为什么 AI 做的第一版视觉总是丑的

你给 AI 描述了一个黄昏下的奇幻小镇，让它在浏览器里搭出来。四十分钟后它交给你一个能跑的东西：地面是一整块平整的色块，光像是从塑料布上反射过来的，没有一片叶子在动。你说不清哪里不对，只是知道它不好看。

第一版丑在哪里

你在浏览器里跑着刚出来的东西。它不报错，帧率也够，鼠标拖拽能旋转视角，滚轮能拉近拉远。你盯着看了半分钟，说不清哪里不对。房子有墙有顶，角色有手有脚，所有零件都在，组合起来就是不像。你截图发给同事，同事说一句「挺酷的」，然后就没有然后了。

于是你开始提要求。地面太脏了，加一点反光。光太冷了，改暖。树太整齐，打散一点。AI 每一条都照着做了，每一版都比上一版好一点点，每一条改动单独看也都是对的。你改了八轮，八轮的总和没有把画面从玩具推到作品。

这种来回里有一个特征。你说的每一句话都是真的，它执行的每一个动作也都是对的，但你们没有共同的参照物。你脑子里有一张画面，它手里有一个中间产物，这两个东西从来没有被放在一起比较过。你们在交换关于目标的描述，而不是在比较目标本身。

你能感觉到它在做局部优化。把光调亮，把颜色调饱和，把材质换成看起来更复杂的那一种。这些动作都是安全的：它们不会让画面变坏，也很难让画面变好。你在屏幕另一边等一个质变的时刻，那个时刻一直没来。

一小时过去，你面前是两个选择。接受这个结果，告诉自己先这样吧；或者自己动手，把最重要的几个材质和光照重做一遍。多数人走前一条路。这跟能力无关，跟耐心有关，因为没有人愿意花一个下午教一个看不见画面的人怎么审美。

大家都以为是这三件事

关于这种失败，解释基本收敛到三条。提示词写得太粗，把「有氛围」这种词直接丢给 AI，它当然不知道你要什么。模型不够强，换成最新的旗舰模型就好了。参考图给得太少，应该甩十几张图过去让它对齐。

这三条都对，也都用得上。把提示词写成三百字的结构化描述，画面会好一点。换成最强的模型，画面会好一点。给三张参考图，画面会好一点。三个都做了，画面还是不到位。这不是说三招没用，是说它们加起来也解释不了那个缺口。

更麻烦的是，这三招的失败方式是同一个。它们都在往上下文里加信息，而不改变谁来下判断。你加得越多，AI 越接近你的语法，离你的眼睛还是那么远。

这三招还有一个共同的代价。它们都要求你先把自己的标准翻译成语言，而翻译恰恰是最贵的那一步。你说得清的地方，本来就不需要 AI 去猜；你说不清的地方，写多少字都还是说不清。

丑不是生成能力的问题

如果把这件事当成表达能力不足，你就永远在找更长的提示词、更好的模型、更准的参考图。这条路走到底，会撞上一个更难接受的结论：AI 不知道「好」长什么样。

它知道「黄昏」这个词对应什么样的颜色分布，知道「反光」之后像素该往哪个方向偏。它不知道一张图到什么程度算好。这不是知识问题，是判断问题。判断需要一个东西用来对照——一个好必须具体成「这一个」。

语言能描述的是类别，判断需要的却是程度。黄昏、暖色、湿润、开阔，这些都是类别。同一张图里，一个类别可以落在几百种不同的程度上，好看与难看的界线就藏在那几百种之间。你没办法用词把这条线画出来，你只能指着线所在的位置说一句：像这样。

人在做设计的时候，工作台上摆着两样东西。一样是参考图，一张自己截下来的、明确的「就是要这种感觉」。另一样是坐在旁边的人，他会指着屏幕说这里不对。两样东西都不是语言。第一样是可见的目标，第二样是外部判断。

一段描述做不到第一件事。自己一个人判断也做不到第二件事，不是因为你水平不够，是因为你兼任执行者和验收者，标准会漂。你做了三个小时，投入了三个小时，你会不自觉地开始为已经做出来的东西找理由。这是人的常态，不是谁的缺点。

「AI 不懂审美」这种说法帮不上忙。给它几张图排序，它的判断离人没有那么远。它做不到的是把那个判断应用到自己刚做出来的东西上，因为那个东西是它做的，它已经在里面了。

把这个缺口说清楚之后，那三招的位置也就清楚了。提示词决定输入的质量，模型决定上限，参考图提供风格素材，它们都作用在生成这一侧。而让第一版从丑到不难看的那个跃迁，发生在判断侧。你在生成侧加多少东西，都补不上判断侧的空白。

所以缺的不是措辞。缺两样东西：一张看得见的目标，和一个和你不在同一套上下文里的批评者。

五个动作

dream-loop 是 2026 年 9 月 7 日建仓的一个 agent skill，作者是 @anshuc，仓库为 achimala/dream-loop，MIT 许可，JavaScript 写成。建仓不到一周，已经在 GitHub 上拿到 921 star 和 104 fork。它的自述只有一句：通过建立一个闭环，做出视觉效果出色的游戏、应用或场景。

这个闭环有五个动作：

1. AI 用图像生成「做梦」，做出一张高质量的目标截图
2. AI 带着这个目标去搭建
3. 另一个独立的 AI 批评者把实时截图与目标对比，给出反馈
4. AI 回到第 2 步循环，直到批评者满意
5. 可选——回到第 1 步，基于当前状态梦出更好的目标

安装是一行命令：

npx skills add achimala/dream-loop

也可以把仓库 clone 到 agent 的 skills 目录，或者把链接直接丢给 agent，让它自己想办法装。前提是那个 agent 要有图像生成能力、要有视觉输入、最好还有子 agent。想要自定义 3D 建模就装 Blender，作者在说明里给了一条经验：优先用 Blender 的 MCP 或脚本接口，不要用 computer use，因为前者效果更好。

子 agent 是这套方法的技术前提。批评者得是另一个进程，有自己的上下文，拿到的是文件而不是一段对话的延续。作者把这个条件标成「可选但强烈建议」，这个措辞里的意思是：能做成独立进程就做成独立进程，做成同一个对话里的一个角色，效果会明显打折。

目标图为什么必须是一张图

第 1 步用的是图像生成，不是文字。这一步常被简化成「做个效果图」，其实它承担的是整件事里最难的一段：把只能被看见的东西，变成可以被比较的东西。

一张目标图还自带一个副作用。它是别人做的，所以对执行者来说它是一个外部事实，不是自己的意图。执行者和它之间没有辩护关系。当实时截图和它对不上时，问题不存在「我觉得还行」这个选项。

第 3 步是整套东西的支点

五步里，第 1 步和第 2 步都不新鲜。先做效果图再实现，是设计团队用了很多年的流程；用截图和参考图对齐，前端工程师也做了十几年。真正改变结果的是第 3 步，也是最少被用起来的一步。

一个和你不共用上下文的模型，看到的只有两张图：目标图，和当前实际渲染出来的截图。它的任务不是回答「你觉得怎么样」，是回答「和这张图比，差在哪里」。它给出的东西是具体的：这里的材质缺少反射，暗部被压死了，前景的层次不够，相机的俯角比目标高了八度。

这些意见能直接变成修改动作。这是关键，反馈必须可执行。一句「这个看起来还是有点假」不是反馈，它只会让执行者继续猜。

反馈的粒度也决定了循环能不能收敛。给一句「整体不够好」，执行者只能随机重做一遍；给出暗部被压死、相机俯角高了八度，它就知道该动哪里。批评者的价值有一半在这里——它必须把模糊的不满意，翻译成几个能动手的差项。

批评者不必比执行者强

第 3 步经常被误解成「找一个更强的模型来把关」。不是。批评者不需要比执行者强，它需要的只是站在外面。同一个能力水平的模型，只要上下文里没有它自己的推理过程，看到两张图时给出的判断就更接近真实。

这里有一个反直觉的地方。你会觉得水平低一点的评审看不出问题。实际发生的通常相反：批评比生成容易得多。指着一张图说这里的反光糊了，比亲手把这个反光做出来容易。执行者被卡住的地方，往往正是因为它要一边做，一边顾着「我为什么这么做」。

所以第 3 步的关键不是模型档位，是上下文卫生。批评者只应该拿到目标图和实时截图，最多加一句「和这张比，差在哪」。把项目历史、需求文档、执行者的解释一起给它，它会慢慢变回执行者自己。

同一个上下文里的自我评价不成立

为什么不能把第 3 步交给同一个 agent 自己做。你在对话里加一句「检查一下你的成果」，它会给自己一个不错的分数，理由还很充分。我知道这里为什么这么处理，因为需求里说要有氛围；这里留白是因为要显得开阔。上下文里装满了它自己的推理过程，那等于给它递了一份自我辩护材料。

它评的不是结果，是意图。它记得自己想做的是什么，于是按那个意图打分。画面离意图有多远，它反而看不见，而那正是它自己本该负责的那部分。

评分标准也是它自己编的。一个没有外部锚点的评审，只能拿自己想象中的好当标尺，而这个标准会随着它对自己的作品越来越熟悉而下降。它还会把「通过」放得越来越松，因为它优化的是看起来完成了，不是完成了。

换一个上下文干净的模型，这三件事一起消失。它不知道这个项目经历过什么，不知道作者想做什么，看到的只有两张图。它没有立场可以维护。所以它会说实话，至少在好看不好看这件事上，它比原作者更接近一个陌生读者。

这件事有一个可以自己验证的版本。同一个模型，同一个产物，一次让它在完成任务的那段对话里自评，一次开一个干净的上下文只给它目标图和产物。后者的评分通常更低，措辞更具体，指出的问题也更能对应到画面上真实的差异。差别不在能力，在它还能不能看见自己的辩护。

目标图自己也要迭代

第 1 步里那张目标图不是需求文档。它不描述要有什么，它直接展示长什么样。这一步把说不出口的质量标准变成了一张可以逐项对比的图。提示词做不到这件事，因为「有氛围」这个词在语言里没有对应的像素分布，但在图里它就在那。

第 5 步是整份设计里最有意思的地方：目标是可变的。第一版搭出来之后，你对天花板的判断会变。原先那张目标图现在看来可能太保守，因为实现的过程本身暴露了一些你一开始不知道的可能性。这时候回到第 1 步，基于现状再梦一张更好的目标，重新走一遍循环。

人在做设计时也是这样，只是这个过程通常被藏在「灵感」这个词后面。你不会一开始就知道最终要什么，你是看到第三版的粗糙实现之后，才知道第四版该往哪走。dream-loop 把这件本来靠直觉完成的事，拆成了两个可以重复执行的步骤。

循环什么时候停

第 4 步的终止条件写的是「直到批评者满意」。这是一个软条件，意味着流程不会自己收敛到一个可以证明的最优解。它会停在一个外部观察者认为够了的位置。

这个设定比它看起来更合理。视觉这类任务没有正确解，只有够好和还不够。人做设计时的终止条件也是软的：评审说过了，就发出去。给这类任务硬编一个量化标准，通常只会得到一堆刷指标的产物。

按这个结构跑，你最需要克制的地方是不去打断循环。人在旁边看会手痒，看到第三轮觉得方向不对就下场改。你一改，批评者就失去了唯一的对比基准，循环退回到你提要求、它执行的老样子。要动手，也应该以修改目标图的方式动手，而不是直接改产物。

一次真实的运行

仓库里的示例提示词要求的是一段图形演示。等距视角相机，体素感但带真实着色的美术风格，反光的湿地面，角色放在一个有意思的场景里，奇幻设定，想到 Elden Ring、Diablo 那种感觉。跑在浏览器里的 Three.js，帧率超过 60。不下载素材，限时一小时。

操作是点击移动角色、相机懒跟随、拖拽旋转、滚轮缩放。暂时不做玩法。世界要有「活着」的感觉，有运动、有动画、有细微的环境行为。玩家周围看起来要开阔，但只允许在有限范围内移动。提示词的收尾两句是：不需要跟我确认美术风格，不用问问题，直接做。

那句「不用问问题」是整套方法能运转的前提。如果 agent 每隔十分钟回来问一次美术风格，它就把判断权交还给了你，那个被做进图里的目标立刻退化成一段对话。把确认环节删掉，目标图才能成为唯一的标准。

产出是一个叫 Vesper 的等距奇幻场景，带一个在线演示。提示词里那些词——有氛围、活着、开阔——恰好是最难用语言说清的部分。这套方法没有试图把话说清楚，它把这几件事交给了一张目标图和一个外部评审去处理。

跑出这个结果的模型是 Codex 里的 GPT-6 Astra。作者写得很实在：目前只在这个组合上测过，Claude Fable 5.1 这类强模型可能也行。他没有做兼容性宣称。

这句限制本身说明了问题。如果效果来自某一个模型的画图能力，作者会去强调那个模型。他写的是可能也行，说明他认为起作用的是这个闭环的结构，不是某一个具体的模型。

把 loop 抽出来

把这个闭环从 3D 视觉里抽出来，剩下三个零件：可见的目标，独立的评审，循环迭代。

适用条件很清晰：质量标准存在，但很难用语言描述。只要满足这一条，这套东西就能搬过去。

UI 还原度是一个典型场景。设计稿就是目标图，实现出来的页面就是实时截图，独立的评审对比两边的间距、字号、圆角、颜色的细微差别。这个动作人在做，但做得很累，很容易在第二十个页面上开始放水。交给一个每页都会重新看的批评者，标准不会衰减。

动画手感是更难的场景，因为「手感」这个词几乎是反语言的。但你可以把目标具象成一段录屏，让批评者对比两条曲线的节奏和缓动。文案调性也是这样，给一段范文，让一个不知道你写作意图的人读你的稿子，问他哪里不像。

三个零件的顺序不能颠倒。先有目标，再有评审。没有目标图的评审会退化成主观争吵；有目标图却没有独立评审，就是你一直在做的那件事。

这些例子之外还有一条更松的判据。只要你能说出一句「这里不对，但我讲不清哪里不对」，它就是一个可以做目标图、可以找一个外部评审的任务。

什么时候不该用它

这套东西不是万能的。有些任务的质量标准可以被语言穷举，就不需要目标图。一段代码能不能通过单元测试，一个接口的返回格式对不对，这些用断言就够，用不上一个看图的批评者。

还有一些任务迭代代价太高。改一版要重建三个小时，或者一改就不可回退，多轮对比的成本会超过它带来的收益。这套结构最划算的地方，是那种做一版十分钟、跑起来就能看的工作。

更普遍的坏习惯

比视觉更普遍的一个问题出现在 agent 工作流里。很多流程在收尾那一步写的是「让 agent 自己检查一下」，然后把这个自评分当成验收结果。

那个分数基本没有信息量，原因前面已经说完了。模型知道自己的意图，会按意图评分；它的上下文里装着它自己的推理链，那是一份现成的辩护材料；它没有外部锚点，标准是自己定的；它还会随着轮次推进把通过放得越来越松。

模型在这里没有撒谎。它汇报的是自己意图的状态，不是产物的状态。这两件事在它的上下文里是同一件事，所以它给出的分数会稳定地偏高，高得不多不少，刚好够让你以为再改一轮就能过。

这也是为什么很多工具里的「已完成」天然不可靠。你看到的大多数完成标记都是执行者自己盖的章，中间没有一个环节来自外部。流程里看起来有验收，实际上验收和执行是同一次思考里的两个相邻动作。

把评分者换成一个上下文干净、只拿到目标物和产物的模型，成本几乎不变。输出质量的变化幅度，通常比换一个更强的模型要大。这句话听上去有点绝对，但你可以自己跑一次对照：同一个产物，一次让原 agent 自评，一次开一个空上下文只给两张图。两次的评分和措辞会完全不同。

这也解释了一个常见的现象。团队花很多时间换模型、调系统提示词、加工具，效果提升有限。真正缺的那一环，是一个愿意说「这里不对」的外部判断者，它还必须是看不见执行者努力过程的。

这个结构还有一个附带的好处。批评者每轮留下的是几条具体差项，多轮累积下来，这些差项本身就是你那个说不出口的标准的一份文字记录。那份记录你自己未必写得出来。

这背后有一个更基础的位移。生成的成本在快速下降，判断的成本几乎没有动。你可以在一分钟里拿到十个版本，但你只有一双眼睛，一双眼睛一天只能认真看几十个版本。把判断也分出去，成了唯一能跟上生成速度的办法，前提是分出去的那一份判断得是独立的。

同一个结构也能用在你自己的可见度上。品牌在 AI 搜索里被怎么描述，是一个你无法自评的问题，你搜自己，看到的永远是你以为的样子。策思路 C456（c456.com）做的是这一类诊断与方案，让中小品牌被 AI 找到：先拿到 AI 实际生成的答案作为对照，再用外部标准判断差在哪里，而不是靠自己去猜。

从今天起改一个动作

下一次你让 AI 做那种跑得起来但不好看的东西，不要再往上加两百字的形容词。先让它用图像生成做一张目标图，然后把实时截图和目标图一起交给一个干净的上下文，让它说差在哪里，让执行者照着改。重复这个动作，直到那个不认识你的模型点头。第三轮或第四轮你就能看出区别，不是因为 AI 变强了，是因为它终于有了一个可以对照的东西，和一个不允许它自说自话的人。

来源

• 项目仓库：https://github.com/achimala/dream-loop
• 在线演示：https://dream-loop-demo.anshu.dev

本文由「策思路 C456」（c456.com）团队撰稿。