FLUX小红书极致真实V2图像生成工具Claude Code技能开发：智能提示词生成-育师

FLUX小红书极致真实V2图像生成工具Claude Code技能开发：智能提示词生成

你是不是也遇到过这种情况：想用FLUX小红书极致真实V2模型生成一张惊艳的日常照片，但对着输入框，脑子里有画面，手上却敲不出合适的描述词？要么描述太简单，生成效果平平无奇；要么堆砌一堆关键词，出来的图反而四不像。

这太正常了。高质量的AI图像生成，七分靠模型，三分靠提示词。对于FLUX小红书极致真实V2这类追求极致自然、日常感的模型来说，提示词的精准度直接决定了成片是“一眼AI”还是“以假乱真”。

好消息是，现在我们可以借助Claude Code技能，为这个强大的图像生成工具开发一个“智能提示词生成器”。这就像给你的创意配了一个专业的翻译官，能把你的模糊想法，转化成模型能听懂、能完美执行的“指令”。今天，我就来分享如何一步步实现这个功能，让生成小红书风格的高质量图片，变得像聊天一样简单。

1. 为什么需要智能提示词生成？

在深入代码之前，我们先搞清楚痛点在哪。FLUX小红书极致真实V2模型（以下简称“V2模型”）的目标是生成高度自然、像手机随手拍的生活照。它的训练数据很可能源于大量真实的日常摄影，因此对提示词的要求非常“接地气”。

根据社区经验，使用V2模型有几个关键点：

触发词：通常需要包含xhs来引导风格。
描述语言：需要用详细、自然的语言，而不是简单的关键词堆砌。例如，“一个女孩在阳光下的咖啡馆看书”比“女孩，咖啡馆，看书，阳光”效果好得多。
细节刻画：光影、氛围、人物神态、日常动作的描写至关重要。

手动编写这样的提示词，不仅耗时，还需要一定的“网感”和描述技巧。而Claude Code技能的核心价值，就在于它能理解你的中文自然语言需求，并自动将其结构化、优化成符合V2模型偏好的高质量提示词。这相当于将提示词工程的门槛降到了最低。

2. Claude Code技能开发环境搭建

开发Claude Code技能，本质上是在Claude平台上创建一个能接受用户输入、执行特定逻辑（这里就是生成提示词）、并返回结果的“小工具”。我们不需要复杂的服务器部署，整个过程在Claude的Web界面中就能完成。

2.1 核心思路与技能定义

我们的技能将被命名为“小红书V2提示词生成器”。它的工作流程非常清晰：

输入：用户用日常语言描述想要的图片场景（例如：“帮我生成一个提示词，想要一个短发女生在周末的公园里野餐，心情很好，有温暖的夕阳”）。
处理：技能解析用户输入，提取关键元素（主体、场景、动作、氛围、风格），并按照V2模型的最佳实践进行重组和增强。
输出：返回一段优化后的、可直接用于V2模型的详细提示词文本。

2.2 技能代码结构

下面是一个基础的技能代码框架。我们将在Claude的“开发技能”功能中创建它。

# 技能名称：小红书V2提示词生成器 # 技能描述：根据用户的中文场景描述，生成适用于FLUX小红书极致真实V2模型的优化提示词，提升出图质量。 def generate_v2_prompt(user_description): """ 核心提示词生成函数。 参数: user_description (str): 用户用自然语言描述的图片场景。 返回: str: 优化后的、可直接使用的提示词。 """ # 这里将实现具体的生成逻辑 pass def main(): """ 技能的主入口函数，由Claude平台调用。 """ print("欢迎使用小红书V2提示词生成器！") print("请用中文详细描述你想要的图片场景，例如：'一个女孩在秋天的银杏树下拍照，笑容灿烂，背景虚化'") # 获取用户输入 user_input = input("你的描述：") if not user_input.strip(): print("描述不能为空哦，请再试一次。") return # 调用生成函数 final_prompt = generate_v2_prompt(user_input) # 输出结果 print("\n" + "="*50) print("【为你生成的优化提示词】") print("="*50) print(final_prompt) print("="*50) print("\n使用建议：") print("1. 将上述提示词完整复制到FLUX V2模型的输入框中。") print("2. 建议采样步数设置为30步或以上。") print("3. 可以尝试搭配‘deis+beta’采样器。") print("4. 如需更强风格，可尝试添加LoRA，权重建议0.7左右。") # 确保脚本可以直接运行（在Claude环境中通常不需要） if __name__ == "__main__": main()

这段代码定义了一个简单的交互流程。接下来，我们需要填充最关键的generate_v2_prompt函数。

3. 智能提示词生成逻辑实现

提示词生成不是简单的字符串拼接，而是一个微型的“内容创作”过程。我们的逻辑需要包含以下几个步骤：

3.1 解析与要素提取

首先，我们需要从用户散漫的描述中，提取出模型关心的结构化要素。我们可以设计一些简单的规则或使用关键词匹配（对于更复杂的场景，可以集成更高级的NLP模型，但初期用规则足够）。

def extract_elements(description): """ 从用户描述中提取关键要素。 这是一个基于规则的简单示例，实际中可以更复杂。 """ elements = { "主体": "", "场景": "", "动作": "", "氛围/光线": "", "细节": "" } # 这里可以放置一些简单的关键词匹配或启发式规则 # 例如：判断是否包含“在...里/上”，提取场景；包含“正在...”，提取动作等。 # 为了简化示例，我们暂时将整个描述视为“主体+场景”的混合。 # 在实际开发中，你可以使用更精细的方法，甚至调用Claude自身的分析能力。 # 示例：简单地将描述赋值给“细节”，作为整体描述 elements["细节"] = description return elements

3.2 提示词模板与优化规则

这是技能的灵魂。我们需要一个或多个高质量的提示词模板，并将提取的要素填充进去。同时，要加入V2模型特有的优化规则。

def generate_v2_prompt(user_description): # 1. 提取要素 elements = extract_elements(user_description) # 2. 构建基础提示词 # V2模型推荐以“xhs”风格触发词开头，并鼓励详细描述。 core_scene = elements["细节"] # 3. 自动增强细节（规则示例） enhanced_details = [] # 如果用户描述中缺乏光线词，自动添加一个自然光效 light_keywords = ["阳光", "灯光", "夕阳", "月光", "光线", "明亮", "昏暗"] if not any(kw in core_scene for kw in light_keywords): enhanced_details.append("自然柔和的光线") # 鼓励添加氛围词，让图片更有“生活感” if "氛围" not in core_scene and "感觉" not in core_scene: enhanced_details.append("充满生活气息") # 确保描述是“正在进行”的状态，更动态 if "正在" not in core_scene and "在" in core_scene: # 这是一个非常简化的处理，实际需要更复杂的NLP pass # 4. 组装最终提示词 # 模板：触发词 + 核心场景 + (自动增强的细节) + 风格和质量后缀 prompt_parts = [] prompt_parts.append("xhs style,") # 核心触发词 prompt_parts.append(core_scene) if enhanced_details: prompt_parts.append(", " + ", ".join(enhanced_details)) # 添加提升画质的通用后缀 prompt_parts.append(", high detail, realistic, natural skin texture, clean background, everyday life photo, shot on high-quality smartphone, trending on social media") final_prompt = "".join(prompt_parts) # 5. 简单后处理：确保流畅，去除多余标点 final_prompt = final_prompt.replace(",,", ",").strip() if final_prompt.endswith(","): final_prompt = final_prompt[:-1] return final_prompt

3.3 完整技能代码示例

将以上部分组合起来，我们就得到了一个可用的初级版本。

# 技能名称：小红书V2提示词生成器 # 技能描述：根据用户的中文场景描述，生成适用于FLUX小红书极致真实V2模型的优化提示词，提升出图质量。 def extract_elements(description): """简化版的要素提取，实际应用可大幅增强此部分。""" return {"细节": description} def generate_v2_prompt(user_description): """ 核心提示词生成函数。 """ elements = extract_elements(user_description) core_scene = elements["细节"] # 自动优化规则 enhancements = [] light_kws = ["阳光", "灯光", "夕阳", "月光", "光线", "明亮", "暗"] if not any(kw in core_scene for kw in light_kws): enhancements.append("自然光线") if "氛围" not in core_scene: enhancements.append("日常温馨氛围") # 构建提示词 prompt_segments = ["xhs style,", core_scene] if enhancements: prompt_segments.append(", " + ", ".join(enhancements)) prompt_segments.append(", high detail, realistic, natural, daily life, shot on smartphone, social media style") final_prompt = "".join(prompt_segments) # 清理格式 final_prompt = final_prompt.replace(",,", ",").strip().rstrip(',') return final_prompt def main(): print("欢迎使用小红书V2提示词生成器！") print("请用中文详细描述你想要的图片场景：") user_input = input("你的描述：").strip() if not user_input: print("描述不能为空哦。") return final_prompt = generate_v2_prompt(user_input) print("\n" + "="*50) print("【优化后的提示词】") print("="*50) print(final_prompt) print("="*50) print("\n使用贴士：") print("- 完整复制上述提示词到FLUX V2。") print("- 采样步数建议30+，采样器可试deis+beta。") print("- 生成后若想微调，可在提示词末尾增减细节词，如‘更笑容’、‘背景更虚化’。") if __name__ == "__main__": main()

在Claude Code技能界面中，你只需要将类似上述逻辑的代码粘贴进去，定义好输入输出，技能就创建完成了。用户可以在与Claude的对话中直接调用这个技能。

4. 效果展示与进阶优化

让我们看看这个技能的实际效果。假设用户输入：“一个女孩在图书馆窗边学习，有点困了，下午的阳光照进来。”

技能生成的提示词可能如下：xhs style, 一个女孩在图书馆窗边学习，有点困了，下午的阳光照进来, 自然光线, 日常温馨氛围, high detail, realistic, natural, daily life, shot on smartphone, social media style

这段提示词相较于原始输入，增加了风格触发词xhs style，补充了自然光线和日常温馨氛围两个V2模型擅长的细节方向，并追加了提升画质的通用标签。使用这个提示词，V2模型生成的照片在光影真实感和生活气息上，大概率会比直接用原句更好。

4.1 如何进一步优化这个技能？

目前的版本只是一个起点，你可以从多个维度让它变得更强大：

要素解析智能化：用Claude API替代简单的规则提取。让Claude先分析用户描述，结构化输出“人物、场景、动作、情绪、时间”等要素，再填入更精细的模板。
风格化模板库：预设多种“小红书爆款”模板。例如，“探店打卡风”、“OOTD穿搭风”、“治愈生活风”、“美食特写风”。用户可以先选择风格，再描述内容。
负面提示词自动添加：根据场景，自动追加一些负面提示词以减少常见瑕疵，例如“避免畸形手部，避免模糊的脸，避免不自然的拼接”。
参数建议：在输出提示词的同时，给出推荐的CFG Scale、采样步数等参数值。
迭代优化：设计一个“反馈循环”。用户生成图片后，如果不满意某个部分（如“背景太乱”），可以告诉技能，技能能理解并生成一个修正版的提示词（如“同上，但背景简洁干净”）。