解決什麼

中文內容創作者寫完文章後,常面臨"該配什麼圖"的困境:用商業插畫太貴且風格不統一,PPT 資訊圖又太正式缺乏記憶點,通用 AI 繪圖 prompt 生成的圖往往偏裝飾性而非真正解釋核心概念。Ian Xiaohei Illustrations 專門解決這個問題——它不是簡單的"配圖工具",而是先理解文章裡的認知錨點(判斷、流程、狀態、隱喻),再把其中一個關鍵動作變成一張有記憶點的 16:9 手繪解釋圖。核心視覺 IP"小黑"(黑色實心、白點眼、細腿小人)不是裝飾物,而是正在參與系統運轉的荒誕工作者,讓抽象概念通過低科技物理隱喻變得視覺化。

為何火

專案建立僅 7 天就獲得 3450 stars,主要因為精準擊中了中文知識型內容創作者的痛點。據公開資料,作者 Ian 本身是產品設計師和一人公司實踐者,這套視覺系統是他個人生產系統的一部分,具有真實使用場景驗證。專案的火爆還源於三個差異化優勢:1) 明確的視覺 DNA(純白背景、黑色手繪線稿、少量紅橙藍中文批註),形成強識別度;2) 不是通用插畫模板而是"認知動作視覺化"方法論,提供 shot list 規劃流程;3) 以 Codex Skill 形式釋出,可直接整合到 AI 工作流中自動化生產。示例圖展示的"兩個斷點""資訊井""想法壓機"等隱喻創意,也讓開發者看到了超越傳統資訊圖的可能性。

核心功能

這是一個 Codex Skill(AI Agent 指令集),核心能力包括:1) 文章分析與 shot list 規劃:讀取中文 Markdown/Notion 內容,提煉 4-8 個適合配圖的認知錨點,輸出每張圖的主題、結構型別(Workflow/系統區域性/前後對比/角色狀態/概念隱喻等)、小黑動作和中文標註建議;2) 物理隱喻重新發明:不復刻舊案例構圖,而是為每個概念創造低科技怪誕但成立的視覺隱喻;3) 16:9 配圖生成:呼叫影像模型生成純白背景、黑色手繪線稿、40%-60% 留白的橫版圖片,儲存到 workspace 的 assets/<article-slug>-illustrations/ 目錄;4) QA 檢查機制:內建 checklist 檢查白底、留白、小黑動作參與度、中文標註、非 PPT 感等質量標準。提供三種使用模式:只做規劃不生圖、直接生成全文配圖、為單個概念生成一張圖。

安裝

需要先配置 Codex 環境(通常指 Claude Code 或類似 AI Agent 系統)。安裝步驟:1) 克隆倉庫 git clone https://github.com/helloianneo/ian-xiaohei-illustrations.git;2) 複製 skill 到 Codex skills 目錄 cp -R ./ian-xiaohei-illustrations "${CODEX_HOME:-$HOME/.codex}/skills/";3) 在 Codex 中通過 Use $ian-xiaohei-illustrations 呼叫。注意真正需要安裝的是子目錄 ian-xiaohei-illustrations/,根目錄的 README 和 examples 僅為分享文件。專案本身不依賴 Docker 或 pip,但影像生成依賴 Codex 配置的 AI 影像模型(如 DALL-E 或 Midjourney API)。

適合誰

特別適合:寫中文文章需要正文配圖的內容創作者、做知識型/方法論/AI 工作流內容的博主、想把抽象判斷畫成具體隱喻的產品經理、希望建立個人視覺識別度而非用通用素材庫的獨立創作者、已在用 Codex 做內容生產希望複用視覺語言的 AI Builder。不適合:需要商業插畫/品牌 KV/精緻扁平插畫的設計團隊、想要傳統 PPT 資訊圖/複雜架構圖的企業使用者、需要兒童卡通/可愛 IP/表情包風格的 ToC 產品、想把大量正文或完整課程頁塞進一張圖的教育機構、需要嚴格可編輯向量原始檔(SVG/AI)的印刷出版場景。

社群評價

暫無足量社群公開討論,以下為基於專案本身的中立評估:

專案在 GitHub 上線 7 天即獲 3450 stars 和 303 forks,顯示出強烈的市場需求。從 README 質量看,作者提供了清晰的適用場景界定、8 張風格校準樣例圖、詳細的工作流程說明和 QA checklist,文件成熟度高於一般新專案。專案定位精準——不試圖做"萬能插畫工具",而是聚焦"中文文章正文配圖"這個垂直場景,並通過"小黑 IP"建立視覺一致性。

潛在爭議點在於:1) 依賴 Codex 環境,非獨立應用,對不熟悉 AI Agent 的使用者有門檻;2) 影像生成質量受 AI 模型限制,README 明確提到"可能出現錯字、幻覺標籤、風格漂移",需要人工檢查;3) 示例圖雖有創意但"怪誕"風格未必適合所有內容型別,尤其是嚴肅商業或學術場景。從 5 個 open issues 看,社群正在積極反饋使用問題,作者響應及時(最近提交 5 天前)。

選型對比

vs 商業插畫服務(如花瓣網設計師約稿):Ian Xiaohei 成本幾乎為零(僅 AI 影像模型呼叫費),風格高度統一且可自動化批次生成,但創意靈活度和精緻度不如人工設計師,適合預算有限且需要大量配圖的個人創作者。

vs 通用 AI 繪圖工具(如 Midjourney/DALL-E 直接 prompt):本專案提供結構化方法論(shot list 規劃、8 種結構型別、QA checklist)和視覺 DNA 約束(小黑 IP、純白背景、手繪線稿),避免每次從零寫 prompt 且風格飄忽,但失去了通用工具的自由度,只適合特定"怪誕手繪"風格。

vs PPT 資訊圖模板(如 iSlide/Canva):Ian Xiaohei 強調"認知動作視覺化"而非資料展示,畫面更輕鬆有記憶點,但不適合需要嚴謹圖表或多層級資訊架構的場景;PPT 模板可編輯性強,本專案輸出 PNG 不可二次編輯。

vs 同類開源專案(如作者自己的 Ian Handdrawn PPT):後者面向技術 PPT 頁面圖生成,本專案專注文章正文配圖,shot list 規劃和隱喻重新發明是核心差異;兩者可配合使用覆蓋不同內容形態。

已知坑

中文文字穩定性:README 明確提到"圖片裡的中文文字越短越穩定",AI 影像模型生成中文容易出現錯字或幻覺標籤,建議優先減少標註詞並重生成,需要人工檢查環節。
Codex 環境依賴:不是獨立應用,必須先配置 Codex(Claude Code 或類似 AI Agent 系統)和影像模型 API,對非技術使用者有一定門檻,README 未提供 Codex 安裝教程需自行查閱。
風格侷限性:"怪誕但清爽"的小黑 IP 風格不適合嚴肅商業、學術論文、兒童教育等場景,且示例圖僅用於校準不可復刻構圖,實際生成效果可能與預期有差異。
無向量原始檔:輸出 PNG 格式,不提供 SVG/AI 等可編輯向量檔案,無法精細調整細節或用於印刷出版,且去除錯誤文字需要重新生成而非直接編輯。
影像模型成本:雖然 skill 本身免費,但每次生成呼叫 AI 影像模型(如 DALL-E)會產生 API 費用,批次生成文章配圖需考慮成本,README 未提及具體費用估算。
小黑動作設計難度:要求"小黑必須承擔核心動作,不能只是裝飾",但 AI 可能生成小黑站在角落的裝飾性構圖,需要多次迭代或手動調整 prompt,QA checklist 雖有檢查項但執行依賴人工判斷。