片元语言
- 长宽比 + 用途明确化
末尾加用途说明比只加比例好：
❌ 9:16 ✅ 9:16 移动 screenshot aspect ratio, vertical portrAIt for social media 分类案例库
快速定位：
需求 查阅 人物肖像 / 写真风 references/portrAIt.md 海报 / 插画 / 信息图 references/poster.md 角色设定表 / 三视图 / 动作分镜表（movement sheet） references/character-sheet.md UI / 伪截图 / 社媒 mockup references/ui-mockup.md 场景合成 / 风格迁移 references/scene-composite.md 电影分镜 / 风格化绘画（Jibaro / Ghibli / 油画感） references/cinematic-storyboard.md 结构化 JSON Prompt（活动页/数据报告/信息图/UI） references/structured-json-prompt.md 大规模栽格列表海报（年度榜单 / 周期表 / 100 大全） references/grid-列出-poster.md 参数化模板机制（{argument} 跨流派通用） references/parametric-template.md 126 案例分类检索（按需求快速定位典型案例） references/case-索引.md 原始数据（可 grep / 检索） raw-data/awesome-gpt-image-2-zh.md
流派区分：
portrAIt 是写实摄影（分层堆叠详细描述） cinematic-storyboard 是风格化绘画（短 prompt + 风格锚点） structured-json-prompt 是信息密集型（JSON 结构） 文化融合 / 场景叙事 见本文件类型 D / E 参数化机制所有流派都可用
几种逻辑不同，不要混用：写单人肖像别上 JSON（过度工程），写直播间 UI 别用分层摄影（丢区块）。
工作流建议 从 0 开始写一条 prompt 一句话说清目的（"一张X风格的Y主题图"） 按 8 层结构填空 检查：每层至少 2 个具体词？有矛盾修饰吗？光源命名了吗？ 给模型，评估输出，迭代 从参考图反推 prompt 看图 → 分解出 8 层的信息 对照 references/ 里相似案例的 prompt 结构 抄结构，换词汇 跨模型移植（MJ → GPT-Image-2） MJ 喜欢风格关键词堆叠（--s 1000 --style raw） GPT-Image-2 喜欢自然语言长描述 + 分层信息 迁移时：把 MJ 的 style tags 展开成具体描述句 上游资源 EvoLinkAI/awesome-gpt-image-2-prompts: https://