AI审美不稳定？用“审美判官+审美编译”双Skill组合解决

AI这东西，技术上是真强，审美上是真迷。我让AI给我出一张活动宣传图，出来的东西像楼下打印店十几年前的模板；我让AI帮我评两张图哪个好看，它来一句"两张各有千秋，都很优秀"——等于没说。这种体验估计每个玩AI的人都经历过。

模型预训练的时候没少"看"美术史、设计原则，构图、色彩、光影这些知识明明都存在参数里，为什么一到实际应用就掉链子？我后来想明白了：问题不在模型，在交互方式。AI不缺审美知识，缺的是一套能稳定调动这些知识的工作方法。于是折腾了一段时间，我总结出两个Skill的组合打法，一个管"看"，一个管"做"，配合起来用，AI的审美水平基本稳定在线，不再靠抽卡。

这篇文章就把这两个Skill的设计思路、完整指令、实测数据和踩坑过程完整分享出来。适合三类人看：天天被AI丑图逼疯的绘画玩家，用AI做设计但说不出哪里不对的从业者，以及在搭建Agent技能包时想知道"Skill到底该怎么设计"的开发者。

1. AI审美失灵的真实原因：知识都在，只是没人让它用

在讲Skill之前，得先把病灶找清楚。审美不是玄学，它是可以被结构化的知识，但大多数人跟AI交互的方式，恰好绕开了这部分知识。

1.1 模型的默认人格是"随和助手"，不是"毒舌总监"

大模型在海量图文数据里训练过，伦勃朗的布光、莫兰迪的配色、康定斯基的构图，这些信息通通在它的参数空间里。但你直接用默认对话模式问"这张图怎么样"，它给你的回复往往遵循一个隐藏逻辑：让用户开心。于是它倾向于输出安全、通用、讨喜的结论——"构图不错""色彩很舒服""很有氛围感"。

这不是模型蠢，而是语言模型的默认人格是一个随和的助手，不是一个挑剔的艺术总监。如果你不显式地告诉它"现在切换到专业评审模式"，它就会一直按着"人畜无害"的路线走。Skill的本质作用，就是把"设计总监"这个专业副人格显式地加载进来，让AI绕开默认回复模式。

1.2 大多数提示词"土"的四个根源

我复盘过自己早期的提示词，也看过周围同事写的，发现"出图土"基本逃不出这几个原因：

• 堆砌空洞形容词："绝美、震撼、高清、唯美"这类词，在模型看来信息量极低。你要的是画面里具体的光影关系、色彩区间、主体占比，而不是情绪感叹。
• 混淆"清晰度"和"美"：很多人以为加了8K、细节丰富、超高分辨率画面就高级了。清晰度解决的是"看不看得清"，审美解决的是"看了舒不舒服"，完全是两件事。锐化过度的图往往又脏又累。
• 风格词汇混杂：国风、赛博朋克、油画质感一股脑全塞进去，风格混搭不是不能做，但需要明确主次和比例。没有统一的美学准则，AI只能按训练数据里的概率分布给你拼一个大杂烩。
• 从不描述构图：AI对构图的理解完全依赖你的提示词。你不说三分法、不引导视线、不设留白，模型就按最常见的分布走——主体居中，背景铺满，结果就是千篇一律的"大头照风"。

这三个问题指向同一个解决方案：审美知识必须显式化。

1.3 Skill的底层逻辑：把隐性审美知识变成可调用的显式程序

Skill说穿了就是一段结构化的指令加示例库，它的作用是让模型在特定任务里采用特定的认知框架。审美这东西看似主观，但落到画面分析上，无非是构图、色彩、光影、层级、质感几个维度。你把审美知识组织成"维度+规则+评分标准"后交给AI，它就不再靠感觉瞎蒙，而是像一个受过训练的设计师那样按专业路径去分析。

我最终定型的是两个模块：

• 审美判官：负责"看"，给画面做结构化诊断，输出可执行的修改建议。
• 审美编译：负责"做"，把抽象的审美名词翻译成模型能执行的画面配方。

判官负责诊断，编译负责开药方。两者配合，AI的审美输出就从"碰运气"变成了"流水线"，这是整套方法的核心。

2. 第一个Skill「审美判官」：让AI从夸夸党变成设计评审

先做"看"的能力。因为如果AI连"哪里不好"都说不清楚，后续"怎么做好的"就更无从谈起。

2.1 为什么AI的"好看"等于什么都没说

直接问AI"这张海报好不好看"，它给你的是情绪判断；但你需要的是事实判断。一个设计师拿到一张图，脑子里转的是：主体够不够突出、色彩有没有冲突、光线引导眼睛往哪看、信息层级是否清晰。AI也可以做到这个程度，前提是你得告诉它从哪几个维度看、按什么标准打分、输出用什么格式。

"好看"是一个模糊的情绪词，不是可执行的信息。评委价值的高低，取决于它能不能给出"下一步怎么改"的具体指令。

2.2 「审美判官」的完整指令

下面是我目前一直在用的版本，你可以直接复制到你的AI工具里作为System Prompt，或在Agent平台里建成一个固定技能。注意，每个平台称呼不一样，有的叫人设、有的叫技能、有的叫自定义指令，本质都是同一个东西。

# 角色 你是拥有20年经验的艺术指导与视觉评审，精通构图学、色彩理论、光影设计、版式原理。你的任务不是夸人，而是通过结构化维度对图像/设计提出可执行的诊断意见。 # 评审维度（按权重排序） 1. 构图：画面主体位置、引导线、留白比例、三分法/对称/对角线利用情况 2. 色彩：色彩和谐度（相邻色/互补色/分裂互补）、饱和度控制、色彩情绪是否匹配主题 3. 光影：主光方向与预期情绪是否一致、明暗层次是否分明、有没有光污染或死黑区域 4. 视觉层级：第一眼落到哪里、信息主次是否清楚、视线是否有清晰动线 5. 质感与细节：材质表现、纹理是否自然、有没有明显塑料感或AI痕迹 6. 风格统一性：整体美学范式是否一致，有没有出现混风/乱入元素 # 评分标准 - 90-100：可直接投放市场，无需修改 - 80-89：优秀，有1-2处小瑕疵，微调即可 - 70-79：合格，有明显短板但不伤主体 - 60-69：及格线，需要结构性调整 - 60以下：重大缺陷，建议重新出图 # 输出格式 1. 先给总分（百分制），一句话概括主体印象 2. 用"按优先级排序"的问题列表给诊断意见，最严重的问题放最前面 3. 最后给出最多3条修改建议，每一条必须能直接执行 # 禁令 禁止使用"高级感""氛围感""整体不错"等无信息量词汇。 所有形容词必须落实到具体的画面元素，比如"背景饱和度偏高导致前景文字对比度下降"这类级别。

有几个设计细节值得说一下。评分锚点必须明确，否则AI给你乱打分会让你失去对质量的判断；输出格式限定"先诊断后建议"是为了防止它把问题和方案混在一团；禁令是重点，"高级感"这个词是最典型的空转词汇，AI说了等于没说，你得逼它把"高级感"翻译成具体的色彩区间或材质表现。

2.3 挂载步骤与使用方式

以支持多模态输入的AI助手为例，操作路径如下：

1. 把上面的指令粘贴到"技能区/人设区/System Prompt"，保存
2. 使用的时候，直接上传图片，然后附上一句请求："请按评审标准打分并给出诊断"
3. 如果你用的是文生图工具（不直接支持多模态对话），就把生成参数、种子号、采样器和参考图贴回去，让判官结合后端信息来分析

这里有个小技巧：同一张图，你可以让判官用"debug模式"（只挑毛病）和"访谈模式"（先讲优点再讲缺点）各看一遍。做项目评审时用debug模式，快速定位问题；跟同事对齐审美时用访谈模式，从优点切入，沟通阻力会小很多。

2.4 实测效果：赞美词与诊断书的差距

为了展示对比，我拿一张AI生成的"科技峰会主视觉海报"做过一次测试。画面描述是：蓝色调，背景星空，主体是一个发光的晶体，居中构图，下方有活动文案。

普通问法得到的评价：

"海报整体大气，充满科技感，视觉冲击力强，蓝色营造出冷静专业的氛围。"

这段话有错吗？没错。有用吗？基本没用。它没有告诉你任何可以改进的操作。

换成「审美判官」Skill后输出：

"总分68。构图：主体居中，左右两侧信息密度不均，右下角光斑严重分散注意力，视线没有明确动线；色彩：单一蓝色系趋于安全但层次不足，主背景饱和度偏高，导致前景白字对比度下降；光影：晶体光晕与背景星点亮度接近，缺少主光与辅光的主次关系。修改建议：1. 晶体向左移动至三分线位置，右侧用斜向流线填补空白；2. 背景饱和度降低8-10%，为前景文字留出明度差；3. 增加单一主光源方向，让星点退到次要亮度层次。"

看到区别了吗？前者是赞美，后者是诊断书。68分这个数字本身也在告诉你：这图现在不能直接用。我并没有额外投入什么，只是在交互方式上加了"用专业框架审视"这一层，AI的输出质量就有了质变。

3. 第二个Skill「审美编译」：把美学词汇翻译成模型能执行的语言

判官解决了"看不看得出"，接下来要解决"做不做得出"。这一步很关键，因为"能鉴赏"和"能创作"是两种完全不同的能力。

3.1 你让AI画"高级感"，它真的不知道你在说什么

如果你只给AI一个词"高级感"，它能帮你评价一张图是不是高级，但你要它画一张"高级感"的图，它就抓瞎了。原因是"高级感"这类抽象词在生成模型那里没有明确的落点——模型不知道你说的"高级"是指低饱和、多留白、材质哑光，还是指极简构图、单一光源、大面纯色。

你需要的是一套"翻译规则"，把风格描述转换成模型能理解的画面参数。这就是「审美编译」的定位：它是风格翻译引擎，不是美术词典。

3.2 「审美编译」的完整指令

我还是直接给出可复制的版本：

# 角色 你是视觉翻译引擎，负责将抽象的风格/情绪描述，翻译成具体、可执行的画面配方。你的输出必须包含5个模块：构图建议、色彩配方、光影方案、材质与细节、情绪锚点。 # 工作方式 用户给一个风格词或一段情绪描述，你按以下格式输出画面配方，不接受"氛围感""高级感"这类空泛表述，所有元素必须落实到数值区间或具体指令。 # 输出模板 【构图建议】主体位置、占比、留白区域、引导线安排 【色彩配方】主色/辅色/点缀色的色相名称+饱和度区间+明度区间，必要时给出HEX参考 【光影方案】光源方向、光比大小、阴影硬度、是否逆光/轮廓光 【材质与细节】表面质感、纹理特征、边缘处理 【情绪锚点】画面中哪一个元素承担情绪表达，为什么选它

然后，你要给它一些"配方词典"作为参考，否则它还是不知道该怎么落地。我最初给的是几个常用风格的核心配方，你可以按需扩展：

这份词典的价值在于：它把"风格"从形容词变成了可执行的参数组合。你完全可以根据自己偏好往里加条目。

3.3 编译输出示例：一段可以直接用的"提示词配方"

问「审美编译」：帮我做一个新中式的茶品牌海报，需要安静感。

它会输出类似这样的配方：

【构图建议】主体（茶壶）置于画面右侧三分之一线，左侧留白40%，从壶嘴方向引入一条斜向引导线 【色彩配方】主色#C8BBA4（灰杏仁调），辅色#6B7159（橄榄灰），点缀色#B23A2F（朱砂），整体明度区间55%-70%，饱和度控制在25%以内 【光影方案】左侧45度顶光，光比1:2，阴影边缘柔化，无硬光斑 【材质与细节】宣纸纹理背景，茶壶边缘轻微做旧，壶身亚光质感 【情绪锚点】画面只有一只壶架在砚台边，不出现人物，强化午后等待感

这段配方可以直接接在文生图工具的提示词前面，也可以作为纠偏指令发给图生图工具："按这个配方重新生成一版"。

3.4 实测效果：同一个词的两种出图结果

我用"新中式茶品牌海报"做过对照测试。

普通提示词："一张高级感的新中式茶品牌海报，精致，有韵味，国风"——出的图：祥云、灯笼、山峰、茶叶罐全往上堆，元素密度极高，看着像年历封面，色彩还很乱，红金绿全上了。

换成「审美编译」配方后再生成——构图一下就干净了，留白处透气，色彩统一在暖灰调里，朱砂点缀点到为止，视觉重心集中在茶壶本身。同一台设备、同一个模型，仅仅因为提示词的"词汇级别"不同，效果差距就有这么大。

记住一个原则：**跟AI说"好氛围"，不如说"光比1:2、饱和度25%、主体占比40%"。**模型对数值和空间关系的理解，远比对形容词的理解准确。

4. 两个Skill组成闭环：生成、诊断、开方、再生成

单个Skill各有用途，但真正的价值爆发是在它们组成闭环之后。我现在出图的基本流程是固定的一套组合拳，跑两三轮就能把一张图从"凑合能看"推到"可以直接交差"。

4.1 闭环工作流设计

1. 编译开方：用「审美编译」把需求翻译成画面配方
2. 首次生成：按配方出图，一次出6张左右作为候选
3. 判官诊断：把候选中相对最好的一张送入「审美判官」，打分并列出问题
4. 编译修正：把判官的问题清单丢回「审美编译」，让它转成精确的二次修正配方
5. 二次生成：用修正配方重新生成，再让判官验证
6. 裁决：判官打分达到80分以上（我个人的投放基线），就收工

整个过程跑一轮大概20分钟。前期调Skill花的时间多一些，但调好之后，这套闭环非常稳定。

4.2 一次实跑记录：一张咖啡海报的两轮迭代

拿最近的咖啡品牌海报需求做个实录，这是跑完第一轮的真实记录：

第一轮，编译给出的配方方向是：暖调、午后阳光、欧式石墙作背景、木质桌面、玻璃杯折射光。6张候选图里我选了一张构图最舒服的，送进判官。

判官输出：总分62。问题按优先级排：

• 玻璃杯的高光区域过曝，破坏质感
• 背景石墙纹理很乱，像两种不同材质被拼接在一起
• 主体占画面58%，留白不足，视觉上很挤
• 暖色饱和度整体超出15%，画面偏"黄"

我把这段诊断原封不动丢给编译，要求它输出修正配方。编译器给出的调整是：玻璃杯高光压暗2档、石墙纹理锁定为"单色清水砖、勾缝均匀"、主体占比下调到40%、整体饱和度降10%并加一层冷灰平衡。

第二轮按新配方生成，判官打分84。相比第一轮，构图呼吸感出来了，背景不再抢眼，玻璃杯的高光也收敛了。62到84，中间只隔了一次"诊断-开方"的循环。这个过程，本质上就是在复刻一个设计总监带助理改稿的流程，只是这个助理手速极快，愿意无限重来。

4.3 这套组合拳不只能用在文生图上

「判官+编译」的组合其实是一种普适的审美工作范式，换场景依然成立：

• AI做PPT排版：判官负责审版式，检查信息层级和留白问题；编译负责给出配色比例和字体搭配方案
• AI写文案的画面感：判官审文字里有没有具体可感的意象，编译把抽象表达（比如"很孤独"）翻译成有画面细节的版本（"走廊尽头只有一盏灯"）
• AI做视频封面/小红书首图：构图、色彩、标题位置三个要素的"判官+编译"逻辑完全一致，换成对应场景词就行

只要涉及"评判+生成"这对动作，闭环都能用。

5. 部署Skill时踩过的大坑：四条血泪教训

这套方案不是一次就调通的。前面踩的坑不少，挑最典型的四个说说，给准备入手的你打个预防针。

5.1 坑一：Skill写成了百科全书，AI反而变笨

我第一次写「审美判官」时，恨不得把构图的十几条法则、色彩的所有术语全部塞进去。结果模型输出变得非常臃肿，每条诊断列12个维度，而且维度之间互相覆盖，读起来像论文不像诊断书，根本没法直接用。

后来我砍掉冗余维度，只保留了真正影响出图决策的6个维度，示例不超过3条，每条诊断按优先级排序。精简之后，输出质量反而大幅上升。**Skill不是知识库，是工作指令。**你塞太多背景知识，它会花精力去"展示知识"而不是"完成任务"。

5.2 坑二：结构化输出绑架了诊断质量

一开始我让「审美判官」必须输出严格JSON格式，想着方便程序解析。结果AI花了一半精力去保证字段合法，诊断质量和深度明显缩水，经常出"总分70，问题[]，建议[]"这种空泛内容。

后来我改成"先输出自然语言诊断，再附JSON摘要"两段式。自然语言部分保证信息密度和可读性，JSON摘要留给程序处理。生成类Skill同理：先输出可读的配方文稿，再接一段完整的提示词串，「审美编译」目前就是按这个思路运作的。

5.3 坑三：把Skill放在知识库，模型根本不主动调用

这个坑藏得比较深。很多Agent平台有"知识库"和"技能区/人设区"两个入口。我一度把Skill文档放在知识库里，以为模型会自动参考——实际效果约等于薛定谔的猫：十次回复里有两三次生效，剩下全靠运气。

原因是：知识库对模型来说只是"参考资料"，按需检索。而你写的人设/技能区指令，是"每次对话必须遵循的规则"，优先级完全不同。技能类、规则类、评审类的东西，必须放在指令区，不能丢资料库。踩过这次坑之后，我所有的Skill统一都放到指令位，再没出现过"时灵时不灵"的问题。

5.4 坑四+一个白嫖技巧：温度参数与评分校准

最后聊两个容易被忽略的参数级细节。

Skill效果跟模型的temperature（温度）有关系。我用「审美判官」时会把温度调到0.1-0.2，让输出稳定、口径一致；用「审美编译」时给到0.5-0.7，保留配方的多样性和意外性，避免每次生成的画面配方都一个模子。

另一个技巧是评分锚点校准：刚写完判官Skill时，不要让AI顺手就给你打分。先拿5张你明确喜欢或明确不喜欢的图喂给它，看它给的分数是否符合你的主观排序。如果它给一张你自认60分的图打了90分，说明你的评分标准描述有问题，需要把"60分是什么样、90分是什么样"用例子写清楚。锚点校准做一次就够了，做完之后它的打分才真正对你有参考意义。

6. 这套玩法给我的最大启发

两个Skill折腾下来，我最大的感受不是"AI变聪明了"，而是"AI在特定框架下可以变得非常稳定"。审美不是一个模糊的黑盒，它完全可以被拆解成维度、规则和可执行的参数。你让AI在明确的框架里工作，它的表现往往比自由发挥高出一大截。

最后分享一个小扩展思路：你不一定非要用我这两个Skill，更值得做的是模仿这个模式，去定义你自己的审美偏好包。比如你喜欢极简风，就做一个"极简美学评测+极简视觉编译器"；你搞摄影，就做一个"光影评审+构图翻译器"。核心永远是那句话：**先把审美拆成可说的维度，再把维度变成可执行的动作。**AI审美在线与否，很多时候不是模型的差距，是方法论的差距。