彻底告别 AI 画图“抽卡”：我用 Gemini Skill + MCP 实现了人像一致性

很多兄弟在用 AI 画图时，最大的痛苦就是“抽卡”：Prompt 输 进去，出的图全靠模型心情。尤其是想做系列人物或者 IP 时，同一套提示词，这张出的是 UX 设计师，下一张可能就变成了产品经理，脸完全对不上。

今天记录一下我折腾 Gemini CLI 技能（Skill）的探索过程， 带大家看看如何通过自动化逻辑把“随机性”彻底干掉。

一、 翻车现场：文生图的“随机开盲盒”

起初，我直接在 CLI 里调用画图工具，想要一个“可爱的 UX 设计师”：

模型调用了 generate_image（文生图）MCP。出来的结果就是下面这张图：

说实话，图画得不差，但很不符合预期：

1. 没个性：就是谁家阿姨，请领走。
2. 不可持续：我想让这个角色做一个“点赞”或者“喝咖啡” 的动作，再次生成时，出来的完全是另一个人。

这就是典型的“抽卡”，你永远不知道下一张图长什么样。

二、 发现真理：edit_image 才是稳定输出的钥匙

我开始翻看 MCP 的文档，发现我之前一直忽略了一个神器：edit_image。

• generate_image：适合从 0 到 1 开荒，但它没有“记 忆”。
• edit_image：它可以基于一张已有的参考图进行修改。

我的思路瞬间通了：如果我能让 Gemini 记住我的“基准图”，然后每次都通过 edit_image去微调动作或场景，不就能实现“人像一致性”了吗？

三、 硬核解法：手搓 smart-image-generator 技能

为了让这个过程自动化，我写了一个 Gemini Skill。它的核心 逻辑非常暴力：只要检测到我有参考图，就强行切换模式。

下面是这个技能的完整定义（存放在 ~/.gemini/skills/smart-image-generator.md）：

# Smart Image Generator Skill



## 1.  决策路由

当用户要求画人像时，自动分析上下文：



*   **场景 A：没有参考图（开荒期）**
*   
    - 调用 `generate_image`。
    - 
    - 目标：生成一张高质量的基准原图。
    - 


*   **场景 B：有参考图（迭代期）**
*   
    - 调用 `edit_image`。
    - 
    - 逻辑：锁定参考图的人物面部特征，仅根据 Prompt 修改姿势 or 环境。
    - 


## 2. ️ 自动化工作流

1. 生成图片后，自动移动到桌面并按语义命名。
2. 自动调用 `r2-upload-proxy` 上传到 Cloudflare R2 图床 。
3. 直接返回远程链接。

四、 最终成品：我非常满意的“一致性”表现

配置好这个技能后，我再次尝试：给之前的基准图换个动作。

这一次，Gemini 没有再给我开盲盒，而是老老实实地调用了 edit_image。

出来的成果就是下面这张，也就是我非常满意的版本：

这张图我非常满意：

• 五官 100% 还原：还是那个熟悉的妹子，没有“整容”。
• 动作精准：按我的要求完成了姿势切换。
• 风格完美衔接：光影、色彩和基准图完全一致。

五、 总结

AI Agent 不应该只会聊天，它应该学会组合工具。

通过把 MCP 的底层能力 和 Skill 的逻辑判断 结合，我把一个原本需要不断“重试”的随机过程，变成了一个工业级的稳定流水线。

如果你也在受困于 AI 生成的不确定性，别光顾着改 Prompt 了，去写个 Skill 吧。

毕竟，架构的稳定性永远胜过提示词的玄学。