feat(image): refine reference style migration flow

- Strengthen the style migration contract around natural subject integration and visual hierarchy
- Remove the image2image reference extraction entry from the migrated UI flow
- Normalize migration placeholders and document the updated migration design

docs/workspace/image-reference-prompt-optimization/README.md

@@ -0,0 +1,438 @@
+# 参考图与图像提示词优化过程总结
+
+## 文档目的
+
+这份文档用于沉淀本轮图像相关产品与提示词优化的收敛过程，重点回答两个问题：
+
+1. 我们为什么从“通用图像提示词优化”逐步转向“参考图驱动”。
+2. 在参考图链路里，提示词本身是如何一步步从“泛化优化”收敛到“复刻优先”的。
+
+本文不追求记录所有中间讨论细节，而是保留真正影响当前方案的关键判断、提示词演化逻辑、测试结论与后续工作重心。
+
+---
+
+## 关联文档
+
+- [融合式风格迁移设计说明](./fusion-style-migration-design.md)
+
+---
+
+## 一、产品路线的收敛过程
+
+### 1. 最初的问题意识
+
+最开始的讨论焦点是：当前图像优化模板太泛。
+
+- `通用优化` 太温和，优化后往往只是在补细节，很难让用户明显感知“变好了”。
+- `中文美学`、`摄影`、`创意` 等模板虽然更有风格，但更像主题类或偏好类模板，不是大多数用户的高频需求。
+- 如果继续沿着“多模板扩张”走，很容易演变成几十上百个模板的模板库，用户选择成本和维护成本都会膨胀。
+
+于是我们最初尝试过另一条路：少模板策略化，例如把文生图收敛成 `自动起稿 / 忠实优化 / 风格强化`，甚至在内部再细分出 `传播型 / 叙事型 / 风格型` 起稿卡。
+
+### 2. 为什么这条路后来没有继续深化
+
+随着讨论深入，我们逐步确认了一个现实问题：
+
+- 大多数用户并不知道自己要什么风格，也描述不清楚。
+- 如果用户已经知道自己要“小红书风”“关键词图”“绘本风”“朋友圈风”，那本质上更像是在找模板，不像是在用通用优化器。
+- 如果用户完全不知道要什么，系统给出再聪明的“自动起稿”，也未必真的比原始提示词直接丢给模型更有价值。
+
+这让我们意识到，图像优化器如果继续主打“从一句模糊自然语言里自动推导出更好的图像提示词”，价值并不稳。
+
+### 3. 关键转向：从“泛化优化器”转向“参考驱动”
+
+后面的讨论慢慢聚焦出一个更稳定的方向：
+
+- 用户真正高频且明确的需求，不是“帮我把一句模糊提示词优化得更高级”。
+- 而是：
+  - 我有一张图，想复刻它；
+  - 我有一张图，想借它的风格改写当前提示词；
+  - 我已经有一份成熟的结构化提示词或模板，想替换其中最显眼的部分继续复用。
+
+换句话说，真正有价值的不是更泛化的提示词优化，而是更“参考驱动”的改造能力。
+
+这也是为什么后续我们把注意力从“文生图模板体系重构”逐步转移到了“文生图里的参考图入口”。
+
+---
+
+## 二、交互方案是如何收敛到现在这版的
+
+### 1. 入口层面
+
+最终决定保持现有 `文生图 / 图生图` 一级入口和模板下拉不动，只在文生图里增加前置的 `参考图` 能力。
+
+这样做的原因是：
+
+- 不破坏当前产品入口心智；
+- 不需要同时重构整个图像工作区；
+- 可以先验证“参考驱动”的价值，再决定是否进一步产品转向。
+
+### 2. 交互层面
+
+`参考图` 最初有过几种交互设想：
+
+- 直接上传后立即替换当前提示词；
+- 上传后先做结构化提取，再进入变量编辑；
+- 弹窗中暴露更多中间步骤与同步动作。
+
+最终收敛成弹窗式确认流程，核心原因是：
+
+- 用户需要在替换前看到结果，否则风险太高；
+- 结构化提示词和变量都应可预览和轻编辑；
+- 但中间过程不应该暴露得过细，否则会让产品看起来像“半成品工作台”。
+
+于是弹窗保留了四个核心区域：
+
+- 参考图缩略图
+- 使用方式
+- 生成后的提示词
+- 变量预览
+
+同时删掉了会增加复杂度但用户价值不高的动作，如：
+
+- `同步变量`
+- `重新提取变量`
+- prompt 与变量的实时联动
+
+最终保留的原则是：
+
+- 用户可以改 prompt；
+- 用户可以改变量值；
+- 但系统不强行保持强一致联动。
+
+### 3. 使用方式文案的收敛
+
+早期文案使用过更偏实现层的表达，如：
+
+- `迁移到当前提示词`
+- `仅复刻参考图`
+
+后来为了更符合用户认知，收敛成更直观的两种表达：
+
+- `风格迁移`
+- `复刻图片`
+
+它们分别对应：
+
+- `风格迁移`：当前提示词决定画什么，参考图决定怎么画；
+- `复刻图片`：忽略当前原始提示词，尽量反推原图对应的结构化提示词。
+
+---
+
+## 三、提示词优化过程：从“泛化优化”到“复刻优先”
+
+这部分是本轮最核心的收敛。
+
+### 1. 第一阶段：意识到“优化”不等于“更像提示词”
+
+一开始，图像相关提示词容易掉进一个常见误区：
+
+- 把输出写得更完整；
+- 用更多视觉词；
+- 加更多风格词；
+- 看起来更像“成熟提示词”。
+
+但对参考图复刻而言，这种优化方向是错的。
+
+因为复刻任务真正要的是：
+
+- 尽可能还原原图；
+- 尽量不脑补；
+- 不凭经验把原图改造成“更高级但不一样”的图。
+
+因此我们把复刻模板的第一原则改成：
+
+`唯一目标：把这张参考图尽可能准确地翻译成一份可直接用于生图的结构化 JSON 提示词。`
+
+这里的关键变化是：
+
+- 从“生成一份可用提示词”转为“翻译原图”；
+- 从“优化语言质量”转为“保真复现事实”。
+
+### 2. 第二阶段：压制幻觉式风格词和社区套话
+
+真实测试里很快暴露出另一个问题：
+
+- 模型极容易自动补出 `8k / HDR / C4D / Octane / masterpiece / Pixar / Disney` 等词；
+- 这些词并不来自图片，而是模型对“图像提示词”的训练先验。
+
+这会直接破坏复刻质量，因为输出不再是“原图事实”，而是在套生图社区常见模板。
+
+于是我们明确加入了强禁区：
+
+- 禁止社区套话；
+- 禁止品牌/IP/软件名；
+- 风格或媒介只能用普通类别词，且必须有视觉证据。
+
+例如允许：
+
+- `3D卡通渲染`
+- `日系角色设定插画`
+- `双重曝光合成肖像`
+
+不允许：
+
+- `Pixar`
+- `Disney`
+- `C4D`
+- `Octane`
+
+这一步的作用不是让提示词更“规范”，而是让模型少把自己的视觉语料习惯带进结果。
+
+### 3. 第三阶段：从“抽象风格总结”转向“画面类型 + 画面事实”
+
+仅仅禁止幻觉还不够。
+
+如果模型把图像总结成：
+
+- “可爱、梦幻、高级、科技感”
+
+即使没有用到禁词，仍然不够可复刻。
+
+所以我们继续把提示词约束推向更“事实化”的方向：
+
+- 先识别画面类型；
+- 再在这个画面类型内部组织事实。
+
+例如不是泛泛说“一个少女插画”，而是：
+
+- 角色设定双视图展示图
+- 主播棚拍
+- 代码桌面场景
+- 双重曝光肖像
+- 动物抓拍摄影
+
+这样做的原因是：
+
+- 复刻一张图，真正关键的不只是主体是什么；
+- 更关键的是它属于什么画面语法。
+
+一旦画面语法判断对了，模型更容易保住：
+
+- 构图
+- 版式
+- 光线
+- 前中后景关系
+- 特定的拍法或设计语言
+
+### 4. 第四阶段：重新定义“变量”是什么
+
+后面一个很重要的分歧是：复刻结果里到底要不要变量，以及变量应该是什么。
+
+我们最初发现两个问题：
+
+- 如果不强调变量，模型容易全部输出 `{}`；
+- 如果太强调变量，模型又会把图里所有名词都抽成变量，反而破坏复刻。
+
+因此我们重新定义了变量的产品语义：
+
+变量不是“图里出现过的东西”。
+
+变量应该是：
+
+`用户下次最可能想改、而且改完以后这张图仍然算同一模板的控制位。`
+
+基于这个定义，我们得到了几条重要规则：
+
+- 变量只是锦上添花，不是主要目标。
+- 风格、媒介、构图、景别、机位、光线、版式、材质、核心氛围、关键合成关系，一般不该变量化。
+- 眼镜款式、毛发细节、动作细节这类低价值或易破坏复刻的内容，也不应优先变量化。
+
+优先级则收敛成：
+
+- 主体称谓或物种
+- 一种主色
+- 一项短文本或主题
+
+并且通常只给 `1-2` 个变量，只有角色设定图或模板感极强的版式图才允许 `3` 个。
+
+### 5. 第五阶段：引入“类型感知”的变量策略
+
+进一步测试后我们发现，不是所有图都适合变量化。
+
+因此又加入了一层类型感知规则：
+
+默认考虑变量化的图：
+
+- 角色设定图
+- 主播/海报/封面类画面
+- 单主体插画或 3D 吉祥物场景
+
+默认不变量化的图：
+
+- 抓拍摄影
+- 双重曝光
+- 写实纪实图
+
+这样做的目的是：
+
+- 不再强求所有输出都有变量；
+- 让 `defaults: {}` 成为一种“合理结果”，而不是模型失败；
+- 只在模板复用价值确实存在时才暴露少量变量。
+
+### 6. 第六阶段：验证 LangGPT 风格是否值得引入
+
+在此基础上，我们还专门验证了一个问题：
+
+是否应把参考图复刻 prompt 改成 `LangGPT` 那类更完整的结构，例如：
+
+- `Role`
+- `Profile`
+- `Goal`
+- `Rules`
+- `Workflow`
+- `Initialization`
+
+结论是：不值得直接采用完整 LangGPT 结构。
+
+原因不是它“理论上不好”，而是实测没有稳定收益。
+
+我们做了两轮真实 A/B：
+
+- 第一轮：较强的 `LangGPT-lite` 候选，对比当前正式模板；
+- 第二轮：尽量保持语义不变，只调整组织结构，再做一次对比。
+
+结果都没有形成稳定优势：
+
+- 第一轮是 `3 胜 3 负`；
+- 第二轮也是 `3 胜 3 负`。
+
+这说明：
+
+- LangGPT 风格会让提示词看起来更分层、更规整；
+- 但对“参考图复刻”这种强约束、多模态、直接产出 JSON 的任务，并没有稳定提升 fidelity。
+
+因此最终结论是：
+
+- 分析型、评估型、元提示词生成类任务，适合 LangGPT 风格；
+- 参考图复刻与风格迁移，更适合当前这类“目标 + 强约束 + 变量策略 + 输出契约”的写法。
+
+换句话说，我们吸收的是它的分节思想，而不是直接套完整模板。
+
+---
+
+## 四、架构与调用策略的收敛
+
+在实现层，我们也经历过一轮从“更干净的分层架构”回到“更短链路”的过程。
+
+### 1. 原本尝试过的三段式
+
+一度我们把参考图链路拆成：
+
+1. `ReferenceSpec`
+2. `PromptDraft`
+3. `VariableizedPrompt`
+
+这套架构语义上更清晰，但也带来了问题：
+
+- 调用次数增多；
+- 等待时间变长；
+- UI 更容易暴露中间过程；
+- 一旦某一步结果不稳定，用户感知会更差。
+
+### 2. 最终收敛成“单次视觉调用优先”
+
+后面我们重新聚焦用户目标后，链路也跟着简化了：
+
+- `复刻图片`：尽量一次视觉调用直接输出 `prompt + defaults`
+- `风格迁移`：当前提示词与参考图一起参与，直接输出迁移结果和变量
+
+这样做的核心考虑是：
+
+- 用户关心的是最终可用结果，不关心中间的 spec；
+- 单次调用更快；
+- 中间层越少，越不容易在 UI 和语义上过度设计。
+
+因此当前的实现方向是：
+
+- 对外保持“一步到位”；
+- 对内只保留必要的结构化契约，不把中间层暴露成产品概念。
+
+---
+
+## 五、真实测试中得到的结论
+
+本轮不是只靠静态推理，我们做了真实多模态测试。
+
+主要使用过：
+
+- Gemini
+- DashScope `qwen3.5-397b-a17b`
+
+由于 Gemini 出现额度和速率限制，后续大量验证主要使用了 `qwen3.5-397b-a17b`。
+
+测试图覆盖了多种类型：
+
+- 校园熊猫
+- 主播皮卡丘
+- 代码熊猫
+- 二次元双视图设定图
+- 双重曝光肖像
+- 秋日跳跃猫
+
+这些测试帮助我们确认了几件事：
+
+1. 参考图复刻这条能力是成立的，但必须把目标写成“尽量还原”，而不是“优化成成熟生图提示词”。
+2. 变量可以保留，但只能作为加分项，不能当成核心卖点。
+3. 类型感知变量化是必要的，否则要么全空，要么乱抽。
+4. 完整 LangGPT 化没有形成稳定优势，不值得现在替换正式模板。
+
+---
+
+## 六、当前阶段的稳定结论
+
+截至目前，可以认为我们已经收敛出以下稳定判断：
+
+### 产品层
+
+- 图像方向不应继续主打“通用提示词优化”。
+- 更有价值的是“参考驱动”的能力：
+  - 复刻
+  - 风格迁移
+  - 定向改造
+  - 模板化复用
+
+### 提示词层
+
+- 参考图复刻的核心目标是 fidelity，不是 prompt polish。
+- 提示词应优先表达：
+  - 画面类型
+  - 可见事实
+  - 画面语法
+  - 明确禁区
+  - 保守变量策略
+
+### 变量层
+
+- 变量不是“识别出的名词集合”。
+- 变量是“保留模板骨架下，最值得用户改的少量控制位”。
+
+### 方法论层
+
+- LangGPT 的“分节思想”值得吸收；
+- 但在参考图复刻任务上，不应直接套完整 LangGPT 模板。
+
+---
+
+## 七、接下来的重点
+
+如果继续沿当前方向推进，后续更值得投入的不是“再发明更多泛化模板”，而是继续打磨以下几点：
+
+1. 进一步压制幻觉风格词与 IP/软件名泄漏。
+2. 提升不同画面类型下的 fidelity 稳定性。
+3. 让变量只在真正有模板复用价值时出现。
+4. 继续围绕 `复刻图片 / 风格迁移 / 定向改造` 构建更清晰的能力边界。
+
+这意味着我们真正要优化的，已经不是“怎么把图像提示词写得更像提示词”，而是：
+
+`怎么让系统更像一个可靠的“参考图翻译器”和“参考驱动改造器”。`
+
+---
+
+## 相关实现与参考文件
+
+- [composition.ts](/C:/Users/15588/.codex/worktrees/8453/prompt-optimizer/packages/core/src/services/template/default-templates/image-prompt-composition/composition.ts)
+- [migration.ts](/C:/Users/15588/.codex/worktrees/8453/prompt-optimizer/packages/core/src/services/template/default-templates/image-prompt-migration/migration.ts)
+- [image-reference-prompt-contracts.test.ts](/C:/Users/15588/.codex/worktrees/8453/prompt-optimizer/packages/core/tests/unit/template/image-reference-prompt-contracts.test.ts)
+- [summary.json](/C:/Users/15588/.codex/worktrees/8453/prompt-optimizer/.codex/tmp/prompt-optimizer/20260401-langgpt-lite-eval/summary.json)
+- [summary.json](/C:/Users/15588/.codex/worktrees/8453/prompt-optimizer/.codex/tmp/prompt-optimizer/20260401-langgpt-lite-eval-v2/summary.json)

docs/workspace/image-reference-prompt-optimization/fusion-style-migration-design.md

@@ -0,0 +1,525 @@
+# 融合式风格迁移设计说明
+
+## 文档目的
+
+这份文档专门回答一个在参考图迁移里非常关键、但之前没有被明确写下来的问题：
+
+- 当原始提示词把参考图中的主体替换成另一个对象时，系统到底应该做“直接替换”，还是应该做“自然融入”？
+
+当前结论是：
+
+`参考图迁移` 不应默认理解成“把原主体删掉，再放入一个新主体”。
+
+更准确的定义应是：
+
+`参考图迁移 = 参考图骨架识别 + 原始内容置入 + 世界内自然重建`
+
+其中真正决定用户体验的是最后一步：
+
+`世界内自然重建`
+
+也就是让新主体像本来就属于这张图，而不是像后贴进去的图层。
+
+---
+
+## 一、问题背景
+
+在已有的参考图迁移讨论中，我们已经确认：
+
+- 这条链路不是纯粹的“风格词提取”。
+- 也不是把参考图变成抽象风格标签后，再套回原始提示词。
+- 它更接近“把原始提示词的内容置入参考图提供的模板图中”。
+
+但在真实理解和真实生图样例里，又出现了一个更细的分歧：
+
+- 如果参考图是一个衣着华丽的女子，而原始提示词是“猫”，
+- 系统是应该直接把人删掉换成一只普通猫，
+- 还是应该生成一只保留华丽服饰逻辑、姿态逻辑和身份感的“拟人化猫角色”？
+
+从用户真实预期来看，后者更符合“风格迁移”的直觉。
+
+因为用户想保留的通常不是“背景还在”，而是：
+
+- 这张图为什么成立；
+- 这张图最有辨识度的视觉重点是什么；
+- 新主体进入后，是否仍然像同一张图、同一种叙事、同一个视觉世界里的东西。
+
+---
+
+## 二、核心结论
+
+### 1. 默认不应采用“硬替换优先”
+
+如果系统只做硬替换，很容易出现以下问题：
+
+- 主体和服装、动作、道具、构图关系脱节；
+- 新主体像是后期拼上去的；
+- 参考图保留下来的只剩背景或色调；
+- 最终结果更像“PS 替换”，不像“迁移”。
+
+这类结果即使 technically 完成了替换，也通常不符合用户对“参考图迁移”的理解。
+
+### 2. 默认应采用“融合优先”
+
+所谓 `融合优先`，不是无限度美化，而是：
+
+- 先识别参考图最重要的视觉重点；
+- 再把原始提示词的主体内容按这个视觉重点重新解释；
+- 最终让新主体在这张图里自然成立。
+
+例如：
+
+- 华丽古典女子图 + `猫`
+  - 默认应偏向：华丽、角色化、可能拟人化的猫
+  - 而不是：在原图位置放一只普通四足猫
+
+- 新闻主播角色图 + `白色柴犬`
+  - 默认应偏向：主播柴犬
+  - 而不是：演播室桌上突然坐着一只普通狗
+
+- 西游记插图 + `女高中生`
+  - 默认应偏向：西游记视觉世界中的女高中生
+  - 而不是：古风背景里贴一个现代人物照
+
+### 3. 这仍然不是“永远拟人化”
+
+融合优先并不意味着永远都要把动物做成人形角色。
+
+如果用户显式要求：
+
+- `真实四足猫`
+- `不要拟人化`
+- `不要衣服`
+- `保留动物本体`
+
+那么系统就应该收紧解释空间：
+
+- 保留参考图的氛围、构图、材质和叙事位置；
+- 但不要把猫强行改写成拟人角色。
+
+也就是说，默认规则应该是：
+
+- 用户未显式限制时：融合优先
+- 用户显式限制时：按限制收紧
+
+---
+
+## 三、产品语义的重新定义
+
+为了避免系统实现偏向“机械替换”，建议把参考图迁移的产品语义重新定义为：
+
+`参考图提供视觉世界与模板骨架，原始提示词提供要置入的核心内容，系统负责让新内容在这个视觉世界中自然成立。`
+
+这里有三个关键词：
+
+### 1. 视觉世界
+
+不仅仅是“画风”，还包括：
+
+- 角色身份感
+- 服装逻辑
+- 场景气质
+- 道具语言
+- 叙事关系
+- 世界观类型
+
+### 2. 模板骨架
+
+不仅仅是“背景还在”，而是：
+
+- 构图方式
+- 角色位
+- 前后景关系
+- 版式逻辑
+- 姿态语言
+- 媒介表现方式
+
+### 3. 自然成立
+
+新主体进入后，应让用户感觉：
+
+- 这是同一张图的变体
+- 不是另一张图借了点配色
+- 更不是后贴进来的外来物
+
+---
+
+## 四、迁移时应先识别什么
+
+参考图迁移不应一上来就替换主体，而应先识别参考图的 `视觉重点`。
+
+建议把视觉重点划分为以下五类。
+
+### 1. 角色造型重点
+
+包括：
+
+- 服装
+- 发型
+- 姿态
+- 身份感
+- 人设逻辑
+- 角色外观风格
+
+这类图片里，新主体通常要吸收原角色的“造型逻辑”。
+
+### 2. 场景重点
+
+包括：
+
+- 场景环境
+- 道具
+- 空间关系
+- 场景氛围
+- 景别与机位
+
+这类图片里，新主体通常要成为这个场景中的合理角色，而不是脱离场景的单独物件。
+
+### 3. 构图重点
+
+包括：
+
+- 双视图
+- 海报式布局
+- 中轴构图
+- 多角色关系位
+- 封面感
+- 留白关系
+
+这类图片里，骨架本身比画风更关键。
+
+### 4. 媒介重点
+
+包括：
+
+- 水墨
+- 工笔
+- 双重曝光
+- 拼贴
+- 3D 角色设定
+- 摄影棚拍
+
+这类图片里，新主体要先被翻译成这种媒介中的存在，而不是仅仅替换名词。
+
+### 5. 叙事重点
+
+包括：
+
+- 主播
+- 贵族肖像
+- 角色设定卡
+- 冒险插图
+- 时尚大片
+- 宣传海报
+
+这类图片里，新主体应继承叙事角色位，而不是只继承局部视觉词。
+
+---
+
+## 五、建议的决策规则
+
+### 1. 先判断：原始提示词是否显式覆盖某个槽位
+
+原始提示词一旦明确写出：
+
+- 主体身份
+- 物种
+- 数量
+- 年龄性别
+- 服装
+- 道具
+- 动作
+- 场景
+- 是否拟人化
+- 是否保留真实动物形态
+
+这些内容应视为显式覆盖项。
+
+### 2. 再判断：参考图的哪些槽位是强重点
+
+如果某个槽位是这张图成立的核心，例如：
+
+- 华丽服饰
+- 主播台身份
+- 双视图版式
+- 水墨叙事世界
+
+那么即使原始提示词没有点名，也应尽量保留。
+
+### 3. 最后决定采用哪种迁移方式
+
+建议在内部按以下三种模式理解，而不是全部混在一起。
+
+#### A. 直接替换
+
+适用情况：
+
+- 原始提示词和参考图主体同属同一表达范式
+- 原始提示词显式要求保留主体本体，不要做角色化改写
+
+例如：
+
+- 一张真实产品广告图 + “把耳机换成音箱”
+- 一张动物照 + “把金毛换成柴犬”
+
+#### B. 等价融入
+
+适用情况：
+
+- 原始主体和参考主体跨物种、跨身份、跨时代
+- 但参考图的角色逻辑、服装逻辑或身份位是强重点
+
+例如：
+
+- 华丽人物图 + 猫
+- 主播角色图 + 柴犬
+- 时尚模特图 + 小狐狸
+
+这里系统应做的是“让新主体在原有角色位上成立”，不是简单替换轮廓。
+
+#### C. 世界内重建
+
+适用情况：
+
+- 参考图最强的是叙事世界、媒介世界或视觉世界
+- 原始提示词提供的是要置入的核心角色
+
+例如：
+
+- 西游记插图 + 女高中生
+- 水墨山水图 + 机器人
+- 赛博都市双重曝光图 + 男孩侧脸
+
+这里不应只学风格词，而是要让新主体成为这个视觉世界中的合理存在。
+
+---
+
+## 六、推荐的默认偏置
+
+建议系统默认偏置为：
+
+### 1. 融合优先，而不是剪贴替换优先
+
+如果用户没有明确限制：
+
+- 优先让主体继承参考图的角色位、服饰逻辑、姿态逻辑和叙事位置；
+- 让结果看起来像同一张图的自然变体。
+
+### 2. 完整性优先，而不是字面替换优先
+
+如果“字面替换”会导致图像完整性明显下降：
+
+- 宁可做合理的艺术化重建；
+- 也不要做生硬替换。
+
+### 3. 原始提示词的显式要求高于默认融合
+
+但如果用户明确要求：
+
+- 不拟人化
+- 不穿衣
+- 保持真实动物
+- 不保留原角色服装
+
+则应服从原始提示词。
+
+---
+
+## 七、建议加入迁移契约的关键表述
+
+如果后续要改写迁移 prompt，建议加入以下思想，而不一定逐字写成下面这样。
+
+### 1. 不要把新主体当成外来物贴进原图
+
+应明确要求模型：
+
+- 输出结果必须像一张完整原生图像
+- 不能像主体替换贴图
+
+### 2. 先保留参考图的视觉重点，再做内容置入
+
+应明确要求模型：
+
+- 优先识别参考图为什么成立
+- 区分“可替换内容”和“不可丢骨架”
+
+### 3. 当参考图的服装、身份、姿态、叙事位是重点时，应优先做等价融入
+
+应明确要求模型：
+
+- 新主体应继承这些重点
+- 不是只保留背景或色调
+
+### 4. 当原始提示词显式限制主体形态时，应收紧自由解释
+
+应明确要求模型：
+
+- 用户明确反对拟人化时，不要自作主张
+- 用户明确要求真实动物形态时，不要强行做角色化改写
+
+### 5. 输出结果应像“融合后的重建指令”
+
+最终结果不应是：
+
+- 参考图风格总结
+- 抽象的风格词堆砌
+- 机械替换说明
+
+而应是：
+
+- 一份可以直接生成“融合后结果图”的结构化指令
+
+---
+
+## 八、正反例建议
+
+以下样例适合作为后续提示词优化与低成本验证时的边界集。
+
+### 正例 1：华丽人物 -> 猫
+
+参考图：
+
+- 衣着华丽的古典女子肖像
+
+原始提示词：
+
+- `一只猫`
+
+期望：
+
+- 生成结果应偏华丽、角色化、可能拟人化
+- 猫应吸收服饰感、身份感、姿态感
+- 不应只是普通猫 + 原背景
+
+### 正例 2：主播 -> 柴犬
+
+参考图：
+
+- 主播台上的角色图
+
+原始提示词：
+
+- `一只白色柴犬`
+
+期望：
+
+- 应成为主播柴犬
+- 保留主播位、服装、镜头、演播室结构
+
+### 正例 3：双视图角色设定 -> 小猫
+
+参考图：
+
+- 双视图人物设定图
+
+原始提示词：
+
+- `一只橘白色的小猫，双视图角色设定图`
+
+期望：
+
+- 保留双视图版式
+- 猫进入同一种角色设定语法
+
+### 正例 4：西游记插图 -> 女高中生
+
+参考图：
+
+- 古典叙事插图
+
+原始提示词：
+
+- `一名女高中生`
+
+期望：
+
+- 女高中生成为这个叙事世界里的角色
+- 保留山路、古建、笔墨、叙事关系
+
+### 反例 1：用户明确禁止拟人化
+
+参考图：
+
+- 华丽人物图
+
+原始提示词：
+
+- `一只真实四足猫，不拟人化，不穿衣服`
+
+期望：
+
+- 不得强行生成拟人猫
+- 只能保留原图氛围、构图、材质感，并按真实猫重建
+
+### 反例 2：用户明确覆盖服装
+
+参考图：
+
+- 西装主播角色图
+
+原始提示词：
+
+- `一只穿黄色雨衣的柯基`
+
+期望：
+
+- 服装应按原始提示词改写
+- 不能因为参考图是西装就忽略显式覆盖项
+
+---
+
+## 九、低成本验证建议
+
+考虑到真实文生图成本较高，后续建议采用分层验证。
+
+### 1. 第一层：文字契约验证
+
+优先看模型输出的结构化 prompt 是否满足：
+
+- 明确保留了参考图的视觉重点
+- 没有退化成抽象风格总结
+- 没有变成生硬的主体剪贴说明
+- 变量聚焦在用户最可能替换的内容上
+
+### 2. 第二层：多模态理解回判
+
+可用较低成本模型做判定：
+
+- 输出更像“融合重建”
+- 还是更像“机械替换”
+
+重点看：
+
+- 主体是否继承参考图角色位
+- 主体是否与服装、姿态、道具、场景关系一致
+- 是否保住了版式或叙事骨架
+
+### 3. 第三层：少量终验生图
+
+只保留 2 到 3 个金样例做终验：
+
+- 角色融合型
+- 模板保留型
+- 世界重建型
+
+每类 1 张即可，不做大规模扩散测试。
+
+---
+
+## 十、结论
+
+当前参考图迁移的真正问题，不是“替换得够不够准”，而是：
+
+`替换之后是否仍然像同一个视觉世界中的完整图像。`
+
+因此后续迁移 prompt 的优化目标，不应继续停留在：
+
+- 保留风格
+- 吸收构图
+- 替换主体
+
+而应更明确地收敛为：
+
+`识别参考图的视觉重点，保留不可丢的骨架，让原始提示词中的新内容以自然、连贯、世界内成立的方式完成融入。`
+
+这比“简单替换”更符合大众对参考图迁移的理解，也更接近产品真正可感知的价值。