它约束什么，不约束什么
「同一个东西拍出不止一个镜头」之所以难，几乎全部来自一个事实：每次生成都是从零开始的。用文字描述一个角色，同样的提示词跑两遍，你会得到两个都符合描述、但不是同一个人的人。角色参考图的存在就是为了打破这一点 —— 交给模型的是像素，不是形容词。
它约束的是身份：脸部结构、头发、辨识性特征，通常还包括服装和颜色。它有意不约束的是这个镜头本身：姿势、构图、机位、光线、环境都还在提示词手里，而这正是重点。如果参考图连构图一起管了，你就没法把同一个人放进一个新场景。
这条分界也是大部分失败的来源。给模型一张风格化油画当角色参考，它会把笔触一起带过来，因为它无法判断你指的是这张图的哪些属性。给它一张硬侧光拍的照片，那道阴影就成了身份的一部分。
参考图怎么挑
规则都不性感，但它们比措辞重要得多。
- 中性、均匀的光。 平光正面或者柔和的窗光。阴影会被当成特征烤进去。
- 多个角度。 正面、四分之三侧、正侧。三到五张胜过一张，因为这时模型对一个脑袋的侧面是有真实信息的，不是在猜。
- 整组里的主体要一致。 同一个发型、同一个年龄段，如果服装重要就同一套服装。一组自相矛盾的参考图会被平均成第四个人。
- 背景干净。 画面里出现别人的脸，是最稳定地拿到「混血」结果的方式。
- 分辨率和锐度。 参考图的细节量就是输出细节量的上限。
对于反复出场的主体，参考图组只建一次，留在项目里，之后每个镜头都复用它。一组镜头之间的一致性来自参考图组是固定的，而不是来自某一次生成特别好。
配套的提示词怎么写
挂上参考图之后，提示词的职责变了：停止描述主体，开始描述除主体之外的一切。
把场景、景别和光线完整写出来，然后指名参考图而不是重述它的内容：the woman from the reference image, standing at a bus stop in the rain at night。在已经有参考图的情况下再补一句 dark hair, green eyes, mid thirties，并不会加强身份 —— 它引入了第二份更弱的描述，去和像素竞争，把脸拉向两者的平均值。
然后把必须保住的属性钉住：keep her face, hair length and jacket exactly as in the reference。模型对服装的态度比对脸松得多，所以服装的连续性通常需要专门点名。
条件允许时，让主体在画面里的比例和参考图接近。身份在中景到中近景之间保持得很好，在大远景里迅速崩掉 —— 那时一张脸只有几十个像素，根本没有可供约束的东西。
什么时候该换成 LoRA
角色参考图适合几个镜头、一次提案、一次性的需求。它不花额外的钱、不用训练、立刻就能用。
它有天花板。身份是被「暗示」而不是被「学会」的，所以在不寻常的姿势、参考图没覆盖到的正侧转身、以及较长的视频片段上都会松掉。如果同一个角色要跨几十个镜头出场，用二三十张图训练一个 LoRA，能在任何参考图组都覆盖不到的角度和表情上把相似度撑住，并且彻底消掉逐镜头的漂移。切换的实际信号是重复劳动：当你已经在因为「脸变了」而重摇镜头时，训练一次比继续重摇更便宜。