女程序媛多肉的 AI 小绿书，短短 3 天 220 粉
一句话看懂：一位开发者用 AI 生图 + Agent 自动化运营公众号“小绿书”，3 天涨粉 220。但这背后并不是简单的“AI 生图 + 发布”，而是一套覆盖角色一致性、光影摄影逻辑、朱雀检测和上下文隔离的工程化项目管理经验。
事件核心：发生了什么
一位自称“女程序媛多肉”的运营者，借助 AI 生图工具（如 Nano Banana Pro、GPT-Image-2）和 Agent（如 OpenClaw、Codex、Claude Code）做公众号贴图内容。她没有依赖模型“生成好看图片”的随机性，而是把每个环节拆成工程协议：固定人物身份（22 岁北京女程序员多肉）、固定生活半径（出租屋、电梯、工位）、固定拍摄事件（通勤穿搭、出门前瞬间）。这套流程在 3 天内带来了 220 个粉丝的关注。
关键动作包括：不写模糊的“真实自然”，而是写摄影事件（手机高度、光线来源、边缘畸变）；强制设定人物一致性从“同一生活序列”而非“角色设定稿”出发；把 AI 生图的质检前置到生成包（generation-packet.md），并定义硬性失败条件（如裙摆漂浮、衣服贴图、朱雀概率高于 40%）；对输出实施上下文隔离和熔断机制，防止历史对话污染新生成任务。
为什么重要
这个案例提示一个趋势：AI 降低的是内容生成成本，但没有降低领域知识的门槛。从原文总结看，运营者真正花功夫的环节是“如何把摄影、光影、服装材质等专业判断拆成机器可执行的约束”，而非 prompt 本身。腾讯朱雀对 AI 味敏感的真实原因不是画面有无美女，而是画面是否具备真实相机链路的分布（曝光、噪声、压缩、边缘畸变、背景杂物）。这解释了为什么市面上许多 AI 贴图账号被平台限流并非“内容不好”，而是平台检测到其缺乏真实的成像链路。
对开发者而言，这意味着“AI Native 不是把人变成按钮操作员”，而是把人的专业判断拆成可执行、可检查、可复用的流程。这比单纯堆叠模型 API 更有工程价值。
对用户/开发者/创作者的影响
对创作者：不要仅靠“prompt 工程”做内容。AI 生图需要提前定义失败条件（衣服贴图、鞋底漂浮、光线不一致），并把摄影事件写进生成包，而非用“高质量、真实”这类形容词。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者：Agent 生产流程应引入测试驱动生产，让质检 Agent 拥有高于生产 Agent 的优先级。生产 Agent 倾向“完成任务并自我肯定”，必须用质检环节阻断“主观满意”变成通行证。
对内容运营：想规避平台“AI 味”检测，方向不是堆叠“真实”词汇，而是模拟“这张照片是怎么被拍到的”——保留生活瑕疵（轻微黑眼圈、发丝凌乱、鞋面使用痕迹），保留手机广角畸变、顶灯与窗边弱光混合。这些才是朱雀检测所关注的成像链路特征。
值得关注的后续
第一，像“generation-packet.md”这类项目级规范能否社区化或变成可复用库？目前是个人总结，若形成模板会降低同类项目复现难度。第二，腾讯朱雀的检测逻辑是否会被更多平台效仿，进而倒逼 AI 生图工具在其内置 pipeline 中模拟真实手机成像链路（曝光、噪声、边缘畸变）。第三，上下文污染和熔断机制在更复杂的多步骤 Agent 中能否稳定运行，仍需更多工程案例验证。
来源：juejin
