6 phút đọc
Trong kỷ nguyên sáng tạo nghệ thuật bằng trí tuệ nhân tạo (AI), việc duy trì tính nhất quán về mặt thị giác giữa các lần tạo ảnh vẫn là một thách thức lớn. Phần lớn người dùng hiện nay vẫn viết prompt dưới dạng các đoạn văn bản mô tả tự do (one-off text blobs) – một phương pháp rất khó để tái sử dụng, khó so sánh và tinh chỉnh hiệu quả. Để giải quyết triệt để bài toán này, kho lưu trữ AI-Visual-Prompt-Cookbook của tác giả VigoZhao đã xuất hiện như một giải pháp chuẩn hóa đầy hứa hẹn.
Được cập nhật tính đến ngày 18/08/2026, kho lưu trữ mã nguồn mở viết bằng ngôn ngữ Python này đã nhanh chóng thu hút được 565 stars và 59 forks trên GitHub. Thay vì cung cấp các đoạn prompt văn bản thông thường, dự án lựa chọn một hướng tiếp cận kỹ thuật chặt chẽ hơn: đóng gói mọi phong cách thiết kế thành các tệp cấu trúc JSON (style.json) có thể tái sử dụng trực tiếp trên nhiều mô hình ngôn ngữ lớn (LLM).
Cấu trúc hóa Prompt: Giải pháp loại bỏ “đoạn văn tự do”
Ý tưởng cốt lõi của AI-Visual-Prompt-Cookbook là chuyển đổi các mô tả phong cách trực quan phức tạp thành một hệ thống dữ liệu có cấu trúc. Người dùng chỉ cần sao chép một tệp JSON và thả vào các LLM hỗ trợ xử lý hình ảnh như ChatGPT, Claude, Nano Banana Pro, hoặc bất kỳ quy trình làm việc (workflow) tạo ảnh dựa trên LLM nào khác. Bằng cách thay thế các biến số được định nghĩa sẵn và giữ nguyên cấu trúc hệ thống thị giác, mô hình sẽ tạo ra những bức ảnh có tính nhất quán rất cao về mặt phong cách.
Dự án này được biên soạn bởi @VigoCreativeAI với sự trợ giúp kỹ thuật cấu trúc từ OpenAI Codex. Tài liệu hướng dẫn của dự án hiện hỗ trợ nhiều ngôn ngữ khác nhau bao gồm tiếng Anh, tiếng Trung giản thể, tiếng Trung phồn thể, tiếng Nhật, tiếng Hàn và tiếng Bahasa Indonesia, giúp cộng đồng nhà phát triển và thiết kế toàn cầu dễ dàng tiếp cận.
Phân tích các hệ thống phong cách thị giác mẫu
Thư viện hiện sở hữu tổng cộng 118 phong cách trong danh mục đầy đủ (All Styles gallery), bắt đầu với 6 hệ thống thị giác cốt lõi trực quan. Mỗi phong cách khi phát hành sẽ đi kèm với một tệp JSON độc lập cùng hai hình ảnh xem trước để người dùng dễ dàng đối chiếu. Dưới đây là phân tích chi tiết về một số hệ thống thiết kế tiêu biểu được trích xuất từ mã nguồn:
- Primary Block Isometric Editorial Poster Style: Đây là hệ thống thiết kế áp phích biên tập sắc nét, được xây dựng dựa trên sự sắp xếp chéo của các khối hình hộp bo tròn góc có kích thước lớn trong không gian ba chiều trục đo (isometric). Phong cách này sử dụng các mặt trên có tông màu chủ đạo rực rỡ, các mặt bên tối hơn, kết hợp các nhãn chữ phong cách Grotesk cỡ lớn và các dòng chữ chú thích nhỏ xung quanh theo phong cách Thụy Sĩ trên nền giấy trắng ấm.
- Signal Red Contour Poster: Phong cách áp phích thông tin công cộng sử dụng tối giản chỉ hai màu mực. Hệ thống này nổi bật với một trường nền gần như đen hoàn toàn, chứa một bóng hình phẳng lớn được định hình bởi các đường viền màu đỏ tín hiệu (signal-red) mạnh mẽ, bao quanh bởi các đoạn văn bản màu trắng dạng chữ Grotesk được sắp đặt rời rạc xung quanh rìa áp phích như những mảnh thông tin khẩn cấp.
- Electric Yellow Cutout Megatype Poster Style: Phong cách áp phích quảng cáo đại chúng có độ tương phản và tác động thị giác cao. Hệ thống đặt một hình ảnh cắt ghép tả thực (photoreal cutout) kích thước lớn đè lên trên các chữ hiển thị được làm biến dạng. Phong cách sử dụng nền màu vàng điện (electric-yellow), chữ phía trên màu đen, chữ phía dưới màu xanh cô-ban, kết hợp với các đường cắt cúp táo bạo và các siêu dữ liệu biên tập nhỏ để tạo sự tương phản về mặt tỷ lệ.
- Burnt Orange Halftone Hero Collage: Hệ thống áp phích biên tập mang tính kỷ niệm và có mật độ chi tiết dày đặc. Nó kết hợp một hình ảnh cắt ghép của nhân vật chính được chụp dưới ánh đèn flash sắc nét với các mảng in lưới màu cam cháy (burnt-orange), các tiêu đề cô đọng kích thước lớn, biểu đồ halftone thô, nét chữ vẽ bằng cọ khô và các chi tiết chữ in tạp chí được sắp xếp kỷ luật trên nền giấy kem cũ.
Cơ chế hoạt động của style.json và quy trình tích hợp
Mỗi tệp style.json trong thư viện đều được thiết kế hoàn toàn tự chứa (self-contained). Quy trình làm việc tiêu chuẩn của nhà phát triển gồm các bước đơn giản:
1. Sao chép toàn bộ tệp JSON phong cách mong muốn.
2. Đưa tệp này vào mô hình LLM.
3. Cung cấp các giá trị cụ thể cho các biến được khai báo trong phầnenvironment_variableshoặc chỉnh sửa trực tiếp các trường hợp giá trị ví dụ trong phầnexamples[*].values.
Một điểm đáng chú ý trong tư duy thiết kế của tác giả VigoZhao là các prompt đã được kết xuất (như prompt kích thước 9:16, 16:9 hoặc full_prompt) cố ý không được lưu trữ sẵn trong tệp JSON. Thay vào đó, chúng được tính toán và suy diễn trực tiếp tại thời điểm tạo ảnh từ mẫu prompt gốc (prompt_template) kết hợp với các giá trị đầu vào mà người dùng đã chọn. Cách tiếp cận này giúp giữ cho dung lượng tệp JSON luôn nhỏ gọn, đồng thời ngăn chặn hiện tượng sai lệch dữ liệu (drift) trong quá trình vận hành hệ thống.
Những hạn chế kỹ thuật cần lưu ý
Mặc dù mang lại khả năng kiểm soát phong cách ảnh vượt trội, tài liệu của dự án cũng chỉ rõ rằng quy trình làm việc này đạt hiệu quả tối ưu nhất khi kết hợp với các mô hình hình ảnh đa phương thức đầu-cuối (end-to-end multimodal image models). Đây là những mô hình có năng lực xử lý trực tiếp các prompt JSON có cấu trúc dài và tạo ra hình ảnh cuối cùng chỉ trong một bước duy nhất. Các mô hình LLM đa phương thức khác có khả năng tiếp nhận JSON dài vẫn có thể sử dụng được, tuy nhiên hiệu năng và độ chính xác về phong cách không phải là khuyến nghị hàng đầu từ phía tác giả dự án.
Nguồn tham khảo: Xem bài gốc
