用途
Midjourney 提示词学习系统用于在生成 Midjourney 图像时辅助构建提示词、迭代输出质量、在 --sref/--oref/风格代码之间做选择，并对图像进行评分。其基础是对 Midjourney V7 的结构化理解，来自官方文档，覆盖每个参数、提示词语法规则、参考系统与风格代码机制。在此之上叠加一个学习循环：每次会话从有效与无效的结果中提取模式，构建可积累的提示词经验库，从而随时间提升首次尝试的成图质量。
主要能力
- 知识基础（随技能提供）：
- knowledge/v7-parameters.md：每个 V7 参数、提示词结构规则、相对 V6 的破坏性变更，来源为官方文档。
- knowledge/translation-tables.md：视觉质量到提示词关键词的映射（光照、情绪、材质、色彩、构图），来源为官方文档加测试后的改进。
- knowledge/official-docs.md：文档地图，将每个 MJ 功能链接到其官方页面 URL，来源为 docs.midjourney.com。
- knowledge/failure-modes.md：常见 MJ 失败模式的诊断框架，来源为会话学习、有证据支持。
- knowledge/learned-patterns.md：自动生成模式摘要（随使用增长），从会话中提取。
- knowledge/keyword-effectiveness.md：关键词有效性排名（随使用增长），从会话中提取。
- 静态文件（v7-parameters、translation-tables、official-docs）是技能的基线知识，相当于熟练 MJ 用户仔细阅读文档后所掌握的内容。动态文件（failure-modes、learned-patterns、keyword-effectiveness）通过真实会话填充并随时间增长。
- 评分：所有迭代按 7 个维度评分——主体、光照、色彩、情绪、构图、材质、空间。7 个维度始终评分（不适用时记 1.0）。评分在用户确认前为初步结果。详见 rules/core-assessment-scoring.md。
- 命令：
- /new-session：启动会话并完整应用知识。
- /log-iteration：记录一次生成尝试，包含评分与差距分析。
- /reflect：跨会话模式分析与知识提取。
- /research [focus]：针对某个挑战研究社区技巧。
- /show-knowledge [category]：显示已学习的模式。
- /apply-knowledge <desc>：为某段描述生成基于模式的提示词。
- /discover-styles：浏览并编目 MJ 风格代码。
- /validate-pattern [id]：将模式标记为已验证或已反驳。
- /forget-pattern [id]：停用某个模式。
使用方式
技能按模块依赖分为三种组合：
- 仅核心（手动）：加载 core-* 规则，手动将提示词复制到 MJ。核心规则（core-*）用于参考分析、提示词构建、评分、迭代，无需 MCP。
- 核心 + 学习：增加 learn-* 规则与 sqlite MCP，模式可跨会话持久化。学习规则（learn-*）用于模式生命周期、反思、关键词追踪，需要 sqlite-simple。
- 完整系统：增加 auto-* 规则与 playwright MCP，实现免手动迭代。自动化规则（auto-*）用于 midjourney.com 的浏览器自动化，需要 playwright。
安装命令：
# SQLite (for learning rules)
claude mcp add sqlite-simple -- npx @anthropic-ai/sqlite-simple-mcp mydatabase.db
# Playwright (for automation rules)
claude mcp add playwright -- npx @playwright/mcp@latest --headed
# Initialize the database
sqlite3 mydatabase.db < schema.sql
规则速查：
- core-reference-analysis：7 元素视觉框架、词汇翻译。
- core-prompt-construction：V7 提示词结构、关键词实践、知识应用。
- core-research-phase：覆盖度评估、社区研究工作流。
- core-assessment-scoring：7 维度评分、置信度标记、智能体限制。
- core-iteration-framework：差距分析、行动决策、先宽高比方法。
- learn-data-model：数据库模式、会话结构、ID 生成。
- learn-pattern-lifecycle：置信度升级、衰减、知识生成。
- learn-reflection：会话生命周期、自动反思、对比分析。
- auto-core-workflows：提示词提交、智能轮询、批量捕获、动画。
- auto-reference-patterns：选择器策略、错误处理、图像分析。
适用场景
适用于使用 Midjourney 生成图像、构建 MJ 提示词、迭代 MJ 输出质量、在 --sref/--oref/风格代码之间做选择、对图像评分等任务。技能架构说明指出：作为多模态推理模型，无需流水线，自身即视觉评论者、差距分析者与提示词改写者，可直接分析 MJ 输出图像、对维度评分、识别差距并改写提示词。唯一无法原生做到的是跨会话记忆，这由持久层提供——数据库、模式与证据追踪。
限制
- 核心规则无需 MCP；学习规则需要 sqlite-simple；自动化规则需要 playwright。
- 评分在用户确认前为初步结果。
- 每个模式必须有记录证据，系统从真实迭代数据学习，而非假设。置信度（低/中/高）反映模式被测试的次数及其成功率。
- 完整编译参考见 AGENTS.md。
- 其他未在资料中说明的功能、收费、价格、平台或效果暂未提供。