Prompt Atlas

视觉提示词图库 / Visual Prompt Atlas

把 AI 提示词当「工程对象」而非「文采竞赛」：可拼装、可体检、可评分。 Treat AI prompts as engineering objects, not prose: they can be assembled, checked, and scored. Output language rule：用户用中文提问就用中文回答；user asks in English, answer in English.

1. 核心理念 / Core Concept

9 槽位（9 Slots） —— 一条完整的视觉提示词由 9 个可控维度组成：

确定性分数（Determinism Score，0–100） —— 词条控制力的量化估计：

• status = heuristic：编辑经验估计，不是实测概率，不得表述为「稳定还原概率 X%」或「跨模型已验证」
• status = benchmarked：经 docs/BENCHMARK.md 管道实测（多轮 image-baseline 运行：3 个独立模型家族 × 6 场景 × 3 seeds A/B，每词 54 对观测），附样本量、模型、置信度（A/B/C）、方法版本与分模型分数（score.byModel）
• 数量统计以 core.json 为准（每词自带 status 字段）——引用 benchmarked/heuristic 数量时先读数据，不要硬编码数字；node scripts/check.js "<提示词>" [image|video] 的输出即实时口径
• 分级：≥ 80 高 · 60–79 中 · < 60 低；低分 = 常「说了白说」，建议替换/补强

证据范围声明（Evidence Scope）：当前实测仅覆盖图像模态的 3 个模型家族（Seedream 4.0 / Seedream 4.5 / 智谱 CogView-4）。Midjourney / Flux / SDXL / Sora / Kling / Runway / Seedance 等均未实测——分数不可跨模型外推（自家数据：ink wash 在 Seedream 两代均 100，CogView 仅 33）。面向未实测模型时，把分数当「同量级参考」并向用户说明该局限；涉及分模型结论时优先引用 score.byModel。

核心理念：未指定的槽位不是错误，是留给模型的自由。 Unspecified slots are creative freedom handed to the model, not mistakes.

2. 数据文件 / Data Files

词库在 core.json（v2 schema，规范见 docs/SCHEMA.md），字段说明（Fields）：

使用规则：只使用词库中真实存在的词条。词库没有的概念标注「⚠️ 未收录（自拟）」，并按 Workflow C 规范提交。

3. 工作流 A：拼装配方卡 / Workflow A — Assemble a Recipe

触发：用户想生成一条新提示词、描述一个画面、把想法转成提示词。

步骤 / Steps：

1. 问清三要素（缺失才问，不要连环追问）：主体 Subject、动作 Action、场景 Scene
2. 按 9 槽位从 core.json 中挑选合适词条，每槽 1 个（最多 2 个，避免冲突）
3. 组装英文提示词，模板：

   [subject] [action] in [scene], [lighting], [camera], [shot], [composition],
   [color], [style], [mood], [time], [technique]
   

4. 输出「配方卡」：
   • 英文提示词（English prompt）
   • 中文逐槽解读（slot-by-slot Chinese breakdown）
   • 四维 Control Profile（与体检仪同一语言，core-lib.recipeProfile / 网页配方卡一致）：Reliability 可靠性 = 所选词条平均分（macro 不计入）、Coverage 覆盖 = 已填槽位/适用槽位、Consistency 一致性、Freedom 留白
   • 提示：词条分数 < 60 的给出替代建议
5. 不输出 Prompt 级单一总分——平均分/XX分这类聚合分数已在 v3 废除，全产品只有 Control Profile 一种评分语言。

示例输出模板 / Output template：

🎬 配方卡
主体/动作/场景：a young woman walking in the rain, a cyberpunk city street
EN: a young woman walking in the rain in a cyberpunk city street, neon glow,
    tracking shot, close-up, symmetrical composition, teal and orange,
    anime style, suspenseful, rainy night, shallow depth of field, slow motion
中文解读：光线-霓虹光；运镜-跟拍；景别-特写；构图-对称；调色-青橙；风格-日系动漫；
         氛围-悬疑；时间-雨夜；技术-浅景深+慢动作
确定性：Control Profile —— Reliability 80 · Coverage 9/9 · Consistency 100 · Freedom 0

4. 工作流 B：体检分析 / Workflow B — Check a Prompt

触发：用户贴出一条已有提示词，想知道它哪里缺、靠不靠谱、怎么改。

步骤 / Steps：

1. 先判断模态与意图（image/video）：静态图片默认运镜槽位 = N/A；适用槽位之外的留白是 Freedom 不是错误
2. 逐槽扫描（Matcher 2.0）：最长词优先 + span 去重（extreme close-up 不再同时命中 close-up）+ 别名归一（close up/closeup）+ 英文边界；蕴含关系计覆盖不重复计分（rainy-night ⟹ night）
3. 输出「9 槽位报告」，槽位状态为以下四态之一：
   • ✅ SPECIFIED 已指定（列出词条 + 分数）
   • ⚠️ FREE_TEXT 疑似已描述（原文含相关自由文本，标注人工确认）
   • ◻️ UNSPECIFIED 未指定（不是错误，是留给模型的决定）
   • ➖ NOT_APPLICABLE 不适用（如静态图片的运镜；抽象空间场景的时间维度）
   • 另有独立冲突清单（relations.hardConflict 或自由文本冲突）与模态不符警告（image 提示词中的 video-only 词条）
   • ⚠️ 不确定源：所有 heuristic 低分（<60）词条，逐个给出替换/补强建议；Macro（复合词）建议「拆解并增强」
4. 输出四维 Control Profile（v3，已废除单一总分；确定性命令行入口 node scripts/check.js "<提示词>" [image|video]）：

   Reliability  可靠性   = 已识别词条平均分（macro 不计入），无词条时为 —
   Coverage     覆盖率   = 已覆盖适用槽位 / 适用槽位总数
   Consistency  一致性   = 100 − 硬冲突×30 − 软张力×10
   Freedom      留白     = 未指定槽位数（不是错误，是创作自由）
   ControlLevel 定性档位 = high / medium / low / conflict
   

5. 输出「优化版提示词」（Optimizer 2.0）：
   • 每槽最多新增 1 个词条；候选必须与原文 + 已选词条两两冲突检查（relations.hardConflict）
   • 无合适候选时输出 NO_SUGGESTION（保留自由）——「不改」是正常结果
   • 长提示词新增词放开头作全局前缀；附逐槽结构化解读（✅ 原文含 / ➕ 新增 / ⛔ 跳过冲突 / ◻️ 无建议 / ⚠️ 疑似已描述）

5. 工作流 C：词库扩充 / Workflow C — Extend the Dictionary

触发：用户想新增词条、词条缺英文/描述、词条分数存疑。

规范 / Rules（v2 schema，CI 强制校验）：

• 必填字段：id（kebab-case 唯一）、type（atom/macro）、slot（必须属于 9 槽位之一）、modalities、zh、en、score（value 0–100 + status）、relations、desc、descEn、example
• Macro 判定测试：能否用一次 A/B 分离出独立效果？不能则 type=macro，且必须填 expandsTo 或 implies
• 评分标准：新词条 score.status 一律 heuristic，注明经验依据；只有通过 docs/BENCHMARK.md 管道才可标 benchmarked
• 关系声明：hardConflict 必须双向对称；implies（如 rainy-night ⟹ night）用于覆盖映射；softTension 用于「组合困难但非互斥」
• 别名：常见差异（close up/closeup、time lapse/timelapse）进 aliases 归一，不造新词条；同语言别名不得与现有词条冲突
• 查重：先搜索 zh/en/aliases，同义词应合并
• 提交前本地跑：node scripts/validate-core.js + pwsh -File build.ps1 + node tests/run-tests.js（三者 CI 都会强制跑）
• 扩充来源见 docs/LAUNCH.md 的 4 条管道（批量自生成 / CC0 素材匹配 / 悬赏认领 / 一词成名周赛）

6. 工作流 D：剧本 → 分镜提示词 / Workflow D — Script to Storyboard

触发：用户给出一个剧本/故事/文案，要求按固定时长（如每段 15 秒）拆成多段视频提示词。

步骤 / Steps：

1. 问清三件事（缺才问）：总时长与分段长度（默认每段 15 秒）、目标平台（即梦/可灵/Sora 等）、统一风格基调（如「顶级国漫院线质感」）
2. 生成时间骨架（确定性工具，非手算）：

   node scripts/storyboard.js --total 60 --seg 15
   

   或使用网页版（可分享链接）：web/storyboard.html（https://atlas.f8w.com/storyboard.html）——贴入剧本自动拆段拆拍 + 每段 9 槽位选词 + 冲突检查 + Control Profile。 输出 N 段 × 每段拍点骨架（如 [0-2s][2-4s][4-7s]...），长提示词的时间戳结构是硬约束，不要改动拍点边界
3. 把剧本内容分配到拍点（叙事三段式：建立→发展→高潮/收尾），每拍写清：主体 + 动作 + 场景
4. 为每段选 9 槽位词条（同工作流 A 的规则：每槽 1 个、hardConflict 禁止同选、运镜槽只对视频有效）
5. 输出格式（与主流分镜模型兼容的时间戳格式）：

   【统一风格】<风格基调>，<全段共用的风格词条>
   【第 1 段 / 15s】
   [0-2s] <主体+动作+场景>, <光线>, <景别>, ...
   [2-4s] ...
   ...
   【第 2 段 / 15s】 ...
   

6. 收尾必做：对每段跑一次 node scripts/check.js "<该段提示词>" video，报告冲突/漏槽；对整体给一句「控制 vs 自由」评价（分镜稿通常覆盖率高是正常的——它是高定制场景）

红线：拍点边界、总段数由骨架工具确定；词条仍只从 core.json 选；每段运镜必须前后衔接（如第 1 段以特写收尾，第 2 段就不应突然全景开場，除非剧本要求）。

7. 边界与红线 / Boundaries

• 版权：真实电影片段只作参考描述，绝不直接复制受版权保护的作品描述；CC0 素材需标注来源
• 诚实：确定性分数必须给依据，不编造「测试过」的结论
• 语言：中英双语能力，跟随用户语言输出；词条引用同时给出 zh + en
• 词库外概念：先标注「未收录（自拟）」再使用，并建议提交扩充

8. 相关文档 / Related Docs

• README.md — 项目总纲 / overview（中文）· README.en.md（English）
• docs/ECONOMY.md — 积分/徽章/悬赏激励体系 / incentive system
• docs/LAUNCH.md — 冷启动与图库采集 4 管道 / cold start & collection pipelines
• web/ — 网页演示（体检仪/配方卡/词库，中英切换）/ web demo