Community图像github.com

greenroom

编写可用于生产的 AI 图片提示词(适用于 Nano Banana Pro / Google Flow 等模型),基于已学习的剧本,并可从您自己的提示词-图片对中学习新模式。当用户要求“我的风格”、“像其他图片一样”或“greenroom 风格”时,或要求分析、学习、更新语料库,或想要网站/UI 图片时使用。

greenroom 是什么?

Greenroom 是一个 AI Agent 技能,它围绕一个核心理念构建:分析那些曾经成功的提示词,将其归纳为剧本,然后基于这个剧本生成所有新的提示词。该技能支持三种模式:学习模式(分析用户的提示词-图片语料库,提取有效的模式并更新剧本)、生成模式(根据已学习的模式组合出全新的、可直接粘贴使用的提示词)、以及 Web 模式(专门为网站和 UI 资产生成图片提示词,例如英雄图、设备样机、背景图等)。该技能支持 Claude Code、Cursor、Codex 等平台,通过文件系统持久化剧本和语料库,避免了每次生成都重新推导模式,从而提高了效率和一致性。其内存包含两个剧本文件(learned-patterns.md 和 web-assets.md)和一个 JSON 语料库文件,确保分析和生成过程高效且可复用。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/BetzalelTusk/greenroom/tree/main

Installed? Explore more 图像 skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Greenroom: 已学习的图片提示词生成

Greenroom 有三种模式,都围绕一个核心理念:分析一个提示词为何有效,将其记录为剧本,然后基于该剧本生成每个新提示词。

此技能包含的文件:

  • references/learned-patterns.md:提炼后的提示词剧本(结构、排版、相机、光照、负向词、质量标签)。附带有种子剧本;学习模式会用用户自己的作品重写它。
  • references/web-assets.md:用于网站和 UI 图片的剧本(绿幕设备样机、纯色背景、叠加空间、按位置区分的宽高比)。
  • corpus/corpus.json:用户的提示词+图片语料库(由用户创建;参见 corpus/corpus.example.json)。其中的图片路径相对于 corpus/。

如果用户将语料库存放在其他地方,他们会告知;请使用该路径。

模式 1:学习(分析语料库)

触发条件:用户要求分析、学习、重新学习或用新示例更新 greenroom。

  1. 读取语料库清单。每个条目将一个图片路径与生成该图片的确切提示词配对,外加可选的备注和标签。如果没有清单,向用户展示以下格式,并提供从他们粘贴的图片和提示词创建清单的选项。
  2. 对于每个尚未分析的条目(与 references/learned-patterns.md 底部的“已分析条目”列表进行比较),通过视觉读取图片及其提示词。针对每对组合提出以下问题:提示词说了什么,图片实际交付了什么?哪些短语明显起到了作用(光照术语、构图指令、风格锚点、质量标签)?图片的哪些部分成功达成且明显由提示词所致?模型在哪些地方偏离了提示词?
  3. 更新 references/learned-patterns.md:将新的观察结果合并到现有章节中,而不是附加一条日志。它是一个提炼后的剧本,不是日记。在对用户自己的语料库进行首次学习时,用用户的示例替换种子示例,并在标题中说明。通过合并,将其保持在约 300 行以内。
  4. 将已分析的条目 ID 追加到“已分析条目”列表中,以便将来运行时跳过它们。

为什么持久化:每个示例分析一次,生成时读取提炼后的剧本,而不是每次都重新推导模式。

模式 2:生成(创建新提示词)

触发条件:用户要求一个新的图片提示词:一个主题、一个场景、“像其他图片一样但 X”、特定的宽高比、情绪或活动需求。

  1. 读取 references/learned-patterns.md。
  2. 组合一个新的提示词,重新组合已学习的模式(结构、短语惯例、光照和构图词汇、质量标签),并根据请求的主题和配置(宽高比、情绪、目标模型)进行调整。
  3. 剧本将作品分为视觉系列(例如排版主导的海报、超现实合成、编辑风格肖像、工作室造型书)。匹配请求所暗示的系列;仅当要求时才混合系列。
  4. 只输出提示词文本:一个可直接粘贴的块,无需理由、标题或注释。如果一个关键设置确实有歧义(宽高比对用途很重要且未提供),则先问一个简短的问题,然后仅输出提示词。

如果剧本标题仍显示为种子剧本,生成仍然有效,但需提醒一次:在用户自己的提示词上运行学习模式将使输出符合他们的风格。

模式 3:Web(网站和 UI 资产的提示词)

触发条件:用户想要一个网站或 Web 组件的图片(英雄图、样机、背景、章节视觉、图标集、缩略图、OG 图片),提到某个网站或页面,或说“greenroom web”。

  1. 首先读取 references/web-assets.md,然后读取 references/learned-patterns.md 以获取短语和质量词汇。在冲突时,Web 剧本优先:无身份锁定、无内嵌文字、绿幕、纯色背景。
  2. 如果用户指定了某个具体资产(例如“一个适用于深色网站的笔记本电脑和手机英雄图样机”),用剧本的 Web 默认值填补任何空白,直接生成提示词。
  3. 如果请求是开放的(“greenroom web”、“我需要我网站的图片”),提出一轮最多 4 个问题,仅针对请求未回答的问题(在可用时使用 AskUserQuestion 工具):
    • 资产:英雄设备样机 / 多设备套件 / 手持手机 / 章节背景 / 功能图标 / 抽象英雄图 / 社交图片(参见资产菜单)
    • 站点背景:深色(纯黑)/ 浅色(纯白)/ 品牌色(十六进制)
    • 放置位置:全宽英雄图 / 对半分屏 / 章节或卡片 / 移动端
    • 参考:是否有之前渲染的图片可供匹配(附上它),或者这是新系列中的首个?
  4. 根据剧本的结构编写提示词。根据放置位置确定宽高比,根据站点确定背景,并指定空侧用于文本叠加。当会附上参考渲染图时,添加“使用(参考图片)仅用于……。精确匹配它。”这一行。
  5. 如果用户为一个站点请求多个资产,则每个资产输出一个提示词,每个提示词放在单独的块中,并在其上方添加一行标签(这是仅输出提示词规则的唯一例外)。第一个提示词是系列锚点;其余假设它被附加为参考。
  6. 否则仅输出提示词,如模式 2 中所述。

如果一个 Web 提示词产生了用户满意的结果,提供将其添加到语料库的选项,以便学习模式可以研究它。

语料库清单格式

corpus/corpus.json 是一个 JSON 数组。只有 image 和 prompt 是必需的:

[
  {
    "id": "poster-01",
    "image": "posters/poster-01.jpeg",
    "prompt": "从你的图片工具中粘贴的确切提示词文本",
    "notes": "可选:你喜欢这个结果的什么",
    "tags": ["optional", "editorial", "monochrome"]
  }
]

添加新批次时,用户追加条目;学习模式仅处理未分析的条目。

相关技能