从一句话到 AI 视频第一帧：用 DuMate 把生图变成可复用的内容流水线

AI 生图早已不是「输入一句描述、得到一张好看图片」那么简单。在 2026 年 6 月 29 日的 WaytoAGI 社区直播中，AI 图文与短视频双赛道创作者卡尔的 AI 沃茨，和百度搭子 DuMate 产品经理安蓓，一起拆解了一套完整的生图实战方法论：从公众号封面、小红书图文到 AI 视频首帧，核心不再是堆砌提示词，而是「说清用途」。本文适合所有想用 AI 生图服务自媒体内容、又苦于出图不稳定、反复返工的创作者。

生图理念的转变：从描述画面到说清用途

▶ 25:16 · 看这一节

卡尔认为，生图的生态位已经发生了变化。过去用 Midjourney 或 Stable Diffusion 生图，图片更多是「分享到社交媒体」的单一产物；而现在，图片已经成为文字内容的基础资产——它可以做公众号封面、小红书配图，配上字体补充信息，甚至做成 PPT 或网页素材。

「我们其实已经不需要一个一个去背提示语了，更多的是要学会怎么用图片去表达我们想要表达的情绪。」卡尔强调，生图方式也早已不限于文生图，图生图、多图文生图、从 iPad 跨草稿生图都已成熟。

基于这个变化，他提出了一个核心观点：写提示语至少要提前说明五件事——主体、场景、风格、比例、用途。其中，比例和用途是过去最容易被忽略、如今却最重要的两项。

以公众号封面为例，卡尔特别提醒了一个「坑」：公众号封面必须是 21:9 的尺寸，但中间要留出 1:1 的空隙，因为这是别人转发文章时看到的缩略图区域。「如果你在这 1:1 里面表达不了整体的内容的话，别人看你的文章转发是看不到主要的点的。」

另一个关键技巧是：尽量用积极提示语，避免负面提示语。「你可以说要人物有五根手指，但是不要说不要人物有六根手指，不然他一定会生成六根手指的。」因为模型是概率模型，负面词可能因上下文被遗忘。但通过 agent 调用 skill 的方式，这个问题可以被规避——agent 会先确认参数、理解意图，再调用生图能力。

实战一：公众号封面与 AI 视频首帧

▶ 40:29 · 看这一节

卡尔现场演示了如何用 DuMate 把一句话需求推展成可发布的素材。

公众号封面：他只告诉 DuMate「我要做这样一个公众号封面，主题是这个」，工具就根据他的上下文和喜好生成了封面。「我觉得还已经有百分之六七十像了，只不过太游戏了。」他觉得图片太像游戏海报，于是直接说「帮我把它改成新闻封面」——不是抽象地说「更严肃一点」，而是类比一个同场景类型。「一千个人有一千个哈姆雷特，每个人看到这个图可能表达的都不一样。更多的是你去类比一个同场景类，你觉得更符合你现在想要的一个封面的类型。」

AI 视频首帧：生成视频首帧时，卡尔建议把最重要的元素放在提示语的前面和后面，而不是中间。他演示了一个「男主站在巨大月球展厅内」的场景，并特别强调要在提示语中写明「适合后面 5 秒去做图生视频的动效」——如果不强调这一点，画面元素会塞得非常满。

更关键的是把用途细化。他最初只说「AI 视频」，生成的图偏真人漫剧风格；当他补充「这张图是用在漫剧上面的」之后，同一模型、同一上下文下，男主的画风、衣服褶皱、月球质感都变成了二次元漫剧风格。「你把这个用途从一级讲成二级之后，这张图片连清晰度看起来就高清了一点。」

卡尔还总结了视频首帧的三个检查信号：主体稳定性（给主体安排标志性特征，如黑色衣服，其他人物避开同款）、镜头空间（要拍月球和男主的交互关系，就得留出足够空间）、背景层次（前景后景分明，避免物理穿帮，如月光应洒在男主肩膀和地面倒影上）。

实战二：小红书封面与失败图片再利用

▶ 54:35 · 看这一节

小红书图文封面通常需要加文字，但文字不宜多。「通常来说会有用到 4 到 5 个字来去说明一个主力字，其他的字一定要是你觉得大家都会很熟悉的品牌词。」卡尔举例，他会在封面放上「卡尔科」「Codex」这类有肌肉记忆的品牌词，比直接说「我在快速打通编程 agent」更有效。

他分享了一个视觉差技巧：灵感来自淘宝带货——把手机 logo 夸张到不属于它平时的大小，就成为展示产品的动作。制作过程分两轮：第一轮避免生成文字，把背景元素备好；第二轮再加文字。中间还可以接入自己做的素材，「大家直接拿个 PPT，把这个 logo 拉起来，把它组合去背景就可以了，不需要用那么复杂的东西。」

对于失败的图片，卡尔总结了三个高频错误点：

• 文字问题：文字少、乱码、劈叉，解决方法是后期添加，还能自己选字体。
• 构图太满：判断标准是「除掉黑色跟白色这两种最常见的背景色，重点色块超过三个之后，就会变成非常紊乱」。可以把图片拉满或打高斯模糊来观察。
• 风格跑偏：固定用途后再调整风格。

失败图片不必重跑。卡尔演示了一张只差一个字的失败图：「保留上图的主体跟结构，让他去调整背景的复杂度跟留白」，提示语甚至可以不加开头前缀框架，模型也能具体修改。

高阶玩法：风格融合、角色分镜与辅助线

▶ 1:22:59 · 看这一节

卡尔介绍了四类常用的创意生图玩法：风格迁移、历史合影、角色分镜、视频首帧。

风格融合的关键是控制融合比例。「把我们想要融合的风格写到这样一张图片，这样迁移出来的风格是最稳定的。」他以梵高风格融合复古现实主义为例：主体是梵高风格，次风格是复古现实主义，写法是「把某一样风格的某一样物品做成另一个已有风格的整个夜景，来保留具体的笔触」。他特别提醒：风格化通常放在最后一步，等物体用途确定后再做，最后加文字说明。

角色分镜方面，他建议先 VO 出 4～5 个甚至 16 个不同角色，生成三视图保持脸型、服装、发型一致，再做成表情包或 AI 视频标示。「在一个故事版的基础上，我们完全可以把一个 30 秒或者 40 秒的视频的所有分镜都做出来。」

卡尔还分享了一套辅助线系统，用于多轮纠偏：

• 红色箭头：描述角色动作
• 蓝色箭头：描述镜头运动（远景、近景、中景）
• 黄色标注：描述光线变化

「用辅助线做 3 到 5 轮，你就已经可以完全改出一个你需要的东西了。」如果改不出来，「那我觉得应该是属于你还没有想好这张图片的用途」。他建议让模型自己画红圈划分图片模块，或把图片下载到 iPad 上画红线，「这比直接说哪哪哪不好会来得更直接」。

DuMate 的产品优势与新手入门路径

▶ 1:42:40 · 看这一节

百度搭子产品经理安蓓总结了 DuMate 相比其他 agent 或对话式 AI 的三个特点：

1. 精确度高：通过 Python 代码实现精准剪裁、模板匹配和像素级拼接，这是对话式 AI 在精度上难以达到的。
2. 多模态可复现：调好的任务换图后可以执行得一样好，不用反复描述需求。
3. 批量处理便捷：在用户授权下读取本地文件，批量自动命名、转换格式。

「这三个特点最终是落到一个字，就是省。」安蓓说，「人最终是需要释放自己做重复劳动、简单劳动的时间，然后去做更复杂的事情。」

对于新手入门，卡尔建议：去对应平台搜最近一周点赞最高的内容，截取适合自己用途的图片，用模板逆推提示语，生成 50～60 分的初版；再细化用途得到第二版、第三版；然后直接发出去看数据反馈（如打开率），告诉 agent 要避免什么。「你可能这样努力个一个月左右，你就能够造出来一个用途的足够数量的图片库了。」

现场问答

▶ 1:45:37 · 看这一节

DuMate 对比其他生图工具的最大优势是什么？

安蓓：最大优势是精确性、可复现和批量处理。办公场景中，精确度能真正节省时间；创意场景中，也能更好地把握明确诉求。

新手零基础最快多久能跑通自媒体生图工作流？

卡尔：大约一个月左右。方法是搜平台点赞最高的素材，逆推提示语，明确用途后生成，再根据数据反馈和朋友意见迭代，逐步建立自己的图片库。

多轮对话纠偏怎么操作？

卡尔：用辅助线明确标注不满意的地方，通过图生图形式表达信息，一般 3～5 轮即可改出需要的图片。如果改不出来，可能是还没想好图片的用途。

AI 图片是否支持商用？

安蓓：用于大型活动等商用场景存在一定风险，用于自媒体传播和个人用途没有问题。

要点回顾

• 写提示语至少说明五件事：主体、场景、风格、比例、用途，其中比例和用途最关键。
• 公众号封面要 21:9 尺寸，中间留 1:1 缩略图空隙；小红书封面文字宜少，用 4～5 个字加熟悉品牌词。
• AI 视频首帧要把重要元素放提示语前后，写明「适合做图生视频动效」，用途越具体越好（如从「AI 视频」细化到「AI 漫剧」）。
• 用积极提示语而非负面提示语；排除项适合调整细节和风格趋向，主体和构图用确定词。
• 失败图片可保留主体结构，只调整背景复杂度和留白，无需重跑。
• 多轮纠偏用辅助线：红色标动作、蓝色标镜头、黄色标灯光，3～5 轮即可完成。
• 风格融合把要保留的风格写入图片，风格化放在最后一步。
• 新手入门：搜平台爆款 → 逆推提示语 → 明确用途 → 看数据反馈迭代 → 一个月建立图片库。