角色一致性：最难的产品问题
同一个 IP 每次画都长不一样。为什么难、产品上怎么思考这个问题
本页解决的问题
先给结论「角色一致性：最难的产品问题」要解决的关键问题是什么？
同一个 IP 每次画都长不一样。为什么难、产品上怎么思考这个问题
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次：
- 脸型每次都不同
- 发型和长度在变
- 体态比例不一致
- 画风也有偏差
结论：纯靠文字无法锁定一个角色的视觉身份。
同样的 该角色，在四个不同场景中（书房、厨房、阳台、办公）：
- 脸型始终一致
- 发型和颜色稳定
- 身材比例不变
- 只有场景和动作在变
靠的是：每次生图都带上这张参考表
每次生图时，这张图会作为参考一起发给模型，让模型看着画。
同一个 该角色，不同穿搭：脸没变，只是衣服变了
「问题有多严重」要放回选型约束
「同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次」说明，模型、许可证、接入方式和榜单都只是信息，不是脱离场景的答案。真正的选择取决于任务、数据边界、延迟、质量下限和运行成本。
先写淘汰条件，再看最高分
「同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次」涉及的比较，至少要使用同一组真实输入，并同时观察正确性、失败方式、响应时间和费用。一个在公开榜单上领先的模型，可能因为许可证、隐私要求或峰值延迟不适合你的任务。
没有测试集，就没有可靠的赢家
以「同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次」为起点，选几条真正会影响决策的输入，写下一个会改变选择的反例；这比记住一次排名更能支持下一次判断。
从「问题有多严重」走到「关键武器：角色参考图」
「问题有多严重」先把问题落在「同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次」上；到了「关键武器：角色参考图」，讨论继续推进到「该角色 的角色参考表（Character Reference Sheet） 一张标准化的角色参考图，这就是保证一致性的锚定图。 每次生图时，这张图会作为参考一起发给模型，让模型看着画」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
做模型选择时，先用真实任务写出不能妥协的条件，再用同一组输入比较质量、失败方式、延迟、许可和成本；榜单只适合作为起点。
- 「问题有多严重」：同样的文字描述 "该角色, a young woman with dark hair"，连续生成四次
- 「关键武器：角色参考图」：该角色 的角色参考表（Character Reference Sheet） 一张标准化的角色参考图，这就是保证一致性的锚定图。 每次生图时，这张图会作为参考一起发给模型，让模型看着画
- 「换装一致性演示」：同一个 该角色，不同穿搭：脸没变，只是衣服变了 角色一致性是产品设计问题，调参数解决不了。 该角色 的方案：用标准化的角色参考图作为每次生图的视觉锚点，锁定五官、身材、发型等核心特征。这套参考图锚定策略，是让 AI 角色在无数场景中始终是同一个人的核心
最后的「换装一致性演示」把讨论落到「同一个 该角色，不同穿搭：脸没变，只是衣服变了 角色一致性是产品设计问题，调参数解决不了。 该角色 的方案：用标准化的角色参考图作为每次生图的视觉锚点，锁定五官、身材、发型等核心特征。这套参考图锚定策略，是让 AI 角色在无数场景中始终是同一个人的核心」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。