2026年9月5日
用 AI 重做同一张图：为什么做不到，以及该做什么
为什么同一条提示词永远不会给回同一张图，seed 到底值多少，画布保存了每次生成的哪些东西，以及那套能改一个细节而不丢掉其余部分的编辑方法。
Frank HoubreImaginode 創辦人
所有人都提错的那个要求
重跑同一条提示词永远不会给回同一张图：想改一个细节又保住其余，要编辑已有的图，而不是重新生成。
这一幕在我带的每一场培训里都重演。有人得到一张完美的图。只差一件事：那件外套应该是蓝色的。这个人把提示词里的红改成蓝，重跑一遍，拿回一张完全不同的图。另一张脸，另一处场景，另一种光。
接下来是半小时的反复重跑，外加一个越来越强的念头：这工具坏了。没坏。是要求提错了，把它重新表述对，一切都会变。
我们来看清楚：为什么不存在两次相同的生成，那个著名的 seed 解决什么、不解决什么，画布究竟为你每一次生成保存了什么，尤其是那个正确的做法：不要重新生成，去编辑。
为什么两次生成永远不会相同
每次生成都从一份不同的随机噪声出发，模型把它一步步变形：两次不同的抽取给出两张不同的图，哪怕提示词一字不差。
图像模型不是在画，它是在去噪。它从一团随机抽出来的像素糊出发，在你的文字引导下，一步步把它变成一张连贯的图。出发点每点击一次就变一次。
两个不同的出发点通向两个不同的终点，哪怕指令完全一样。这不是缺陷，这就是机制本身。一个对给定提示词总是返回同一张图的模型毫无用处：谁也没法去探索变体了。
再加上它没有任何记忆。第十二次生成对前面十一次一无所知。它不知道你已经找到过好的那张。每一次点击生成都从零开始，和之前的一切没有任何共同的历史。
seed：它到底是什么
seed 是决定起始噪声的那个数字：固定它，理论上能回到同一张图，前提是别的什么都不变，而且供应商真的遵守它。
起始噪声并不是真的随机，它是由一个数字算出来的。这个数字就是 seed，种子。同一颗种子，同一份噪声，因此理论上是同一张图。
只是理论上，而人们的误会就出在这儿。seed 只冻结出发点。你改提示词里的一个词，改比例，改分辨率，从同一份噪声走出的路就会把你带到别处。seed 锁的不是图的内容，锁的是那次抽取。
对你这种情况一锤定音的是：同样的 seed 配上改过的提示词，不会给你那张只把外套换成蓝色的图。它会给你另一张图，也许更接近一点，但永远不是你那张。seed 是用来有条理地探索的，不是用来修图的。
画布真正为每次生成保存了什么
每个节点都保留自己的历史：引擎、准确的提示词、各项设置、相机、接上的输入、花费和日期，还带一个复制提示词的按钮。
seed 在画布上不可调，我宁愿直说也不愿留着含糊。反过来，其余一切都保存着，而那才是日常真正管用的东西。
每个图像节点、每个视频节点都把自己的生成结果存成缩略图。点一下就回到其中某一张。而在每张缩略图后面，参数界面会把用过的引擎、一字不差的提示词、各项设置、相机设置、当时接着的输入、以积分计的花费和日期都还给你。
实际操作中，这就解决了一半的真实情况。你几乎从来不是要逐像素重做一张图。你是要找回那个配方：哪个模型、哪条提示词、什么取景。这些你都有，而复制提示词的按钮省了你重打一遍。
该问的问题：复制还是修改
把一张图原样复制几乎没有真实用途，而修改一张已有的图则是天天要做的事：两种要求叫的不是同一批工具。
花三十秒把你真正想要的说出来。几乎所有情况下，那都不是同一张图。那是同一张图，只有一处不同。
外套换成蓝色。背景换到户外。去掉右边那辆车。换成竖版。这些要求有个共同点：它们都从一张已经存在、而且你满意的图出发。它们要的不是生成，是修改。
而在这件事上，答案是存在的，而且很好用。它叫图像编辑，占了目录里相当一部分，也是这篇文章后半段的主题。
编辑：从你的图出发，而不是从噪声
编辑模型把你的图当输入，只改你描述的部分，保住构图的其余全部。
编辑模型不从随机噪声出发，它从你的文件出发。它分析这张图，理解场景，执行你的指令，然后把带上所要改动的同一张图还给你。脸还是那张脸，场景还是那个场景。
6 积分的 Flux Kontext 是这一行的专家：它要求一张输入图，并按指令改造它，而恰恰是这个限制成就了它。它保住了纯生成模型会随机重组掉的部分。
在画布上是这样接的：已有的图像节点接进一个新节点，这个新节点的模型选一个编辑模型。你只写该变的部分。结果会带着自己的缩略图出现，你的两个版本在项目里并存。
编辑指令怎么写
一条编辑指令有两半：要变的东西，写准确；然后是一份不许动的清单。
这是整篇文章里最有用的一条规则，对所有编辑模型都成立。前一半：你想改的东西，写准确。把牛仔外套换成海军蓝的西装外套，直筒剪裁，羊毛面料。
后一半，也是所有人都会忘的：不许动的清单。保持完全相同的脸、相同的发型、相同的姿势、相同的取景、相同的背景、相同的光线。没有这份清单，模型会觉得自己有权修改它遇到的一切，你拿回来的会是另一个穿得很好的人。
把清单按你的图来调整：有眼镜、有狗、有车，就点名。模型猜不到你在乎什么。这个双段结构和写出管用的提示词里讲的是同一个，只是用在编辑上。
什么预算配什么编辑模型
GPT Image Mini 编辑要 2 积分，Seedream 5 Lite 5，Flux Kontext 6，Nano Banana 2 10，最复合的要求用 19 积分的 Nano Banana Pro。
编辑这一块的目录从 2 积分到 19 积分，选哪个更多取决于要求的复杂程度，而不是原始画质。2 积分的 GPT Image Mini 对一处简单、界限清楚的修改就够了。
5 积分的 Seedream 5 Lite 接受编辑，还吞得下极长的提示词，这在你那份不许动的清单很长时特别合适。6 积分的 Flux Kontext 在换背景或者在保住结构的前提下重塑一个场景上，依然是最稳的。
再往上，10 积分的 Nano Banana 2 能执行「改光线、保住人物、挪动物件」这类复合指令，而不把整张图重组一遍。而 19 积分的 Nano Banana Pro 面向那种需要先理解场景才能改的嵌套指令。永远先从最便宜的开始，它管用的次数比人们以为的多。
当你想复制的是一个人物
带三张照片和一个 @提及 的参考节点，能让一个人物在多次生成之间保持可辨认，而这是任何提示词都做不到的。
有一种情况编辑不够用：你想要同一个人出现在一个完全不同的场景里。那就不再是修改一张图，而是在一张全新的图里重新找回某个元素。
答案是参考节点。你给它一个名字、一段描述和几张照片，然后在任何提示词里打 @ 就能调用它。模型在文字之外还收到这些图片，于是照抄真实的比例，而不是自己编。
这个题目值得的不止一段，我在AI 里保持人物一致里整篇写过。只要记住：三张好照片胜过四百字描述，而且不是所有模型都接受参考，选中的模型读不了时，节点上根本不会出现这个接口。
当你想复制的是一种风格
一个接到多个节点上的风格节点，能把同一套美术方向强加给所有生成，而不用你一遍遍重打。
第三种情形：你想复制的既不是图也不是人物，而是那个质感。十张不同的视觉上，同一套配色、同一种材质、同一种光线处理。
把三行美术方向抄在每条提示词开头，勉强也行，直到某天你改了其中一行，却忘了同步到另外九条。风格节点就是为此而设：你描述一次，给它加上参考图，然后接到你所有的节点上。
改风格节点里的描述，接下来十次生成就都继承它。这正是做一份 AI 情绪板里讲的机制，也是让一整组品牌视觉立得住的东西。
生产方法：分阶段锁定
用地板价自由探索，锁定选中的那张图，之后只通过在这张图上连续编辑来前进。
我就是这么干的，而且它能避开上面说的九成情况。第一阶段，探索：1 积分的 Flux Schnell，试十五二十次，不设限。找的是构图，别的都不管。
第二阶段，锁定：只留一张选中的图，在一个好模型上干净地重做一遍。从此这张图就是基准，起始那条提示词不再重跑。它活在自己的节点里，带着自己的历史。
第三阶段，修正：只走编辑，一次改一处，每一处都在自己的节点里。你得到一条读得懂的链条，每一步都可见、可回退。而如果第三处修改搞砸了，你回到第二处，什么都没损失。
至今仍然做不到的事
找回一张在别处生成的图，既没有它的提示词也没有它的文件，依然做不到：只有图本身才能让你从那里继续。
最后说两条诚实的限制。如果图和提示词都丢了，谁也找不回来。生成的图并没有存在模型里，它除了你的文件之外哪里都不存在。这就是要在一个什么都保存的项目里工作的最好理由。
而如果图还在，只是它来自别处，来自另一个工具或者一张截图，也不算全丢：把它导入一个媒体节点然后编辑。你找不回配方，但你能改它，而这本来就是真正的诉求。