一个做独立游戏的小团队，美术只有一个人。他们需要四十张场景概念图、二十个角色立绘，风格还得统一。用 AI 出图是唯一现实的选择，问题出在第二步：同一段描述，三个工具给出的东西完全不像一个世界——一个偏照片，一个偏水墨，一个偏动画。风格不是形容词，它决定了要用哪个工具、写什么样的提示词、接受什么样的缺陷。这篇按写实、国风、二次元三条线拆开讲，每条线给出适合的人、要付的代价、以及什么时候会失效。
三种风格，难的地方不在同一处
写实要过的是「像不像照片」这一关。皮肤的高光、毛孔的过渡、光线在物体上的衰减、景深的虚实，任何一处不对，眼睛立刻报警。人对人脸的敏感度极高，一点塑料感就会被识别出来。这类风格考验的是模型对物理和材质的建模能力。
国风要过的是「文化细节对不对」这一关。服饰的形制、纹样的来源、建筑的构件、器物的比例，画错了外行看不出，内行一眼就摇头。模型在这类题材上的训练数据密度远低于日系动漫，容易出现「元素都对、组合不对」的情况，比如把不同朝代的衣领拼在一件衣服上。
二次元要过的是「画风统一」这一关。单张好看不难，难的是二十张放在一起像同一个人画的。线条粗细、眼睛画法、上色是平涂还是厚涂、阴影是硬边还是渐变，这些参数在文字描述里很难精确表达，只能靠参考图和风格锁定。
四种类型，各自的代价与失效点
把常见的四类需求并排，选择就变成了一道算术题：
| 类型 | 适合谁 | 代价 | 失效条件 |
|---|---|---|---|
| 写实摄影风 | 需要产品图、场景概念、人物肖像的电商与影视前期 | 出图慢，废片率高，往往生成十几张挑一张；后期修图省不掉 | 出现手部特写、复杂文字、多人互动、镜面反射时，破绽集中爆发 |
| 国风水墨 / 工笔 | 做文创、游戏场景、书籍插画的团队 | 需要大量风格限定词和参考图，迭代轮次多；细节考据要人工把关 | 涉及具体朝代形制、真实文物纹样时，模型容易混搭出错 |
| 日系二次元 | 漫画、轻小说插画、虚拟形象、同人创作 | 风格容易撞脸，需要刻意做差异化；角色一致性要靠工具功能 | 要求特定画师笔触、复杂透视、多人同框时，一致性迅速崩 |
| 商业扁平插画 | 做演示文稿、落地页、课程封面的运营与设计 | 风格同质化严重，容易看出是生成物；改配色要整组重出 | 需要品牌专属视觉规范、精确排版留白时，几乎不可用 |
第三列最容易被低估。写实的代价是时间，国风的代价是考据，二次元的代价是差异化，扁平插画的代价是辨识度。选之前先问自己愿意付哪一笔，比问「哪个工具强」有用得多。
提示词里，风格只占一层
一条能用的绘画提示词通常有四层：主体，画的是谁、在做什么；风格，写实还是水墨还是日系；构图与镜头，全身还是特写、平视还是俯视、大致焦段；光影与氛围，顺光、逆光、雨夜、晨雾。新手常犯的错是把四层全塞进「风格」里，写成「唯美写实国风二次元」，结果模型给出一个四不像。
四层的权重不一样。主体决定画面有没有内容，构图决定画面能不能用，风格决定它像什么，光影决定情绪。做商业图时，构图和留白的优先级往往高于风格——一张风格再准的图，如果主体被裁掉一半，也没法用。这套分层写法和通用提示词的结构相通：先定任务，再定约束，最后定表达。
还有一个常被忽略的层：排除。要避开什么，得单独说。多余的手指、水印、画面里的文字、标志、畸形的肢体，这些在多数工具里需要显式排除，只靠正向描述压不住。
单张好看与一组统一，是两种能力
出单张图，考的是模型；出一组图，考的是流程。角色一致性、场景连贯性、色调统一，这三件事在纯文字生成里几乎无解，因为每次生成都是一次独立采样。业界的做法是引入参考：垫图、角色锁定、风格参考、局部重绘，本质都是把「上一次的结果」变成「这一次的约束」。
这类需求推动了不少工具做微调和个性化训练：拿二三十张自己的图训一个小模型，之后每次生成都带自己的风格底色。代价是需要素材、需要时间，而且训完之后风格会被锁死，想换要重来。对个人创作者，这通常不划算；对要做长期项目的团队，这是唯一稳定的路。
判断自己需不需要走到这一步，看一个指标：同一批图里，你能接受多少张风格跑偏。做单张海报，跑偏了重出即可；做四十张一套的游戏美术，跑偏一张就得返工，这时候流程的价值就出来了。
三种风格各自的失真点
写实的失真集中在结构。手指数量、牙齿排列、耳朵形状、眼镜腿的连接、织物的褶皱走向，这些是模型长期的老问题。近两年进步明显，但在特写和多人场景里仍会出错，而且错得很自然——远看没问题，放大才发现不对。
国风的失真集中在考据。模型学到的是国风的视觉印象，不是某个朝代的制度。它会把唐宋明清的元素自由组合，会给出并不存在的纹样，会把建筑构件装到错误的位置。用于商业项目时，涉及具体历史题材的图必须请人核对，这一条没有捷径。
二次元的失真集中在一致性。同一角色换个角度、换个表情，发色深浅、瞳色、服装细节都可能漂移。工具提供的角色参考能缓解，但缓解不等于解决，复杂姿态和多人同框时仍会崩。这也是为什么很多团队最后走回「AI 出草图、人来勾线」的混合流程。
还有一层更根本的限制：三种风格都做不好精确的文字。画面里要出现中文标题、招牌、书脊文字时，生成结果多半是似是而非的字符。需要带字的图，通常做法是先出无字底图，再用排版工具加字。
选工具的顺序：先定风格，再比三张
可行的流程是这样：先用一段自己写的最典型的描述，在两三个工具里各生成三张，不看参数表，只看结果离你想要的感觉有多远。风格匹配度是最难通过调参弥补的，一个工具在国风上天生弱，你写一百个限定词也救不回来。
第二步看可控性。能不能局部重绘、能不能锁定角色、能不能指定尺寸比例、能不能垫参考图，这些决定了它能不能进工作流。第三步才看价格与授权，包括商用范围、生成内容的归属、是否允许用于训练。免费版与付费版在这三方面的差别，往往比出图质量差别更大。
最后是两条合规线：不要直接写某位在世画师的名字来模仿其个人风格，这类做法在多数平台的条款里被明确限制，也存在侵权风险；不要生成知名角色、他人肖像、商标用于商业用途。这两条与工具有多强无关，是使用者的责任。
速查：三种风格的取舍
- 写实：拼结构与材质，废片率高，特写和多人场景最易露馅
- 国风：拼考据，元素组合常出错，历史题材必须人工核对
- 二次元：拼一致性，单张不难，一组统一才是真门槛
- 带字的图先出无字底图，再排版加字
- 选工具看三件事：风格匹配、可控性、商用授权
回到那个只有一名美术的小团队。他们最后选的方案是：二次元风格出一批角色草图，人工勾线定稿；场景用写实风出概念图，再手绘覆盖。AI 承担的是从零到有的那一段，从有到能用仍然靠人。这个分工在目前的工具水平下，比期待一次生成到位要现实得多。具体能力与授权条款，以各平台官方说明为准。
