开源一个拯救你旅行废片的 Skill

前几天回了趟山西老家，去大同转了一圈。

善化寺、关帝庙、城墙、应县木塔，一路拍了不少古建。

建筑本身很好看，但自己拍的照片总差点意思。

直接发出来，说实话，配不上这些建筑。

于是我就想：能不能做个工具，把这些照片变成真正好看的海报？

像杂志编辑做的那种有排版、有字体设计、有文化信息、建筑主体被认真对待过的海报。

做完之后，效果超出预期。于是把它整理成了一个开源 Skill：

Yingzao · 营造（https://github.com/op7418/guizang-yingzao-skill）。

下面讲讲它做了什么、好在哪里，以及为什么能做到这个效果。

先看效果

在讲细节之前，先放几组对比图。左边是原图，右边是生成的海报。

这是在大同城墙上透过松树拍的。原图光线不错但构图比较随意，前景的树枝占了大半画面。

海报把城楼提取出来做了主体，加上了"大同城墙"的字形设计、始建年份 1372、四座城门的名字，整张图的信息密度和视觉完成度完全不一样了。

这是大同东南邑的既下山酒店。原图是个标准的建筑摄影角度，水面倒影很漂亮，但就是一张普通的旅行照。

做成海报之后，加了竖排的"东南邑"、中英文混排的标题，建筑被重新处理过——纸质纹理、分区调色，像一张正经的建筑杂志内页。

这张是大理喜洲的紫藤花和飞檐。原图本身就很漂亮了，但海报做了一件有意思的事：

把整个画面转成了薰衣草紫的统一色调，标题"喜洲"用的是带石刻质感的字形，右侧小字"古镇一角"竖排排列。

和原图放在一起，你能看到照片和文字融合的很好。

它好在哪里

风格多样，不撞款

市面上很多海报 Skill 的问题是：做出来的东西长得都一样。

同一套模板、同一种字体、同一个配色，发出去一眼就能看出是同一个工具生成的。

营造有一套完整的 Design Token 系统，内置了几十个经过验证的 Recipe（风格配方），每个 Recipe 对应一套字体谱系、材质层级、配色逻辑和排版骨架。

生成海报的时候，它会先分析你的照片：

是正立面还是仰视？是大场景还是构件特写？是暖光还是冷调？

然后从 Recipe 库里匹配一个兼容的方向。

你看这四张：善化寺藻井用的是古纸底、木刻字形；

关帝庙木构用了半靛蓝半石灰的分区底色，"木构"两个字被斗栱遮挡了一部分；

大理上关的白族民居直接做成了青花瓷一样的蓝白色调；

边靖楼则是朱红大字、竖排信息栏，完全不同的气质。

每个 Recipe 里的字体、材质、色场、排版动作都经过兼容性检查，互相不打架。

组合起来可能有上千种变化，但每一种都是视觉上说得通的。

自动检索文化背景

海报上的文字不是随便写的。

你给它一张善化寺山门后檐的照片，它会识别出匾额上写的"威德护世"。

检索出这是明嘉靖七年（1528）潞城王所书，然后把这些信息排进海报里。

你给它一张应县木塔的照片，它会标注出"1056 · 辽 · 清宁二年"、"五层六檐 纯木楼阁"。

这些信息都经过事实分级——照片里能看到的、可以核实的、用户确认的才会写进海报。

它不会因为你拍了一座古建就自动编一段"千年古刹，历经沧桑"之类的废话。

对旅行场景来说这特别有价值。

发一张漂亮的海报到朋友圈，朋友不光看到好看的画面，还能顺带了解这个建筑的年代、规制、构造特点。

分享变成了一种轻量的文化传播。

原图对比拼图

如果你想给朋友展示"我的照片被做成了什么样"，可以选择生成原图对照拼图。

左边原图，右边海报，放在一起冲击力很强。

原图里沙溪兴教寺山门的两尊金刚力士像，在海报里被提取出来，用灰调和暖红对比呈现，背景转成了古纸纹理，配上"兴教寺"的大字标题。

你能一眼看出海报保留了原图的所有真实细节，但视觉层级完全重建了。

当然也可以不要拼图，只出海报。这个随你选。

多图融合，不是拼贴

支持把多张照片融合成一张海报。

这里要强调的是"融合"，不是把几张图缩小了往网格里一塞。

比如这张大同东南邑的小南唐茶食店。

它把店铺的灯笼、室内陈设、甜品特写、茶碗纹理这些来自不同照片的元素，提取出来之后放进了同一个视觉空间。

共同的古纸底色、一致的光线方向、有明确的前后层次关系。

看起来像一个场景，不像四张图硬拼在一起。

不只是古建

虽然我做这个 Skill 的起因是古建筑照片，但它的适用范围比想象的宽。

这是在大同一家咖啡馆拍的沙棘美式。

我拿来测试的时候发现效果意外地好：

暖橘色调、沙棘果实作为点缀元素、"沙棘美式"的字形带着饮品的圆润感。

完全不像古建海报，但出品质量一样在线。

食物、饮品、手工器物、文化店铺、暖光室内，这些"亲密尺度"的场景它都能处理。

只要照片有一个真实的主体和在地感，它就能找到合适的方向。

甚至有视频

在生成图片以后，如果你想给这两张图片做一个动态视频的话。

可以要求它生成一张带有九宫格的分镜，以及搭配的提示词。

你只需要把这个分镜图片和提示词发给 Seedance 2.0 或者是 MiniMax H 3。

它就能帮你做一个对应时长的海报分享视频了。

比如这段，就是用喜洲古镇的那张照片的结果做的视频。

怎么做到好看的

讲完了"它能做什么"，简单说说"它为什么能做到"。

整体思考，重建视觉世界

很多海报工具的做法是：照片当背景，上面叠一层半透明遮罩，放上标题和小字。

营造的做法完全不同。它同时向图像模型输入三样东西：

1.

校正后的原图：负责建筑的真实身份，屋坡、飞檐、匾额、轮廓这些"身份锚点"必须保留

2.

一张主导参考图：负责完整的视觉机制：主体怎么处理、背景怎么参与、图文怎么互动

3.

一张排版垫图：负责文字的位置、大小、层级、遮挡关系。

4.

一段提示词：负责告诉模型如何将这几个图片中的样式提取出来，同时还需要补充哪些样式。

图像模型的任务是把这四样东西融合成一个统一的画面。

主体的语义抠取、背景的重建、材质的分区处理、文字和建筑轮廓的遮挡关系，这些都在同一次生成里完成。

所以你看到的海报里，飞檐压住了标题的一角、柱子穿过了字的中间、建筑轮廓和色场自然衔接。

字体不是"选个宋体"

字体是这类海报的灵魂，所以每张海报的标题字形都是单独设计的。

碑刻、雕版、人文宋、几何黑体、隶意还是实验字。

然后逐字定义宽窄比例、笔画对比、起收笔特征、重心高低、字腔大小、表面媒介。

比如关帝庙"木构"这两个字：字形偏向构筑型宋体，横竖对比明显，笔画有石刻质感，字腔较开（因为背景是高密度的斗栱纹样，字形太复杂会互相打架）。

而且"木"字的一部分被斗栱实体遮挡了，这种遮挡是提前设计好的，不是意外裁切。

小字用的是另一套字族，和标题建立层级差异。

不会全篇统一用一种字体。

丰富但不混乱

风格多不等于乱。营造有一套明确的约束体系：

每张海报只选一个主构图、一个主体容器、一个主材质、最多一个辅助材质、一套有角色差的字体、一个配色来源、一个主要空间冲突、零或一个语义装饰。

配色优先从照片里提取：建筑的漆色、砖石、天空、植物、灯光。

不会无中生有地加一个和照片毫无关系的强调色。

装饰也是克制的。

只有来自照片可见内容、同时承担两项以上视觉任务、并且锚定到真实主体或标题的装饰才会被加入。

不会因为是古建就撒满祥云纹。

这套约束体系是我在反复调试中逐渐建立的。

一开始也试过给更多自由度，结果就是效果时好时坏、风格飘忽不定。后来发现：

限制越明确，出品越稳定。

给模型一个被验证过的框架，它的任务从"设计"降级成"在框架内发挥"，成品率就上来了。

最后

做类似设计 Skill 的过程中，我一直在想一个问题：

AI 在视觉创作里应该扮演什么角色？

我在营造这个 Skill 上有了一些新的想法：

程序负责它真正擅长的事：测量、字体覆盖检查、碰撞检测、对齐、几何校正、输入纪律；

图像模型负责它真正擅长的事：语义理解、空间重构、材质渲染、光线处理、图文关系。

生成之前把方向想清楚，生成之后把判断权交还给用户。

不自动评分、不自动重生成、不消耗额外的额度。

成图直接交给你，你觉得哪里不对，告诉它，它再定向修改。

这个工作方式和很多"全自动"工具不一样。

但我觉得在旅行海报这个场景下，它是对的。

因为每张照片背后都是一段真实的经历，每栋建筑都有自己的身份。

你不会希望一个工具自作主张地把善化寺的屋脊"优化"成另一栋楼的样子。

最后说回这次大同之行。

站在善化寺大雄宝殿里仰头看那个八角形藻井的时候，我就在想，这种东西用手机很难拍好。

仰角太大、光线太暗、细节太密。

但正是因为难拍，做成海报之后才觉得值。

那些在现场让你愣住的瞬间，被认真对待之后变成了可以分享的东西。

如果你也有一堆旅行照片不知道怎么处理，试试看。

GitHub：https://github.com/op7418/guizang-yingzao-skill

跟你的 Agent 说：

帮我安装这个 Skill：npx skills add https://github.com/op7418/guizang-yingzao-skill --skill yingzao

安装后直接说自然语言就行：

需要注意的是，这个目前非常依赖 GPT-image 2.0 模型，所以推荐在 Codex 里使用。

用 $yingzao 把这张大同古城的照片做成一张海报。

如果觉得有用，帮我点个赞或者转发给你身边爱拍照的朋友。

也期待在评论区看到你用它做的海报。