先用一个具体场景开场。一个做独立播客的朋友要给节目做视觉包装：同一位置的主持人，换到咖啡馆、书店、地铁口，风格统一，人物不变。他把需求交给图像生成工具，第一轮出来效果惊艳，第二轮换了背景，人物脸型开始漂移，第三轮加了个“看向窗外”的动作，连外套都换了颜色。他最后没继续抽卡，而是打开修图软件手工拼。
这不是工具不行，而是它擅长的东西和我们要的东西，常常不是一回事。
“好看”解决得很快，“同一个人”解决得很慢
图像生成的基础能力，是在大量图文对应关系里学会“什么样的文字通常配什么样的画面”。这让它在氛围、材质、构图上有很强的直觉，一张概念图几秒钟就能成型。但当需求变成“这个人在另一个地方做另一件事”，问题的性质就变了：它考验的不是想象力，而是记忆和约束。
模型本身并不长期保存某个具体人物的视觉档案。每一次生成更像一次重新组合，对“同一个人”的理解高度依赖这次输入里给了多少信息。信息不足，它就用平均值补齐，于是脸会往“标准好看”的方向靠，衣服、发型、年龄感随之浮动。这也是为什么同一段提示词反复运行，结果像是同一家族的几个人。
理解这一点之后，很多抱怨会变得更具体：不是它画得不像，而是我们没有告诉它“像”的标准是什么，以及哪些部分不允许改动。
三条常见路径，各有各的整理成本
目前围绕一致性的做法，大致可以归到几类。
- 用参考图约束。把已有的人物照片或上一轮结果作为参照，让新画面靠近它。上手快，但参照越强，构图和姿态的自由度就越小，容易变成“换背景”而不是“新场景”。
- 用少量样本做微调。用一组同一人物的图片训练出更稳定的表征，生成时一致性明显更稳。代价是需要准备干净、角度多样的素材，还要处理训练与调用的时间。
- 把功夫下在提示词和流程上。固定描述人物的关键特征，配合固定的风格词、镜头词，分步骤先生成再局部修改。这更像工作方法的调整，而不是一次性设置。
值得注意的是，这三条路径都在把工作从“生成”挪到“准备”和“校对”。图像生成把出图的门槛压得很低，却把验收的门槛抬高了：过去我们判断一张图好不好，现在还要判断它是不是“同一个对象”、是否符合既定设定、有没有在细节上擅自发挥。这部分成本不容易被看见，但真实存在。
可控性提升之后，创作的重心会移动
从工具演进的节奏看，一致性、局部修改、姿态与构图控制这些方向一直在被补齐。可以谨慎预期，未来“同一个人换场景”会变得越来越省事，提示词以外的控制手段会更多。
但省事不等于省心。当技术把“画出来”变成默认能力，人的判断反而更关键：这个角色的视觉特征里，哪些是必须守住的，哪些可以随场景变化；一组图之间，风格统一到什么程度算够；哪些细节交给工具，哪些留给后期。这些问题没有标准答案，只能由具体项目来定。
我个人的看法是，图像生成短期内不会替代视觉工作者，但会改变工作的分布。重复性的出图会减少，设定整理、素材管理、结果筛选和一致性检查会变多。对个人创作者来说，值得提前建立的是自己的“视觉档案”：把角色的关键特征写清楚，把可用的参考素材归好类。工具会换，档案会留下。
回到那位做播客的朋友。他后来没有再追求一次生成到位，而是先定下三套固定的人物描述和一组参考图，再逐张调整。速度没有想象中快，但返工少了。这大概是现阶段比较现实的状态：图像生成负责把画面推到七十分，剩下的三十分，仍然要靠人来决定往哪走。