本页目录
生图越多越乱？我用 7 个文件夹，搭了一套 AI 能接手的知识库
用 7 个职责目录、图片与 Prompt 双向追溯和失败记录闭环，搭建一套 AI Agent 能持续维护的生图知识库。
正在打开内容
页面准备好后会自动显示。
页面准备好后会自动显示。
本篇文章最佳的食用方式：把文章链接直接丢给你的 AI Agent，让它看完之后为你搭建。
我的生图知识库结构长这样：
我在最初给自己的生图工作知识库搭第一版时，只定了 7 个主目录。
后来，里面慢慢长出了视觉字典、组合配方、案例复盘、Eagle 图片索引和自动化工具。但最早定下来的逻辑一直没变：
每一种材料，只负责回答一个问题。
以前保存一条 Prompt，最多只能回答「这段话当时看起来不错」。
但是它回答不了：这条词在哪个模型里跑过，生成图放在哪，哪一部分有效，哪一部分翻车，下次要改什么。
结果是文件越存越多，下一次还是得从头试。
所以这篇文章我并不打算让你照抄我的目录。
下面只拆搭建时真正要做的选择。你可以按自己的生图类型、模型和发布习惯，搭出一套马上能用、也能交给 AI Agent 继续维护的系统。
现在已经是 AI Agent 的时代，再靠自己手动维护整套文件夹，实在太麻烦了。
很多人搭知识库，第一步就开始研究分类。
人像放哪里？海报放哪里？古风要不要单独一层？GPT-image-2 和 Seedream 要不要分开？
我现在的判断是：先不要按题材和模型切。
因为题材会越做越多，模型也会换。今天叫 GPT-image-2 的经验，明天可能被另一个模型复用。目录如果跟着工具名走，很快就会变成一排过期专区。
先写下你希望这个知识库帮你找回的东西：
这几件事说清楚，目录才有依据。
如果你只是偶尔生几张图，甚至不需要 7 个主目录。把「项目记忆」并入规则文件，把「工具」先隐藏，都可以。
名字不重要。重要的是每个文件夹的职责不能混。
下面这张是我现在知识库里的真实截图，原图就在 Eagle 里。
我把截图中的三层关系标了出来：
左侧的「视觉底座」放稳定规则。
「词条」保存能单独调用的视觉语言，比如光线、构图、材质和情绪。
「组合配方」把这些词条重新拼成一个具体用途。右侧这条 90s Y2K 杂志快照配方，就同时写了主配方、可搭配项、需要避开的内容和来源。
这三层解决的是不同问题。
稳定规则告诉我什么值得长期相信。词条让我快速取用一个视觉变量。配方负责把变量变成一张可以真正去跑的图。
如果把三种内容全部扔进「Prompt」文件夹，AI 也能搜索到。
但它很难判断哪一条是原始参考，哪一条是我已经验证过的方法，哪一条只是某次恰好好看。
文件放进去还不够，AI 得知道它看到的是原始参考、已验证方法，还是一次测试结果。
你可以先在电脑里新建一个文件夹，例如「我的生图知识库」，再放入下面这套骨架：
我的生图知识库/
├─ AGENTS.md
├─ README.md
├─ 工作流.md
├─ 视觉底座/
├─ 内容成品/
├─ 图片归档/
├─ 外部参考/
├─ 项目记忆/
├─ 归档/
└─ 工具/
AGENTS.md 是给 AI 看的工作规则。
README.md 是入口，告诉人和 AI 这个库解决什么问题、该从哪里开始。
工作流.md 记录一份资料从进入到归档要经过哪些步骤。
剩下 7 个主目录，可以这样理解。
这里收录的是换一个主题、换一个模型，仍然可能成立的视觉方法。
例如构图关系、镜头语言、光线方向、材质表达、角色识别锚点，以及从多次案例里抽出来的共性。
一条偶然好用的完整 Prompt，不要急着放进来。
已经整理好的 Prompt 模板、案例复盘、发布稿、课程知识卡，都可以放这里。
判断标准很直接：下次遇到相似任务，它能不能被再次调用？
如果只有一段孤立 Prompt，没有结果图，也没有适用边界，它还算不上成品。
我的图片真身主要存在 Eagle，本地知识库保存索引和少量教程例图。
这样做不是唯一答案。如果你的图片不多，直接放本地也可以。
不管放哪，至少要能从记录里找回图片路径或 Eagle ID，也要能从图片找回实际生成它的 Prompt。
看到一篇教程、一组案例图或一段别人写的 Prompt，先原样放到这里，并保留作者、链接和日期。
过一段时间确认它真的有用，再提炼到视觉底座或内容成品。
这一步能防止一件很常见的事：刚收藏就改写，最后连哪些是别人的方法、哪些是自己的判断都分不清。
这里放长期偏好、当前任务、做过的选择和决策原因。
正文、图片和外部教程不应该塞进记忆。记忆只负责告诉下一位接手的 Agent：我们已经决定了什么，现在做到哪里。
旧版本、废弃方案、曾经有效但现在不再使用的内容，都进归档。
我不建议让 Agent 随手删除旧文件。先移动到归档，写清为什么不用，后面排查问题时会省很多事。
脚本、Skill、自动化配置放这里。
我给自己的判断线是：一个动作重复 3 次，再考虑自动化。
第一天就写脚本，通常只是在自动化一个还没想清楚的流程。
目录建好只是空壳。以后用得顺不顺，要看新资料进来后往哪走。
我现在使用的逻辑可以压成下面几步：
这里最容易被漏掉的是第 4 步。
很多知识库只保存 Prompt，却不保存它实际生成了什么。过几周再打开，你只能看到一段写得很完整的话，却不知道模型到底有没有听懂。
所以我会给每一轮图片留下这些信息：
Prompt 和图片一旦分家，后面的复盘基本就靠猜。
我现在要求自己的生图任务走完这一圈：
Prompt 完成
→ 生图
→ 检查脸、手、肢体、透视、构图、文字和角色识别
→ 同步 Eagle
→ 记录完整 Prompt、状态和问题
→ 只修改对应问题
→ 重新生图
这套记录方式和「多抽几张，挑最好的一张」有明显区别。
抽卡只能帮你碰到一个结果。闭环会告诉你，哪一条控制真的生效，哪一条只是运气。
失败也要留下。
比如安全拦截、接口报错、超时或没有图片输出，先记录原 Prompt、错误类型和 request id。没有用户允许，Agent 不要现场偷偷改词再试。
原因很现实：只要它改了词，这次失败就不再是同一个实验。你看到的成功结果，也无法解释原 Prompt 到底哪里出了问题。
如果你希望 AI Agent 看完规则后能自己建库，AGENTS.md 不能只写一句「帮我整理得清楚一点」。
它至少要告诉 AI 四件事：
下面这份最小版本可以直接复制。目录名按你的实际情况修改。
# 我的生图知识库规则
## 目标
把外部参考、视觉方法、可复用 Prompt、生成图片和失败经验，
整理成可以检索、复用和继续迭代的个人生图知识系统。
## 新内容先判断归属
- 稳定、跨项目复用的视觉规则 → 视觉底座/
- 已经可以再次调用的 Prompt、案例或发布稿 → 内容成品/
- 图片本体或图片索引 → 图片归档/
- 尚未吸收的外部教程、链接和案例 → 外部参考/
- 长期偏好、任务状态和决策原因 → 项目记忆/
- 旧版本与废弃方案 → 归档/
- 脚本、Skill 和自动化配置 → 工具/
## 内容边界
- 外部资料先保留原文、作者、链接和日期，不直接冒充自有方法。
- Prompt 必须能找到对应图片；图片记录必须能找回实际 Prompt。
- 一次偶然成功不能直接升级成稳定规则。
- 不确定是否删除时，先移动到归档。
## 生图闭环
- 使用新的完整文本 Prompt 生图，除非我明确要求编辑上一张图。
- 出图后主动检查构图、脸、手、肢体连接、透视、文字和核心要求。
- 记录模型、完整 Prompt、图片位置、状态、问题和下一轮修改方向。
- 失败时保留原 Prompt 与错误信息，未经允许不改词重试。
## 工作记录
- 新增重要规则、移动文件或改变目录结构后，更新工作记录。
- 一个动作重复 3 次后，再提出模板化或自动化建议。
这份规则没有绑定 Obsidian、Eagle 或某个模型。
工具可以换，规则仍然能用。
如果你不用 Eagle，就把「Eagle Item ID」换成本地图片路径、网盘链接或其他图库 ID。只要双向追溯还在，系统就没有断。
下面这段不是生图 Prompt，而是一份搭库任务书。
把方括号里的内容换成你的情况，发给能操作本地文件的 AI Agent。
请在 [目标路径] 为我搭建一个个人生图知识库。
先读取目标路径及其上级目录已有的 AGENTS.md、README 或同类规则。
如果没有规则，先创建 AGENTS.md，再创建正式目录。
先只读盘点已有文件，不要在盘点阶段移动、改名或删除。
方括号里的信息如果能从当前工作区推断，直接采用；只有会改变目录设计的缺口才集中询问我。
我的主要生图任务：
- [例如：人像写真、商品图、公众号配图]
我常用的模型或工具：
- [例如：GPT-image-2、Seedream、Midjourney]
图片真身的存放位置：
- [例如：Eagle、本地文件夹、网盘]
我希望长期找回的内容：
- 外部来源
- 稳定视觉规则
- 可复用 Prompt 与案例
- 图片与完整 Prompt 的对应关系
- 失败原因和下一轮修改方向
- 重要决策与当前任务状态
请按“职责分离”而不是按模型品牌设计目录。
你可以合并不必要的目录，但必须解释每个目录放什么、不放什么。
请至少交付：
1. AGENTS.md
2. README.md
3. 工作流.md
4. 最小目录结构
5. 图片记录模板
6. 外部资料记录模板
7. 工作记录.md
搭建后请做一次真实验收：
- 随机拿一条外部资料，判断它应该先放哪里；
- 随机拿一个 Prompt，说明怎样关联生成图；
- 模拟一次失败生成，说明怎样记录而不擅自重试；
- 检查根目录是否只保留入口文件和主目录；
- 输出最终目录树、每个文件的用途和仍需我补充的信息。
不要批量迁移或删除我已有的文件。
如果已有内容归属不明，先列迁移建议，等我确认后再移动。
这段任务书里留了一个门槛：先搭空骨架，真实验收通过后，再迁移旧资料。
不要一上来就让 Agent 把几百个历史文件重新分类。
目录逻辑还没经过真实材料测试时，批量搬运只会把错误放大。
第一版不需要漂亮，也不需要塞满。
你只要拿一条最近保存的生图教程，走完整个流程：
先放进外部参考，补上来源。
从里面抽一条真正可复用的规则，放进视觉底座。
再做一条可以调用的 Prompt 或配方，跑一张图，记录结果和问题。
最后检查这几个问题：
四个问题都能答出来，这个知识库就已经能工作了。
剩下的子目录、标签、自动化和可视化，等真实内容多起来再加。
第一个坑，是刚建库就追求「完整分类」，甚至按模型品牌搭主结构。
手上还没有真实材料时，那些分类大多是猜出来的。先让 5 到 10 条资料走一遍，再决定要不要拆子目录。模型名放在字段或标签里就够了，没必要让整个目录跟着模型更新。
第二个坑，是只留成功图。
失败图、失败 Prompt 和错误信息更容易暴露边界，但要明确标记状态，不能混进最终成品。Agent 也不能擅自「优化」失败 Prompt。先记录，再决定要不要开新一轮，否则原实验会被悄悄覆盖。
外部资料也别急着改写成自己的方法。先留来源，等你真的跑过、比较过，再补自己的判断。
最麻烦的还是图片和 Prompt 分家。
图找不到词，词也找不到图，过一阵子再复盘就只能靠猜。
自动化可以晚一点。先把手动流程走顺，重复 3 次仍然稳定，再让 Agent 写模板、Skill 或脚本。
最后，提前和 Agent 约束好这些边界：
生图知识库的第一版，真的不用复杂。
先让一条资料能进来，一条规则能被提炼，一张图片能找回 Prompt，一次失败能留下原因。
这套最小闭环跑通以后，再加子目录、标签和自动化，系统也不容易乱。