anbanai 线稿上色——尽力保线 + 跨图配色一致性
这个 skill 交付什么
把线稿当主参考与创作蓝图，交付构图源自线稿、跨图配色一致的成品插画。优先级：颜色跨图一致 > 像素级保线。每张图都用原始线稿作 ref_image_path（单源），按 provider 适配 ref，把保线推到当前能力极限，残余线稿差异如实披露（needs_img2img）。
MCP 工具
| MCP 工具 | 说明 |
|---|---|
analyze_image (project_id, image_url, file_path, prompt) |
图像视觉分析——传入图像 URL 或服务器文件路径，返回 AI 视觉分析结果。一次只分析一张图片；同时传 file_path 和 image_url 时服务端只用 file_path。用于实体识别、候选评估、一致性审计、线稿验证 |
generate_image (project_id, prompt, image_type, output_path, size, ref_image_path / ref_image_paths, task_id, image_model_key, verify_with_vision, verification_prompt, upload_to_cdn, watermark) |
生成单张图片，返回 download_url（始终为可 HTTP fetch 的存储 URL，无 base64）和 file_path，以及 provider/model/revised_prompt。按 provider 传 ref：Seedream 单张 ref_image_path；OpenAI(gpt-image) ref_image_paths ≤16、Gemini ≤10（非 gpt-image 的 OpenAI 仅 1 张）。当前是参考图生成，不是专用 colorize_lineart / ControlNet img2img 上色，无 ref 强度参数。upload_to_cdn=true（需 output_path）可把成品图同调用上传到项目 CDN；watermark=true 仅 Volcengine/Seedream 支持 |
upload_image (project_id, file_path) |
上传图片 |
compress_image (file_path) |
压缩图片 |
download_image (project_id, url, upload) |
下载在线图片到 MCP 服务器临时路径或上传到存储，返回服务器端 file_path；不写入 agent 本地 $DIR |
当前能力边界（先讲清楚，再开工）
平台 generate_image 是参考图生成：根据 prompt + 参考图生成一张新图，不是专用的 colorize_lineart，也不是严格的 img2img/ControlNet 上色。三家 provider（OpenAI gpt-image-2 / Gemini / 火山 Seedream）都没有 ref 强度 / denoising / ControlNet 线稿条件参数（Seedream 的 GuidanceScale 是 prompt 引导，不是 ref 强度）。因此：
- 线条会被部分重绘——尽力保持线稿，但不能承诺 100% 保留。本 skill 是"尽力保线"的参考图生成流程。
ref_image_path只能提高构图/风格一致性，不能锁定线稿像素。size是宽高比提示，不是像素级裁切硬约束。- 收敛修正和回溯都是重新生成整张图，不是"只改颜色不动线条"——所以不能反复重绘谎称只修色。
保线能做到多好，取决于是否把原线稿当 ref 用满：Seedream 的强 i2i 会"锁住"构图（对求多样的种草笔记是缺点，对求一致的上色恰恰是保线利器）。所以上色任务要主动利用原线稿作 ref，而不是规避它。
如用户要求"原线稿 100% 不变、只填色"，必须先说明当前能力无法严格保证；只有接入专用 img2img/colorize_lineart 能力后才能承诺。
核心原则
原则 1：颜色一致性 > 像素级保线
同一实体在所有图中颜色一致是第一目标。不要用大量候选弥补模型保线能力缺口——默认单候选模式，仅在明确触发条件（见「核心机制 3」）下用 2 候选。
原则 2：原线稿作单源 ref（保线的核心手段）
每张图都把当前原始线稿作 ref_image_path/ref_image_paths，构图与线条从它出发，不沿前一张上色输出漂移（漂移会累积误差，越上越偏）。先 download_image 把原线稿注册到服务器拿到稳定 file_path，再作 ref。
原则 3：provider-adaptive ref
按任务 image_model{provider}（建任务时由 image_model_key 选定）适配：
- 火山 Seedream（
volcengine/volc/seedream）：单张ref_image_path= 原线稿。强 i2i 锁构图 = 保线利器，正是上色求一致所需要的。 - OpenAI gpt-image / Gemini（
openai/gemini/google）：ref_image_paths= 原线稿 + 锚点上色图（OpenAI gpt-image ≤16、Gemini ≤10；非 gpt-image 的 OpenAI 仅 1 张）。多参考保真首选openai-gpt-image（gpt-image-2）。 - 禁止纯文生图：每张图必带原线稿 ref。
provider 的权威来源是 generate_image 返回的 provider 字段——首次调用后据此确认并补记。建任务的 image_model_key 也可预判 provider，但以返回值为准；确认前按 Seedream 单 ref 与 OpenAI·Gemini 多 ref 两套准备。
原则 4：每色必有理由（色彩理论纪律）
配色不是随意。新实体定色遵循：
- 性格/氛围匹配：活泼角色用暖色、沉稳角色用冷色；户外场景用自然色、室内用柔和色。
- 跨实体区分度：不同角色主色要有足够区分度，避免混淆；颜色相近时用配饰/细节色区分。
- 和谐关系：与已有实体色互补/对比/和谐，共享色关系明确写出。
- 不用 hex 色值——用语义色名 + 实物类比 + 反面约束（见「语义颜色锚定」）。
原则 5：用 analyze_image 分析图像（不用 Read）
Read 工具不用于图像视觉分析——在本环境 Read 上传图像到 CDN 返回 URL，不提供视觉内容。所有"看"图像的场景用 analyze_image。一次只分析一张；同时传 file_path 和 image_url 时服务端只用 file_path。线稿保持审计必须先为原线稿生成线稿指纹，再分析上色图，逐项比对。
图像视觉分析方法
分析流程
- 获取图像可访问路径：
- MCP 服务器端文件路径：直接传
file_path参数 - 已有 CDN URL：传
image_url参数 - Read 返回 CDN URL 的场景：先 Read 获取 URL，再用
image_url参数传入
- MCP 服务器端文件路径：直接传
- 调用 analyze_image：
analyze_image(project_id="$PROJECT_ID", image_url=URL或file_path=路径, prompt=分析提示) - 处理结果：根据返回的文本描述进行实体匹配、颜色评估等
注意：Read 返回的 CDN URL 约 30 分钟过期。获取后立即使用；需要重新分析时重新 Read 获取新 URL。
大小限制：
file_path方式分析有 10MB 限制。若analyze_image(file_path=...)返回图片过大，先调用compress_image(file_path=...)得到较小文件；仍失败时调用upload_image(project_id, file_path)获取 URL，再用image_url重试。
各场景的 analyze_image prompt 模板
实体识别（步骤 3）：
描述图中所有实体：角色（位置、姿态、朝向、体型比例、发型轮廓、服装类型、配饰、与其他角色空间关系）、物体（位置、大小、材质）、环境元素（整体色调方向）。对每个实体提供足够外观描述用于跨图匹配。
候选颜色评估（步骤 7）：
逐实体逐部位描述颜色。对图中每个角色/物体，列出所有可见部位并描述每个部位的颜色。格式：
- [实体名]: [部位1]=[颜色描述], [部位2]=[颜色描述], ...
一致性审计（步骤 8）：
逐实体逐部位描述颜色，与以下 Color Bible 规格比对并标注 PASS/MINOR/FAIL：
[Color Bible 内容]
对每个实体的每个部位：
- PASS: 颜色与定义一致
- MINOR: 色调正确但有轻微饱和度/明度偏差
- FAIL: 色调错误
线稿验证（每张上色图生成后）：
先为原始线稿生成线稿指纹：
只描述这张原始线稿的可验证线稿指纹，不评论颜色。包括：画面宽高方向、主体数量、主体位置、姿态、轮廓关键线（含线条粗细与曲率）、服装/道具/背景线条、构图边界、容易被重绘或丢失的小线条，以及线条整体锐利还是模糊。
再审计上色图：
只描述这张上色图的线条和构图状态，不评论颜色。按原始线稿指纹逐项检查：画面宽高方向、主体数量、主体位置、姿态、轮廓关键线（粗细/曲率是否一致）、服装/道具/背景线条、构图边界、小线条是否存在、线条锐度（是否变模糊或变锐化）。输出 PASS/MINOR/FAIL，并列出任何线条重绘、模糊、锐化变化、构图偏移、比例变化或元素增删。
将上色图审计结果与线稿指纹逐项比对；不能确认时标记为 needs_img2img。
核心机制
1. 渐进式 Color Bible
Color Bible 不在开始时一次性建完，而是逐图渐进构建：
- 处理第 1 张图时建立初始 Color Bible
- 处理第 N 张图时：匹配已有实体（复用颜色）+ 发现新实体（定义新颜色加入）
- 这避免了全局规划的遗漏问题
颜色定义方法论详见 references/color-bible.md。
2. 语义颜色锚定
不用 hex 色值——AI 模型经常忽略 "#FF5733" 这种写法。
改用三层颜色描述：
- 语义色名："bright cherry red, like a fire truck"
- 实物类比："hair like dark chocolate, not milk chocolate"
- 反面约束："must NOT be blonde or light brown, it must be very dark brown, almost black"
3. 单候选优先 + 可选最优选 + 回归检查
默认每张线稿生成 1 个候选，减少成本和长任务失败率。满足以下明确条件才生成 2 个候选：
- 用户明确要求质量优先（如"高质量"/"多出几个挑"）
- 第一候选颜色明显失败（FAIL = 色调错误，见 verification.md PASS/MINOR/FAIL）但线稿保持尚可——换措辞再试
- 跨图关键实体（主角）需要更稳定的颜色版本
2 候选流程：
- 候选 A 和 B 用不同 prompt 措辞（描述同一颜色但换说法），都以原线稿作单源 ref 独立生成，不把 A 当 B 的参考（避免放大 A 的错误）
- 用
analyze_image逐实体逐部位比对 Color Bible - 选颜色最优且线稿风险最低的；回归检查：颜色更准但线稿退化更严重的候选必须拒
- 两个候选都明显不匹配 → 生成候选 C（换 ref 锚点或加强 prompt）
多候选只能提高颜色命中率，不能保证线稿一致。
4. Per-Entity Best Reference 追踪
维护映射表 $DIR/best-refs.md：
## Entity: Girl with red hood
- best_ref: colored_00.png
- quality: hair=PASS, skin=PASS, hood=PASS
- appearances: colored_00, colored_02, colored_05
## Entity: Big bad wolf
- best_ref: colored_02.png
- quality: fur=PASS, eyes=PASS
- appearances: colored_00, colored_02
best_ref 记录的是某实体颜色渲染最好的一张，用作颜色锚点（OpenAI/Gemini 可作 ref_image_paths 之一）；它不作下一张构图的来源——构图来源始终是当前图的原线稿。每完成一张上色图就更新：新图中某实体颜色比当前 best_ref 更好则更新。
5. 收敛修正循环（回归感知）
收敛修正和回溯统一都遵循同一回归守卫：只要线稿比修正/回溯前退化，就拒收并回退、标 needs_img2img，绝不为了修色而改线。
全部上完后审计 → 修正 → 再审计 → 再修正，最多 3 轮。
先判断能否真正改善：颜色问题若需"只改色不动线"才能修，直接标 needs_img2img，不反复全量重绘（重绘会改线，越修越破）。只在"重绘既能修色又不明显退化线稿"时才重生成，并做回归守卫：修正后线稿比修正前退化 → 拒收、回退修正前版本。线稿退化判定维度与「颜色改善×线稿退化」2×2 矩阵见 references/verification.md「回归检查」。
6. 回溯统一（默认前向不回溯）
默认前向不回溯（对齐同仓 agent）。仅当任务要求严格跨图一致、且颜色一致性收益明确大于线稿重绘风险时才 opt-in：修正后某实体 best_ref 变了 → 用新 best_ref 作颜色锚点、仍以原线稿作单源 ref，回溯重上前面的图。回溯同样带回归守卫，退化则放弃、标 needs_img2img。
完整工作流
Phase 0 — 初始化
步骤 1：获取项目、工作目录和图像模型
echo $ANBAN_DEFAULT_PROJECT→$PROJECT_ID- 如果为空，调用
list_projects获取项目列表并选择；只有一个可用项目时自动使用，多个项目且无法从任务上下文判断时停止并提示配置ANBAN_DEFAULT_PROJECT - 从
.task-context获取$TASK_ID，或使用 CWD 目录名 - 读取
image_model{provider}（建任务时由用户image_model_key选定，整任务单一模型），记录 provider（openai/gemini/volcengine）决定步骤 6 的 ref 策略；任务上下文未暴露时，在首次generate_image后从返回的provider字段确认并补记 - 尝试调用
prepare_workspace(content_type="design", task_id=$TASK_ID)→$DIR- prepare_workspace 返回的 path 可能是相对路径；相对路径以当前任务工作区
$CWD为根，例如返回output时使用$CWD/output - 如果
prepare_workspace调用失败，使用$CWD/output/作为$DIR
- prepare_workspace 返回的 path 可能是相对路径；相对路径以当前任务工作区
mkdir -p "$DIR"
步骤 2：确认输入线稿
- 收集用户提供的线稿图路径列表
- 处理 TIF、TIFF、BMP 等非标准格式：先转换成 PNG，再进入分析/生成流程。macOS 可用
sips -s format png "$IN" --out "$OUT.png"；若安装了 ImageMagick，可用magick "$IN" "$OUT.png"。保留原始文件路径和转换后 PNG 路径到 manifest。 - Read 每张 PNG/JPG/WebP/GIF 图验证存在且可读取。Read 对 TIF 常会失败，不要把 TIF 直接传给 Read。
- 如果用户未指定顺序：
- 对每张线稿调用
analyze_image，参数prompt="识别图中所有角色/实体的数量、类型（人物/动物/物体）、位置、构图复杂度。列出每个实体的简要描述。" - 按角色数量 × 构图简洁度降序排列
- 对每张线稿调用
- 写入
$DIR/input-manifest.md：
# Input Manifest
## Processing Order
| # | File | Reason |
|---|------|--------|
| 0 | /path/to/lineart_01.png | 3 characters, simple composition → anchor |
| 1 | /path/to/lineart_03.png | 2 characters, shares Girl with #0 |
| 2 | /path/to/lineart_02.png | 1 character, complex pose |
Phase 1 — 渐进式上色循环
对 input-manifest.md 中的每张线稿（按顺序）执行步骤 3-7：
步骤 3：读取线稿，识别实体
Read 当前线稿图获取 CDN URL → 调用 analyze_image(project_id="$PROJECT_ID", image_url=CDN_URL, prompt=实体识别prompt) → 识别所有实体：
- 角色类：人物、动物、拟人角色
- 描述：位置、姿态、朝向、大小、服装特征、配饰、与其他角色的空间关系
- 识别依据：外观特征（发型、服装轮廓、体型比例）、上下文线索
- 物体类：关键道具、标志性物品
- 描述：位置、大小、材质暗示
- 环境类：场景背景、氛围元素
- 描述：整体色调方向（温暖/冷调/中性）
关键原则：识别的目的是匹配——描述要足够详细，以便与后续图中的同一实体匹配。
步骤 4：实体匹配与 Color Bible 更新
将识别到的实体与 $DIR/color-bible.md 中已有实体逐一匹配（方法详见 references/color-bible.md）。
已知实体：从 Color Bible 读取颜色规格。
新实体：按色彩理论纪律（性格/氛围匹配 + 跨实体区分度 + 与已有色和谐关系）定义颜色规格，追加到 $DIR/color-bible.md。
写入/更新 $DIR/color-bible.md。
步骤 5：构建上色 Prompt
构建包含以下要素的 prompt（颜色描述使用英文，模型对英文颜色术语响应更精确；其余指令可用中文）。Prompt 控制在 500 词以内，避免长 prompt 触发 504 Gateway Timeout；超过时删减到关键实体、关键颜色和 1-2 个最重要反面约束。
提醒：颜色描述使用语义色名 + 实物类比 + 反面约束，绝对不用 hex 色值。详见下方"语义色名参考"表。
保线固定语（定义一次，生成 prompt 和修正 prompt 都复用）：
CRITICAL: PRESERVE the exact line art composition. Every line, stroke, and
proportion must remain identical to the original. Do NOT modify, blur, redraw,
add, or remove any lines. Only add color.
这是 prompt 约束，不是能力承诺——平台无 ControlNet，线条仍可能被部分重绘。若输出仍明显改变线稿，记录
needs_img2img，不要谎称 100% 保线。
Prompt 模板：
Color this line art illustration.
[保线固定语]
COLOR SPECIFICATIONS (must match exactly):
[Known entities — match the reference]:
- [Entity A]: [element] is [语义色名, e.g. "deep dark chocolate brown, NOT light brown"],
wearing [garment] in [语义色名, e.g. "bright cherry red, like a fire truck"],
[element] in [语义色名]
CONSTRAINT: [Entity A]'s [element] must NOT be [常见错误色]
[New entities — use these colors]:
- [Entity B]: [element] [语义色名], wearing [garment] in [语义色名]
COLOR RELATIONSHIPS:
- [Entity A]'s [element] is the same color as [Entity B]'s [element]
Prompt 要点：
- 已知实体：强调与参考一致 + 反面约束
- 新实体：完整定义颜色 + 实物类比
- 跨实体颜色关系明确写出
- 保线固定语必须包含
- 不使用 hex 色值
- 模型对简单直接的颜色指令响应更准，如 "blue jacket"、"red scarf"；复杂语义色名只用于关键实体，不要堆叠多层反面约束
- 记录实际 prompt + provider + model 到
$DIR/image-prompts.md，便于复盘 504、色偏和线稿偏移
步骤 6：生成候选（原线稿作单源 ref + provider-adaptive）
先把当前原线稿注册到服务器（作 ref 的前提）：
lineart_cdn = Read(lineart_path) # 返回 CDN URL
lineart_server = download_image(project_id="$PROJECT_ID",
url=lineart_cdn).file_path # 稳定的服务器端路径
按 provider 传 ref（原线稿恒作单源）：
- Seedream（
volcengine/volc/seedream）：ref_image_path = lineart_server - OpenAI gpt-image / Gemini（
openai/gemini/google）：ref_image_paths = [lineart_server]，有锚点上色图时追加（OpenAI gpt-image ≤16、Gemini ≤10；非 gpt-image 的 OpenAI 仅 1 张） - 禁止纯文生图：线稿上色每张必带原线稿 ref；不要用前一张上色输出作下一张的主 ref（避免误差累积漂移）
output_path 是 MCP 服务器端路径，不是客户端当前目录路径。固定使用 /tmp/anban-creator-line-art/$TASK_ID/colored_NN_a.png，返回的 file_path 写入 $DIR/server-paths.md。size 从原始线稿推断最接近的支持比例（如 7:5 接近 3:2 或 4:3），传入 size="3:2"；返回后用文件尺寸或 analyze_image 检查是否被裁切、变形或转为竖图。
生成候选 A：
result_a = generate_image(
project_id="$PROJECT_ID",
prompt="[主 prompt]",
image_type="content",
output_path="/tmp/anban-creator-line-art/$TASK_ID/colored_NN_a.png",
size="[从原线稿推断的比例]",
ref_image_path=lineart_server # Seedream
# 或 OpenAI/Gemini: ref_image_paths=[lineart_server, anchor_server]
)
SERVER_PATH_A = result_a.file_path
# 把 prompt/provider/model/size/output_path/ref_image_path/revised_prompt 追加 $DIR/image-prompts.md
如需高质量模式，生成候选 B（换 prompt 措辞，同样以原线稿作单源 ref 独立生成，不把候选 A 当候选 B 的参考，避免放大 A 的错误）。
步骤 7：候选评估 + 最优选 + 回归检查
- 调用
analyze_image(project_id="$PROJECT_ID", file_path=SERVER_PATH_A, prompt=候选颜色评估prompt)→ 获取候选 A 的颜色描述。10MB 限制失败时先compress_image；仍失败则upload_image后用image_url分析。 - 高质量模式下，同样分析 SERVER_PATH_B。
- 对每个候选，逐实体逐部位比对 Color Bible 评 PASS/MINOR/FAIL，同时记录线稿/构图差异。
- 选颜色最优且线稿风险最低的候选；回归检查：颜色更准但线稿退化更严重的候选必须拒。
- 将选中候选的服务器端
file_path写入$DIR/server-paths.md。不能把download_image当作写入$DIR/colored_NN.png的本地归档步骤——它只返回服务器端临时file_path或上传 URL。如需本地归档，用 shell 下载download_url（始终为可 HTTP fetch 的存储 URL）到$DIR/colored_NN.png。 - 如果两个候选都明显不匹配 → 生成候选 C（换 ref 锚点或加强 prompt 约束），选三者中最好的。
- 调用
analyze_image验证线稿完整性：先为原线稿生成线稿指纹，再审计上色图，逐项比对。 - 更新
$DIR/best-refs.md：新图中某实体颜色比当前 best_ref 更好则更新。 - 删除未选中的候选文件。
产出：$DIR/colored_NN.png
Phase 2 — 全量一致性审计
验证与修正方法论详见 references/verification.md。
步骤 8：全面审计（双轨：颜色 + 线稿风险）
对每张 $DIR/colored_NN.png：调用 analyze_image(project_id="$PROJECT_ID", file_path=服务器端路径, prompt=一致性审计prompt) → 对 Color Bible 中每个跨图实体逐部位比对。
生成 $DIR/consistency-report.md（双轨：颜色 PASS/MINOR/FAIL + 线稿保持风险）：
# Consistency Report
## Entity: Girl with red hood
| Image | Hair | Skin | Hood | Dress | Overall |
|-------|------|------|------|-------|---------|
| colored_00 | ✅ dark chocolate | ✅ warm beige | ✅ cherry red | ✅ navy blue | PASS |
| colored_02 | ✅ dark chocolate | ✅ warm beige | ⚠️ slightly darker red | ✅ navy blue | MINOR |
| colored_05 | ✅ dark chocolate | ✅ warm beige | ❌ appears orange | ✅ navy blue | FAIL |
## 线稿保持风险
| Image | 重绘 | 偏移 | 比例 | 元素增删 | 判定 |
|-------|------|------|------|----------|------|
| colored_03 | 小线条重绘 | 无 | 无 | 无 | needs_img2img(轻微) |
| colored_05 | 姿态改变 | 构图偏移 | 无 | 无 | needs_img2img(严重) |
## Summary
- PASS: 5 entities across 12 appearances
- MINOR: 2 entities across 3 appearances
- FAIL: 1 entity across 1 appearance
- needs_img2img: 2 images
Phase 3 — 收敛修正循环（最多 3 轮，回归感知）
专用 img2img/colorize_lineart 工具可用前，收敛修正只能 best-effort 执行。遇到"颜色只需局部微调，但重新生成会破坏线稿"的情况，直接标 needs_img2img，不要继续消耗候选。
每轮修正（均以原线稿作单源 ref，必要时叠加该实体 best_ref 锚点）：
9a. FAIL 级修正（重新生成）：
对每个 FAIL 实体，构建修正 prompt：
CORRECTION PASS for color inconsistency.
The reference shows the CORRECT color scheme for [Entity].
[保线固定语，见步骤 5]
Only change the COLOR of [Entity], nothing else.
SPECIFIC ISSUES TO FIX:
- [Entity]'s [element] should be [语义色名] (currently appears [错误色描述])
Use the reference's colors EXACTLY for [Entity].
- 默认生成 1 候选；质量优先模式 2 候选选最优
- 更新 best-refs.md
9b. MINOR 级修正（增加反面约束）：在原 prompt 基础上增加反面约束，生成 1 候选。
9c. 回归守卫 + 重新审计：
- 对每个修正结果先做线稿审计：若线稿比修正前退化 → 拒收、回退修正前版本，该项标
needs_img2img - 颜色改善但线稿退化的"修正"不算成功
- 更新 consistency-report.md，判断：
- 全部 PASS/MINOR 可接受 → 跳出，进入 Phase 4
- FAIL 数减少 → 继续下一轮
- 无改善 / 线稿风险升高 → 停止，剩余 FAIL 标
needs_manual_review/needs_img2img
Phase 4 — 回溯统一（opt-in）
默认前向不回溯。仅当任务要求严格跨图一致、且颜色一致性收益明确大于线稿重绘风险时才执行：
- 检查 Phase 3 中是否有实体的 best_ref 发生变化
- 如果变了，且前面的图也包含该实体 → 用新 best_ref 作颜色锚点、仍以原线稿作单源 ref，回溯重上前面的图
- 回溯同样带回归守卫：回溯后线稿退化 → 放弃回溯、标
needs_img2img - 回溯后重新审计确认一致性
Phase 5 — 归档报告
向用户交付结果：
尽力保线的线稿上色完成
图像模型: [provider/model]（决定 ref 策略：Seedream 单 ref / OpenAI·Gemini 多 ref）
总图数: 8
颜色一致性: PASS 5 / MINOR 2 / FAIL 1（已修正或标 needs_img2img）
修正轮次: 2
保线风险(needs_img2img): 2 张——colored_03(轻微)、colored_05(严重)
Color Bible 实体数: 5（3 角色 + 2 物体）
一致性报告: $DIR/consistency-report.md
能力边界: 当前使用 generate_image best-effort 参考图生成，未使用专用 img2img/colorize_lineart，非像素级 100% 保线
成果文件:
- colored_00.png ~ colored_07.png
人工复核: 无
如果有人工复核项：
需要人工复核:
- colored_05.png: [Entity] 的 [element] 经 3 轮修正仍偏差
建议: 手动指定该部位颜色后重新运行修正步骤；或接入专用 img2img 工具保线重上
Prompt 构建技巧
语义色名参考
不用 hex，用 AI 模型能准确理解的色名：
| 色系 | 好的描述 | 差的描述 |
|---|---|---|
| 红色 | bright cherry red, like a fire truck | #FF0000 |
| 深红 | deep crimson, like dried blood | dark red |
| 蓝色 | bright sky blue on a clear day | #0000FF |
| 深蓝 | dark navy blue, like a midnight suit | #000080 |
| 绿色 | fresh grass green, like spring lawn | #00FF00 |
| 棕色 | dark chocolate brown, not milk chocolate | brown |
| 金色 | warm golden, like honey in sunlight | #FFD700 |
| 粉色 | soft rose pink, like cherry blossoms | pink |
| 紫色 | rich plum purple, like ripe grapes | #800080 |
| 黑色 | deep jet black, like polished obsidian | black |
| 白色 | pure clean white, like fresh snow | white |
| 灰色 | cool slate gray, like overcast sky | gray |
关键：给主要实体附带实物类比——"like a fire truck"、"like dark chocolate"——这给模型一个具体的视觉锚点。次要实体使用更简单直接的颜色指令即可。
反面约束模板
[Entity]'s [element] must NOT be:
- [常见错误色 1] (too light / too dark / wrong hue)
- [常见错误色 2] (common AI generation mistake)
It must be [正确色名], [实物类比]
跨实体颜色关系
如果两个实体共享某种颜色，明确写出：
COLOR RELATIONSHIPS:
- Girl's hood is the SAME bright cherry red as the picnic blanket
- Wolf's eyes are the SAME amber gold as the sunset
这帮助模型理解颜色必须跨实体一致。
常见失败与修复
| 问题 | 原因 | 修复 |
|---|---|---|
| 颜色不跟随参考图 | 模型随机性过大 | 原线稿作单源 ref；简化 prompt；必要时 2 候选选优；仍失败标人工复核 |
| 角色色偏（如头发偏亮） | 模型对浅色有偏好 | 增加反面约束："must NOT be blonde" |
| 背景色渗入角色 | 模型无法分离前景/背景 | prompt 明确分离："character colors must NOT be influenced by background" |
| 多角色图中某角色颜色错误 | 多实体增加复杂度 | 单独指定每个实体的反面约束 |
| 实体匹配错误 | 不同角色外观相似 | 增加 more specific 描述（位置、配饰、体型差异） |
| 新实体颜色与已有实体冲突 | 颜色区分度不够 | 选色时确保跨实体区分度（色彩理论纪律） |
| 线条被修改或重绘 | 当前 generate_image 非严格上色工具 | 强化 prompt 后仍失败标 needs_img2img，不承诺 100% 保留 |
| 修正后线稿比修正前退化 | 全量重绘改线 | 回归守卫：拒收、回退修正前版本，标 needs_img2img |
| 走纯文生图 | 漏传 ref | 线稿上色每张必带原线稿 ref；先 download_image 注册再作 ref |
| CDN URL 过期 | Read 返回的 CDN URL 约 30 分钟后过期 | 获取后立即使用；需要重新分析时重新 Read 获取新 URL |
| analyze_image 文件过大 | file_path 方式分析有 10MB 限制 |
先 compress_image，再失败则 upload_image 后用 image_url |
| output_path 权限错误 | output_path 是 MCP 服务器端路径 |
使用 /tmp/anban-creator-line-art/$TASK_ID/... |
| 本地归档缺失 | 把 download_image 误当成本地保存工具 |
下载 download_url 到 $DIR/colored_NN.png，download_image 仅用于服务器端注册/中转 |
| 长 prompt 504 Gateway Timeout | prompt 过长或约束过多 | Prompt 控制在 500 词以内，优先关键实体和关键颜色 |
| ref_image_path 无法访问 | 远程 MCP Server 无法访问本地文件路径 | 使用 generate_image 返回的 file_path（服务器端路径），或通过 download_image 中转 |
验证清单（每张图完成后）
- 所有已识别实体都有颜色规格（含色彩理论纪律）
- Color Bible 已更新
- 原线稿已注册服务器并作
ref_image_path（单源） - 候选评估完成，选中颜色最优且线稿风险最低（已做回归检查）
- best-refs.md 已更新
- 正式上色图
$DIR/colored_NN.png存在 - 线稿完整性已通过 analyze_image 审计；失败时已标记
needs_img2img
验证清单（全部完成后）
- 所有上色图存在
- consistency-report.md 已生成（双轨：颜色一致性 + 线稿保持风险）
- 收敛修正完成（全部 PASS/MINOR 或达最大轮次），且已做回归检查
- 回溯按 opt-in 规则处理（如触发）
- FAIL 项已修正，或已标记
needs_manual_review/needs_img2img - 线稿完整性在所有图中已审计
- 最终报告已交付，含保线风险清单，报告中无"100% 保线 / 完全一致"承诺