需遵循设定定义、模型匹配、提示构建、图生图迭代及可选微调的五步流程：一、固化性别/年龄/职业，配行为标签与三张风格统一参考图；二、据像素/写实需求选SD1.5或SDXL模型；三、分层构建提示语，按主体→装备→服饰→细节→风格顺序组织；四、以首图为种子，设Image Strength 65–75进行图生图迭代；五、用8–25张单角色纯色背景图训练LoRA实现资产化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
如果您希望在Leonardo AI中系统性地生成具备高一致性、可复用性与风格可控性的游戏角色，则需遵循从设定定义、模型匹配、提示构建到图生图迭代的完整设计流程。以下是执行该流程的具体步骤：
一、明确角色基础设定并固化三项不可更改属性
角色视觉表现的稳定性始于初始设定的严谨性，模糊或矛盾的身份标签将直接导致后续生成结果中特征漂移、比例失衡或风格混杂。必须在生成前锁定角色最核心的识别要素，作为所有提示词与模型选择的锚点。
1、在数字文档中明确定义角色的性别、年龄区间与职业背景，例如“男性、30岁左右、废土机械义体工程师”，三者缺一不可且不得后期修改。
2、为该角色撰写一句不超过15字的行为标签，如“左眼为红外扫描仪，说话时齿轮轻响”，用于强化细节记忆点并指导配饰与微表情生成。
3、收集3张无版权争议的参考图，分别严格对应面部神态（正脸高清）、典型姿态（3/4侧身持工具）、服装轮廓（线稿或纯色平铺），三者须出自同一艺术风格源。
二、根据角色类型匹配SD 1.5或SDXL主干模型
模型选择并非偏好问题，而是决定角色结构合理性与材质还原精度的技术前提。错误的基础模型将使后续所有提示优化失效，并在放大图像或切换姿态时暴露出构图断裂、金属反光丢失等结构性缺陷。
1、若目标角色为像素风、二次元立绘、或需高频复用同一角色多姿态（如待机、奔跑、技能释放），则必须选用标注为“(SD 1.5)”的模型，因其对LoRA微调响应更灵敏、图生图结构保持率更高。
2、若角色需呈现写实盔甲反光、复杂布料褶皱、环境光照融合等高拟真要素，且最终输出尺寸需≥1024×1024，则必须启用标注为“(SDXL)”的模型，否则将出现阴影断裂、纹理模糊等不可逆失真。
3、在“Image Generation”页面右侧面板“Model”下拉菜单中，逐项核对所选模型名称末尾是否明确含“(SD 1.5)”或“(SDXL)”，禁止使用未标注版本，该类版本存在隐式降级风险。
三、拆解角色为可组合视觉元素并构建分层提示语
将角色抽象为独立、互斥、可替换的视觉模块，能显著提升AI对复杂描述的理解准确率，避免因笼统词汇（如“帅气”“古老”）引发语义歧义与特征冲突。
1、以角色主体身份开头，例如“一位左眼嵌红外扫描仪的废土机械义体工程师”，确立画面主语与叙事逻辑起点。
2、按空间层级逐层添加修饰：先装备（“覆铆钉青铜护臂，液压管外露”），再服饰（“磨损帆布工装裤，腰挂三联工具包”），后细节（“指关节处有油渍反光，发梢带金属灰”），每层用逗号分隔。
3、追加风格化关键词，置于提示末尾，例如“废土朋克风格，硬表面建模质感，动态侧光，8K超精细渲染”，统一美术输出倾向。
4、检查全部元素是否存在逻辑矛盾，例如不得同时出现“全息投影界面”与“无电子设备时代设定”。
四、执行图生图迭代并控制一致性参数
静态提示生成易导致角色面部漂移、装备错位或姿态僵硬，必须通过图生图（Image2Image）方式，以首张优质输出为种子图像，强制AI沿固定视觉路径演进，确保多图间关键特征稳定复现。
1、在首页选择已生成的满意角色图，点击进入详情页，点击中间第三个按钮“image2image”，进入图生图界面。
2、将原图自动载入左侧参照区，设置“Image Strength”值为65–75：数值过低（85）则破坏原始结构。
3、在Prompt栏中仅修改姿态或场景指令，例如将原提示中的“站立”改为“单膝跪地检修机械犬”，其余所有描述词保持不变。
4、启用“Prompt Magic v2”并设为High，关闭“Albedo Map”选项，防止材质贴图被覆盖，保留原始金属/布料物理特性。
五、构建训练数据集并启动角色微调（可选高阶步骤）
当需批量生成同一角色在数十种姿态、光照、表情下的高保真变体时，仅靠提示工程无法满足精度要求，必须基于角色专属图像集训练定制化LoRA模型，实现真正意义上的角色资产化。
1、严格筛选8–25张训练图：数量少于8张易致过拟合，多于25张则引入角度/光照/背景噪声，引发特征混淆。
2、所有图像必须为单角色、正面或3/4侧视角、无遮挡、纯色背景，禁用镜像翻转图、文字水印、动态模糊及多人合照。
3、统一预处理为768×768分辨率、中心裁切、sRGB色彩空间；使用Photoshop动作批处理或在线工具执行，禁止依赖Leonardo平台自动缩放，以防面部畸变。
4、上传至“Training & Datasets”模块，选择“LoRA”训练类型，Base Model必须与生成阶段一致（即SD 1.5或SDXL），训练步数设为500–800，Learning Rate保持默认0.0001。
