# Workrally Thumbnail

> 用 WorkRally 画布生图产出 YouTube / B站 / 小红书 / Instagram 的视频封面与缩略图： 概念框架选型 → 人物身份锁定 → 场景组装 → 高清渲染 → 局部微调 → 文字烧制。 当用户说「视频封面」「缩略图」「thumbnail」「片头图」「竖版封面」「前后对比封面」 「MrBeast 那种封面」时命中。 不处理：普通配图、完整视频生产、选题策划、视频剪辑、视频内部的标题卡。

- Skill: `ahang1598/workrally-thumbnail` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx get-skill add ahang1598/workrally-thumbnail`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ahang1598/workrally-thumbnail/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: ahang1598 (https://skillmd.com/u/ahang1598)
- Updated: 2026-11-18
- Page: https://skillmd.com/skills/ahang1598/workrally-thumbnail

---


# WorkRally 视频封面

封面的完整生产链路：**概念框架 → 人物casting → 场景 → 渲染 → 局部微调 → 文字**。

封面归本 skill 管——不要绕过它直接调 `canvas_generate_image`。
用户给的**参考封面**只用你自己的眼睛分析，抽取结构化字段来驱动提示词，
**永远不要**把它放进 `input_images`。

## 运行约定

先读 `references/workrally-mcp-mapping.md`。要点：

- 生成前调 `canvas_image_model_list` 取模型，**禁止硬编码 model_id**
- 每个变体一次 `canvas_generate_image`，`count: 1`，各自独立提示词
- 提交后按 `task_ids` 逐个 `canvas_get_task` 轮询，间隔 3 秒
- 参考图放 `input_images`（URL 数组），提示词里用「第一张图片 / 第二张图片」按下标引用
- 本地图片先 `upload_file` 拿 URL
- 提示词用中文；图内文字保留用户原文，逐字不改
- 烧字走**本地 shell**，不要找 `sandbox_exec`

## 执行流程（按序执行，带 IF 的步骤条件成立才触发）

### 1. 收集输入 + 选框架

从用户消息里取：场景描述 · 人脸/角色参考图（0–3 张）· 参考封面（只作风格样例，绝不是人脸来源）·
logo · 标题文字与是否烧进图里 · 比例 · 情绪与变体数量。缺的按「字段默认值」补。

读 `references/thumbnail-frameworks.md`，**每个概念都必须制造信息差**；
内部至少构思 5 个跨框架方案，把最强的（可以是组合）带进提示词。

**图内文字闸门（生成前就要定）**：默认**永远是无文字的干净图**。
只有用户**明确**要求才把文字烧进生成——用户给了标题字符串、说了「加文字」「带标题」，
或**点名**要一个带文字的框架。探索框架时顺手选中的带文字框架（社交 UI / 新闻条 / Day 角标 /
地图标注）**不构成**烧字授权，那种概念渲染成无文字版，或者先问一句。
不要从选题或框架推断用户想要文字；拿不准就默认干净版或问一次。

**人物闸门（强制，渲染任何东西之前先跑）**：先定谁在画面里，不要假设，不要拿陌生人顶替，
**永远不要**把「放个人进去」当默认。

- 有人脸照片或角色图 → **默认锁定**：上传拿 URL，放进 `input_images`，
  提示词里按「第一张图片」引用并写身份锁（见下）。**绝不**在已提供角色时另造一个人
- 概念里会出现人、但没给人脸图 → **停下来问一次**：
  「封面里要放你自己（或某个特定的人）吗？发张正脸照我来锁身份；还是用生成的人物，或者干脆不要人？」
- 批量渲染（如「把所有框架都跑一遍」）时，只要有任一框架是以人为主，**渲染整组之前**问这一次
- 明确说要生成的人物 → 用文字描述（只在明确选择时，绝不静默默认）
- 不要人 → 选无人框架（风景 / 产品 / 图示 / 地图俯瞰）

**变体数量闸门（生成前就要定）**：用户或上游流程已给的数量是已答字段，直接用，不要再问。
否则问一次要单张还是一组变体——默认给约 4 个（同一概念，各自不同情绪和/或镜头），
每个都是独立请求，**不要**用 `count:N`。变体 = 情绪 × 镜头，硬上限 16。

### 2. IF 用户给了参考封面

分析之前先问一次：**贴近这张参考**（默认：尽量保留它的风格、构图与主体）还是**独立发挥**
（只当松散灵感）。此前已经表达过「照着这张做」就是已答，不要重复问。

选「贴近」时提示词要被参考强驱动；参考里若有真人，仍然要求用户提供那个人的正脸照，
不要生成一个陌生人。选「独立发挥」只取松散视觉灵感，自己写主体与构图。

然后用你自己的视觉能力填「参考分析契约」（见下），抽成严格 JSON，再按已定的匹配模式驱动提示词。
字段 → 区块映射：brief→区块2 · subject→区块4 · elements→区块5 · location→区块7 ·
composition→区块8 · background→区块9 · split→步骤5 拆分分支 · emotion + emotion_detail→表情槽。

参考的 `subject` 描述按位置贴到照片人物身上作为其姿态/动作，**它不会新增人**；
`person_count` 超过已附照片数量时，多出来的只有在用户要求时才作为文字描述的路人。
参考**只用眼睛看**，绝不进 `input_images`，绝不发给生成模型。

### 3. IF 有人脸/角色/logo 是本地文件

每个生成输入调一次 `upload_file` 拿 URL。按 CHARACTER 顺序保存人物 URL，logo 单独记。
风格参考封面**不要**上传。

### 4. IF 有 logo 且用户要 3D 版

先用「3D logo 提示词」（见下）单独生成一张：`aspect_ratio: "1:1"`，`resolution: 6`（4K），
`input_images: [2D logo URL]`。等它出结果，主渲染用它的**结果 URL** 作为 logo 参考。

### 5. 组装提示词（每个变体一条）

按「房屋提示词结构」区块 1–11 顺序组装。

- 取舍：区块 1 和 11 恒有。2 — 有场景描述或参考 `brief` 时。
  3 — 默认恒有那句无文字声明；TEXT / BAKED UI 变体**只在**用户明确要求文字时触发。
  4 — 画面里有任何人或生物时：照片人物各写一条身份锁，文字描述的人物在这里用散文描述
  （不要写进区块 5），其散文**也要**以 `表情：<情绪短语>` 结尾。
  5 — 有标志性道具，或 KEY ELEMENTS 默认值触发时。6 — 有 logo 时。7 — 已知地点时。
  8 和 9 — 恒有（无信息时用默认句）。10 — 画面里有人时；默认平光版，
  **只有用户点名了轮廓光颜色**才用彩色轮廓变体。
- `<比例说明>` = 「`<比例>` 画幅」。9:16 追加竖画幅子句；画面无人时说「主体在上三分之二」
  而不是「面孔」。
- 表情槽 = 所选情绪预设的**括号描述**（震惊 → `张嘴倒吸气、瞪大眼睛`），
  或用户自定义短语原文。参考自带的 `emotion_detail` 句子**只**追加到沿用参考情绪的那些变体上。
- **拆分分支**：只按「拆分画面」里的触发规则触发；`X vs Y` 作为**场景**时仍是一整幅统一画面。
  触发时拆分契约**替换**区块 1。
- 变体 = 情绪 × 镜头，硬上限 16；画面无人时表情轴为空，变体 = 镜头。
  变体之间**只**差表情短语和/或一条 ALTERNATE TAKE 行。

### 6. 提交

每个变体一条独立提示词、一次独立调用：

```jsonc
canvas_generate_image({
  prompt: "<变体提示词>",
  model: "<canvas_image_model_list 返回的 model_id>",
  aspect_ratio: "16:9",
  resolution: 6,          // 4K；模型不支持时退到它 resolution_options 的最高档
  count: 1,
  input_images: ["<人物图URL>", "<logo URL 或 3D logo 结果URL>"],
  task_name: "<选题_变体N>"
})
```

`input_images` 顺序：人物在前，logo 在后；为空时省略该字段。
有两个及以上参考图时，提示词**第一行**写位置清单：

```
参考图说明：第一张图片是 CHARACTER 1 的脸部参考；第二张图片是品牌 logo。
```

### 7. 渲染后检查（每张都查）

1. 有人脸/角色参考时，身份与角色设计肉眼可辨地一致
2. 没要求烧字 → 画面里没有多余文字或水印
3. 要求烧字了 → 渲染出的文字与指定字符串**逐字**一致
4. 表情（有主体时）和主视觉元素在**约 120px 宽**下仍然读得出来

失败就用**同一条提示词**重渲，每个变体最多 2 次；仍失败就如实告知，不要闷声交付。

### 8. IF 用户要局部微调

用「局部微调」里的提示词，走图生图：把**选中那张的结果 URL** 作为唯一 `input_images`，
`resolution: 5`（2K）。每次接受的产物成为下一次微调的输入。

WorkRally 没有 Seedream 那样的专用编辑模型，用同一批 Kontext 模型做图生图即可；
关键在提示词必须写明「除此之外每个像素保持不变」。

### 9. 导出与交付

把通过第 7 步的变体都拿出来；用户没选就全给。

没有标题文字 → 直接交付干净图。
有标题文字但**没有**明确要求烧进生成 → 用本地脚本烧一层确定性文字
（路径相对本 skill 目录，按实际安装位置补全）：

```bash
node <skill 目录>/scripts/bake_text_overlay.mjs \
  --image '<选中那张的结果URL>' \
  --text '打工人的春天' \
  --style beast --position bottom --case preserve \
  --out ./thumbnail.png
```

- 先看图选 `top` / `bottom` / `left` / `right` / `center`，让标题占一块空区且不压脸
- 风格五选一：`beast`（默认）· `fire` · `neon-lime` · `clean-glass` · `marker`
- 中文标题用 `--case preserve`（`upper` 只对西文有意义），2–14 字；西文 2–6 词
- 依赖 Playwright + Chromium：缺失时提示
  `npm i -g playwright && npx playwright install chromium`，
  装不上就降级——交付干净图或经用户明确同意后改走「烧进生成」，
  **不要**把浏览器预览说成已导出的 PNG
- 脚本 `--image` 可直接吃 WorkRally 短链（5 小时有效）；产物是本地 PNG，
  需要入媒资库时走 `upload_file` + `asset_create`

### 提交前检查清单（任一为否先改提示词）

- [ ] 模型来自 `canvas_image_model_list`，不是写死的名字
- [ ] 区块 1（或其拆分替换）是提示词第一块，区块 11 GRADE 是最后一块
- [ ] 画面里有人 → 布光区块在场 + 每张人脸照片各一条身份锁
- [ ] 参考封面**不在** `input_images` 里
- [ ] 每次调用只渲染一个变体，`count` 恒为 1
- [ ] 没要求烧字 → 提示词里有「画面中没有任何文字、UI 标签或水印。」

### 字段默认值（用户和参考都没给的字段）

- 比例 `16:9` · 镜头 1 个 · 有人时情绪取「震惊」；无人时表情轴为空，变体 = 镜头
- 背景：`大胆浓烈的饱和色场渐变，高对比撞色呼应主体配色，柔和暗角，边缘衰减`
- 构图：`主体渲染得大而强势——胸部以上/中近景，占画面约 40–60%，推到前景、落在三分线上，
  相机平视，与背景强分离让主体跳出来，浅景深并带一个前景点缀元素`
- 主视觉元素：用户选题里最具体可画的那个名词，放大、朝镜头飞来——与主体重复时省略
- 地点：省略该区块

## 概念框架

「画什么」这一层在 `references/thumbnail-frameworks.md`：16 个封面框架、信息差原则、
组合方式与真实性法则。在步骤 1 按需读取并选定框架。

大多数框架直接映射到下面的房屋结构；需要图内可读文字的那几个走区块 3 的 BAKED UI 子句。

## 模型与分辨率

| 用途 | 选型 | 参数 |
|---|---|---|
| 主渲染 | 从 `canvas_image_model_list` 里选 `max_input_images` 足够、支持 4K（枚举 6）的一档 | `resolution: 6`，每个变体独立提示词 |
| 2D logo 转 3D | 同上，图生图 | `aspect_ratio: "1:1"`，`resolution: 6` |
| 成品局部微调 | 同上，图生图 | `resolution: 5` |

比例只能用模型列表返回的那些（常见 `21:9` `16:9` `4:3` `2:1` `1:1` `1:2` `3:4` `9:16`）。
**没有 `4:5`**——Instagram 竖版用 `3:4`，需要精确 4:5 时生成后本地 ffmpeg 裁切并告知用户。

## 房屋提示词结构（按此顺序组装）

1. **画幅契约** — `大胆有冲击力的视频封面合成图——海报级、写实、高冲击力，不是灰调的电影剧照，<比例说明>，单幅统一画面——不要分屏、不要对角切分，所有元素在同一个连续镜头里自然融合。` 9:16 追加 `主体构图适配竖画幅，面孔位于上三分之二`。框架 8「图示表达」用干净的图表/图形简报替换本块，并去掉写实与布光区块。
2. **场景简报**（用户描述了确切内容时）：`场景简报（必须精确呈现）：<文本>。`
3. **文字契约** — 默认：`画面中没有任何文字、UI 标签或水印。` 只有明确要烧字时：`文字：把封面标题文字烧进画面，逐字读作"<TEXT>"——超大、极易读的无衬线字体，带干净描边/发光处理，位置绝不压住主体面部。除此之外没有其他文字，没有水印。` 用户**点名**要带 UI 元素的文字框架（社交 UI / 新闻条 / Day 角标 / 地图标注）时改用：`BAKED UI：一个<通用聊天气泡 / 私信行 / 星级评价卡 / 突发新闻下三分之一条 / DAY N 角标 / 地图标注>，读作"<短文本>"，干净的通用平台样式——不要出现真实品牌名、应用名或平台 logo。文字要短且与视频内容相符。` 只是被自动选中的带文字框架改渲无文字版。这是除标题外唯一被许可的可读文字，其余道具一律无字无标识。
4. **主体** — 见下方身份锁。最多 3 个角色，照片人物按位置对应 `input_images` 下标。**主体渲染得大而强势——明确的主角，占画面约 40–60%，胸部以上或中近景，推到前景并与背景干净分离；绝不是缩在下三分之一的小主体，绝不是远景视频截图感。** 以 `所有面孔锐利清晰，作为整幅画面的锚点。` 结尾。
5. **主视觉元素** — 让画面跳出来的标志性道具与特效。
6. **LOGO**（有则写） — 2D：`把参考图里的 logo 原样放进构图——形状、颜色、比例一律不动，干净的 2D 放置在强焦点位，轻微投影以作分离，绝不遮挡主体面部。` 3D：`把参考图里的 3D logo 渲染件作为实体体积物融入场景——光泽立体材质，承接场景的主光与轮廓光，投下柔和接触阴影，合成在强焦点位且不遮脸。`
7. **地点** — 场所、时间、天气、氛围。
8. **构图** — 主体大而占据前景（约 40–60%，胸部以上/中近景）落在三分线，主体与背景强分离；尺度层次、机位角度、纵深分层。
9. **背景处理（融合，不是切分）** — 大胆饱和色场、浓烈渐变、强撞色、质感、虚化、边缘衰减。
10. **布光（有人时强制）** — `标志性视频封面布光——强主光雕刻面部，高光清脆、衰减受控；柔和的梦幻补光提亮阴影带来微妙电影感辉光；明确的背光与发丝光沿头发、肩线和轮廓勾出干净明亮的边缘，把主体从背景中锐利分离。` 彩色轮廓变体：把最后一句换成 `明确的<颜色>背光与发丝光勾出鲜明的彩色轮廓……并带同色系微妙辉光。` 轮廓色板：冰蓝 `#4DA6FF`、霓虹品红 `#FF3DBE`、毒性青柠 `#C8FF2E`、琥珀金 `#FFB63D`、纯白。主光与补光**永不**变色，只改背光与发丝光。
11. **调色** — `鲜明高冲击的调色，高对比，明亮干净的曝光，饱和度高到能从屏幕上跳出来，深黑与亮部分明，清脆有光泽，海报般的冲击力，整体作为一幅画统一。<比例>。` 只有明确要求平静/高级/低饱和/氛围感时才收敛。

## 身份锁（防脸部漂移，每个有照片的人物必写）

软性说法（「保持脸和身份一致」）**不够**，模型会漂。每个带脸部照片的角色写：

> CHARACTER N：第 K 张图片里的那个人——身份锁定：以照片级身份一致度还原这个人——
> 与参考照片相同的骨相、眼型、鼻子、嘴唇、下颌线、肤色、发际线与发质。
> 不要美化、不要与其他面孔平均、不要改造脸部；必须一眼就认得出是同一个人。
> 表情：`<情绪短语>`。

漂移仍会偶发（随机性），处置是重渲，不是道歉。

## 情绪预设（11 种）

**震惊**（张嘴倒吸气、瞪大眼睛）、**亢奋**（狂喜咧嘴、眼里放光）、**恐惧**（惊恐凝视、屏住呼吸）、
**困惑**（挑眉、一脸不解）、**决心**（咬紧下颌、目光如炬）、**得意**（心知肚明的坏笑）、
**魅力**（平静有磁性的注视、眉头放松、极淡的从容微笑——有领袖气场，自信但不具攻击性；
这是平静正向的选项，单用「决心」会显得太硬）、**厌恶**（后仰的嫌弃表情）、
**惊叹**（下巴掉了、眼里闪光）、**暴怒**（呲牙的怒火）、**大笑**（头向后仰）。

表情槽里用的是预设的**括号描述**。用户自定义短语原文替换预设（`表情：<自定义>`）。
用户只给了情绪**数量**没点名时，按此阶梯取前 N 个：震惊 → 亢奋 → 暴怒 → 惊叹 → 大笑 →
恐惧 → 得意 → 魅力 → 困惑 → 决心 → 厌恶。交互式提供情绪选项时，永远带一个自定义项。

## 每种情绪的镜头变化

镜头 1 = 设计好的原始取景（无修饰）。镜头 2–4 各追加一行：

- `ALTERNATE TAKE：改为低角度英雄镜头——相机低于视平线仰拍，主体更具压迫性地耸立，背景透视向上拉伸，场景与布光不变。`
- `ALTERNATE TAKE：极端特写推进——面部与表情占据超过半幅画面，背景压缩成柔和虚化的环境，场景与布光不变。`
- `ALTERNATE TAKE：更宽的动态镜头带轻微荷兰角——环境露出更多，主体偏置在三分线上，画面扫过更强的运动能量，场景与布光不变。`

总变体 = 情绪 × 镜头（硬上限 16），每个变体一条独立提示词、一次独立调用。

## 拆分画面

触发：**只在**用户要求拆分/分栏**布局**时——「分屏」「前后对比」「对决」「并排」——
或参考分析返回了 `split=true`。`X vs Y` 作为**场景**是一整幅画面里出现两个主体，**不拆**。
N = 点名的对手/状态/侧面数量（前后对比与对决默认 2）；N=2 → 左右两半，N≥3 → 竖向分栏。
拆分契约**替换**区块 1，并原样携带 `<比例说明>` 与 9:16 竖画幅子句。

把区块 1 换成：`拆分式封面，<比例说明>：画面被干净利落的粗分隔线切成 N 个<左右两半|竖向分栏>，
每个分栏是各自完整的小场景，所有分栏共享统一的高级调色。` 然后**只**追加一句模式句：

- **常规**：`每个分栏呈现故事的一个侧面：<分栏1：描述；分栏2：描述；…>。`
- **前后对比**：`左栏：BEFORE 状态——<描述>。右栏：AFTER 状态——<描述>。同一次转变的两个状态之间视觉反差拉到最大。`
- **对决**：`每个分栏呈现一位对手，像拳赛海报那样布光和取景：<分栏1：A 描述；分栏2：B 描述>。视觉分量对等，跨越分隔线的对抗张力。`
- **自定义**：`<用户逐栏描述>。`

**始终**追加：`分栏之上与之间没有标签、没有说明文字、没有文字、没有数字——对比纯靠视觉传达。
所有分栏作为一幅高级图统一调色。`

## 文字策略

默认：画面里**没有**文字——交付干净渲染图，标题文字用清晰的排版层叠上去
（零生成额度、永远可读）。**只有**用户明确要求时才把文字烧进生成，
生成式文字是兜底而不是默认。

五种成熟叠加风格：**Beast**（Anton 白字 + 厚黑描边 + 投影）、
**Fire**（黄→橙→红渐变 + 深色描边 + 暖光）、**Neon Lime**（`#D4FF3F` + 青柠辉光）、
**Clean Glass**（Inter 800 落在毛玻璃药丸上）、**Marker**（黑色 Anton 落在青柠色线框上）。

完整的 HTML/CSS + canvas 烧制配方（描边/阴影/渐变数值、关键的 `paint-order: stroke fill`、
字体加载后再绘制、4K 导出）在 `references/text-overlay-bake.md`。
可执行实现随本 skill 分发在 `scripts/bake_text_overlay.mjs`（已加中文字体栈与中文断行）。

## 成品局部微调（图生图）

把**成品图的结果 URL** 作为图生图输入，每条微调提示词都必须声明其余部分保持像素级不变。

- **换表情**：`只改变人物的面部表情为：<短语>。身份、脸部结构、头发、姿势、身体、服装、logo、背景、布光与构图全部保持完全不变，像素级忠实——纯表情替换。保持封面布光不变。`
- **换背景**：`只替换背景为：<描述>。主体、面部、身份、姿势、服装、logo 与所有前景元素保持完全不变。重建主体边缘的光线包裹，让新背景的光向、色彩与轮廓光自然衔接——保持封面布光。`
- **背景改色**：`只把背景色调偏向以<颜色>为主。背景的结构、内容与纵深完全保持，只改颜色。重建主体边缘的环境色轻微包裹，但面部的主光与补光保持不变。`
- **轮廓光改色**：`只改变主体上的背光/发丝光（轮廓光）颜色为<短语>——就是勾勒头发、肩线、轮廓的那道亮边。不要改主光与补光；不要改背景、姿势、身份、服装、logo、构图。`

微调可以链式进行，每次产物成为新的输入。

## 3D logo 提示词

> 把参考图里的 2D logo 转成高级 3D logo 渲染件：将 logo 的确切形状挤出为有光泽的立体体积，
> 每一个字形、比例和品牌色都保持精确，高端 CGI 产品渲染质感，柔和影棚反射，
> 细微倒角，边缘清脆，悬浮于干净的深色中性影棚背景上并带柔和接触阴影。
> 居中，留白充足，没有多余文字，没有水印。

它可以后台先跑，最终渲染等它。

## 参考分析契约（视觉 → 场景）

用你自己的视觉能力看那张参考封面，产出**严格 JSON**，键恰好如下、不多不少：

```
brief（一句密集的概念描述）, subject（笼统的姿态/动作，绝不写具体身份）, elements,
location, composition, background, split（布尔）, split_count, person_count（0-3）,
emotion（11 个预设之一或 'other'）, emotion_detail（一句生动描述，覆盖眼睛、眉毛、嘴、头部角度）
```

参考驱动能量/构图/风格——它**绝不**发给生成模型，**绝不**进 `input_images`；
用户没填的场景字段用「从参考推导」的指令补（如「沿用参考的取景逻辑……」）。

## 常见坑

- 没有 `4:5`。Instagram 竖版用 `3:4`，需要精确比例就本地裁切并告知用户
- 脸会漂（随机性）——每张都要对着人脸参考检查再拿给用户，处置是重渲不是道歉
- 一次提交一个变体：用 `count` 批量会毁掉每变体独立提示词（情绪/镜头各需自己的提示词）
- 最终可读性测试：封面是在侧栏约 120px 宽处竞争的，情绪和主视觉元素在那个尺寸下必须还读得出来；
  读不出来是**构图**问题，不是分辨率问题
- 中文标题烧字要用 `--case preserve`，`upper` 只对西文有意义

