一句话生成仙侠壁纸：Skill加持下三大Agent实测对比

从一句大白话到东方仙侠大片

用AI画一张能当壁纸的东方仙侠图，需要多复杂的提示词工程？这次测试给出了一个反直觉的答案：只需要一句大白话，加上一个正确的"技能包"（Skill）。

提示词工程（Prompt Engineering）自2022年大模型爆发以来，已经从简单的关键词堆砌演变为一门系统性学科。早期的AI绘画用户需要掌握大量特定语法：权重标记（如Stable Diffusion中用括号和数字调节某一元素的生成强度）、负面提示词（告诉模型"不要生成什么"）、采样器参数（控制去噪步骤中使用的数学算法，如Euler、DPM++等）、CFG值（Classifier-Free Guidance Scale，控制模型对提示词的"服从程度"，值越高越忠实但可能过度饱和）等，一段有效的Stable Diffusion提示词动辄数百个token。这种高门槛催生了提示词交易市场（如PromptBase、Civitai等平台）和专门的提示词优化工具。而Skill的出现代表了一种新范式：将提示词工程的复杂性封装为可复用的模块，用户无需理解底层机制即可获得专家级输出。这种思路类似于编程领域从汇编语言到高级语言的抽象跃迁——底层复杂性并未消失，只是被更高层的接口屏蔽了。

测试的核心命题很简单——同一句话，让AI画两遍。一遍装了名为"东方仙侠视觉导演"的Skill，一遍不装。结果差异之大，直接决定了那张图能不能拿去当桌面壁纸。

这次横向对比选取了三个Agent：Codex、WorkBody和Grog。有意思的是，Skill本身并不出图，它更像一个"导演"角色，真正的绘制能力还是取决于你手上那个Agent会不会"画"。这里需要理解Skill在AI Agent生态中的定位：它本质上是一组预定义的规则、约束条件和工作流模板，能够在Agent执行任务时注入特定的领域知识和决策逻辑。与传统的系统提示词（System Prompt）不同，Skill通常具备更强的结构化特征——它可以包含条件判断、参数约束、迭代规则等复杂逻辑，而不仅仅是一段描述性文字。打个比方，System Prompt像是给员工的一份"岗位描述"，而Skill更像一本完整的"操作手册"加"质量检验标准"。这种设计思路源自软件工程中的"关注点分离"（Separation of Concerns）原则：将领域专业知识从通用执行能力中剥离出来，使得两者可以独立迭代和组合。就像一个摄影师可以今天拍婚礼、明天拍商品，核心拍摄能力不变，变的是不同场景下的拍摄手册。

Skill安装速度：三大Agent表现对比

第一个观察点是Skill的自动安装能力。测试者只是把一句话丢过去，一个命令都没有手动敲，Codex就在1分23秒内自己完成了安装。

同样的操作在另外两家的表现是：

• WorkBody：58秒
• Grog：1分48秒
• Codex：1分23秒

单从安装速度看，WorkBody最快。但速度只是入场券，真正的差距在后面的执行环节。

Agent自动安装Skill的能力涉及多个底层技术环节：首先是意图识别——Agent需要从用户的自然语言输入中判断当前任务需要哪个工具，这依赖于Agent内部的任务规划模块（Task Planning），通常基于大语言模型的推理能力来完成从"画一张仙侠图"到"需要安装视觉导演Skill"的逻辑跳转；其次是环境配置——自动完成依赖检查、权限申请和运行时环境搭建，包括确认Skill文件的完整性、校验版本兼容性、分配必要的计算资源等；最后是验证确认——安装完成后进行功能性测试以确保工具可用，类似于软件部署后的冒烟测试（Smoke Test）。这一过程在传统DevOps领域被称为"零接触部署"（Zero-Touch Provisioning），最早应用于网络设备的自动配置场景，如今在AI Agent领域的实现标志着Agent正从"被动执行者"向"自主行动者"演进。值得注意的是，安装速度的差异可能反映了各Agent在工具链管理、网络请求优化和缓存机制等方面的不同实现策略。

这也说明了一个道理：Agent的自动化能力（能否零命令自主装配工具）已经成为衡量其成熟度的重要指标之一，而不再仅仅比拼生成质量。在学术界，这种能力被归类为Agent的"工具使用能力"（Tool Use），是当前多模态Agent研究的核心评估维度之一，与推理能力、记忆能力并列为Agent的三大基础能力。

Codex出图流程：先出方案再出图

输入的原始提示词是一句典型的大白话：

云海上一座长桥，尽头一扇仙门，还有一个人背对着站在桥中间。

收到指令后，Codex在24秒内先返回了一大段结构化的文字，而不是直接出图。这段返回包含三个部分：

1. 完整的画面描述——可以整段复制带走的详细prompt；
2. 负面清单——单列出"哪些东西不许出现"；
3. 三个可迭代方向——供后续继续调整的建议。

这种"先出方案、再出图"的工作流，本质上是把一个模糊的自然语言需求，翻译成了一份可执行、可复用的视觉规范。它把"运气成分"降到了最低。在传统的AI绘画流程中，用户输入一句话后模型直接生成图像，结果具有很大的随机性——同一个提示词跑十次可能得到十张风格迥异的结果。而"先出方案"的方式相当于在模糊需求和最终生成之间插入了一个"规范化层"（Normalization Layer），将主观的审美意图转化为客观的、可量化的技术参数，从根本上降低了输出的方差。

其中负面清单在AI图像生成中扮演着至关重要的角色。从技术原理看，扩散模型（Diffusion Model）在去噪过程中，会将负面提示词对应的语义向量作为反向引导信号——即模型在每一步去噪时，不仅朝着正面描述的方向靠近，同时主动远离负面描述的方向。更具体地说，在Classifier-Free Guidance机制中，模型会计算两个方向的预测：一个基于正面提示词的条件预测，一个基于负面提示词的条件预测。最终的生成方向是在这两者之间做加权插值——放大正向引导的同时抑制负向内容。这就是为什么一个精心设计的负面清单往往比正面描述更能决定画面质量。实践中，负面清单能有效抑制模型的"默认倾向"，比如AI绘画模型在生成建筑时倾向于添加过多装饰细节（因为训练数据中精美建筑图片往往细节丰富），通过负面清单明确排除这些元素，可以实现更克制、更有意境的画面效果。这也解释了为何专业的AI绘画社区中，负面提示词的长度经常超过正面提示词。

AI自我修正：自动返工机制

更值得关注的是生成过程中的自我修正。图在3分32秒出来，但中间Codex自己"返工"过一次。

它发现第一版"人物明显大于锁定的3%"，于是主动拉远镜头、延长桥面，在原图基础上改了一版。这种基于自设规则的自动校验与迭代，是普通"一次性出图"工具所不具备的。

从技术架构看，这种自动返工属于"闭环反馈"（Closed-Loop Feedback）架构的典型应用。与之对应的是"开环"（Open-Loop）架构，即输入一个指令、输出一个结果、流程结束——目前市面上绝大多数AI绘画工具仍停留在这一阶段。在闭环架构下，系统不仅执行生成任务，还内置了评估模块对输出结果进行量化检验。具体到本案例中，系统在生成图像后会通过视觉分析（可能是目标检测模型如YOLO或语义分割模型如SAM）计算人物在画面中的占比，当检测到偏离预设的3%阈值时，自动触发重新生成流程并调整构图参数（如视角距离、画面裁切比例等）。这种"生成-评估-修正"的循环在强化学习领域被广泛使用（如RLHF中的奖励模型反馈），在机器人控制中也是标准范式（感知-决策-执行-反馈），如今被引入生成式AI工具链，代表了从"单次推理"到"迭代优化"的范式升级。这一转变的意义在于：AI不再仅仅是"给什么画什么"的工具，而开始具备"审视自己作品"的元认知能力。

装Skill与不装Skill：效果差异实测

这是整个测试最核心、也最能说服人的部分。测试者坦言自己一开始并不相信："图好看归好看，一句话谁不会写，凭什么装了就不一样？"

于是把Skill关掉，用同一句话再跑一遍，两张图摆在一起对比，差异一目了然。

差异一：桥栏杆的视觉留白

• 没装Skill：桥两边从头到尾全是雕花石栏杆，画面繁琐；
• 装了Skill：桥面控住，两边就是纯粹的云海。

原因在于视觉导演自己写了一条硬规矩——"桥边不许加栏杆"。这条规则约束了模型的默认倾向，让画面更有留白与意境。

这背后有一个有趣的技术现象：AI绘画模型在训练过程中学习了海量的"桥"的图片数据，其中绝大多数桥都带有栏杆（无论是现实照片还是绘画作品，桥+栏杆几乎是标配组合），因此模型在生成"桥"这一概念时，会以高概率附带栏杆元素。这就是所谓的"数据先验偏差"（Data Prior Bias）——模型倾向于生成训练数据中的高频模式，本质上是条件概率分布P(栏杆|桥)在训练数据中极高所致。类似的例子还有很多：生成"教室"几乎必出黑板，生成"沙滩"几乎必出椰子树，生成"中国古建筑"几乎必出红墙金瓦。这些统计关联在日常场景中是有用的（让生成结果"看起来正常"），但在需要独特艺术表达的场景中反而成了束缚。Skill通过负面约束强行抑制了这种统计倾向，相当于告诉模型"我知道你觉得桥应该有栏杆，但这次不要"，从而实现超越"平均水平"的艺术表达。这也是为什么优秀的人类艺术指导同样需要大量使用"减法"——真正的高级感往往不在于加了什么，而在于克制住了什么。

差异二：人物比例的精准控制

• 没装Skill：人物目测占了画面的四分之一，喧宾夺主；
• 装了Skill：人只是桥中央的一个小点。

同一份规则里明确写了：这一轮把人物锁定到"画面高度的3%"，因为"门才是主角"。哪怕只给一句"太帅了"的反馈，Skill也能维持这个比例约束。

这种精确的构图比例控制在传统AI绘画中一直是痛点。用户可以在提示词中写"一个小小的人影"，但"小小的"到底是多小，完全取决于模型的"理解"——不同的随机种子、不同的采样步数都可能导致截然不同的结果。而Skill将模糊的形容词转化为量化指标（3%），并配合闭环反馈机制进行验证，本质上是将"审美判断"转化为了"工程规范"。这种思路在专业影视制作中早已成熟——电影分镜稿会精确标注每个元素在画面中的位置和比例，而Skill正是将这种专业工作方法注入了AI生成流程。

说个细节，三家Agent里，只有Codex真正把人物缩到了那个3%的比例。这再次印证了前面的判断：Skill提供的是规则和意图，但能否精准执行，取决于Agent本身的能力上限。不同Agent在指令遵循（Instruction Following）能力上的差异，根源在于其底层模型的对齐训练质量、视觉理解能力以及多步推理的稳定性。

结论：Skill是导演，Agent是画师

这次测试清晰地揭示了当前AI生成工具的一个演进方向——能力的解耦。

Skill（如"东方仙侠视觉导演"）扮演的是"导演"角色，负责把模糊需求转化为精确的视觉规范、负面约束和构图比例；而Agent（Codex/WorkBody/Grog）扮演的是"画师"，负责理解并执行这些规范。

能力解耦（Decoupling）是当前AI工具链演进的核心趋势之一，其思想直接借鉴了微服务架构（Microservices Architecture）的设计哲学——将一个庞大的单体系统拆分为多个职责单一、可独立部署的服务模块。在传统的AI绘画工作流中，模型能力、提示词策略、后处理逻辑往往紧密耦合在同一个系统中，导致任何环节的升级都需要全链路调整。比如模型从SDXL升级到SD3，原来的提示词策略可能全部失效，用户积累的经验归零。而"Skill+Agent"的分层架构将决策层（做什么）与执行层（怎么做）彻底分离：Skill可以在不同Agent之间迁移复用——今天用在Codex上效果好的仙侠导演Skill，明天底层Agent升级了，Skill无需修改即可享受新能力；Agent也可以搭载不同领域的Skill来扩展能力边界——同一个Codex可以今天装仙侠导演、明天装赛博朋克导演。这种模式与操作系统中"驱动程序+硬件"的关系高度类似，也类似游戏引擎中"资源包+渲染引擎"的分离设计，预示着AI生态可能走向类似App Store的分发模式——未来用户选择的不只是哪个AI模型，更是搭配哪些Skill来构建自己的专属创作工作流。我们可能会看到一个"Skill市场"的兴起，其中顶级的视觉导演Skill、文案策略Skill、代码架构Skill各自独立发展，由专业的"Skill开发者"群体来维护迭代。

对普通用户而言，这意味着AI绘画门槛的大幅降低：不需要成为提示词工程专家，只要一句大白话加一个合适的Skill，就能稳定产出高质量作品。而对开发者而言，构建可复用的"视觉导演"式Skill，可能是比训练大模型更务实的差异化路径——毕竟训练一个基础模型需要数千万美元的算力投入，而打磨一个优秀的Skill只需要深厚的领域知识和精心的规则设计。

如果你也想试试，云海仙山还是宫门主题，都可以从一句大白话开始。