一句话生成仙侠壁纸：Skill加持下三大Agent实测对比

从一句大白话到东方仙侠大片

用AI画一张能当壁纸的东方仙侠图，需要多复杂的提示词工程？这次测试给出了一个反直觉的答案：只需要一句大白话，加上一个正确的"技能包"（Skill）。

提示词工程（Prompt Engineering）自2022年大模型爆发以来，已经从简单的关键词堆砌演变为一门系统性学科。早期的AI绘画用户需要掌握大量特定语法：权重标记、负面提示词、采样器参数、CFG值等，一段有效的Stable Diffusion提示词动辄数百个token。这种高门槛催生了提示词交易市场和专门的提示词优化工具。而Skill的出现代表了一种新范式：将提示词工程的复杂性封装为可复用的模块，用户无需理解底层机制即可获得专家级输出。

测试的核心命题很简单——同一句话，让AI画两遍。一遍装了名为"东方仙侠视觉导演"的Skill，一遍不装。结果差异之大，直接决定了那张图能不能拿去当桌面壁纸。

这次横向对比选取了三个Agent：Codex、WorkBody和Grog。有意思的是，Skill本身并不出图，它更像一个"导演"角色，真正的绘制能力还是取决于你手上那个Agent会不会"画"。这里需要理解Skill在AI Agent生态中的定位：它本质上是一组预定义的规则、约束条件和工作流模板，能够在Agent执行任务时注入特定的领域知识和决策逻辑。与传统的系统提示词（System Prompt）不同，Skill通常具备更强的结构化特征——它可以包含条件判断、参数约束、迭代规则等复杂逻辑，而不仅仅是一段描述性文字。这种设计思路源自软件工程中的"关注点分离"原则：将领域专业知识从通用执行能力中剥离出来，使得两者可以独立迭代和组合。

Skill安装速度：三大Agent表现对比

第一个观察点是Skill的自动安装能力。测试者只是把一句话丢过去，一个命令都没有手动敲，Codex就在1分23秒内自己完成了安装。

同样的操作在另外两家的表现是：

• WorkBody：58秒
• Grog：1分48秒
• Codex：1分23秒

单从安装速度看，WorkBody最快。但速度只是入场券，真正的差距在后面的执行环节。

Agent自动安装Skill的能力涉及多个底层技术环节：首先是意图识别——Agent需要从用户的自然语言输入中判断当前任务需要哪个工具；其次是环境配置——自动完成依赖检查、权限申请和运行时环境搭建；最后是验证确认——安装完成后进行功能性测试以确保工具可用。这一过程在传统DevOps领域被称为"零接触部署"（Zero-Touch Provisioning），如今在AI Agent领域的实现标志着Agent正从"被动执行者"向"自主行动者"演进。

这也说明了一个道理：Agent的自动化能力（能否零命令自主装配工具）已经成为衡量其成熟度的重要指标之一，而不再仅仅比拼生成质量。

Codex出图流程：先出方案再出图

输入的原始提示词是一句典型的大白话：

云海上一座长桥，尽头一扇仙门，还有一个人背对着站在桥中间。

收到指令后，Codex在24秒内先返回了一大段结构化的文字，而不是直接出图。这段返回包含三个部分：

1. 完整的画面描述——可以整段复制带走的详细prompt；
2. 负面清单——单列出"哪些东西不许出现"；
3. 三个可迭代方向——供后续继续调整的建议。

这种"先出方案、再出图"的工作流，本质上是把一个模糊的自然语言需求，翻译成了一份可执行、可复用的视觉规范。它把"运气成分"降到了最低。

其中负面清单在AI图像生成中扮演着至关重要的角色。从技术原理看，扩散模型（Diffusion Model）在去噪过程中，会将负面提示词对应的语义向量作为反向引导信号——即模型在每一步去噪时，不仅朝着正面描述的方向靠近，同时主动远离负面描述的方向。这种机制被称为Classifier-Free Guidance的负向条件。实践中，负面清单能有效抑制模型的"默认倾向"，比如AI绘画模型在生成建筑时倾向于添加过多装饰细节，通过负面清单明确排除这些元素，可以实现更克制、更有意境的画面效果。

AI自我修正：自动返工机制

更值得关注的是生成过程中的自我修正。图在3分32秒出来，但中间Codex自己"返工"过一次。

它发现第一版"人物明显大于锁定的3%"，于是主动拉远镜头、延长桥面，在原图基础上改了一版。这种基于自设规则的自动校验与迭代，是普通"一次性出图"工具所不具备的。

从技术架构看，这种自动返工属于"闭环反馈"（Closed-Loop Feedback）架构的典型应用。在这种架构下，系统不仅执行生成任务，还内置了评估模块对输出结果进行量化检验。具体到本案例中，系统在生成图像后会通过视觉分析（可能是目标检测或语义分割模型）计算人物在画面中的占比，当检测到偏离预设的3%阈值时，自动触发重新生成流程并调整构图参数。这种"生成-评估-修正"的循环在强化学习领域被广泛使用，如今被引入生成式AI工具链，代表了从"单次推理"到"迭代优化"的范式升级。

装Skill与不装Skill：效果差异实测

这是整个测试最核心、也最能说服人的部分。测试者坦言自己一开始并不相信："图好看归好看，一句话谁不会写，凭什么装了就不一样？"

于是把Skill关掉，用同一句话再跑一遍，两张图摆在一起对比，差异一目了然。

差异一：桥栏杆的视觉留白

• 没装Skill：桥两边从头到尾全是雕花石栏杆，画面繁琐；
• 装了Skill：桥面控住，两边就是纯粹的云海。

原因在于视觉导演自己写了一条硬规矩——"桥边不许加栏杆"。这条规则约束了模型的默认倾向，让画面更有留白与意境。

这背后有一个有趣的技术现象：AI绘画模型在训练过程中学习了海量的"桥"的图片数据，其中绝大多数桥都带有栏杆，因此模型在生成"桥"这一概念时，会以高概率附带栏杆元素。这就是所谓的"数据先验偏差"——模型倾向于生成训练数据中的高频模式。Skill通过负面约束强行抑制了这种统计倾向，从而实现超越"平均水平"的艺术表达。

差异二：人物比例的精准控制

• 没装Skill：人物目测占了画面的四分之一，喧宾夺主；
• 装了Skill：人只是桥中央的一个小点。

同一份规则里明确写了：这一轮把人物锁定到"画面高度的3%"，因为"门才是主角"。哪怕只给一句"太帅了"的反馈，Skill也能维持这个比例约束。

说个细节，三家Agent里，只有Codex真正把人物缩到了那个3%的比例。这再次印证了前面的判断：Skill提供的是规则和意图，但能否精准执行，取决于Agent本身的能力上限。

结论：Skill是导演，Agent是画师

这次测试清晰地揭示了当前AI生成工具的一个演进方向——能力的解耦。

Skill（如"东方仙侠视觉导演"）扮演的是"导演"角色，负责把模糊需求转化为精确的视觉规范、负面约束和构图比例；而Agent（Codex/WorkBody/Grog）扮演的是"画师"，负责理解并执行这些规范。

能力解耦（Decoupling）是当前AI工具链演进的核心趋势之一，其思想直接借鉴了微服务架构的设计哲学。在传统的AI绘画工作流中，模型能力、提示词策略、后处理逻辑往往紧密耦合在同一个系统中，导致任何环节的升级都需要全链路调整。而"Skill+Agent"的分层架构将决策层（做什么）与执行层（怎么做）彻底分离：Skill可以在不同Agent之间迁移复用，Agent也可以搭载不同领域的Skill来扩展能力边界。这种模式与操作系统中"驱动程序+硬件"的关系高度类似，预示着AI生态可能走向类似App Store的分发模式——未来用户选择的不只是哪个AI模型，更是搭配哪些Skill来构建自己的专属创作工作流。

对普通用户而言，这意味着AI绘画门槛的大幅降低：不需要成为提示词工程专家，只要一句大白话加一个合适的Skill，就能稳定产出高质量作品。而对开发者而言，构建可复用的"视觉导演"式Skill，可能是比训练大模型更务实的差异化路径。

如果你也想试试，云海仙山还是宫门主题，都可以从一句大白话开始。