Romergo 开发手记
从无休止的修改到小小片场：我如何学习生成故事
在上一篇文章中，我谈到过：从原文到一部真正能玩的视觉小说，中间需要一整套流程——保留事实、准备角色、组装场景，再看看玩家实际看到的是什么。
从那以后，流程变得更复杂了。并不是因为我想给 AI 多起几个响亮的名字，而是在制作故事时反复遇到一个恼人的问题：想把一张好图变得更好一点，却很容易把它改坏。
先让它修一只手，再把少掉的衣服补回来，然后去掉多出来的一条腿——对，真有这种事。改来改去，才发现脸变了，阴影越来越重，原本干净的背景也变得浑浊。
你在修局部，整张图却一直跟着变。到了某个时刻，只能承认：五个版本之前更好。
修好图片，不等于保住图片
最让我头疼的是变化会不断累积。从图片 A 改出 B，再从 B 改出 C，然后继续尝试。每个新版本都继承了想要的修改，也继承了之前悄悄发生的变化。
在我的生成结果中，脸会“融化”，阴影变厚，表面出现瑕疵，细节逐渐消失。并不是每一张新图都一定更差，但漫长的修改链给偏离原貌留下了太多机会。
对人来说，“其他都不变，只把头转一下”很明确。我们认得角色，理解房间，也默认没人再次提到外套时，外套仍然穿在身上。和生成器合作，这些事却需要明确约定。它可以画出一张很像样的新图，同时破坏我们觉得理所当然的东西。
所以，是的，很大一部分工作就是学习怎么跟 AI 商量。有时真的要解释：我们还是不需要第三条腿。
GENERAL：一个可以回去的起点
我的第一个办法是 GENERAL：经过认可的角色、地点或物件基准图。尽量中性，固定特征清晰可见，少带某一段剧情才有的细节。
有了它，我就尽量避免“上次修改 → 下次修改”的无限链条。新的状态从 GENERAL 出发，再结合此刻应该发生的事情生成。
修改场景时，任务可以同时参考三样东西：
- GENERAL 确定角色或地点的基本样貌；
- 上一帧帮助保留需要的姿势、构图或状态；
- 完整要求描述目标结果，也包括这次的新修改。
上一版本仍然只是辅助参考，不应该带着积累的错误，悄悄变成新的标准。
*这是方法示意，并非真实生成结果的对比。GENERAL 提供稳定参照，但不保证每个像素都保持不变。*
没有什么魔法能让生成器不犯错。但现在，“画面开始走样时该回到哪里”有了明确答案。修改的目标也变了：让同一个角色出现在需要的场景里，而不只是继续编辑最近一次失败的结果。
Render Eye：世界里有什么，镜头里看得到什么
下一个问题更细。假设角色资料写得很完整：外套、手套、腰带、靴子。但这一镜只拍到腰部以上，一只手藏在背后，门还挡住了部分身体。
哪些细节应该画出来？哪些应该被遮住？怎么区分手套确实被挡住了，还是生成器忘了画？
这就是我开发 Render Eye 的原因。它有两个任务：生成前准备要求，生成后检查图片。
首先，它查阅故事设定集，获取保存的角色、地点、物件及其状态描述，再对照场面调度：镜头在哪里、正在发生什么、玩家的注意力应该落在哪里。
每个重要细节都要有明确判断：完全可见、部分可见、被其他物件遮挡，或在画面之外。手放在背后时，手套没有从世界里消失，只是这个角度看不到。
这样得到的是具体的画面要求，不只是“画一个走廊里的主角”，而是“这个主角、这套衣服、这个角度，并且这些细节可见”。理解场景所必需的物件，不能意外藏到画面边缘之外。
生成后，Render Eye 回到同一份要求，检查服装、物件和角色位置，另外检查人体结构与画面瑕疵。发现错误或无法确定时，就退回修改。不能接受一件消失的外套，再改写角色描述，仿佛外套从未存在。
也不能赋予系统想象中的超能力。看图的是 AI，它同样会漏看。强制检查让流程更严谨，却不会把视觉模型变成绝不出错的观察者。
导演：为什么需要这一镜？
衣服画对了，脸保住了，角色也都站对了，场景仍然可能很平淡。
故事不仅是画面里有哪些东西。玩家什么时候注意到它们，哪句话先说，反应留多长时间，当时能听到什么，都很重要。
因此，我单独设立了导演这个角色。它紧贴场景工作：安排对白与反应的顺序、角色出场、灯光、色彩、音乐、音效、停顿和界面构图。原文始终是工作材料，而不是开头读过一次就放下的简介。
举个虚构的句子：“门后传来了脚步声。”
可以直接展示一扇门，把文字放上去。也可以先让音乐淡出，留下轻微的室内环境声，让脚步从画外响起，停留在角色的反应上，然后才继续对话。如果原文还没揭晓来者是谁，镜头就不该热心地提前把人拍出来。
同一条走廊，在推理故事里可能让人注意线索，在浪漫场景里则可能承载见面的期待。这些差别来自具体决定，不是往要求里加上“氛围：恐怖”就能做到。
导演把这些决定保存在场面调度计划中，并区分原作事实与演绎：冷光可以是艺术选择，凭空增加一个追踪者却改变了事件。
游戏还有一个难点：玩家阅读速度不同。台词前的停顿，与等待玩家读完台词，是两回事。不能设计一个漂亮的四秒段落，却把需要六秒才能读完的人的文字关掉。
我也不想把平淡场景换成机械堆砌的特效。有时最合适的就是静止画面、简单切镜，以及没有音乐。手法需要理由。
质量总监：我们想要的效果实现了吗？
“导演”和“质量总监”听起来有些相近，但我把职责分开。导演负责安排场景，质量总监负责检查结果。
它将原文和调度计划，与游戏里实际呈现的内容对照，检查完整段落，而不只是单张漂亮图片。
界面是否挡住了重要物件？换一句对白时，正在听的人是不是消失了？是否还播放着上一个房间的音乐？手机上的构图有没有散掉？灯光、停顿和声音原本想传达的情绪，真的传达出来了吗？
有用的检查也得知道问题应该送回哪一环。图片内部有瑕疵，就回到生成；角色图本身没问题，只是屏幕上的位置不对，就调整组装；声音响早了，不必重画背景。
*图中的 Director 是负责场面调度的导演，QA 是质量总监。示意图经过简化：组装和最终检查时仍然参考原文。返回箭头表示修改受影响的环节，不一定是全部重来。*
人也不该守在生成器旁边
即使图片出得更快，仍有另一种成本：不断切换注意力。打开聊天，看一张图，留个意见，回去做事。几分钟后再来一遍。
所以我还在做 GENERAL 批量处理。彼此独立的基准图可以提前准备，再成组交给人看。一起查看，更容易发现不一致，也可以给整组或单张留下意见。
随后只重做需要修改的图片。不能因为一次失败，就把已认可的结果丢掉。依赖关系仍然重要：如果下一张图依赖尚未认可的基准，就得先解决那个基准。
这不是承诺让生成器本身快上几倍。对我来说，更重要的是让人少一点为了审下一张图而中断手头的事。
一支小型摄制组，代替一条巨大的指令
说到底，我确实是在组建一支小型 AI 摄制组：有明确的世界设定、基准图、场面调度、画面制作、组装与质量检查。
这些是智能体工作流程中的职责，并不自动意味着每个角色都已经由一个持续运行的独立 AI 承担。重要的是保存决定、不在事后偷偷更改要求，并且每次修改都能说清楚哪些内容需要重新检查。
新的环节已经有工具和可保存的计划支撑。接下来，要放到真正的长篇章节中检验：它们能在多大程度上持续保住角色、氛围，以及创作者的注意力？
我的最终目标，是带来一本大部头，选一个章节，再逐步把它做成可以玩的任务。随时可以停下来检查结果，修正重要的地方，然后从上次停下的位置继续。
生成故事比“写好提示词”难得多。不过现在，我能把难处拆成具体任务。有时需要稳定参照，有时需要认真阅读，有时需要台词前的一段安静。而有时，仍然需要一个人看着场景说：“不，这里我不信。”