摄影作品点评与提升

工作流

1. 读取照片

view_image 分析，prompt：

请详细描述这张照片：拍摄主体、构图方式、光线条件、色彩表现、景深效果、技术问题。这是什么类型的照片？

• 单次最多5张，超过分批
• 读取失败检查文件是否存在，如实告知

2. 六维精细化分析

基于国际摄影比赛评分标准（NPS/Sony World Photography Awards/荷赛/国内摄影大赛综合），采用6维评分体系（10分制，支持0.5分递增）。

> 精细化评分说明：每个维度设有5级评分标准（2/4/6/8/10分锚点），评分时先确定照片属于哪一级，再在相邻级别间微调（±0.5~1分）。各维度独立评分，不做加权求和——总分仅供参考，分差比总分更有价值（如构图9分但技术5分，比均匀7分更需关注）。

| 维度 | 属性 | 核心评估 |

|------|------|----------|

| 技术质量 | 基础门槛 | 曝光准确性、对焦精度、景深控制、噪点、快门速度匹配 |

| 构图 | 视觉骨架 | 主体位置、视觉重心、空间分配、引导线、层次、留白、视觉流动 |

| 光线 | 塑形核心 | 光质、光位、光比、明暗层次、光线与主题的匹配 |

| 色彩 | 情绪载体 | 色调统一、色彩搭配、饱和度、色温、色彩与情感的呼应 |

| 创意 | 突破上限 | 视角独特性、构思新颖度、打破常规的程度 |

| 情感 | 灵魂所在 | 氛围营造、情感传达、故事性、共鸣深度 |

评分规则：

• 10分制，支持0.5分递增
• 等级色标：绿色≥8分、蓝色6.5-7.5分、黄色5-6分、橙色3-4.5分、红色<3分
• 各维度独立评价，不设权重——"哪个维度拉胯"比"总分多少"更重要
• 精细化评分锚点详见 references/composition-by-subject.md 第二十六章

点评原则：

• 问题具体化——不说"构图不好"，说"主体被挤在左边缘，右侧大面积留白无呼应"
• 区分"刻意为之"与"失误"
• 一张照片一条核心改进建议，优先指出最影响画面的1-2个问题
• 评分接近时，通过分差分析指出差异化提升方向

3. 构图点评（双层设计）

3A. 构图标注（默认始终开启，零计算消耗）

每次点评照片时，在标注图上叠加以下纯绘图元素（不触发任何 numpy 计算）：

| 标记 | config 字段 | 说明 |

|------|-------------|------|

| 三分线网格 | "grid": "thirds" | 白色半透明井字线 |

| 三分点标记 | "label_marks" | 4个三分线交叉点金色小圆点 |

| 主体位置 | "subject" | 红色十字圆圈标记当前主体 |

| 箭头 | "arrows" | 从当前主体指向建议位置 |

| 问题区域框 | "zones" | 虚线框标注问题区域 |

| 文字标注 | "text_marks" | 具体构图问题描述（1-2条） |

构图标注所需的 subject、arrows、zones、text_marks 数据由 view_image 分析结果直接构造，不需要调用 auto_analyze_photo 或 analyze_composition_detailed。

构造规则：

• subject：从 view_image 描述中判断主体位置（归一化坐标），如"人物在画面偏左"→ {"x": 0.25, "y": 0.5}
• arrows：若主体不在三分点附近，画一条箭头指向最近的三分点
• zones：若画面有明显的干扰区域（边缘杂物、前景过重），画虚线框
• text_marks：1-2条核心构图问题描述

3B. 构图诊断分析（按需触发，计算密集）

触发条件（满足任一）：

• 用户明确说"侧重构图"/"提升构图"/"构图分析"
• 照片存在明显构图问题需要深度诊断
• 用户问"这张照片构图怎样"

执行方式： 调用 analyze_composition_detailed(img, subject_pos) 执行8维度诊断。

8维度及权重：

| 维度 | 权重 | 检查内容 | 关键阈值 |

|------|------|----------|----------|

| 主体位置 | 25% | 是否在三分线/黄金分割点，边缘距离>15% | 精准在点=10分 |

| 负空间留白 | 15% | 视线方向前方空间≥2/3画面 | 有效负空间>50%=8分 |

| 视觉平衡 | 15% | 左右/上下视觉重量比0.8-1.2 | 比值偏差<10%=9分 |

| 纵深层次 | 12% | 前-中-远景层次分明(CV>0.25) | 3个深度信号=8分 |

| 地平线水平 | 10% | 偏差<1度，位置在上/下1/3线 | 在三分线上=9分 |

| 动态线条 | 10% | 主导角度30-60度，引导线指向主体 | 对角线+强度>12%=8分 |

| 简洁度 | 8% | 无关注释元素，边缘干净 | 杂乱度<12%=9分 |

| 画面比例 | 5% | 内容填充度40-70% | 在理想范围=7分 |

> 构图理论详见： references/composition-mastery.md

> 构图诊断维度详见： references/composition-guide.md

> 按拍摄主体的构图实战+点评骨架： references/composition-by-subject.md

诊断结果用途：

• config 中传 "composition_analysis": comp_detailed + "show_composition_analysis": True
• 用于生成更精准的构图改进建议

3.5-3.9 诊断面板

EXIF参数(蓝)、光线诊断(橙)、色彩诊断(紫)、技术质量(青)、参数化改进建议，均为按需开启。

4. 后期优化处理

EXIF方向校正 → 曝光调整 → 色彩优化 → 清晰度提升 → 质量检查。按需执行。

5. 用户自定义点评侧重

| 用户指定 | 构图标注 | 构图诊断(8维) | 标注图侧重 | improvements侧重 |

|----------|:--------:|:------------:|:----------:|:----------------:|

| "侧重构图" / "提升构图" | 始终 | 触发 | 构图标注+诊断面板 | 构图措施3-4条+训练建议 |

| "侧重光线" | 始终 | 不触发 | 光影区域标注 | 光线改善措施 |

| "侧重色彩" | 始终 | 不触发 | 色彩问题标注 | 色彩校正措施 |

| "侧重技术" | 始终 | 不触发 | 技术问题标注 | 技术修复措施 |

| 未指定（默认） | 始终 | 不触发 | 均衡点评 | 均衡建议 |

6. 综合诊断附加面板

视觉权重热力图、氛围诊断、视觉流动分析、四象限平衡、评分雷达图、综合评分徽章、原片vs优化对比、多图对比网格，均为按需开启。

7. 生成标注图

脚本: scripts/annotate_photo.py（v3）

import sys, os
sys.path.insert(0, r"C:\Users\Maza\AppData\Roaming\WPS 灵犀\serverdir\skills\photo-critique\scripts")
from annotate_photo import annotate_photo

# 直接写入用户桌面（generate_image会破坏标注文字，禁止用于标注图！）
desktop = os.path.join(os.path.expanduser("~"), "Desktop")
out = os.path.join(desktop, "点评_照片名.jpg")
annotate_photo(input_path, out, config)

禁止用 generate_image(input_images) 复制标注图！ generate_image 以 AI 重新生成图片，会替换/破坏中文标注文字。

config 字段: title(str), ratings(dict{维度:1-5}), comment(str), improvements(list[str]), subject(dict{x,y}), grid("thirds"), text_marks(list{text,pos,color,arrow_to?}), zones(list{rect,color}), show_score_badge(bool)

8. 回复输出格式

点评骨架（每张照片遵循此结构）：

1. 总体印象（1句话）
2. 优点（1-2条，具体到元素）
3. 问题（1-2条，按严重度排序）
4. 改进建议（每条问题1条可操作建议）

每张照片：标注图 + 骨架化文字点评。全部照片结束后附汇总对比表。

Token/算力优化策略

1. 构图标注与诊断分离：默认只开构图标注（纯绘图零计算），诊断分析仅用户要求时触发
2. 构图标注数据来自view_image：直接从 view_image 文字描述构造 subject/arrows/zones/text_marks
3. 其他面板按需开启：不传的就不开
4. 知识引用reference：不涉及某维度时不读对应reference
5. improvements精简：每张照片3条核心建议

参考知识库

• 构图理论：references/composition-mastery.md
• 构图诊断：references/composition-guide.md
• 改进建议：references/improvement-guide.md
• 摄影技巧：references/photography-skills.md
• 色彩分析：references/color-analysis-guide.md
• 按主体构图实战：references/composition-by-subject.md
• 进阶构图：references/advanced-composition-techniques.md

9. 批量分析报告（全量照片精选）

当用户提供一批照片（目录/多张），要求分析全部并输出精选报告时使用。

工作流

1. 扫描全量照片 → list_files 获取目录下所有图片文件
2. 分批分析 → view_image 每批3张，prompt：

```

请详细描述这3张照片，每张分别：1)拍摄主体和场景 2)构图方式 3)光线条件 4)色彩表现 5)景深效果 6)技术问题。

```

1. 六维评分 → 基于view_image分析结果，按六维评分标准（第2节）为每张打分
2. 排序输出 → 按均分排序，生成PDF报告

PDF报告结构

| 章节 | 内容 |

|------|------|

| 封面 | 标题 + 照片总量 + 评分体系说明 |

| 总览统计 | 六维均分对比表（TOP vs BOTTOM） |

| TOP 20 最佳 | 总览排名表 + 20张详情页（照片+评分条+点评+改进建议） |

| BOTTOM 10 待提升 | 10张末位诊断 + 核心问题标注 |

| 单方面最强 | 六维中单项最高作品，附提升技巧 |

| 摄影技术提升指南 | 六大方向（方向校正/构图/光线/创意/后期/设备维护） |

照片嵌入规则

• 使用原始照片（非标注图）嵌入PDF
• 高清模式：quality=95, subsampling=0，不缩放原图仅按PDF页面约束等比缩小
• EXIF方向校正：ImageOps.exif_transpose()

技术实现

from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from PIL import Image as PILImage, ImageOps

pdfmetrics.registerFont(TTFont("SimHei", r"C:\Windows\Fonts\simhei.ttf"))
pdfmetrics.registerFont(TTFont("SimHeiBold", r"C:\Windows\Fonts\msyhbd.ttc", subfontIndex=0))

def resize_photo_hd(img_path, max_w, max_h, quality=95):
    img = PILImage.open(img_path)
    img = ImageOps.exif_transpose(img)
    ratio = min(max_w / img.size[0], max_h / img.size[1])
    if ratio < 1.0:
        img = img.resize((int(img.size[0]*ratio), int(img.size[1]*ratio)), PILImage.LANCZOS)
    buf = io.BytesIO()
    img.save(buf, format="JPEG", quality=quality, subsampling=0)
    buf.seek(0)
    return buf, int(img.size[0]*ratio), int(img.size[1]*ratio)

输出路径

PDF输出到桌面（reportlab无法写入workspace路径），文件名格式：摄影作品分析报告_N张_HD.pdf

注意事项

• view_image每次最多3张，超过分批
• 已有评分的照片不重复分析，直接引用历史评分
• 近似评分（仅均分无六维细节）的照片，各维度按均分填充
• generate_image(input_images)禁止用于标注图复制（ERR-005）

偏好自动记忆

本技能执行过程中自动观察并记忆用户偏好，无需用户明确要求。规则见 全局偏好自动记忆规范。

执行流程

1. 观察：在技能执行中注意用户对输出内容、格式、流程的反馈和选择
2. 去重：检查偏好是否已存在于用户记忆（user profile）中
3. 分类写入：
• 通用偏好 → user 记忆的 格式偏好 或 备注
• 本技能专属偏好 → user 记忆的 本技能名_rules 字段
4. 通知：写入前简要告知用户将记录的信息类型（一句即可）