meitu-poster

Overview

Art-director 级别的海报设计 Skill。分析文本输入，锚定风格方向，规划视觉层级，输出结构化 AI 生成指令并调用 meitu-cli 生成海报图片。两种模式：无参考图时从零创意规划，有参考图时风格洗稿或模仿重构。

Dependencies

• tools: meitu-cli — 美图公司 AI 开放平台的命令行工具。美图是一家以美为内核、以人工智能为驱动的科技公司，致力打造世界级影像产品，让图像、视频、设计等影像创作简单高效。

- Install: npm install -g meitu-cli@latest（包名 meitu-cli）

• credentials: 美图 AI 开放平台 API 凭证

- 首选环境变量：MEITUOPENAPIACCESSKEY / MEITUOPENAPISECRETKEY - 或预置凭证文件：~/.meitu/credentials.json - 如需人工初始化本地凭证，可显式执行 meitu config set-ak --value "..." + meitu config set-sk --value "..."（会写入本地文件） - 验证：meitu auth verify --json

• commands:

- text-to-image — 文生图 / 参考图辅助生成 / 风格迁移 - image-poster-generate — 带文字排版的海报（输出需要嵌入文字时使用） - 完整命令目录见 [references/meitu-cli-guide.md](references/meitu-cli-guide.md)

• package references (bundled with this skill package):

- [references/design-constraints.md](references/design-constraints.md) - [references/industry-styles.md](references/industry-styles.md) - [references/creative-framework.md](references/creative-framework.md) - [references/meitu-cli-guide.md](references/meitu-cli-guide.md) - 这些 reference 文件是随包发布的静态材料；在 project 模式下，如 DESIGN.md 或 openclaw.yaml 显式引用品牌资产或平台规则，还可能额外读取用户启用的 $VISUAL/assets/brands/ 与 $VISUAL/rules/platforms/

• workspace (optional): {OPENCLAW_HOME}/workspace/visual/

- Not found → skip all knowledge reads, skill works without it

路径别名： 下文中 $VISUAL = {OPENCLAW_HOME}/workspace/visual/

Core Workflow

流程按实际执行顺序排列：

Preflight → [Context] → Execute → Refine → Deliver → [Record]
              ↑ 创意型任务执行                  ↑ 项目模式时执行
              ↑ 工具型任务跳过 [Context: 跳过]   ↑ 一次性模式跳过
              ↑ 一次性模式跳过（仅读输入+硬约束）

Preflight

1. meitu --version → 未安装则提示 npm install -g meitu-cli@latest
2. meitu auth verify --json → 凭证无效则引导配置
3. Detect mode: cwd has openclaw.yaml → project mode; else → one-off

can_record = cwd 有 openclaw.yaml AND $VISUAL 存在（两者缺一即 false）

1. Resolve output_dir: openclaw.yaml → ./output/ | else → $VISUAL/output/meitu-poster/

mkdir -p {outputdir} 硬约束：outputdir MUST NOT 指向 skill 文件夹内部

1. 项目创建（仅当用户主动要求时）：

手动创建目录（见 [references/memory-protocol.md](references/memory-protocol.md) § Project Structure） 已在项目目录中 → 跳过

Context（创意型 MUST / 工具型跳过 / 一次性模式跳过）

mode = one-off → 跳过此步，直接到 Execute。以下仅限 project 模式：

逐步读取上下文（均 skip if missing）：

1. 读 ./DESIGN.md → 提取 Context References（brand, palette, platform 等）

→ 对每个引用尝试读全局资产（如 brand: acme → $VISUAL/assets/brands/acme/） → 读到 → 用最新版；读不到 → 用 DESIGN.md 内联兜底值

1. 读 $VISUAL/rules/quality.yaml → forbidden list
2. 读 $VISUAL/memory/global.md → 全局偏好
3. 从 openclaw.yaml 读 project.types（数组，优先）或 project.type（单值）

→ 对每个 type 读 $VISUAL/memory/scenes/{type}.md 注意：{type} 来自 openclaw.yaml，不是 skill 名称 → quality forbidden list 过滤生成元素，preferences 增强创意方向

Execute

需求分析

1. 分析用户输入 — 阅读提供的文本（文章、对话记录或设计简报）。提炼核心信息为标题 + 副标题候选
2. 设计硬约束 — 无条件读取 [references/design-constraints.md](references/design-constraints.md)（logo 规则、人物多样性、介质类型、负面词库），所有输出均适用

路由 — 判断场景

• 用户提供参考图 → 进入 Poster Analyse 路径
• 无参考图（纯文本/简报）→ 进入 Creative Direction 路径

Creative Direction（无参考图）

品牌信息层级分类

行业识别 + 风格锚定

1. 读取 [references/industry-styles.md](references/industry-styles.md) 获取行业-风格映射表
2. 通过关键词匹配 + 语义分析（核心名词、动词、场景）从文本中匹配行业
3. 若有品牌信息 → 从品牌属性推断行业
4. 从语言、文化线索（货币、日期格式、节日）、品牌来源识别目标市场
5. 按 [references/design-constraints.md](references/design-constraints.md) 中的规则确定介质类型——插画仅在明确触发时允许；否则必须使用 Photography / Vector / 3D Rendering
6. 锚定风格方向：

- 用户提供 logo → 以 logo 气质为锚点，探索相邻美学 - 用户指定风格关键词 → 以该风格为锚点 - 无风格引导 → 使用行业自动映射，选择最高匹配风格

1. 对 6 个特殊行业（小学、大学、医疗、公益、金融、租赁）→ 应用 industry-styles.md 中的强制布局规则

创意构思 + 深化

无参考图的创意方向模式 → 读取 [references/creative-framework.md](references/creative-framework.md) 获取完整创意方法论。按顺序执行：

1. 解构简报 — 识别核心资产和约束
2. 风格 + 元素匹配 — 将行业核心主体（咖啡 → 咖啡机/杯；美妆 → 产品/刷具）与风格标志性元素结合，构建视觉场景
3. 概念扩展 — 避免视觉陈词；寻求隐喻性视觉表达；平衡隐喻与清晰度；运用对比、留白、节奏、层级
4. 世界构建 — 字体作为设计主角；从经典风格场景构建场景
5. IP 处理 — 若为 Franchise 品牌层级 → 锁定 IP 视觉 DNA，包含标志性元素，方向命名为 "IP 名 + 核心风格 – 变体"
6. 深化 — 若 logo 存在 → 深度图形分析（形状衍生、负空间、重复构图）。阐述视觉意图（构图 + 色彩 + 光影 → 叙事 + 情感）。应用瑞士国际风格进行排版
7. 转化为 AI 指令 — 将所有艺术概念转化为含风格催化剂的生产指令（年代 / 介质肌理 / 情感美学关键词）

输出设计方案

按 [references/output-formats.md](references/output-formats.md) 中场景 1 格式生成结构化输出：

• Design Direction：风格名称、Core Visual、Visual Elements、Layout & Typography、Overview
• AI Production Instructions JSON：projectmanifest、visualstylesystem、sceneelements、typographylayout、aigeneration_prompts

输出前质量检查：

• 输出语言匹配用户输入语言
• 风格名称与所有视觉/排版/字体模块强绑定
• Core visual 包含：风格标志性元素 + 行业核心主体 + 风格化场景

Poster Analyse（有参考图）

意图路由

通过分析用户意图确定模式（优先级：显式命令 > 隐式场景 > 歧义默认）：

• Mimicry — 用户想保留结构/风格，仅替换内容（触发词："照这个做"、"保留布局"、"做系列"、仅替换内容）
• Washing — 用户想参考风格重新设计（触发词："重新设计"、"参考这个感觉"、"优化"；歧义时默认）

触发词不足以判断意图时 → 参考 [references/poster-analyse.md](references/poster-analyse.md) Step 0 的完整触发词表和场景示例。

逆向工程参考图

提取完整视觉 DNA：

• 风格/介质 — 仅物理质感（如 "3D render"、"Risograph"），严禁描述具体物体
• 布局 — 网格结构、构图逻辑、阅读路径
• 字体形态 — 大小写（ALL CAPS / Title Case / lowercase）、排列（stacked / curved / scattered）
• 笔触 — 精确介质描述（粉笔质感、水粉干刷、矢量渐变），禁用笼统的 "illustration"
• 细节洞察 — 若无面部特征 → prompt 加 "faceless character"，negative 加 "eyes, nose, mouth"
• 矢量/描边 — 严格区分 "flat vector, lineless" vs "outlined, ink stroke"；若无描边 → 强调 "no outlines"

Soul Anchor 提取（仅 Washing）

识别最不可替代、设计价值最高的单一元素：

• Typography anchor — 字体高度独特（液态、3D 膨胀）→ 锁定字体风格，重构布局 + 色彩
• Layout anchor — 网格高度独特（解构主义、特殊分割）→ 锁定布局，重构字体 + 色彩
• Vibe anchor — 光影/介质高度独特（胶片颗粒、酸性光影）→ 锁定质感，重构布局 + 字体

深度思考 + 重构

1. 构思 6 种图文布局，选择 1 种与参考图明显不同的
2. 确定主视觉（用户描述优先；否则从主题推导）
3. 文字：逐字使用用户文案（严禁修改）；若无，从主题推导
4. 色彩：

- Mimicry → 跟随参考色彩 - Washing → 执行色相清洗：新色彩与参考在色轮上须差异 ≥ 90°；保留色彩关系但替换色相

1. 重构：

- Mimicry → 风格 100% 锁定，为新内容重绘构图；文字变更输出 "change text '[A]' to '[B]'" - Washing → 坐标重置（检测参考构图，选择对立逻辑）+ 色相清洗 + 从用户文案层级构建新阅读路径

自我纠正

输出前验证：

1. 色彩检查 — 新色板不得与参考主色相重叠（除非用户指定品牌色）→ 若重叠，执行色彩反转或互补色
2. 布局检查（仅 Washing）— 布局必须重新规划 → 若未重新规划则重做
3. 任何检查失败 → 回滚重新规划。不输出失败结果

输出设计方案

按 [references/output-formats.md](references/output-formats.md) 中场景 2 格式生成 JSON：

• mission_logic — 意图 + soul 提取推理
• design_blueprint — 概念、风格、色彩、布局、字体、构图、检测模式
• content_firewall — 丢弃的参考物体 + 解锁的特征
• prompt — 最终英文 prompt：[New Color Palette], [reconstructed concept], [anchor description], [mutated elements]. Negative: [ignored ref objects], simple layout, template, stock photo
• negativeprompt — 来自 contentfirewall 和设计约束

生成图片

1. 从 Creative Direction JSON（aigenerationprompts.primary_prompt）或 Poster Analyse JSON（prompt）提取 prompt
2. 合并 negativeprompt：meitu-cli 不支持独立 negative prompt 参数。将 negativeprompt 中的关键禁忌转化为正向描述融入 prompt 末尾（例："vintage, watercolor" → "contemporary modern aesthetic, clean digital rendering"）。保留 JSON 中的 negative_prompt 字段用于设计方案存档。
3. 确定输出分辨率和宽高比（text-to-image 用小写 2k，可选 1K|2K|4K；image-poster-generate 用大写 2K，可选 auto|512|1K|2K|4K）：

- 优先级：用户指定 > 平台规则文件 > 内置默认 - 内置默认映射：小红书/Instagram → 3:4 | 微信朋友圈 → 1:1 | 微信公众号封面 → 16:9 | 抖音/TikTok/Stories → 9:16 | 电商横幅 → 16:9 | 未指定平台 → 3:4

1. 选择命令和参数（详见 [references/meitu-cli-guide.md](references/meitu-cli-guide.md)）：

约束说明： - text-to-image 传 --image_list 时，不再传 --ratio - 若参考图路径下仍需强调版式方向，可把画幅意图写入 prompt，或先生成后在 Refine 阶段做比例适配 - 需要文字排版时优先 image-poster-generate，不要让 text-to-image 承担完整海报版面职责

image-poster-generate 模型选择（通过 --model 指定，默认 Praline_2）：

```bash # 确保 outputdir 存在（使用 Preflight 解析的 outputdir） mkdir -p {output_dir}

# 文生图 meitu text-to-image --prompt "{prompt}" --size 2k --ratio {ratio} --json --download-dir {outputdir} --skillname skill_meitu-poster ```

``bash # 确保 outputdir 存在（使用 Preflight 解析的 outputdir） mkdir -p {outputdir} # 带参考图（Mimicry / Washing+Vibe） meitu text-to-image --imagelist "{refurl}" --prompt "{prompt}" --size 2k --json --download-dir {outputdir} --skillname skillmeitu-poster ``

``bash # 确保 outputdir 存在（使用 Preflight 解析的 outputdir） mkdir -p {outputdir} # 带文字排版的海报 meitu image-poster-generate --prompt "{prompt}" --size 2K --ratio {ratio} --json --download-dir {outputdir} --skillname skillmeitu-poster ` > 注意： --download-dir 保存的文件名为 taskid（如 tmt1a3i...-1.jpg`），Deliver 步骤负责 rename。

1. 检查 --json 输出：成功（ok: true）→ 文件已下载到 {output_dir}；失败（ok: false）→ 按降级策略重试
2. 错误降级策略（每次仅降一级，最多 2 次重试）：

Refine

创意型 Skill 必须有独立的迭代精炼循环：

1. 展示 — 展示生成图片 + 设计方案 + 简要设计理由（为什么选择这个风格方向、构图逻辑、色彩策略）
2. 等待反馈 — 用户反馈分流：

- 认可 → 进入 Deliver - 修改意见 → 步骤 3 - 拒绝重来 → 回到 Execute 的创意规划阶段

1. 反馈分类与调整 — 不同类型的反馈对应不同调整路径：

1. 重新展示 — 调整后回到步骤 1
2. 迭代节奏 — 建议最多 3 轮迭代。超过 3 轮说明方向未对齐，主动建议：

- 拆分需求（"是否先确定风格方向，再处理排版？"） - 回退锚点（"要不要从参考图重新开始？"） - 提供选择（同时给出 2-3 个方向的缩略方案，让用户选定再深入）

Deliver

output_dir 已在 Preflight 解析，此处仅做重命名。

1. 合规检查（交付前质量关）：

- 品牌 — logo 放置符合规则，色彩准确，调性一致 - 平台 — 验证 Context 阶段加载的平台规则（尺寸、安全区、合规） - 内容安全 — 人物多样性规则，无残缺身体，最多 3 人 - 可读性 — 正文对比度 ≥ 4.5:1，总色彩 ≤ 3（不含灰阶）

1. mv {file} {outputdir}/{date}{name}.{ext}
2. 在图片同目录保存设计方案：{date}{effect-name}design.json + {date}{effect-name}design.md

Record

canrecord = false → 跳过。（canrecord = cwd 有 openclaw.yaml AND $VISUAL 存在，两者缺一即 false）一次性模式下反馈仅当前对话有效。

例外： 一次性模式下用户反复表达同一偏好（如多次说"不要渐变"），MAY 提议写入 $VISUAL/rules/quality.yaml。

项目模式下：

更新 DESIGN.md（每次执行后）— 追加 Context References、Project Decisions、Iteration Log（保持最近 5 条，超出则压缩）。详见 [references/memory-protocol.md](references/memory-protocol.md) § DESIGN.md Structure。

偏好记录（仅在用户反馈时）：

• 用户认可风格 →

read $VISUAL/memory/observations/observations.yaml → scan similar key → merge or append → write back. len(projects) >= 2 → propose promotion (non-blocking) 「非阻塞」在回复末尾提议晋升到 scenes/ 或 global.md，不打断主流程

• 用户拒绝 → has openclaw.yaml → 问范围：仅项目 → ./DESIGN.md Constraints / 全局 → quality.yaml；无 openclaw.yaml → 仅当前任务

• 无反馈 → 跳过，零开销

详见 [references/memory-protocol.md](references/memory-protocol.md) § Observation Lifecycle + Recording Behavior。

Output

• 结构化设计方案（markdown + JSON）
• 生成的海报图片，保存至 Preflight 解析的 outputdir（命名格式 {date}{effect-name}.{ext}）
• 项目模式下更新 ./DESIGN.md（reference+decisions 模型）