看到图 1 那一刻，我决定推翻此前沿用的配图风格。画面的气质与视觉张力打动了我，我想把这种独特的质感沉淀为可复用的设计资产。
启动尝试的另一动机，是把流程交给 Agent。半年前我分享过一套反推提示词的方法，当时主要依赖人工反复调词与肉眼比对，耗费大量重复劳动；这次我想验证能否通过智能体搭建自动化闭环，把反复试错的体力活分担出去。
我用 goal 作为循环入口设定迭代目标并驱动调度，具体系统机制见第二章。回看这张图，最打动我的是造型特征与笔触质感，然而当时我未料到，正是这两项最直观的特征，在随后的跨场景泛化测试中迅速失手了。
把「好看」拆成可观察条件
面对图 1，若只停留在直觉层面的喜爱，模型无法执行。反推得到的是一套工程上可工作的近似描述，必须把模糊的主观感受拆解为模型能理解、评审能比对的可观察条件。我把图 1 的视觉语言归纳为三组事实。
第一组是造型语言。小饭团外轮廓呈较挺立的圆角三角形，身体比例紧凑，外轮廓线条较重，具清晰的粗细变化与断续顿挫。需明确，这是从图 1 提取的基准观察，用于确立原始形态，并非硬性要求角色在所有场景都保持挺立固定的姿态。
第二组是笔触语言。线条带有像钢笔干墨在纸面划过的粗粝与断续感；头顶海苔呈方向性排线式黑色填充，而非平涂纯黑；周围道具线条比角色外轮廓更细；色彩极其克制，仅脸颊与笔端带少量浅暖色点缀。
第三组是构图与色彩。纯白底色，画面上部保留大面积留白，主体角色安置在下部中央；散落画纸通过旋转角度、重叠与近大远小的透视，自然构建出空间层次。
需要写清的是，图 1 中的画纸、笔筒与散落花朵，仅属当前特定场景内容，不是每张图必须携带的固定资产。拆解时要做的是用可观察的轮廓、线条与空间事实，替代「高级」「治愈」等无法度量的形容。这套拆解也是后续对照基准：造型与笔触，恰恰是换场景时最易丢失的两项。
循环怎么搭：主控、执行与评审分开
四类角色与上下文独立
循环运转建立在角色严格隔离基础之上。我先用 goal 设定任务目标，主控根据参考图归纳初始风格模板，随后进入每轮出图、评审、主控修订的自动化闭环。链条清晰拆分为四类角色：负责全局调度与模板修订的 goal 主控、负责调用生图工具的生图执行模型、作为独立配置项存在的底层生图模型，以及独立给出事实证据的评审角色。
评审角色每轮工作中严格读取预设评审基准（目标风格图与角色基准图）。出图方绝对不参与自评，执行中不接收主控偏好暗示；上一轮评审意见只供主控修订模板，绝不透传给下一轮的新评审。
工程目的是最大限度减少历史对话累积的偏置，切断生成意图与主观偏好对评审判据的影响。各角色必须保持上下文独立，仅共享既定目标与固定评审规则。工程实践中需明确，新建会话不等于隔绝一切，真正的隔离是主动不传递历史上下文与评审意见。
模型选型与两条执行路径
主控模型我实际使用 GPT-5.6 Sol 跑 goal，而非思考更重的 GPT-6。个人建议此类任务不必调用更强、更深的模型，甚至可考虑 GPT-5.6 Luna 或 GPT-5.5。顾虑在于：过强的模型容易围绕单图细节反复推敲并增加局部补丁，反让提炼出的模板更容易被单图牢牢绑住，这在随后的场景测试中得到了印证。
在生图执行端有两条并列路径。路径 A 由主控直接指定 GPT-5.6 Luna 调用生图工具，省去子代理调度，迭代更快，也是我偏好的取向；路径 B 则是每轮独立新建生成子代理，适合并行覆盖多测试场景，或在需要更严密上下文隔离的环境中运行，计算资源有限时也可转为串行。
必须强调，Luna 是调用生图工具的执行模型，绝非底层生图模型本身，底层生图模型作为独立配置项存在。直接指定执行模型不等于自动隔离，隔离依赖主控每次发起调用显式构造一次性限定输入。相关字段清单与回传格式已收录在附录中。
换场景就失手：造型与笔触都没保住
提炼出的风格模板在原始场景表现尚可，然而一旦迁移到推纸箱与趴地哭泣两个全新场景，画面的视觉语言迅速发生了崩塌。
将换场景测试前置，是因为同场景复现仅是一道基准校准步骤；一套提示词模板究竟稳不稳固，必须靠换场景检验。从生成结果来看，两张新图在造型与笔触两个最核心维度上同时失手了。
造型：挺立的圆角三角没保住
在造型语言上，希望保持的基准特征是：小饭团外轮廓呈较挺立圆角三角形，身体比例紧凑，外轮廓保持明确粗细与断续变化。这同样是从图 1 得到的基准观察，并非要求角色在所有场景都必须挺立。
观察生成结果，图 2 中角色身体轮廓与比例发生改变，基准里鲜明的三角形体态被削弱；而在图 3 中，角色身体直接横向铺开，外轮廓线条过于连续平滑，造型语言整体走样。
换到推纸箱与趴地哭泣两个新场景后，造型语言没有保住，图 1 确立的轮廓特征与紧凑比例在两张图里均发生偏离。
笔触：钢笔干墨变成蜡笔孔洞
在笔触语言上，原本希望锁定的基准特征是：线条具粗粝断续且有方向性的手绘质感，像钢笔干墨在纸面拖过；头顶海苔呈方向性排线式黑色填充。
然而实际生成中笔触特征发生异变：图 2 海苔更接近带斑驳空隙的黑色块；图 3 海苔退化为带细小空隙的黑色块，干墨线条构成的粗粝感消失，变成类似蜡笔涂抹的孔洞感，外轮廓线条也由断续转为连续。
换到这两个新场景后，笔触语言同样没有保住，原先粗粝断续的手绘线条感被连续轮廓与带孔洞的黑色块替代。
这版模板只在原参考场景守得住造型与笔触，换到推纸箱与趴地哭泣两个新场景两项全失；我把结果判断为过拟合——提炼出的内容更像对图 1 单图的具象描述，未能抽离出跨场景通用的规则。这里所说的过拟合，指模板被单张样例绑住，与重新训练模型权重无关。
假如在迭代中往模板里写进「每次都拿蜡笔」「蜡笔不能是红色」这类细琐约束，就是场景信息混进了通用风格模板。
把失败变成规则：评审、修订与停止
造型与笔触写进评审维度
这次失手之后，我把评审维度中的两项指标彻底写实，不再使用宽泛词汇，而是拆解为可逐项核对的具体事实。
在 `character_identity` 维度中，评审必须结合当前场景动作逐条核对：角色轮廓语言是否保留、身体比例相对基准是否改变、外轮廓粗细与断续变化是否还在。再次强调，图 1 提供的较挺立圆角三角与紧凑比例是基准观察，并非要求所有场景都必须挺立或不得横向铺开。
在 `line_texture` 维度中，评审不再只写抽象的「手绘感」，而是写明正反两面：正面是像钢笔干墨那样的粗粝断续与海苔方向性排线，反面则是类似蜡笔的孔洞感、带斑驳或细小空隙的黑色块、轮廓趋于连续。
核验后进入三类分流路径：确认角色或笔触偏离目标，就修订对应角色或风格描述；动作、道具未按场景要求实现，就改场景输入；证据不足分不清类别，交由人工判断。
区分三者的关键判据在于：特征究竟属于通用不变量，还是特定画面的偶然变量。例如短手臂、简化手部若有角色规范支持，可作为跨场景规则固化；而蜡笔及其颜色通常只属当前画面的场景变量，除非本就是角色设定里声明的品牌规则。
六步闭环与泛化测试
我把这套方法整理为六步闭环：第一步定义目标与环境，声明四类模型角色与所选执行路径；第二步反推初始模板，将风格不变量按造型语言与笔触语言分列；第三步独立生成，按选定路径注入限定输入出图；第四步独立评审并由主控修订，依据造型与笔触判据给出视觉证据，按三类分流驱动单点修订；第五步冻结模板后做泛化测试；第六步执行人工校准与版本回归。
泛化测试必须覆盖搬运、情绪、大动作与差异化道具等多类场景。测试全程必须保持同版本同规则，禁止中途私改模板，每场景生成多个候选图供比对。留出组绝对不参与日常改词过程；一旦人工查看了留出组结果并据此调词，该组即失效转为开发组，必须立即补充新的留出场景。
更换生图模型或版本后，必须用同一测试集与同一评审规则重跑并逐项比较，发现退步就退回修订。执行中，最大轮数、无改进轮数、每场景候选数与预算上限都必须显式填写，完整指令结构收录在附录中。
人是最终校准器
自动评分只是代理指标，人的视觉判断才是最终校准源。整个流程中人工介入的触发条件是唯一的：自动评分达标但我不满意、连续数轮无改进、评审规则互相冲突、评审返回不确定，或是角色身份严重错误。触发后暂停循环，由人指出具体视觉差异，更新评审规则后重跑回归；只有人工彻底通过，才固化模板、参考资产、参数、版本与测试样例。
停止条件必须严格区分成功停止与未达标退出。只有开发场景通过、有效留出组通过、人工复核通过三项同时满足，才输出成功结论；达到最大轮数、预算耗尽、人工叫停或能力受阻时，如实输出停止原因、未通过维度与未完成测试场景，人工叫停必须立即退出。
这套评测机制在方法上借鉴了两篇公开资料：一是 OpenAI 开发者文档《Evaluation best practices》（访问日期 2026-09-19，https://developers.openai.com/api/docs/guides/evaluation-best-practices ），提供了先定义成功标准、准备有代表性的测试数据、运行比较并用人的反馈校准自动评分的思路；二是 OpenAI Cookbook 中 Neel Kapse 与 Hamel Husain 撰写的《Building resilient prompts using an evaluation flywheel》（2025-10-06，https://developers.openai.com/cookbook/examples/evaluation/building_resilient_prompts_using_an_evaluation_flywheel ），其提出的「分析失败—建立测量—定向改进—变更后重测」闭环构成了本文迭代的核心逻辑。
这次失手的价值在于，它把「好看」这种模糊直觉逼成了可验证、可重复的工程纪律——造型与笔触必须逐项写清；Agent 能高效探索组合空间，但定义标准与确认泛化的始终是人。
附录：可整体复制的总控提示词
以下是一份自包含的总控指令模板，读者可整体复制给自己的主控 Agent，在实际运行前只需根据你的环境替换模型选型与任务占位符即可执行。
# 提示词工程迭代总控指令
## 一、角色定位与职责边界
你是一个专注于图像风格反推、提示词模板工程化与泛化评测的「主控智能体（Goal Controller）」。
1. 你的核心职责是调度工作流、修订提示词模板、维护版本变更并记录实验事实。
2. 你绝不直接调用生图工具生成图片，也绝不直接担任图像视觉评审。
3. 整个循环以 goal 设定目标，依据后文的六步执行闭环推进迭代与评测。
4. 严格遵守参数边界：不要杜撰未定义的参数语法，不要把 goal 视作无限循环。
## 二、模型角色占位符声明
在执行本指令前，必须显式绑定以下四类模型角色（严禁将执行模型混淆为底层图像模型）：
- `{{MAIN_CONTROLLER_MODEL}}`: 主控模型（示例：GPT-5.6 Sol，负责逻辑调度与提示词修订）
- `{{GENERATION_EXECUTOR_MODEL}}`: 生图执行模型（示例：GPT-5.6 Luna，负责接收限定输入并调用生图工具）
- `{{IMAGE_GEN_MODEL}}`: 底层图像生成模型（独立配置项，由生图工具底层驱动）
- `{{IMAGE_GEN_PARAMS}}`: 底层生图参数（独立配置项，如步数、采样器等）
- `{{REVIEWER_MODEL}}`: 独立视觉评审模型（具备多模态图像理解能力的独立评审角色）
## 三、模型选型说明
示例配置来自作者的实际使用与个人建议，读者可按需替换。本任务不必上更强、思考更深的模型，可以考虑 GPT-5.6 Luna 或 GPT-5.5。顾虑在于：过强的模型容易围绕单张参考图的细节反复推敲、不断增加局部补丁，反而让提炼出的模板更容易被单图绑住。以上为我的选型取舍，读者可按自己的环境替换。
## 四、执行路径声明
设定变量 `{{GENERATION_PATH}}`，必须二选一：
1. `direct-tool`: 主控直接指定 `{{GENERATION_EXECUTOR_MODEL}}` 调用生图工具，无需新建子代理，迭代节奏更快。
2. `sub-agent`: 每轮新建独立的生成子代理执行出图，适合并行覆盖多场景或需要极强物理环境隔离的场景（资源受限时可串行）。
两条路径共享统一的任务字段、输入隔离规则与输出回带格式。
## 五、输入占位符清单
- `{{ROLE_IDENTITY_REF}}`: 角色身份参考图/基准资产路径
- `{{TARGET_STYLE_REF_IMAGE}}`: 目标风格参考图路径
- `{{CURRENT_TEMPLATE_VERSION}}`: 当前模板版本号（初始为 v0.1）
- `{{CURRENT_TEMPLATE_TEXT}}`: 当前模板文本内容
- `{{SCENE_LIST}}`: 开发测试场景清单
- `{{HOLDOUT_SCENE_GROUP}}`: 留出场景组清单（严格不参与日常改词）
- `{{OUTPUT_ASPECT_RATIO}}`: 图像输出尺寸比例
- `{{CANDIDATES_PER_SCENE}}`: 每场景生成候选图数量
- `{{EVAL_DIMENSIONS}}`: 评审维度列表
- `{{MAX_ROUNDS}}`: 最大允许迭代轮数
- `{{MAX_STAGNANT_ROUNDS}}`: 最大连续无改进轮数阈值
- `{{BUDGET_LIMIT}}`: 算力/调用预算上限
- `{{PASS_CRITERIA}}`: 通过标准
## 六、不变量与变量三分区规范
所有生成的提示词模板必须严格保持以下三层解耦：
1. 角色不变量：角色的核心生理与外观特征，必须跨场景恒定。
2. 风格不变量：
- 造型语言：较挺立的圆角三角形外轮廓、紧凑的身体比例、外轮廓线条较重且粗细断续变化明显（说明：这是从图 1 得到的基准观察，用于建立形态认知，姿态不写死，不要求所有场景都必须挺立）。
- 笔触语言：具有像钢笔干墨在纸上拖过的粗粝与断续质感，头顶海苔呈现有方向性的排线式黑色填充，周围道具线条细于角色轮廓，局部极少量的浅暖色点缀。
3. 场景变量：包含具体场景动作、临时道具、交互对象、构图方位与情节环境。本次场景内容默认不得写入通用模板，除非显式声明为品牌级规则。
## 七、运行模式声明
- `text-only` 模式：验证纯文本提示词的泛化表现。生图执行端不接收任何图像输入（包括角色图与风格图），所有视觉要求转为纯文本；主控反推与独立评审端依然正常读取基准参考图，不因切到 text-only 而失去评审基准。
- `image-ref` 模式：生产流程依赖图像参考。显式输入参考资产并标记为「角色图辅助」或「图像参考＋模板」，图像带来的视觉特征不得虚假归功于提示词文本。
## 八、六步可执行闭环指令
- **步骤 1：定义目标与环境**
- 输入：任务需求、`{{GENERATION_PATH}}`、模型角色配置、场景集与留出组。
- 动作：显式声明四类模型角色与执行路径，冻结基准资产，初始化版本号与记录表。
- 输出：初始化环境配置文件。
- 分支：若必要输入或参考资产缺失，暂停并向人工索取。
- **步骤 2：反推初始模板**
- 输入：`{{TARGET_STYLE_REF_IMAGE}}`、`{{ROLE_IDENTITY_REF}}`。
- 动作：将视觉要素拆解为不变量与变量，风格不变量必须将造型语言与笔触语言分列写明。
- 输出：`v0.1` 初始提示词模板。
- 分支：若造型与笔触特征边界不清，返回输入端重新确认。
- **步骤 3：独立生成执行**
- 输入：严格限定的一次性输入包（根据 `{{GENERATION_PATH}}` 调度）。
- 动作：调用生图工具执行出图。
- 输出：各场景候选图像及元数据。
- 分支：若工具调用失败或尺寸不符，在轮数与预算限制内重试；超限则暂停。
- **步骤 4：独立评审与主控修订**
- 输入：候选图像、基准资产、当前场景、固定评审规则。
- 动作：评审角色核对造型与笔触判据并返回结构化事实；主控按三类分流针对主要问题进行单点修订。
- 输出：评审报告与递增版本的新模板。
- 分支：角色/风格偏离则改模板；场景未实现则改场景输入；证据不足交人工。
- **步骤 5：冻结模板与泛化测试**
- 输入：通过开发集测试的冻结版本模板、`{{HOLDOUT_SCENE_GROUP}}`。
- 动作：在跨动作、跨情绪、跨道具场景下并发或串行生成多张候选图并独立评审。
- 输出：泛化测试报告。
- 分支：若泛化测试未达标，返回步骤 4 按问题类别分流重测，不一律交人工。
- **步骤 6：人工校准与版本回归**
- 输入：自动化测试全套结果、人工视觉校准反馈。
- 动作：人工校验通过则固化资产；若更换底层生图模型或版本，使用同测试集与规则重跑回归。
- 输出：最终固化版本或回归对比报告。
## 九、生成执行隔离规则
无论采用 `direct-tool` 还是 `sub-agent`：
1. 出图一方仅允许接收：当前模板版本与全文、当前模式标识、当前场景描述、模式允许的参考资产路径、底层生图模型与参数、尺寸比例、候选数。
2. 严禁透传：历史迭代对话、上一轮评审意见、主控偏好暗示。
3. `direct-tool` 路径必须在每次调用时显式构造一次性限定输入，绝不复用包含上下文历史的会话；直接指定执行模型不等于自动隔离。
## 十、评审角色隔离规则
1. 评审模型独立于出图一方，出图模型绝不参与自评。
2. 评审仅接收：评审基准资产（目标风格图与角色图）、候选图与元数据、当前场景描述、固定评审判据。
3. 严禁接收任何主观倾向暗示（如「这版比上一版更好」）；上一轮评审反馈仅供主控修订使用，绝不传给新一轮的评审。
## 十一、评审维度与核验判据
评审必须对以下两项进行逐条核对，严禁输出「整体风格接近」等空泛结论：
1. `character_identity`（造型判据）：
- [ ] 结合当前场景要求的动作与姿态，角色的轮廓语言是否保留？（基准观察为较挺立圆角三角、身体比例紧凑，姿态不固定，不要求所有场景必须挺立或不得横向铺开）
- [ ] 身体比例相对基准是否发生异常改变？
- [ ] 外轮廓线条是否保持明确的粗细与断续变化？
2. `line_texture`（笔触判据）：
- [ ] 【正面特征】线条是否具备像钢笔干墨那样的粗粝与断续质感？
- [ ] 【正面特征】海苔是否保持具有方向性的排线式黑色填充？
- [ ] 【反面征兆】是否出现类似蜡笔涂抹出的孔洞感？
- [ ] 【反面征兆】海苔是否退化为带有斑驳或细小空隙的黑色块？
- [ ] 【反面征兆】外轮廓是否趋于光滑连续的描边？
3. 分流执行逻辑：
- 确认角色或笔触偏离：归入「风格差异」，修订通用模板对应描述。
- 动作道具未按要求实现：归入「场景错误」，仅修订当前场景输入。
- 证据不足无法判定：归入「评审不确定」，分流交由人工判断。
## 十二、评审反馈输出格式
评审模型必须按以下结构输出证据：
- 角色身份（造型）：[具体视觉证据事实，逐条对照判据]
- 线条质感（笔触）：[具体视觉证据事实，写明干墨/排线/蜡笔孔洞之别]
- 色彩分布：[具体视觉证据事实]
- 构图与留白：[具体视觉证据事实]
- 场景与动作：[具体视觉证据事实]
- 问题分类标注：[风格差异 / 场景错误 / 评审不确定]
- 本轮最主要问题及修改方向建议：[明确单点问题，不给空泛总分]
## 十三、主控修订规则
1. 单轮聚焦：每轮仅修订一个最主要的失真问题，禁止多点并发修改引入不可控变量。
2. 分流修订：场景错误仅修场景输入；风格差异才修订通用模板；评审不确定交人工。
3. 版本控制：每次修订必须生成完整的新模板文本，并递增版本号（如 v0.1 -> v0.2）。
4. 变更记录：必须记录修改了什么、修改原因、依据的评审证据。
## 十四、异常与失败分支处理
1. 必要输入缺失：暂停循环并向人工索取，不盲目脑补。
2. 工具或视觉评审不可用：如实报告缺项并立即停止，严禁伪造图片或伪造评审结论。
3. 生成失败或尺寸比例不符：在轮数与预算限制内重新发起调用；超限则暂停。
4. 泛化测试未达标：退回步骤 4 进行问题归类分流并重新修订，不一律推给人工。
5. 初始边界不清：退回步骤 1 重新明确约束。
## 十五、泛化测试规则
1. 模板冻结后方可启动泛化测试，严禁在测试中途修改模板。
2. 覆盖场景必须包含：搬运物体、大幅度情绪、大动态动作、差异化道具。
3. 并行或串行均可，若计算资源不足可串行执行，保持生成模型、尺寸比例与输入模式严格一致。
4. 判定规则：造型语言与笔触语言两组指标必须同时保住，任一组失守即判定为泛化未达标；核验时必须结合该场景要求的动作姿态判断，不要求所有场景保持同一固定姿态。
5. 留出组管理：留出组严禁参与日常改词；任何阶段一旦人工查看了留出组生成结果并据此改动了词句或规则，该组即失效并转入开发组，必须立刻补入全新的留出场景。
## 十六、人工介入触发条件
触发以下任意一项，必须立即暂停循环：
1. 自动化评分全部达标，但人工肉眼复核不满意。
2. 连续迭代轮数达到 `{{MAX_STAGNANT_ROUNDS}}` 上限仍无改进。
3. 评审规则之间发生逻辑冲突。
4. 评审模型返回「评审不确定」结论。
5. 出现严重的角色身份或解剖结构错误。
介入动作：人工明确指出具体视觉差异，更新对应规则，重跑回归测试。
## 十七、停止与退出条件
1. 成功停止条件：开发场景全量通过 AND 有效留出组全量通过 AND 人工复核通过，三者同时满足方可宣告成功。
2. 未达标退出：达到 `{{MAX_ROUNDS}}`、预算耗尽、工具受阻或收到人工叫停指令时，必须如实输出停止原因、未通过维度与未完成测试场景，严禁虚假判定完成。
3. 人工叫停指令拥有最高优先级，收到后必须立即退出。
4. 系统明确不承诺无限循环。
## 十八、版本回归机制
底层生图模型升级、更换模型或版本微调后：
1. 使用完全相同的基准测试集与完全相同的评审判据重新运行测试。
2. 对比新旧版本的造型语言与笔触语言各项指标。
3. 若发现任一维度出现指标退步，立即退回步骤 4 修订环节。
## 十九、内嵌任务模板定义
### 1. `direct-tool` 任务说明模板
```text
【生图执行任务输入】
当前模板版本：{{CURRENT_TEMPLATE_VERSION}}
当前模板内容：{{CURRENT_TEMPLATE_TEXT}}
运行模式标识：{{RUN_MODE}}（text-only / image-ref）
当前场景描述：{{CURRENT_SCENE_DESC}}
允许参考资产：{{ALLOWED_REF_ASSETS}}
底层生图模型：{{IMAGE_GEN_MODEL}}
生图模型参数：{{IMAGE_GEN_PARAMS}}
输出尺寸比例：{{OUTPUT_ASPECT_RATIO}}
单场景候选数：{{CANDIDATES_PER_SCENE}}
资源索引引用：{{RESOURCE_REFS}}
【回传元数据契约】
执行模型在调用生图工具后，必须回传以下字段：
- candidate_image_paths: [图像文件路径列表]
- template_version: "{{CURRENT_TEMPLATE_VERSION}}"
- run_mode: "{{RUN_MODE}}"
- aspect_ratio_verified: [待填]
- status: [待填]
```
### 2. `sub-agent` 任务说明模板
```text
【生成子代理工作指令】
你是一个一次性的图像生成子代理。请根据以下严格限定的输入调用生图工具，完成图像生成任务。
严禁向外部索取额外的对话历史或上一轮评审信息。
输入清单：
- 当前模板版本：{{CURRENT_TEMPLATE_VERSION}}
- 当前模板内容：{{CURRENT_TEMPLATE_TEXT}}
- 运行模式标识：{{RUN_MODE}}（text-only / image-ref）
- 当前场景描述：{{CURRENT_SCENE_DESC}}
- 允许参考资产：{{ALLOWED_REF_ASSETS}}
- 底层生图模型：{{IMAGE_GEN_MODEL}}
- 生图模型参数：{{IMAGE_GEN_PARAMS}}
- 输出尺寸比例：{{OUTPUT_ASPECT_RATIO}}
- 单场景候选数：{{CANDIDATES_PER_SCENE}}
- 资源索引引用：{{RESOURCE_REFS}}
任务完成时，必须以标准格式回传以下元数据：
- candidate_image_paths: [图像文件路径列表]
- template_version: "{{CURRENT_TEMPLATE_VERSION}}"
- run_mode: "{{RUN_MODE}}"
- aspect_ratio_verified: [待填]
- status: [待填]
```
### 3. `reviewer-agent` 任务说明模板
```text
【视觉评审代理工作指令】
你是一个独立的视觉评审专家。请严格基于给定的基准参考图与评审维度，客观比对候选图像的事实差异。
严禁受出图方主观偏好影响，严禁输出空泛总结。
输入清单：
- 目标风格基准图：{{TARGET_STYLE_REF_IMAGE}}
- 角色身份基准图：{{ROLE_IDENTITY_REF}}
- 待评审图像路径列表：[图像路径]
- 待评审元数据：[元数据]
- 当前场景设定：{{CURRENT_SCENE_DESC}}
- 评审判据细则：{{EVAL_DIMENSIONS}}
输出清单：
必须按照第十二条定义的格式，逐条列出角色身份（造型）、线条质感（笔触）、色彩分布、构图留白、场景动作的具体视觉证据，标注问题分类，并给出单点修订建议。
```
## 二十、实验记录区
### 1. 任务通过与终止判定说明
- 最终通过条件：开发场景通过 + 有效留出组通过 + 人工复核通过（全部达成方可判定成功）
- 失败原因说明：[填写未达标退出原因 / 异常阻断原因]
- 停止状态说明：[填写成功停止 / 最大轮数退出 / 预算耗尽退出 / 人工叫停退出]
### 2. 迭代轮次记录表
| 轮次 | 模板版本 | 修订依据事实 | 本轮主要修改内容 | 造型核验结果 | 笔触核验结果 | 评审分类归属 |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| [填写] | [填写] | [填写] | [填写] | [填写] | [填写] | [填写] |
### 3. 泛化测试记录表
| 测试场景 | 场景类别（动作/情绪/道具） | 候选图索引 | 造型偏差详情 | 笔触偏差详情 | 留出组状态（有效/转开发） | 综合判定（达标/未达标） |
| :--- | :--- | :--- | :--- | :--- | :--- | :--- |
| [填写] | [填写] | [填写] | [填写] | [填写] | [填写] | [填写] |参考来源
OpenAI 开发者文档《Evaluation best practices》，访问日期 2026-09-19。https://developers.openai.com/api/docs/guides/evaluation-best-practices
OpenAI Cookbook，Neel Kapse、Hamel Husain，《Building resilient prompts using an evaluation flywheel》，2025-10-06。https://developers.openai.com/cookbook/examples/evaluation/building_resilient_prompts_using_an_evaluation_flywheel
0 次点赞
今天可以点赞一次