本文来自艾笑AI《【IP 配图 Skill 必看】全网独一份的架构详解》，原文发布于 2026 年 7 月 21 日。

【IP 配图 Skill 必看】全网独一份的架构详解

真正的定制化 IP 配图，不是换一张角色图。而是把一整套配图工作流，改成适合自己的结构。

最近关于 IP 配图，好多人来问我。

我发现市场上很多自媒体都在用"xiaohe"配图。它确实好用：画面简单、角色鲜明，还能把抽象概念变成一个具体场景。

但大部分人停留在直接使用现成 Skill 的阶段。少部分人会再往前一步，把角色替换成自己的头像、卡通形象或者数字人 IP。

如果你只是调用别人的 Skill，会发现大家最后做出来的东西都差不多：同样的线条、同样的小人、同样的机器和管线。文章明明不一样，配图却像从同一套模板里批量印出来，完全没有自己的个性。

更关键的是，即便替换了 ip 角色，好多人并没有继续往下想：角色替换以后，整套配图系统还可以怎么改？比如，我不喜欢线条风格，能不能换成毛毡、拼贴、版画或者成熟的编辑卡通？同一个 IP 能不能有不同表情？能不能坐、推、拉、拆、连接、检查，而不是永远站在画面旁边指东西？生成完以后，标题、表情、版式还能不能继续加工？比如我今天这篇文章批图选择就不是昨天的简约线稿模式，而是一种卡通插画风，这样对于某些图片展示更醒目一些。

同样的内容结构，换成拼贴画风以后，人物、动作和信息关系都没有改变，变化的只是画面的渲染表面。

这背后是一个很常见的 Skill 误区。

很多人把 Skill 理解成一个拿来就用的现成工具，只要会调用、能产出结果就够了。但 Skill 本质上是一套重要的工作流：它决定怎样理解输入、怎样拆解任务、怎样管理素材、怎样调用能力，以及最后怎样验收结果。只要它要长期服务你的内容，就必须被改造成定制化的工作流，而不是永远停留在别人的默认设置里。

前面我写过一篇关于整体生图架构的文章，今天不展开整个图片工厂，只拆解公众号文章配图里的两种模式：普通配图模式和 IP 配图模式，重点讲清楚 IP 模式是怎样被引入的。

接下来，我会用艾笑老师的 IP 配图模式来做示范：先把普通配图的流程讲清楚，再看加入 IP 以后，角色形象、风格、动作和表情分别应该怎样管理，最终怎样组成一个真正定制化的 IP 配图 Skill。

01 先别急着放人物：普通配图本身就有一套完整结构

在做艾笑老师 IP 配图之前，我的公众号里也使用过普通的非 IP 配图。

效果其实并不差。

有些图用流程解释一件事，有些图做前后对比，有些图把复杂系统画成分层结构，还有一些图就是把一段内容压缩成一张"划重点"总结图。它们没有固定人物，读者照样能理解文章，也能在滑动过程中获得停顿和记忆点。

普通非 IP 配图也一样：流程、对比、分层和路线这些结构并不依赖某一种画风，换成纸张拼贴后仍然成立。

因为一张普通配图要解决的核心问题，从来不是"放谁进去"，而是：

这一段文字里，最值得被看见的关系是什么？

一套普通配图的流程，大致可以拆成五步。

第一步，从文章里选择认知锚点。

不是每隔 500 字机械地插一张图，而是寻找读者最容易卡住、最需要转折、最值得总结的位置。可能是一个误区，也可能是一组因果关系、一条流程或者一个关键结论。

第二步，把抽象观点翻译成关系结构。

文章说的是先后顺序，就用流程；说的是两种做法的差异，就用对比；说的是系统由哪些部分组成，就用分层；说的是从起点走到结果，就用路线；说的是多个因素共同影响结果，就用环形或网络结构。

第三步，把关系结构变成看得见的物件和空间。

"筛选"可以变成漏斗，"连接"可以变成桥，"决策"可以变成砝码或转盘，"反馈"可以变成回路。物件不是越怪越好，而是要让读者一眼理解它和正文之间的关系。

第四步，选择画面风格和版式。

同一个内容结构，可以画成手绘信息图，也可以做成大字板书、拼贴、纸张质感或安静的段落解释图。16:9、1:1 和 9:16 也不是把同一张图裁三遍，而是分别安排主体、文字和留白。

第五步，生成、检查，再插入文章。

检查它是不是一图一意，文字是否清楚，关系有没有画反，风格是否统一，插入的位置是否真的承接了上下文。

把这五步压缩成一句话，就是：

文章内容
  → 认知锚点
  → 关系结构
  → 视觉隐喻与构图
  → 风格和画幅
  → 生成、验收、插入

这条流程在 Skill 里不是一句模糊的"帮我配几张图"，而是被单独写成工作流内核：

# 工作流内核
文章 → 找认知锚点
锚点 → 选关系结构 → 设计视觉隐喻
每张图 → 独立生成 → 单独验收
进入 IP 模式 → 再增加角色动作与镜头轮换

其中选择认知锚点、关系结构、视觉隐喻、独立生成和逐张 QA，是普通配图与 IP 配图共用的主干；角色动作与镜头轮换，则是进入 IP 模式后增加的部分。

这就是普通非 IP 配图的主干。

它已经能很好地完成"解释内容"这件事，所以 IP 配图并不是来替代它，更不是说没有人物的图就低一级。

02 IP 配图不是另一种配图，而是在普通配图上多出两层

很多人一提 IP 配图，脑子里的公式是：

普通配图 + 一个固定人物 = IP 配图

这正是问题的起点。

一个人物被贴在角落里，并不会自动产生 IP 感。它可能只是 logo、装饰或者主持人立牌。读者看见了这个人，却记不住她在画面里做了什么，也感受不到她与内容有什么关系。

真正的公式应该是：

普通配图的内容结构
+ 角色身份系统
+ 角色表演系统
= 可持续的 IP 配图

普通配图负责回答：这段内容应该画成什么关系？

角色身份系统负责回答：进入画面的人到底是谁？

角色表演系统负责回答：她为什么出现在这里，她正在做什么，她用什么态度完成这个动作？

这两层缺一不可。

只有身份，没有表演，人物就是贴纸。

只有动作，没有稳定身份，每一张又会变成不同的人。

在 Skill 的输入合同里，这三部分也是分开定义的：内容层负责原来的配图内容，身份层和表演层则是 IP 模式增加的结构。

# 输入合同
内容层 = 标题 + 摘要 + 要点
身份层 = 外貌 + 人格 + 连续性锚点
表演层 = 动作 + 表情 + 视线 + 人物尺度

IP 配图 = 内容层 + 身份层 + 表演层

从这个结构可以看出：IP 配图不是覆盖普通配图，而是在原来的内容合同上增加角色和表演结构。

把这些结构真正放进一个 Skill 文件夹里，大致会是这样：

ip-illustration-skill/
├── SKILL.md              # 总入口：工作流与调用规则
├── profiles/
│   ├── character.md      # 角色身份与人格
│   └── styles/           # 线稿、拼贴、毛毡等风格
├── references/
│   ├── actions.md        # 动作库
│   ├── performance.md     # 表情、视线与姿态
│   ├── composition.md     # 内容结构、镜头与版式
│   └── qa.md             # 一致性与失败标准
├── assets/               # 角色参考素材
└── scripts/              # 生成、叠字与后处理

重点不在于照搬这些文件名，而是让身份、风格、动作、表演和验收各自独立，后面改任何一层，都不用推翻整套 Skill。

03 第一层：IP 形象不是一张参考图，而是一组可管理的身份事实

先说 IP 形象怎么管理。

不管是做短剧里的连续角色，还是做公众号里的形象图片，大致思路都是一致的：必须让同一个人物跨场景、跨姿势、跨镜头以后，仍然保持身份一致。参考图的作用不只是告诉模型"这个人长什么样"，更重要的是建立一组稳定的人物条件，让读者每次都能认出这是同一个人。

最常见的做法，是找一张自己满意的照片或卡通图，扔给模型，然后说："以后都照这个人画。"

单张可能不错，批量一定会漂。

因为一张参考图同时携带了太多偶然信息：当时的角度、衣服、表情、光线、姿势、背景和构图。你没有告诉模型哪些必须保留，哪些可以变化，它就只能自己猜。

所以，IP 管理的第一步不是收集更多图片，而是建立"角色圣经"。

至少要写清楚四类信息。

视觉锚点：怎样才能认出是同一个人

以艾笑老师 IP 为例，需要稳定的不是一句"知性中年女性"，而是更具体的事实：脸型与年龄感、发型、眼镜、常用服装轮廓、代表性配饰、身材比例，以及明确不能滑向的方向。

这些特征里还要区分主次。

脸、年龄感和发型是高优先级身份锚点；服装可以在一个范围内变化；背景、标题位置和当时的姿势则不属于身份。

在我的角色档案里，"她是谁"会被写成机器可以读取的事实，而不是一段临时发挥的形容词：

# 角色档案
身份 = 成熟知性女性 + 黑色低马尾 + 细窄眼镜
气质 = 知性 / 松弛 / 艺术 / 现代
服装 = 酒红上衣 + 深蓝短外套 + 黑色阔腿裤
配饰 = 左手食指银戒 + 左腕科技手环

这就是所谓"定义身份"：把年龄感、发型、眼镜、服装和饰品分别锁定，后面的每一种姿势和画风都从这里继承。

人格锚点：她给人的感觉是什么

同样一张脸，可以被画成甜美网红、严肃老师、科技主播或者成熟编辑。

所以还要写清楚角色的气质和行为边界：她是成熟、知性、松弛、现代，还是可爱、热闹、夸张？她会不会卖萌？她面对复杂问题时，是兴奋地展示，还是冷静地拆解？

人格会直接影响表情、动作幅度和画面尺度。

参考素材：每张图到底能证明什么

参考图不能只是一个没有说明的文件夹。

正面照负责脸和神态，侧面照负责轮廓，坐姿图负责身体比例，三视图负责服装结构，手部特写负责配饰位置。每张素材都要说明"锁定什么"和"不锁定什么"。

否则模型很容易把参考图里的偶然姿势、标题位置甚至背景，一起复制到所有画面。

所以参考素材库里，每张图都会标明自己的职责，同时明确哪些东西不能跟着它一起锁死：

# 参考图管理
正面参考 → 锁定脸与神态
坐姿参考 → 锁定身体比例与松弛感
三视图   → 锁定服装轮廓

不锁定 → 标题、排版、背景、具体动作

失败标准：什么情况必须判定为不是这个 IP

例如年龄明显变小、脸变成网红模板、眼镜消失、配饰跑到另一只手、身材比例突然变化，或者角色气质从冷静分析变成夸张卖萌。

没有失败标准，"像不像"就永远只能靠当场感觉。

角色档案里也会直接列出禁止漂移的方向：

# 身份失败标准
如果出现：写实皮肤 / 幼态脸 / 网红脸 / 配饰错位
那么判定：人物身份漂移，重新生成

做到这一步，IP 才从"一张参考图"变成一套可检查、可复用的身份系统。

这套方法也不只适用于 IP 配图。只要任务需要同一个人物反复出现——短剧、连续分镜、数字人、品牌海报、课程形象图——都可以按照"身份事实、参考素材、可变边界和失败标准"的方式管理人物一致性。IP 配图只是其中一个具体应用。

04 形象和画风必须分开，否则你永远只能画一种样子

很多现成的 IP 配图 Skill 还有一个问题：把角色身份和画风绑死了。

角色最初用的是极简线条，替换成自己的 IP 后，仍然只能沿用极简线条。想改成毛毡、拼贴、版画或者编辑卡通，角色就开始变脸。

这是因为系统没有分清两件事：

• 角色身份决定"她是谁"。
• 渲染风格决定"这一张怎样被画出来"。

同一个艾笑老师 IP，可以被画成克制线稿，也可以是毛毡定格、纸张拼贴、版画或者精致编辑卡通。风格变了，脸型、年龄感、发型、眼镜和核心气质仍然应该保持。

这里用毛毡做示意，只是因为材质变化最直观。真正可以切换的远不止毛毡：极简线稿、纸张拼贴、松弛手绘、高冲击撞色、艺术版画和精致编辑卡通，都可以在不改角色档案的前提下单独替换。把几种画风并排放在一起看，变化的是表面，留下来的才是 IP。

反过来，同一种毛毡风格也可以服务不同 IP，不能谁用了毛毡，最后都长成同一个人。

所以在结构里，角色档案和风格档案必须是两份独立配置。换风格时新增风格，不重写人物；换人物时新增角色，不重写整个配图流程。

比如毛毡风格文件只声明自己负责"渲染表面"，并明确继承原来的角色身份：

# 毛毡风格
继承身份 = 艾笑老师角色档案
只改变   = 毛毡材质 + 手工轮廓 + 色彩质感
保持不变 = 年龄感 + 发型 + 眼镜 + 服装 + 配饰

这里改变的是画面材质，不是角色身份。所以风格可以从编辑卡通换成毛毡，人物仍然是同一个人。

这一步解决的，才是"我不喜欢线条风格，能不能换成别的风格"这个问题。

05 第二层：动作设计不是换一个姿势，而是让 IP 参与内容

有了稳定形象，还不够。

很多所谓 IP 配图，人物每张都站在一边：一会儿指向流程图，一会儿指向几个关键词，一会儿站在机器旁边。看起来换了姿势，实际上她从未真正进入内容。

动作设计首先要回答一个问题：

如果把人物从画面里删掉，这张图的核心意思还完整吗？

如果答案是完整，那人物大概率只是装饰。

真正有效的 IP 动作，应该承担画面里的关键关系。

讲筛选，她可以亲手把不同素材放进筛选器；讲连接，她可以把两个断开的模块接起来；讲修复，她可以补上一段断裂的链路；讲判断，她可以检查仪表、拨动转盘或比较两边的砝码；讲拆解，她可以把一个黑箱拆成几层；讲复盘，她可以沿着反馈回路回看问题。

这些动作在 Skill 里会被写成一组可选择、可轮换的动作规则：

# 角色动作
筛选 → 把素材放进漏斗
连接 → 接上断开的模块
修复 → 补好断裂的链路
判断 → 拨转盘 / 称砝码

验收：删掉人物后画面不受影响 → 动作设计失败

所以动作库不是让人物"姿势丰富一点"，而是让不同内容都能找到一个真正参与其中的动作。

这时，普通配图里的"关系结构"仍然存在，只是角色变成了完成这段关系的动作主体。

例如文章要表达"只会调用 Skill，不等于拥有自己的能力"。

普通配图可以画成左右对比：左边是一只封闭黑箱，输入内容后直接吐出同款图片；右边是一套可以拆开的模块，风格、角色、动作和 QA 各有位置。

IP 配图则可以让艾笑老师亲手打开黑箱，把"角色""风格""动作"三个模块逐一拆出来检查。她不是站在旁边介绍这套结构，而是在执行"拆解"这个核心动作。

同一段内容，结构没有变；IP 的加入让读者多记住了一个持续出现的行动者。

06 表情、视线和动作也要拆开，才能真正二次加工

动作并不只是"站着、坐着、抬手"。

同一个检查动作，可以是怀疑、专注、惊讶、警觉，也可以是确认完成后的放松。表情决定态度，视线决定注意力，头部姿态决定情绪方向，身体动作决定人物与物件的关系。

如果把这些全部写死在一张角色参考图里，后面就很难改。

更合理的做法，是把角色表演拆成几组可组合变量：

角色身份：她是谁
动作：她正在做什么
表情：她用什么态度做
视线：她在看哪里
人物尺度：主角、共同主角、中景还是局部特写
渲染风格：这一组表演最终怎样被画出来

在实际 Skill 里，一张图的角色表演会以这样的结构进入生成合同：

# 角色表演
动作 = 检查决策转盘
表情 = 怀疑审视（中等强度）
视线 = 看向转盘
头部 = 轻微倾斜
画风 = 可替换，不影响以上表演

这段配置表达的是：她正在怀疑地检查决策转盘，目光必须落在转盘上，表情强度适中，头部轻微倾斜。人物是谁、她的身体在做什么、最后画成毛毡还是线稿，都由其他字段负责。

这样，同一个"怀疑检查"可以放进线稿、毛毡和编辑卡通三种风格；同一个"连接模块"可以搭配专注、吃力或完成后的轻松表情；同一个 IP 也可以从全身动作切换到手部特写。

二次加工的空间，就是这样被保留下来的。

但文字怎样进入发布图，并不只有一种答案。这里必须把两种交付模式分开。

第一种：一次生成图文融合

Image 2、Banana 这类模型已经可以在一次生成里同时完成人物、场景、动作和少量中文。对于公众号正文配图，如果标题短、文字少，而且文字本来就是画面构图的一部分，直接融合生成反而更自然，也更高效。

这篇文章现在的大部分 16:9 配图就是这种方式。下面这张图虽然讲的是"画面与文字分两步"，但它自身的制作方式其实是一次性的图文融合生成：人物、场景、标题和标注都在同一张图里完成。

第二种：先生成纯图，再二次加文字

这种方式先让模型生成干净的角色场景，再由确定性发布工具扩展画布，放入标题、说明、栏目名和品牌元素。它更适合标题需要反复修改、同一画面要适配多个尺寸，或者字体、字号和位置必须长期统一的场景。

下面就是我之前做过的一组真实案例。第一张是模型生成的无字底图；第二张没有重新生成人物，而是在同一张底图上扩展画布，再由发布层加入稳定中文。

对应到 Skill 里，文字策略应该明确写成两种可选模式，而不是一律要求分成两步：

# 文字交付模式
一次融合 = 人物 + 场景 + 少量中文 → 直接成品
两阶段 = 纯图 → 扩展画布 + 标题 + 说明 → 发布成品

短文字、图文关系紧密 → 一次融合
频繁改字、多尺寸复用、品牌排版严格 → 两阶段

所以真正重要的，不是规定所有配图都必须拆成两次，而是让 Skill 明确知道当前选择的是哪一种交付模式。一次融合追求自然和效率；两阶段保留稳定修改文字与复用版式的能力。两种模式服务的是不同需求，不能混成一个默认答案。

07 从普通配图到 IP 配图：看清结构，再按八步升级

把前面的内容放在一起，两种配图的差别就很清楚了。

层级	普通非 IP 配图	IP 配图
内容层	选择认知锚点、提炼核心意思	完全保留
关系层	流程、对比、分层、路线、因果	完全保留
构图层	主体、物件、空间、画幅、文字区	完全保留，但要为人物关系重新构图
风格层	手绘、板书、拼贴、毛毡、版画等	与角色身份解耦，可替换
身份层	不需要固定人物	新增角色圣经、参考素材和身份 QA
表演层	主要靠物件表达动作	新增动作、表情、视线、姿势和人物尺度
连续性	单张成立即可	还要检查跨图身份稳定、动作轮换和镜头重复

用一句更容易记住的话说：

普通配图负责把内容画清楚。IP 配图在此基础上，还要让"同一个人"持续用"不同动作"把内容演出来。

这也是为什么 IP 配图一定比简单换脸更复杂。

它不是多了一张人物素材，而是多了两套长期管理的系统。

如果要把一套普通配图升级成 IP 配图，可以按下面八步依次完成。

第一步：先保留原来的普通配图流程。不要一上来就推翻认知锚点、结构选择、视觉隐喻和 QA。IP 层应该建立在已经能把内容讲清楚的系统上。

第二步：建立角色圣经。写清楚视觉锚点、人格、可变项、不可变项和失败标准。不要只放一张头像。

第三步：整理参考素材并标注证据边界。说明每张图负责脸、侧面、坐姿、服装还是手部细节，也说明它不能决定什么。

第四步：把角色身份与风格拆开。先验证同一个人能否跨两到三种风格保持身份，再继续增加毛毡、拼贴或版画等变体。

第五步：建立动作库。动作不要从"站、坐、抬手"出发，而要从文章常见语义出发：筛选、连接、修补、比较、拆解、记录、验证、回看。

第六步：增加表情和视线系统。把怀疑、分析、发现、警告、确认等态度做成可以和动作组合的变量，避免每张图都是同一个微笑。

第七步：建立连续画面的 QA。检查角色有没有漂移，动作是否重复，人物与物件的尺度是否可信，表情和正文语义是否匹配，最近几张是不是又回到了同一种站姿。

甚至"同一个表情换了画风后还在不在"，也可以写成回归用例：

# 回归测试
同一个"怀疑检查"动作
分别生成：线稿版 / 毛毡版 / 拼贴版 / 版画版 / 编辑卡通版

必须保持：同一个人 + 同一种表情 + 同一个视线目标

这就是把"感觉不像了"变成可以复查的工程条件，而不是等每次出图以后再凭印象争论。

第八步：明确文字交付模式并保存生产参数。短文字、图文关系紧密时，可以选择一次融合生成；需要频繁改字、多尺寸复用或严格品牌排版时，再选择两阶段制作。无论采用哪一种，都要保存每张图使用的角色、动作、表情、风格、画幅和交付模式，让下一次修改有明确入口。

08 真正的定制，是把配图工作流改成自己的

回到最开始的现象。

为什么很多 IP 配图看起来都一样？

不是因为角色形象有问题，而是很多人只拿走了最终画面，没有改造背后的工作流。他们会调用，会复制，会替换一张参考图，却没有继续追问：普通配图原本怎样解释内容？角色身份怎样稳定？风格怎样替换？动作怎样承担语义？表情怎样变化？失败怎样被检查？

一套真正定制化的 IP 配图 Skill，必须同时对应你的内容结构、角色设定、视觉偏好和发布场景。它知道你的文章通常在哪里需要配图，知道这个 IP 哪些特征不能漂移，也知道面对不同语义时应该怎样行动和表达。

艾笑老师可以是卡通，也可以是毛毡、拼贴或版画；可以站在系统前，也可以坐着分析、俯身检查、伸手连接、拆开黑箱；可以怀疑、专注、警觉，也可以在完成之后松一口气。

变的是风格、动作和表情。

不变的是角色身份，以及她始终在帮助读者理解内容。

会用别人的 Skill，只是获得一次结果。能把普通配图、角色身份和角色表演拆成不同层，才真正拥有一套可以持续生长的 IP 配图系统。

先把配图的内容结构保留下来，再把你的 IP 作为一个真正的行动者放进去。到那一步，读者记住的才不只是某种流行画风，而是你的角色、你的表达方式，以及只有你能持续讲下去的内容。