Huashu GPT Image — AI skill for Claude Code

Dieter Rams 风格的大疆 pocket3 说明书

npx skills add alchaincyf/huashu-gpt-image

核心方法：概念压缩比

**prompt 的有效信息 ≠ prompt 的字数。决定输出质量的是单字承载的设计决策密度。**

写 prompt 之前先问一句：**主体 / 风格 / 媒介**三个槽位，能不能各填一个模型 熟知的高频名字？

三个槽都填上了 → 短 prompt 就够。有空槽 → 那个槽位才需要结构化描述补足。

所以这个 skill 真正在训练的不是 prompt 写法，是**你脑子里的概念库**： 设计师、品牌、媒介范式，每多认识一个精准的名字，你的上限就抬高一点。

四条红线

违反任何一条都是 AI slop。完整规则见 [`SKILL.md`](SKILL.md)。

**一、prompt 默认写中文。** 模型对中英文理解能力完全对等，但中文更精炼（一个汉字 ≈ 2-3 个英文 token）。 英文段落式 prompt 是模型训练数据的默认输出，也是 AI 味的来源。 `Subject:` / `Style:` / `Constraints:` 这种伪结构化 header 同样禁止。

**二、图里的文字也默认中文。** 读者是中文用户，图上出现「Perception Gap」「Mainstream path」是隔阂不是高级感。 GPT-image-2 的中文准确率支持 20+ 字符，出中文不是问题。

**三、用真实参考名替代形容词。** Dieter Rams / Penguin Books / MUJI / Anthropic / 瑞士国际主义 —— 一个名字调动的视觉记忆，比十个形容词精确得多。

**四、Placeholder > 烂实现。** 没有真实数据就留白，不要编造看起来像数据的假数据。

装上就能用

npx skills add alchaincyf/huashu-gpt-image

装完直接说人话：

"给这篇文章做个封面"        → 走配图 SOP，定家族 → 挑 ref → 生成
"做一套 12 个 icon"        → 批量生成，网格切图
"这张图重新出，字太小"      → 按失败模式树对症改
"做个产品对比信息图"        → 单图 playbook