企业官网建设流程全解析

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成

本篇技术指南聚焦 SenseNova-Skills 仓库中sn-infographic场景技能的风格定义文件film-photography（胶片摄影风格），系统讲解该风格的核心配方、在信息图生成管线中的调用机制、与相邻风格的差异，以及如何将颗粒、偏色、漏光等元素转化为可执行的大模型图像提示词。读完本文，你将掌握胶片摄影美学在 AI 信息图中的完整落地路径：从风格选型、提示词拼接，到生成参数与质量评审的端到端操作。

风格定义：胶片摄影美学的四大核心配方

film-photography.md是sn-infographic技能references/styles/目录下 66 个风格定义文件之一。它的定位一句话概括为：模拟胶片的模拟美学（Analog film aesthetic），以特征性的颗粒、色彩偏移和化学摄影的暖感为核心。该文件采用统一的四段式结构（Color Palette / Visual Elements / Typography / Best For），完整内容如下。

色彩配方（Color Palette）

值得注意：该文件刻意不使用十六进制色值，而是用“Kodak warm / Fuji cool”这类可被图像模型直接理解的胶片术语来描述色温倾向。这与 prompt-writing-rules.md 中“禁止#RRGGBB，改用描述性颜色名（如 coral red、sage green）”的规则完全一致——因为底层文生图模型对自然语言色彩的理解优于对色码的解析。

视觉元素（Visual Elements）

原文档列出了 7 项标志性元素，构成了胶片风格区别于其他风格的“视觉指纹”：

• Film grain texture overlay（胶片颗粒纹理叠加）
• Slight vignetting at edges（边缘轻微暗角）
• Color cross-processing shifts（彩色交叉冲印偏色）
• Light leak flares（漏光光晕）
• Faded highlights and lifted blacks（褪色的高光与抬升的黑位）
• Sprocket holes or film border aesthetic（齿孔或胶片边框美学）

这些元素共同服务于“化学摄影的温暖感”：颗粒模拟银盐感光粒子，暗角模拟镜头成像，交叉冲印偏色与漏光则复现胶片冲洗过程中的“意外之美”。

字体处理（Typography）

• Typewriter or retro serif fonts（打字机字体或复古衬线体）
• Slightly faded or aged text treatment（轻微褪色或做旧文字处理）
• Stamp or darkroom label aesthetic（印章或暗房标签美学）

字体层面同样强调“年代感”——打字机体、褪色文字、暗房印章，与胶片视觉元素形成统一的怀旧叙事。

适用场景（Best For）

原文档明确给出该风格的适用边界：

• Travel and lifestyle content（旅行与生活方式内容）
• Nostalgia and memory themes（怀旧与记忆主题）
• Documentary-style storytelling（纪实风格叙事）
• Cultural history（文化历史）
• Personal narrative infographics（个人叙事信息图）
• Photography industry content（摄影行业内容）

在 sn-infographic 管线中的角色：风格文件如何被真正调用

理解film-photography.md的价值，必须把它放回 sn-infographic/SKILL.md 所定义的两级 Agent 工作流中。风格文件只在两个明确的位置被触及，且整个流程设计得非常克制。

第 1 步（Step 2.1）：名称级加权随机选型——不读文件内容

依据 layout-style-selection.md，Worker Agent 首先从 analysis-framework.md 输出的analysis.json中读取data_type/tone/audience，然后查找风格候选表：

关键约束在于：选型阶段只操作风格“名字”，绝不打开任何references/styles/*.md文件做内容比对。加权随机抽样采用“primary ×10 + 每个 alternative ×9 + 从全部风格名中随机抽 3 个 ×1”的池化策略（对应 bash 示例见 layout-style-selection.md），随后用[ -f "$SKILL_DIR/references/styles/${STYLE}.md" ]做存在性校验，缺失时回退到corporate-memphis。

这意味着：当用户的输入被判定为 Photography / Mixed 语境时，film-photography作为替代风格之一，与double-exposure、newspaper-collage共享约 27/（10+9×3+3×3）≈ 43% 的候选权重，被抽中的概率显著高于随机风格，但并非必然命中——这正是该技能“保持多样性、避免千图一面”的设计取向。

第 2 步（Step 2.3）：直接文件拼接成系统提示词——唯一一次读取

真正读取风格文件内容的时刻在提示词扩写阶段。Worker Agent 通过直接文件拼接（而非 heredoc，因为风格文件中可能包含反引号与$(...)）组装扩写用系统提示词：

LAYOUT=$(jq -r '.layout' "$TEMP_DIR/layout-style.json") STYLE=$(jq -r '.style' "$TEMP_DIR/layout-style.json") { cat "$SKILL_DIR/references/prompts-expand-system.md" printf '\n\n---\n\n## Selected Layout: %s\n\n' "$LAYOUT" cat "$SKILL_DIR/references/layouts/${LAYOUT}.md" printf '\n\n---\n\n## Selected Style: %s\n\n' "$STYLE" cat "$SKILL_DIR/references/styles/${STYLE}.md" printf '\n\n---\n\n## Output Template Reference\n\n' cat "$SKILL_DIR/references/base-prompt.md" } > "$TEMP_DIR/expand-system-prompt.md"

随后调用sn-image-base的sn-text-optimize（统一入口为 sn_agent_runner.py），将 structured-content-template.md 产出的结构化内容作为 user prompt，扩写出 400–600 词的完整文生图提示词。也就是说：当STYLE=film-photography被抽中时，本文档的「色彩配方 / 视觉元素 / 字体处理」三节将原样进入扩写模型的上下文，并经由 prompts-expand-system.md 中“忠实于原始信息、文本用引号包裹、禁止色码”等约束，最终物化为可直接交给sn-image-generate的提示词文本。

第 3 步（Step 3–4）：生成、VLM 评审与质量排序

扩写后的expanded_prompt通过sn-image-generate --prompt落图（--image-size、--aspect-ratio由 runtime-parameters.md 推断），当max_rounds > 1时再由sn-image-recognize（VLM）依据 prompts-critic-system.md 的 9 条红线规则评审，按violations_count升序排名输出最优结果。注意：胶片颗粒、暗角、褪色等风格元素不会触发评审红线，但若颗粒过重导致文字不可读（Rule 5 — Illegible Text），VLM 会以{rule_id, rule_name, detail, revised_description}的形式要求修正——因此在胶片风格下，文字可读性与胶片质感之间需要保持平衡。

与相邻复古/影像风格横向对比

film-photography并非仓库中唯一的影像化风格。将它与同目录下的相关文件对比，可以更精准地把握其独特性：

选择建议：旅行、怀旧、纪实、文化史、个人叙事、摄影行业内容优先考虑film-photography；若是“平面设计感更强”的宣传海报则更适合vintage-poster；若是概念隐喻型内容可考虑double-exposure。当然，在默认流程中这一选择由加权随机机制决定，用户也可以通过对话明确指定风格来影响选型结果（详见下节）。

实战落地：如何稳定产出胶片风格信息图

方式一：在 OpenClaw / Hermes 中注册并调用技能

先按 docs/sn-image-generate.md 的 Quick Start 完成环境准备：

1. 将skills/目录暴露给 OpenClaw（拷贝/软链接到~/.openclaw/skills/，或通过skills.load.extraDirs指向本仓库skills目录）；
2. 安装依赖并配置 API Key（SN_BASE_URL、SN_API_KEY、SN_CHAT_MODEL，fallback 优先级为专用变量 > 领域共享变量 > 全局变量）；
3. 在对话中直接描述任务，例如：

做一张关于「1980 年代故乡街景回忆」的信息图，风格要像胶片摄影

或按名调用：

/skill sn-infographic "用胶片摄影风格介绍老式相机的百年演变"

方式二：通过技能参数显式控制生成行为

sn-infographic支持行内 KV 指令（如max_rounds=3 output_mode=verbose）与关键词识别，相关输入规格见 SKILL.md：

胶片风格本身无需任何额外参数——风格是内容分析 + 随机选型的产物；但用户可以在输入中显式加入“胶片摄影风格”“复古颗粒”“Kodak 暖调”等描述性短语，这些短语会被 Step 2.0 内容分析捕获为design_instructions，进而影响扩写模型的风格取向，显著提高命中film-photography风格语言的概率。

风格文件如何约束最终提示词的质量

即便film-photography被选中，最终成图质量仍取决于扩写提示词是否遵守 prompt-writing-rules.md 的 8 条规则。对胶片风格特别关键的是：

1. 视觉精度（Visual Precision）：必须显式描述背景纹理与字体风格，例如“aged paper with faint film grain”、“typewriter font for annotations”，否则图像模型会自行臆造；
2. 颜色回避（Color Avoidance）：用“warm Kodak tones / faded pastel / magenta light leak”而非色码；
3. 文本引用（Text Citation）：所有需要呈现在图内的文字必须用双引号包裹，如a faded label reading "Memory Lane, 1986"；
4. 标点卫生（Punctuation Hygiene）：描述风格与版式时禁用引号，把引号留给文字标签；
5. 数据保真（Data & Encoding）：日期、地名、专有名词必须逐字保留，并以粗体、便签、数据徽章等视觉形式突出。

以上约束最终由 base-prompt.md 模板（含{{LAYOUT}}、{{STYLE}}、{{ASPECT_RATIO}}、{{LANGUAGE}}、{{COLOR_PALETTE}}等占位符）统一收口，形成一份结构完整、可直接生成的文生图指令。

质量与边界：胶片风格的两个实操注意点

1. 文字可读性与颗粒的博弈：VLM 评审的 prompts-critic-system.md 将「Illegible Text」列为否决性红线。胶片颗粒、褪色、暗角天然会降低文字对比度，扩写时应避免“全局叠加浓重颗粒”，可表述为“grain concentrated on background, typography crisp”，并在max_rounds > 1时让 VLM 逐轮把关，直至result=PASS早停。
2. 纵横比与构图适配：runtime-parameters.md 规定：竖屏记忆叙事（如“怀旧影集”“旅行手记”）倾向9:16/4:5，横版纪实/宽幅海报倾向16:9/21:9，方版徽章类选1:1。胶片摄影的 3:2 经典画幅也支持显式指定（--aspect-ratio 3:2），适合复现标准 135 胶片构图。

延伸阅读

• 完整生成管线：sn-infographic/SKILL.md
• 风格与版式选型规则：layout-style-selection.md
• 提示词扩写系统提示：prompts-expand-system.md
• 提示词写作规则：prompt-writing-rules.md
• 内容分析框架：analysis-framework.md
• 运行时参数推断：runtime-parameters.md
• 端到端 Quick Start 与 100 个生成样例：docs/sn-image-generate.md、docs/sn-infographic-examples_CN.md

• AI 技能
• 人工智能
• 深度研究
• 数据分析
• 媒体生成