AI Image Art Direction

AI Image Art Direction Skill

Skill Name

ai-image-art-direction

Purpose

用于 AI image generation / editing 的 art direction，重点处理视觉世界观、镜头语言、材质、光线、风格约束、生成限制和 AI 常见失真。

When to Use

• 需要为品牌、campaign、海报、社媒、产品或 editorial 生成 AI 图像。
• 需要把创意方向转成可执行 image prompt。
• 需要审查 AI 图像是否有 artifact、品牌不符或生产不可用。
• 需要定义图像的视觉世界、镜头、材料、光线和限制条件。

When Not to Use

• 任务只是普通版式或图文关系时，使用 visual-design 或 graphic-design。
• 任务是品牌系统而非单张图像时，使用 brand-design。
• 任务是 campaign KV 系统时，先使用 campaign-kv，再调用本 Skill。
• 不要用本 Skill 直接模仿活跃艺术家、品牌视觉或受版权保护的图像。

Inputs

• Image purpose
• Brand / campaign context
• Subject and message
• Intended medium
• Aspect ratio and size
• Desired visual world
• References with safety notes
• Constraints: legal, brand, product accuracy, text, logos
• Model or tool limitations if known

Outputs

• Image art direction
• Visual world definition
• Composition and camera logic
• Material and lighting rules
• Prompt-ready instruction
• Negative constraints
• Artifact risk checklist
• Production notes
• Evaluation score

Core Judgment

先用 art direction、visual semiotics 和 studio image-system 经验定义视觉世界观，再用 camera / material / lighting 约束生成，最后用 brand safety、artifact evidence 和 layout usability 拒绝不可生产图像。

Decision Logic

• First decision: 定义 image intent：解释产品、建立情绪、承载 campaign、制造封面停留或提供背景场景。
• Second decision: 定义 visual world：真实摄影、editorial still life、documentary、3D、illustration、collage、diagrammatic。
• Third decision: 定义 camera and composition：shot type、angle、lens feel、focal point、depth、negative space。
• Evidence calibration: contemporary AI image sources 可提示风险，但不能替代 art direction 和 production proof。
• Experience rule: campaign image-system 案例显示，图像世界必须可重复生成或延展，否则只是一张 mood image。
• Experience rule: contemporary AI failure patterns 显示“更真实”不等于更可用，产品准确性、裁切和文字安全区更重要。
• Prioritize: concept clarity、material credibility、brand fit、artifact control、layout usability。
• Reduce: 多余主体、无意义细节、风格堆叠、不可控文字、复杂手部或产品结构。
• Suppress: generic cinematic look、plastic AI skin、fake luxury render、过度景深、无来源光。
• What breaks the output: 图像漂亮但不服务 intent；品牌不符；产品细节错误；无法裁切；承载不了文字；AI artifact 明显。

Workflow

1. Diagnose: 明确图像用途、媒介、品牌、需要传达的信息。
2. Define World: 写出 visual world、时代感、空间、材质和真实度。
3. Compose: 定义主体、焦点、镜头、构图、留白和文字安全区。
4. Light and Material: 指定光线来源、阴影、表面、质感、颜色温度。
5. Validate: 对照 visual semiotics、brand systems、studio art direction 和 contemporary AI risk sources。
6. Constraint: 写出 negative constraints、法律限制、品牌限制、产品准确性限制。
7. Prompt: 生成 prompt-ready instruction，避免词堆。
8. Critique: 检查 artifact、brand fit、layout fit、production risk。
9. Refine: 用具体修正指令迭代，不随机加风格词。

Output Format

• Handoff Target: 交付给 image generation operator / art director / designer / retoucher / production team。
• Asset Type: prompt direction、reference boundary、image spec、retouch notes、layout-safe asset。
• Image Purpose: 图像要完成什么任务。
• Visual World: 画面世界、媒介逻辑、真实度。
• Subject / Scene: 主体、环境、动作、关系。
• Camera / Composition: 景别、角度、焦点、留白、裁切。
• Lighting / Materiality: 光线、阴影、材质、表面。
• Color Direction: 色温、主色、强调色、饱和度。
• Prompt-ready Direction: 可直接给图像模型的指令。
• Negative Constraints: 必须避免的内容和失真。
• Locked Image Controls: 必须保持不变的主体、镜头、材质、光线、品牌限制。
• Adaptation Requirements: poster、KV、social、web、retouch、crop 的要求。
• Validation Binding: canonical / studio / contemporary references。
• Production Notes: ratio、resolution、safe area、retouching。
• Evaluation Score: 按本 Skill 评分。

Quality Bar

AI 图像必须服务明确设计意图，视觉世界一致，材质和光线可信，artifact 可控，并能在目标版面中被裁切、排版和交付。

Anti-Patterns

• Prompt stuffing: 堆大量风格词但没有视觉世界和构图逻辑；不能作为 validated art direction。
• Generic cinematic: 任何图都写 cinematic lighting，导致无差异影像。
• Plastic AI skin: 人物皮肤过度光滑、毛孔消失、表情假。
• Fake material: 金属、玻璃、布料、纸张没有真实物理逻辑。
• Impossible product: 产品结构、logo、文字、包装细节错误。
• Layout unusable image: 没有留白或安全区，无法放标题或裁切。
• Unsafe imitation: 直接模仿活跃艺术家、品牌广告或可识别摄影风格。
• Surreal without concept: 超现实元素存在但不服务 message。
• Case-backed evidence: Gretel image systems 显示重复行为和系列一致性比单张惊艳更重要。
• Case-backed evidence: Collins expressive worlds 显示视觉世界必须有品牌语义边界。
• Case-backed evidence: Studio Dumbar controlled experimentation 显示实验图像必须有系统限制。
• Case-backed evidence: contemporary AI imagery patterns 显示 plastic skin 和 fake materials 会迅速降低可信度。
• Case-backed evidence: campaign layout use 显示没有 safe area 的图像会在后期排版中失败。

Evaluation Criteria

1-5 分：

• Intent fit: 图像是否服务任务。
• Visual world coherence: 世界观是否一致。
• Composition clarity: 主体和焦点是否明确。
• Camera language: 镜头、角度、景深是否有意图。
• Material credibility: 材质、光线、表面是否可信。
• Artifact control: 人体、文字、logo、产品细节是否安全。
• Reference safety: 是否避免直接模仿和版权 / 品牌风险。
• Production usability: 是否可裁切、排版、导出和修图。
• Real-world performance: 图像在 poster、KV、social crop 中是否保留主体和文字空间。
• Real-world performance: 产品、人物、logo、文字细节是否能通过修图成本检查。
• Generation stability: 多轮生成是否能保持主体、材质、镜头和品牌约束。
• Prompt loss tolerance: prompt 被模型弱化后，关键限制是否仍可通过 recovery 找回。
• Handoff integrity: 生成、修图、排版、授权边界是否足以让团队接手。
• Production survivability: 图像经过裁切、放大、压缩和 retouch 后是否仍可用。

Production Notes

必须作为 production handoff 记录：aspect ratio、resolution、safe area、是否需要透明背景、可放文字区域、产品准确性要求、参考限制、授权假设、negative constraints、seed / model notes if available、retouching needs、crop variants、final / concept 状态和人工复核点。

Canonical References

• Visual Semiotics: 支持图像符号、场景意义和品牌语义。
• Brand Systems: 支持图像与品牌识别的一致性。
• Grid & Layout: 支持图像裁切、留白和图文关系。

Studio References

• Gretel: 可验证 motion / image system and campaign visual worlds。
• Collins: 可验证 expressive brand worlds and storytelling。
• Studio Dumbar: 可验证 dynamic visual systems and controlled experimentation。

Validation Notes

• Production validation conclusion: AI 图像进入生产后，最先损耗的是 prompt constraint、产品准确性和 layout safe area。
• Production validation conclusion: model drift 会让同一 art direction 在多轮生成中变成不同视觉世界。
• Production validation conclusion: AI image handoff 必须包含 negative constraints、retouch notes 和 reference safety，否则无法稳定交付。
• Contemporary Validation Sources: D&AD、Creative Review、It’s Nice That 可作为 art direction quality signal；Behance Featured limited 只能作为 weak contemporary signal。

Evidence Gaps

• 缺 prompt-to-retouch deployment proof：从生成到修图到最终版式的损耗链路。
• 缺 model drift proof：不同模型、seed、迭代轮次下 art direction 的稳定性记录。
• 缺 product / logo / text accuracy proof：产品图像在真实交付中的人工修正成本。

Production Proof

First production proof focus: generation stability, model drift, prompt loss and handoff integrity.

本 Skill 的生产验证目标是判断 AI image art direction 从 prompt 进入多轮生成、修图、裁切、版式和交付后，visual world、subject accuracy、materiality、safe area 和 brand safety 是否稳定保留。

Real-world Stress Conditions

• Model drift: 同一 prompt 在不同模型或多轮迭代中偏离视觉世界。
• Prompt loss: 模型忽略 negative constraints、safe area、材质或产品细节。
• Product accuracy: 包装、logo、文字、结构生成错误。
• Human / skin artifacts: 人物表情、手、皮肤和比例失真。
• Crop adaptation: poster、KV、social 比例变化导致主体或留白丢失。
• Retouch handoff: 修图师不知道哪些内容必须保留或禁止改变。
• Reference risk: 参考图过强，生成结果接近受保护品牌或风格。

Production Constraints

• Prompt must separate subject, world, camera, material, lighting and constraints.
• Negative constraints must include product, text, logo, anatomy and reference safety.
• Safe area and crop variants must be defined before generation.
• Image cannot be considered final until artifact and retouch review passes.
• Product and brand assets may require manual compositing instead of generation.
• Handoff must state final vs concept status.
• Model / seed / iteration notes should be preserved when available.

Output Loss Layer

• What degrades first: fine product details、text accuracy、hands、material surface、brand-specific cues。
• What collapses under pressure: visual world consistency、safe area、lighting continuity、series cohesion。
• What survives: clear subject hierarchy、simple composition、strong material direction、locked crop rule。
• What becomes noise: extra surreal details、fake bokeh、gloss、over-texture、irrelevant props。
• What loses brand signal: off-style lighting、generic AI premium look、incorrect product / logo / color。

Failure Under Execution

• Prompt 写得完整，但模型持续忽略文字安全区，导致无法排版。
• 产品图生成漂亮，但 logo、包装结构或文字错误，无法交付。
• 多张系列图使用同一 direction，却出现不同光线、材质和世界观。
• 修图阶段删除了原本用于品牌识别的关键材质或构图。
• 社媒裁切后主体被截断，poster 版本又缺少留白。
• 参考图过强，结果接近可识别品牌广告或摄影风格。

Production Recovery Rules

• If prompt loss appears, split prompt into subject, composition, material, lighting and constraints blocks.
• If product accuracy fails, generate environment separately and composite approved product assets.
• If safe area fails, regenerate with explicit negative space and crop anchor before retouching.
• If model drift appears, reduce style variables and lock camera, material and lighting.
• If artifacts persist, simplify anatomy / object complexity or switch medium logic.
• If brand signal weakens, reintroduce approved color, material, product or layout cue.
• If reference risk is high, abstract structure and remove identifiable surface features.

Injected Cases

• Case Name: Visual semiotics for image meaning Type: canonical Why It Matters: 支持图像符号与品牌语义。 What It Validates: image must communicate meaning。 What It Corrects: 纠正无概念超现实。 What It Adds: meaning check。
• Case Name: Photography / art direction composition principles Type: canonical Why It Matters: 支持镜头、主体、焦点和光线。 What It Validates: camera language before prompt。 What It Corrects: 纠正 prompt stuffing。 What It Adds: shot logic。
• Case Name: Grid & layout principles for image use Type: canonical Why It Matters: 支持留白、裁切和文字安全区。 What It Validates: image must fit layout。 What It Corrects: 纠正 wallpaper image。 What It Adds: layout usability。
• Case Name: Gretel image / motion systems Type: studio Why It Matters: 展示图像作为系统的一部分。 What It Validates: repeatable visual behavior。 What It Corrects: 纠正单张惊艳。 What It Adds: image system logic。
• Case Name: Collins expressive brand worlds Type: studio Why It Matters: 展示视觉世界和品牌语义的结合。 What It Validates: strong world needs boundaries。 What It Corrects: 纠正风格泛化。 What It Adds: brand world logic。
• Case Name: Studio Dumbar controlled visual experimentation Type: studio Why It Matters: 展示实验图像需要系统规则。 What It Validates: controlled experimentation。 What It Corrects: 纠正随机超现实。 What It Adds: constraint-led art direction。
• Case Name: D&AD / Creative Review art direction patterns Type: contemporary Why It Matters: 提供 campaign image quality benchmark。 What It Validates: image must support idea。 What It Corrects: 纠正漂亮但无任务图像。 What It Adds: communication benchmark。
• Case Name: Contemporary AI image failure patterns Type: contemporary Why It Matters: 提醒 plastic skin、fake materials、text errors、layout failure。 What It Validates: negative constraints must be explicit。 What It Corrects: 纠正“生成后再修”依赖。 What It Adds: artifact anticipation。

Extracted Heuristics

• Learn: define visual world before prompt；Strengthens: art direction；Apply: all AI image tasks。
• Learn: shot logic beats style-word stacking；Strengthens: camera language；Apply: photography-like generation。
• Learn: material credibility must be specified；Strengthens: taste and realism；Apply: product and premium imagery。
• Learn: safe area is an image requirement, not layout afterthought；Strengthens: production fit；Apply: posters and KV。
• Learn: negative constraints should include brand and legal risk；Strengthens: safety；Apply: reference-based generation。
• Learn: repeatability matters for campaign images；Strengthens: system thinking；Apply: series generation。
• Learn: surrealism needs message function；Strengthens: semiotic fit；Apply: conceptual imagery。
• Learn: artifact risk is part of evaluation, not technical cleanup；Strengthens: critique；Apply: final image review。

Case-backed Refinements

• Reinforced: art direction must precede prompt.
• Corrected: realism alone is not enough; layout usability and product accuracy matter more.
• Narrowed: contemporary AI inspiration is weak evidence unless tied to production context.

Inherits

• Canonical System: composition、color、hierarchy、image-text layout。
• Trend Overlay: 用于识别 AI aesthetic fatigue 和饱和风格。
• Taste System: materiality、precision、premium vs generic、maturity。
• Anti-Pattern System: generic AI gloss、plastic skin、unsafe imitation。
• Critique System: artifact and production findings。
• Evaluation System: image-specific scoring。

Version

• Version: V1.0 (production-proven)
• Status: production-proven
• Last updated: 2026-05-02