企业官网建设流程全解析

每次跑3D国漫风格女性角色，最让人崩溃的不是画不出来，而是角色“变脸”。同一张脸，换个角度就像换了个人；同一个镜头改个光影，五官比例又漂移了。我试过在 Stable Diffusion 和 Midjourney 里反复抽卡、反复修细节，最后才悟出来：问题根本不在“画得好不好”，而在提示词里根本没有建立一个“角色资产完整性模型”，同时也没有用“分镜一致性锚定”去锁住跨画面的关键信息。

这篇文章就专门讲讲这两件事怎么落地。所谓角色资产完整性模型，说白了就是把一个角色的外貌、服饰、气质、画风拆成可复用的提示词资产，保证她无论出现在哪个镜头里都还是同一个人。而分镜一致性锚定，解决的是另一个问题：当角色要连续出现在多个分镜里时，如何通过提示词工程手段锁住机位、光影、表情和姿态，让整套画面看起来是同一部片子的连续截图，而不是N张各自为政的单张商稿。无论你是在做AI漫画、动画短片、游戏角色设定还是成套视觉图集，这套思路都能直接用。

1. 先搞清楚角色为什么总是“变脸”：两个核心矛盾的拆解

1.1 资产漂移的本质与完整性模型要解决的三个维度

AI绘画模型本质上是个“概率雷达”，它不知道你心里那个“林青霞脸+御姐气场+汉服设定”到底长什么样，它只知道你的提示词激活了哪些特征向量。于是问题出现了：你写“beautiful Chinese woman, hanfu, 3D style”，跑出来十张图可能有十种不同的脸，因为“美”“汉服”“3D”这些词本身就是高方差描述。这就是我常说的资产漂移——角色核心特征在生成过程中被模型自身的平均审美覆盖了。

要解决这个问题，需要把角色资产拆成三个维度来固化：

第一是形。包括头身比、脸型、眼型、鼻梁高度、嘴唇厚度、眉形、发型、发色、刘海走向。这些是角色的硬骨架，任何一个变化都会让角色“失真”。第二是色。包括发色、瞳色、肤色、服装主色、辅色、金属件颜色、甚至妆容色号。色彩信息在跨模型、跨采样器时最容易漂移，必须固化成精确描述。第三是质。包括渲染风格、材质质感、描边方式、光影基调。比如你是要“Pixar式圆润3D”还是“国漫辛酸式硬朗3D”，这个质不锁定，角色走到光影复杂的场景里就会突然变成另一个人。

我用实际操作来举例。假设你写的是“a Chinese woman in a red dress, 3D anime style”——这就是典型的“低资产完整性”写法，因为“woman”“red dress”“3D anime”全都太宽泛。换成资产化写法后是这样的：

1girl, stylized 3D, chinese animation style, adult female face, oval face, fair skin, large dark brown eyes, thin eyebrows, straight nose, small mouth, long black hair with side bangs, black and gold hanfu, red ribbon waistband, white jade hairpin, elegant, calm expression

你可以去试一下，哪怕换不同底模，只要这组词能完整保留，脸型和五官的大方向就不会跑偏。形态、色彩、质地三组信息各有分工，共同构成一条“描述链路”，这就是角色资产完整性模型的雏形。

1.2 分镜一致性锚定的定位：镜头间稳定而不机械

如果说角色资产完整性模型解决的是“同一角色在不同环境中的横向一致性”，那分镜一致性锚定解决的就是“同一角色在不同镜头中的纵向连续性”。举个例子，你要画一个角色从室内推门走到街上的三格分镜。第一格是近景推门，第二格是背影走步，第三格是街上面部特写。如果三段分开跑，绝大多数情况下你得到的是三个长得“有点像但也不太确定是不是她”的人。

分镜一致性锚定的本质，是在提示词层面建立一组跨画面不变量。所谓不变量，就是无论画面构图怎么变，都必须在提示词里固定出现的核心信息。我通常把它分成四个锚点：角色锚点（脸型、发型、服饰主特征在同一组词里完全复用）、状态锚点（同一组动作系列里，微表情和情绪基调必须一致）、光影锚点（光的方向、色温、主光性质在不同镜头之间要有递进而非突变）、镜头锚点（机位高度、焦距感、景深风格，要用统一的语汇描述）。

这四个锚点不是让你每个镜头都写得一模一样，它们有点像房间里的柱子，位置固定，但墙和窗户可以自由变化。所以同一套基线提示词可以延伸出不同的分镜描述。而“锚定”的真正技术含量，在于选择哪些信息进锚点、哪些信息自由化。比如角色锚点必须写死，光影锚点要写“延续上一格的光源方向”，而不是重新发明一套。

这套思路用熟了之后，你会发现分镜不再需要靠抽卡碰运气，而是可以做到“预设为真”。我之前做了个十二格短篇，主角从头到尾没有崩脸，关键就是在每个分镜的提示词开头都粘贴了同一个角色资产块，后面再接上镜头控制词和动作词。

2. 角色资产完整性模型的提示词工程实操

2.1 基础语法分层：主形、材质、服饰、气质四个信息块

我写角色提示词有个习惯，就是永远按固定顺序分块写，不随意堆砌。这个顺序本身就是一种信息管理策略，非常建议你直接抄。第一块是主形，也就是体型、脸型、五官、发型，这是角色的DNA，永远放在最前面，权重给最高。第二块是材质，也就是皮肤质感、渲染风格、衣服材质，这一块决定了角色看起来是“塑料手办感”还是“电影质感”。第三块是服饰，也就是衣服款式、颜色、配饰、纹样，这是角色识别的第二张脸。第四块是气质，包括表情基调、动态性格、氛围感，这一块最容易被忽略，但恰恰是决定角色“灵魂”的部分。

举个例子，一套完整的国漫女性角色提示词可以长这样：

1girl, standalone, full body, stylized 3D render, chinese donghua style, adult female, tall slender figure, oval face, pointed chin, big brown eyes, dark blue pupils, long silver hair, french braid, loose strands, wearing traditional chinese hanfu, white and blue layers, gold brocade trim, jade earrings, silver hairpin, gentle smile, confident aura, soft studio lighting, octane render, 4k

这套词里，每个信息块都用逗号隔开，不塞太多形容词，保持机器可读性。注意我这里的写法是有顺序的：先写“是谁”，再写“穿什么”，最后写“什么状态”。你反过来说，AI就很容易把气质的权重糊到脸上，导致表情崩坏。

为什么推荐这种四块式写法？因为现在的模型底层大多是 CLIP 文本编码器，它会把整段提示词当作一个整体语义向量来看待。信息块若没有清晰的逻辑分组，模型很容易混入无关特征。打个比方，你告诉别人“一个穿红色汉服的高冷女人”，大脑是分两步处理的：先知道人物属性，再知道服装和情绪。提示词分块本质上就是给模型建立同样的认知路径。

2.2 权重、比例与负面提示词的量化参考

很多人写提示词只用裸词，不加重、不降权，结果输出平平无奇。在 Stable Diffusion 里，权重的小数点变化可以直接改变构图优先级，而很多3D国漫风格的Lora又对权重极其敏感，所以我一般会给出一个可复用的量化范围。

在角色资产完整性模型里，我的建议是：角色基础词保持权重1.0到1.1，不刻意抬太高。真正需要拉高的是“核心面部特征”词，比如眼型、发型、脸型，这些要单独括起来加权重，一般用1.2到1.4。服饰纹样和颜色细节建议1.15左右，太高容易让画面出现伪影，太低则容易被模型“默认服装”覆盖。气质类词汇用0.9到1.0就够，因为你给的方向越抽象，模型越容易自由发挥，反而是干扰项。

负面提示词是另一个容易被忽略的资产保护层。我强烈建议每个3D国漫项目都内置一组固定的负面提示词，比如：

lowres, bad anatomy, bad hands, missing fingers, extra digits, mutated hands, blurry, jpeg artifacts, watermark, signature, plastic skin, shiny skin, doll face, asymmetric eyes, deformed iris, worst quality, low quality

这组负面词的逻辑是双层的：一层是通用画质垃圾词，一层是“破坏资产”的专项词。比如“plastic skin, shiny skin”专门防止3D渲染变成廉价手办质感，“asymmetric eyes, deformed iris”专门保护五官。你会发现，加了这些负面词之后，角色资产的稳定性会有一个肉眼可见的提升。

2.3 Lora选型与种子锚定的协同策略

做3D国漫风格，纯靠提示词硬扛上限不高，一定要配合专门训练过的Lora。选Lora的核心标准只有一个：看它会不会破坏你角色资产的三个维度。有些Lora把脸练得特别锥子、特别网红，放进去确实漂亮，但换一个种子它就开始飘。我的方法是优先选择“画风Lora”而不是“角色Lora”，也就是说，要让Lora负责氛围和皮肤质感、布料褶皱的渲染方式，而让提示词块负责五官和服饰的具体描述。

一个典型权重设置是这样的：画风类Lora权重0.7到0.85，主要用于稳定3D渲染质感；如果有一些辅助材质类Lora（比如布料、金属、皮肤），单个权重压在0.5以下；角色类Lora如果要用，权重不低于0.8，但这类Lora通常只适合特定的脸，如果你需要原创角色，不建议用角色Lora来定义脸，用提示词更可控。

种子锚定就更有意思了。在SD里，相同的种子配合相同的提示词，理论上能稳定还原构图和细节。我的建议是，在角色资产建立初期，固定几个“种子锚点”。比如我先跑出一个满意的脸部特写，记录下种子号，之后所有分镜构图都从这颗种子起步，用同样的角色资产块、改变构图词或情节词，这样生成出来的角色在五官细节上高度接近。当然，种子锚定不是万能的，它只对同底模、同采样器有效，跨模型之后种子含义会变，这一点一定要记住。

2.4 参考数据集与“资产卡”制作

做得多了之后，我意识到一个更关键的问题：提示词只是角色资产的编码形式，但任何人看到一串长长的英文词，都没法快速判断这个角色长什么样。于是我开始给每个角色维护一张“资产卡”，分为四个层次：第一层是角色属性总表，包括名字、年龄感、发型、发色、瞳色、肤色、服装款式、主色辅色、气质关键词；第二层是正面提示词完整版，按前面说的四块式结构；第三层是负面提示词固定版本；第四层是参考图，包括脸部特写、全身设定、材质细节和已经通过验证的种子序号。

这样做的好处非常明显。当你需要为这个角色做新分镜时，你不是从零开始写提示词，而是从资产卡里复制资产块，大大降低了提示词漂移的概率。我甚至会把资产卡导出成纯文本文件，放到项目的根目录里，每次跑新图之前都打开粘一遍。这套“外部化记忆”的工作方式，就是提示词工程和普通玩票最大的区别。

3. 分镜一致性锚定完整流程：从单张到连贯叙事

3.1 分镜锚定要素清单：姿态、表情、光影、构图

做分镜和做单张有个本质区别：分镜要求的是连续性，而不是单张的精彩。一幅单张你可以追求极其华丽的光影，但如果下一张光影完全换了方向，读者就会觉得撕裂。所以我在设计分镜提示词时，永远先拉一遍锚定要素清单，逐个确认哪些不变、哪些可变。

我常用的锚定要素有四个维度。姿态锚定：核心动作线要写清，比如“一只手推门，身体前倾”这一类的动作状态，必须精确描述，不能只写“walking”这种含混词。表情锚定：情绪是连续变化还是恒定，如果同一组情绪戏，尽量用同一个表情短语，比如统一写“slight smile, focused eyes”。光影锚定：光源方向和光质是最大变量，我建议每一格都写明光源位置和光的软硬性质，比如“key light from left, warm sunset rim light, soft shadows”。构图锚定：机位高度、焦距和景别，用“medium shot, eye-level, 50mm”这种镜头语言来写，模型对这类词的响应其实很明确。

实际操作中，我会把这些要素塞进提示词的不同位置。角色资产块放最前，姿态块紧跟其后，然后是表情块，再是光影块和构图块。注意，顺序不是死的，但资产块一定不能动，其他块可以按叙事节奏微调。

3.2 Prompt模板与后处理锁定法

分镜提示词最怕一个事：每个分镜都写得仿佛出自不同的人。要避免这个，最靠谱的方式是建立一套分镜提示词模板。模板的良定义是：所有分镜共享同一个角色资产块，再在这个块后面追加一组分镜控制块。分镜控制块可以抽象为“动作场景块”加“镜头块”加“光照块”。这三块允许变化，而变化方式要符合物理和叙事逻辑。

一个可以直接抄走的模板大概长这样：

[角色资产块], [动作块: 例如 standing, holding a paper umbrella, looking back], [表情块: 例如 gentle smile, slightly narrowed eyes], [镜头块: 例如 close-up, eye-level, 85mm lens, shallow depth of field], [光照块: 例如 afternoon sunlight, soft rim light from right], stylized 3D, chinese animation style, high quality, 8k

后处理锁定法是我比较推荐的一个补充手段。单靠提示词控制角色一致性，在复杂镜头里还是有瓶颈，这时可以用图生图或局部重绘来锁定。方法很简单：先把上一格的成品图作为参考图导入图生图，只修改动作、表情、构图的提示词，角色资产块保持不变，设置0.3到0.4的重绘幅度。你会发现，用这种方式迭代下一格，角色的五官细节、服装纹样都能“继承”下来，比纯文生图稳定得多。

3.3 种子控制与Reference链式操作

种子控制前面提过一嘴，这里展开讲下在分镜里的用法。当你已经有了一个满意的首格图，记录下它的种子号，之后每个分镜都从这颗种子开始“变奏”。具体操作是：在生成第二格时，把种子换成记录值，提示词用“[原提示词] + 新增动作词 + 新增镜头词”，然后对采样步数、CFG进行微调。这个操作的核心价值在于，相同的种子基本上对应同一个潜在特征空间起点，生成的图像在构图和纹理分布上天然有继承感。

不过种子控制也有硬伤：改变较大的镜头角度或场景后，模型往往会“强行贴合”原来的构图，导致新分镜怎么调都像是同一张图裁出来的。这种情况下，我反而建议放弃种子，直接切换到Reference链式操作。

所谓Reference链式操作，就是把上一格的输出图作为下一格的风格和角色参考图。在SD里可以用 ControlNet 的 Reference 预处理器，把参考图的整体风格信息提取出来，再叠加新的提示词控制新构图。这样做既保留了角色资产特征，又不至于被种子困死。对于复杂的分镜序列，我一般会把种子控制和Reference链式操作混用：动作小、场景变化少的分镜用种子变奏；大角度切换、场景转换的分镜用Reference重开。

4. 实测中最容易翻车的五个问题与排查速查表

4.1 眼睛和五官“二次元化漂移”

3D国漫风格的第一个翻车点，几乎都集中在眼睛。明明提示词里写了“large dark brown eyes”，跑出来却变成细长的狐眼，或者一个眼睛大一个眼睛小。这个问题本质上是底模底层训练集中包含的“动漫脸”数据在捣乱。它会把所有女性角色往自己最熟练的二次元模板上拉。

我的处理方案是三层保险：第一，在角色资产块中把眼睛描述写得非常具体，比如“big round eyes, thick upper eyelid, visible lower eyelid, bright brown iris”。第二，把“doll face、fox eyes、cat eyes、narrow eyes”这些变脸型特征词全部打进负面提示词。第三，如果还要继续崩，就用局部重绘锁定眼部区域，把五官重绘幅度压到0.25以内。实测下来，这三层做完，眼睛基本能稳住。

4.2 服饰花纹细节变异

你画一件绣花汉服，第一格花纹在衣领左边，第二格跑到了右肩，这种问题提示词层面很难完全避免，因为模型对细节纹理的编码能力本来就不强。我的建议是别指望提示词精确控制纹样位置，而是用ControlNet的Lineart或Depth控制服饰轮廓，再用图生图局部重绘去修纹样位移。

另外，给服饰加“high detail embroidery”这类词时，要确保它的权重不高于1.0，否则模型会疯了一样往衣服上堆对称碎花，反而破坏了资产一致性。

4.3 光影随镜头跳跃

分镜最大的连贯性杀手就是光影。上一格落日暖光，下一格突然变成冷白顶光，读者立刻会觉得跳戏。排查思路是：先检查光照块是否沿用统一语汇，比如“warm sunset light, key light from right”，不要每格重新发明一个光源。再看CFG和步数设置，过高的CFG会放大光影对比，建议控制7到9之间。

如果还是跳，可以在重绘时启用ControlNet的Depth预处理器锁定场景深度，让光的方向和物体阴影关系保持稳定。

4.4 透视与机位不一致

三个分镜里，第一个是平视，第二个突然变成仰角大透视，这种机位跳跃不是说完全不能用，而是如果这不是你刻意设计的镜头语言，它会显得非常业余。排查思路是检查镜头块里是否统一写了“eye-level camera”或“low angle”。如果写了但还是不一致，多半是底模对镜头词的理解不稳定，可以换成更常见的焦距描述，比如“35mm, standard lens, eye-level shot”。

我这里还建议新手在分镜规划阶段就写出“镜头轨则表”，列出每一格的景别、机位、焦距，不要凭感觉临场发挥。

4.5 多角色干扰

如果同一张图里还有第二个人，那角色资产完整性模型的难度会翻倍。多角色最大的问题是模型会把两个人的服装、发型特征进行“混淆重组”，导致女主的脸突然出现男二的发型。我的方法是：给每个人物单独建立写死的人物标签，用“character A”和“character B”来区分，并利用SD的“BREAK”语法或分隔符，把两个人的描述块彻底分离。同时，两人的角色资产块文字顺序不能随意交换，保持每次生成时完全一致。

4.6 常见问题排查速查表

下面这张表是我根据多次实测整理的，建议直接收藏。里面的数值都是相对保守的可用范围，实际项目可以根据你的底模微调，但思路固定不变。

5. 最后说点实操上的真心话

这套方法的落地难度其实不在技术，而在能不能坚持“项目化思维”去对待每一次出图。我见过太多人，先是惊艳于首张效果，然后为了省事，下一张直接复制粘贴随便改几个词，结果角色一点点走样，最后只能翻回去重新抽卡。如果你真心想用AI画出有连续叙事感的内容，一定要养成资产卡和分镜表的习惯，它们比任何玄学提示词都重要。

另一个我踩过很多次的坑是：不要在同一版本里混用过多Lora，尤其是画风和角色Lora一起堆的时候，角色资产块的提示词会失去主导权。我现在每次跑图之前都会把用到的Lora权重和角色资产块一起记录到资产卡里，下次直接复现。

说到底，提示词工程不是背模板，而是理解模型怎么“看”你的描述，然后用结构化的方式把角色灵魂封装起来。这里分享的这个流程，是我从大量3D国漫项目里提炼出来的，希望你在实际跑图时能少走一段弯路。