怎么让整个店铺用同一个 AI 模特

好不容易跑出一张能用的图：脸是对的，光是对的，衣服的质感也在。于是换一件毛衣，同一条提示词再跑一遍——回来的是另一个人。年龄差不多，发色差不多，气质也差不多。但不是同一个人。

二十个 SKU 跑二十遍，就是二十个模特。这种图挂上去，比不挂还糟：买家在列表页往下滑，根本分不清这是一个品牌，还是随手拼的图库素材。

这是 AI 服装图里最难的一件事，也是大多数教程直接跳过的一件事。下面说清楚它到底为什么会发生，以及怎么解决。

提示词没变，脸为什么会变

一条文字提示词描述的不是一个人，而是一批人。

你写「二十七八岁的女性，深棕色及肩发」，模型收窄到的是所有满足这个描述的脸——那仍然是一个很大的集合。每次生成都从这个集合里重新抽一个点。你的提示词里没有任何东西能把其中某一张脸和另一张区分开，所以模型没有理由给你同一张。

这一点值得多想一层，因为它解释了为什么最直觉的办法没用。继续加五官描述——「高颧骨、小鼻子、下颌线清晰」——确实能把范围收得更窄，但永远收不成一个点。你会得到一群长得更像的女性，而不是同一个女性。而且正如四层框架那篇里说的，五官形容词堆多了会把出图推向美颜滤镜那一片，反而在另一个维度上把图搞砸。

真正管用的三个机制

纯文字锁不住人。下面三件事可以，而且能叠加。

下面这套流程三个都用上。少任何一个，漂移都会回来。

第一步：做一张基准图，把它当资产对待

后面所有图都依赖这一张，所以这里值得花真功夫。跑十到十五张变体，挑真正最好的那张，而不是第一张能看的。

A woman in her late twenties with shoulder-length dark brown hair, relaxed
neutral expression, looking directly at the camera, standing squarely with
both arms relaxed at her sides. She wears a plain fitted grey crew-neck
t-shirt and straight-leg dark denim. Soft even daylight from a large window
at camera left, gentle falloff across a plain plaster wall, neutral colour
temperature. Shot on 85mm at f/4, framed from mid-thigh up, camera at chest
height, face fully sharp and clearly visible.

这里有两个刻意的选择。

正视镜头、中性站姿。这和成图的建议正好相反——成图里视线偏离镜头才更像时尚大片。但基准图不是拿来发的，它是一张参照表。模型需要清楚地、正面地看到这张脸，才能在后面复用它。

用 f/4，不用 f/2。浅景深会把面部细节糊掉。你要的是脸足够锐利，让模型有更多结构可以抓。

第二步：之后每一次生成都带上基准图

这是杠杆最大的一步，也是最多人从来没做过的一步——因为大家习惯了打字，而不是传图。

在 ChatGPT 里把基准图传上去，然后把新场景写成「修改指令」，而不是重新描述一遍：

Using the attached image as the reference for the model’s identity, generate a
new photograph of the same woman — same face, same hair, same build. Keep the
lighting and camera treatment identical to the reference: soft daylight from a
large window at camera left, plain plaster wall, 85mm at f/4, camera at chest
height.
Change only the garment: she now wears an oversized warm-beige ribbed knit
sweater in chunky merino wool with dropped shoulders, hem falling just below
the hip.

结构比措辞重要。每一条后续提示词都应该包含三段，顺序固定：

1. 人物锚点——「和参考图里同一个人，同样的脸、同样的头发、同样的体型」
2. 锁定层——光线和镜头的文案，从基准图那条原样复制，绝不改写
3. 唯一的变化——这张图里唯一不同的那件事

锁定层一定要逐字复制。把 soft daylight from a large window at camera left 改写成「柔和的自然侧光」，对模型来说就是另一个意思，背景会跟着变。

第三步：能在一个会话里做完，就别开新的

在同一个会话里，模型会带着前面几轮的上下文，这会持续强化参考图的作用。整批图在一个长对话里跑完，比同样的提示词分二十个新会话跑，一致性明显更好。

但这有上限。轮次多到一定程度，早期上下文会被压缩掉，漂移就回来了。发现脸开始走样时，别在那个对话里硬撑——开一个新会话，重新传基准图。带参考图的新会话，比不带参考图的长会话稳得多。

漂移会在哪里回来

就算三个机制都用上，有些情况仍然会崩。这几种是可以预判的。

姿态变化太大。从正面站姿换成侧身坐姿，等于要求模型重建一块参考图里根本没有的面部几何。解法：做一组小的参考集——正面、四分之三侧、正侧各一张——生成时挑角度最接近的那张传上去。

近景特写。全身构图下看着一致的脸，裁成半身特写往往就不一致了，因为特写会暴露参考图从来没锁住的细节。解法：特写要从特写基准图生成，不要从全身基准图生成。

反复在改图上再改图。改图的改图的改图，小偏差会一路累加，最后跑到别的地方去。解法：永远回到最初那张基准图，不要链式修改。

说清楚这套能做到什么程度

对这套流程要有准确的预期。它能给你的是：整个店铺里模特是可辨认的同一个人——一致到买家在列表页浏览时，读到的是一个品牌、一张脸。

它给不了你像素级完全相同的面部几何。两张图凑近了比，眼皮的弧度、嘴角的位置总会有细微差别。真实摄影在不同帧之间也有同样的浮动，这也正是这套做法在商业上站得住的原因。

有一种情况例外：如果你要做的是围绕单一固定模特的品牌资产——首页那张脸、邮件头图、包装上的形象——对漂移的容忍度会陡然下降。这几张关键图应该在同一个会话、同一张基准图、一次性跑完。

流程速查

1. 做基准图：中性姿势、正视镜头、均匀光、f/4、脸要锐。认真挑，存原图。
2. 之后每一张：传基准图，写成「人物锚点 → 逐字复制的锁定层 → 唯一的变化」。
3. 脸还稳就留在同一个会话里。开始走样就换新会话重传基准图，别硬撑。
4. 要拍非正面构图之前，先备好多角度参考集。
5. 铺图之前，整批拼成一张图一起看。

底层道理和四层框架是同一个：你没指定的部分，模型一律用平均值填。而人物身份根本无法用文字指定，所以它只能用图来提供。一旦你不再试图「描述」一张脸，而是直接「给」它一张脸，这个问题就变得可控了。

具体落到商品详情页——背景一致性、平台构图规范这些——见商品图专篇。