VIML 技術白皮書 v0.1
視覺意圖標記語言：系統架構、符號集規格與AI生成管道實現
作者：Neo.K (許筌崴) 機構：EveMissLab (一言諾科技有限公司) 日期：2026年6月 文件性質：技術白皮書（Technical Whitepaper）——對應理論框架論文《VIML視覺意圖標記語言》
摘要
本白皮書為VIML（Visual Intent Markup Language）的技術實現規格文件，覆蓋以下四個層次：符號資源採集層（爬蟲策略與Agent分類工作流）、符號集數據規格（ISS六類符號的JSON標準定義）、符號→ControlNet conditioning映射協議（各類符號到AI生成系統輸入的技術轉換規則）、AI API整合層（後端選擇、調用流程、結果處理）。本文件同時提供MVP（最小可用產品）的實現路線圖與優先級排序，以及基礎教學大綱規格。
技術棧：Python 3.11+、ComfyUI（主要後端）、FLUX.2（主要生成模型）、ControlNet（conditioning框架）、本地LLM Agent（符號分類）
1. 系統架構總覽
1.1 四層架構
┌─────────────────────────────────────┐
│ Layer 4: 用戶介面層 │
│ 畫布 + 符號拖放 + 文字提示輸入 │
└──────────────┬──────────────────────┘
│ 符號配置 JSON
┌──────────────▼──────────────────────┐
│ Layer 3: 意圖解析層 │
│ SCR衝突檢查 + 符號→conditioning映射 │
└──────────────┬──────────────────────┘
│ conditioning maps + text prompt
┌──────────────▼──────────────────────┐
│ Layer 2: API整合層 │
│ ComfyUI workflow / FLUX.2 API │
└──────────────┬──────────────────────┘
│ 生成結果
┌──────────────▼──────────────────────┐
│ Layer 1: 符號資源層 │
│ ISS符號庫 + 爬蟲採集 + Agent分類 │
└─────────────────────────────────────┘1.2 數據流
用戶放置符號
→ 生成 scene_intent.json（符號配置）
→ SCR衝突解析
→ 生成 conditioning_maps（OpenPose/Depth/Normal）
→ 合併文字提示 text_prompt
→ 調用 ComfyUI API
→ 返回生成圖像
→ 顯示 + 允許意圖迭代調整2. 符號資源採集層
2.1 爬蟲來源優先級
P1級（直接可用，格式標準）
| 來源 | 類別覆蓋 | 格式 | 授權 | |------|---------|------|------| | OpenPose官方示例庫 | PA全部 | JSON keypoints | Apache 2.0 | | ControlNet官方條件圖範例 | PA/SC/LS/CA | PNG conditioning maps | 開源 | | Noun Project API（免費tier） | LS/CA/MT/RD | SVG | CC Attribution | | Flaticon基礎套件 | LS/CA/MT | SVG | 免費個人用 |
P2級（需Agent處理分類）
| 來源 | 類別覆蓋 | 說明 | |------|---------|------| | storyboardthat.com符號集 | PA/SC/RD | 需截圖+向量化 | | 電影分鏡範例圖（公共域） | CA/SC/RD | 需Agent從圖中提取符號 | | 建築/工程圖標準符號集 | SC/MT | ISO標準符號，公共域 | | Adobe Stock免費圖標（每月） | MT/LS | 需手動整理 |
P3級（半自動生成）
| 來源 | 說明 | |------|------| | 用Midjourney/FLUX生成符號SVG | 需人工審核抽象度 | | 從現有ControlNet pose圖提取 | Agent識別關節點 |
2.2 爬蟲工作流
# 爬蟲Pipeline概覽（偽代碼）
class VIMLCrawler:
def crawl_openpose_samples(self):
"""抓取OpenPose骨架樣本，提取keypoints JSON"""
# 目標：50-100種標準姿態
# 輸出：PA類符號原始數據包
def crawl_svg_icons(self, sources=['nounproject', 'flaticon']):
"""抓取SVG圖標，覆蓋LS/CA/MT/RD類"""
# 搜索關鍵詞：sun, light, camera, angle, texture, arrow
# 輸出：原始SVG文件包 + 元數據
def crawl_storyboard_examples(self):
"""從分鏡範例中提取符號模式"""
# 輸出：截圖包 + Agent待分類列表
def generate_sc_symbols(self):
"""生成SC類空間符號（幾何形狀，無需爬取）"""
# 直接生成：方格線、三分法網格、深度分層線
# 輸出：SC類SVG集合2.3 本地Agent分類工作流
爬取的原始資源需要通過本地LLM Agent進行分類和標注，輸出符合ISS規格的JSON記錄。
Agent系統提示詞（核心版本）：
你是VIML符號集的分類Agent。你的任務是對輸入的圖像符號進行分析和分類。
對每個符號，輸出以下JSON：
{
"category": "PA/SC/LS/CA/MT/RD",
"sub_type": "具體子類型",
"abstraction_level": 0.0-1.0（0=完全具體，1=完全抽象），
"intent_dimension": "這個符號能表達的意圖維度描述",
"conflict_tags": ["與此符號衝突的其他符號標籤列表"],
"controlnet_type": "openpose/depth/normal/canny/text_only",
"machine_readable": true/false（是否可自動轉為conditioning map）,
"text_hint": "若machine_readable=false，轉換為文字提示的模板"
}
分類標準：
- 符號應表達「創作者意圖」而非「視覺內容」
- abstraction_level高意味著符號不過度規定具體外觀
- 若符號包含具體的視覺內容（真實人物照片、詳細場景），判定為不適合ISS，返回null分類批處理腳本：
import json
from pathlib import Path
def classify_symbols_batch(raw_symbols_dir, agent_client, output_path):
"""
批量分類原始符號資源
raw_symbols_dir: 爬取的原始SVG/PNG目錄
agent_client: 本地LLM客戶端（Ollama/LM Studio等）
output_path: 輸出的符號集JSON路徑
"""
results = []
for symbol_file in Path(raw_symbols_dir).iterdir():
# 將符號圖像轉為base64或描述文字
symbol_desc = extract_symbol_description(symbol_file)
# Agent分類
classification = agent_client.classify(
system_prompt=VIML_CLASSIFIER_PROMPT,
input=symbol_desc
)
if classification: # Agent判定適合ISS
results.append({
"symbol_id": generate_symbol_id(classification),
"source_file": str(symbol_file),
**classification
})
with open(output_path, 'w') as f:
json.dump(results, f, ensure_ascii=False, indent=2)
return results3. ISS符號集數據規格
3.1 符號記錄標準格式
每個ISS符號的標準JSON記錄如下：
{
"symbol_id": "PA_stand_neutral_001",
"category": "PA",
"sub_type": "standing",
"name_zh": "站立中性姿態",
"name_en": "Standing Neutral Pose",
"version": "1.0.0",
"abstraction_level": 0.75,
"svg_path": "symbols/PA/stand_neutral_001.svg",
"thumbnail_path": "thumbnails/PA/stand_neutral_001.png",
"controlnet_type": "openpose",
"keypoints": {
"nose": [0.500, 0.120],
"neck": [0.500, 0.200],
"right_shoulder": [0.420, 0.270],
"left_shoulder": [0.580, 0.270],
"right_elbow": [0.380, 0.380],
"left_elbow": [0.620, 0.380],
"right_wrist": [0.360, 0.490],
"left_wrist": [0.640, 0.490],
"right_hip": [0.440, 0.520],
"left_hip": [0.560, 0.520],
"right_knee": [0.430, 0.680],
"left_knee": [0.570, 0.680],
"right_ankle": [0.430, 0.850],
"left_ankle": [0.570, 0.850]
},
"conflict_tags": ["PA_sitting", "PA_lying", "PA_crouching"],
"composable_with": ["SC_*", "LS_*", "CA_*", "MT_skin_*", "RD_*"],
"text_hint": "",
"machine_readable": true,
"tags": ["human", "standing", "neutral", "full_body"],
"source": "openpose_standard",
"license": "Apache-2.0"
}SC類符號範例（佔位符）：
{
"symbol_id": "SC_placeholder_figure_foreground_001",
"category": "SC",
"sub_type": "depth_foreground",
"name_zh": "前景人物佔位符",
"abstraction_level": 0.90,
"svg_path": "symbols/SC/placeholder_figure_fg_001.svg",
"controlnet_type": "depth",
"depth_value": 0.85,
"relative_size": "large",
"position_anchor": "bottom_left",
"conflict_tags": [],
"machine_readable": true,
"text_hint": "foreground figure, close to camera"
}LS類符號範例（光源）：
{
"symbol_id": "LS_directional_upper_left_hard_001",
"category": "LS",
"sub_type": "directional_hard",
"name_zh": "左上方硬光源",
"abstraction_level": 0.85,
"svg_path": "symbols/LS/sun_upper_left_001.svg",
"controlnet_type": "normal_map",
"light_direction": [-0.577, -0.577, 0.577],
"light_quality": "hard",
"color_temperature": "neutral",
"conflict_tags": ["LS_soft_*_same_direction"],
"machine_readable": true,
"text_hint": "dramatic directional lighting from upper left, hard shadows"
}3.2 符號集目錄結構
viml_symbols/
├── index.json # 符號集總索引
├── PA/ # 姿態/動作類（目標50-100個）
│ ├── standing/
│ ├── sitting/
│ ├── action/
│ └── emotion_overlays/
├── SC/ # 空間/構圖類（目標30-50個）
│ ├── placeholders/
│ ├── depth_layers/
│ ├── composition_guides/
│ └── occlusion_markers/
├── LS/ # 光源/光影類（目標20-30個）
│ ├── directional/
│ ├── ambient/
│ └── special/
├── CA/ # 鏡頭/視角類（目標15-25個）
│ ├── angle/
│ ├── focal_length/
│ └── depth_of_field/
├── MT/ # 材質/質感類（目標20-30個）
│ ├── organic/
│ ├── manufactured/
│ └── elemental/
└── RD/ # 關係/動態類（目標20-30個）
├── attention/
├── character_relation/
└── scene_dynamics/3.3 場景意圖配置格式（scene_intent.json）
用戶在畫布上放置符號後，系統生成以下配置文件：
{
"scene_id": "scene_20260609_001",
"canvas_size": [1024, 1024],
"symbols": [
{
"symbol_id": "PA_stand_neutral_001",
"position": {"x": 0.30, "y": 0.50},
"scale": 0.8,
"rotation": 0,
"layer": "foreground",
"character_id": "char_A"
},
{
"symbol_id": "SC_placeholder_figure_background_001",
"position": {"x": 0.70, "y": 0.40},
"scale": 0.5,
"rotation": 0,
"layer": "midground",
"character_id": "char_B"
},
{
"symbol_id": "LS_directional_upper_left_hard_001",
"position": {"x": 0.15, "y": 0.10},
"scale": 1.0,
"rotation": 0,
"applies_to": "global"
},
{
"symbol_id": "CA_eye_level_standard_001",
"position": {"x": 0.50, "y": 0.50},
"applies_to": "global"
}
],
"text_prompt": "two people in conversation, urban background, realistic style",
"negative_prompt": "blurry, distorted, unrealistic anatomy",
"generation_params": {
"steps": 30,
"cfg_scale": 7.5,
"seed": -1
}
}4. SCR衝突解析引擎（MVP版本）
4.1 MVP衝突檢查範疇
MVP版本只實現以下三類衝突檢查，其餘複雜衝突允許通過（後覆蓋原則）：
Class A衝突（必須阻止，提示用戶）：
- 同一角色/物件同時有多個互斥的PA姿態（站立+坐下）
- 同一場景同時有多個互斥的CA視角（俯視+仰視）
- 同一光源位置有多個互斥的LS光質符號
Class B衝突（警告，允許繼續）：
- 場景中前景層級有超過3個以上的PA符號（可能過於擁擠）
- LS和CA的組合在物理上不常見（正對光源的仰視鏡頭）
Class C衝突（記錄，不提示）：
- 其他非標準組合，記錄在日誌供後續分析
class SCREngine:
MUTEX_PAIRS = {
"PA": [
("PA_standing_*", "PA_sitting_*"),
("PA_standing_*", "PA_lying_*"),
("PA_sitting_*", "PA_lying_*"),
],
"CA": [
("CA_birds_eye_*", "CA_worms_eye_*"),
],
"LS": [
# 同方向不同光質
]
}
def check_conflicts(self, scene_intent):
"""
檢查scene_intent.json中的符號衝突
返回: {
"class_a": [...], # 必須解決
"class_b": [...], # 建議解決
"class_c": [...] # 僅記錄
}
"""
conflicts = {"class_a": [], "class_b": [], "class_c": []}
# 按character_id分組檢查PA類衝突
pa_by_char = self._group_by_character(
scene_intent["symbols"], category="PA"
)
for char_id, pa_symbols in pa_by_char.items():
mutex = self._find_mutex_in_group(pa_symbols, "PA")
if mutex:
conflicts["class_a"].append({
"type": "PA_mutex",
"character": char_id,
"symbols": mutex
})
# 檢查CA類衝突（全局）
ca_symbols = [s for s in scene_intent["symbols"]
if s["symbol_id"].startswith("CA_")]
ca_mutex = self._find_mutex_in_group(ca_symbols, "CA")
if ca_mutex:
conflicts["class_a"].append({
"type": "CA_mutex",
"symbols": ca_mutex
})
return conflicts5. 符號→ControlNet Conditioning映射協議
5.1 PA類 → OpenPose Conditioning Map
輸入：一個或多個PA符號的keypoints列表（相對坐標）
輸出：OpenPose格式的骨架圖像（RGB，標準18關節點彩色圓圈+連接線）
import numpy as np
import cv2
def pa_to_openpose_map(pa_symbols, canvas_size=(1024, 1024)):
"""
將PA符號轉換為OpenPose conditioning map
pa_symbols: list of {keypoints, position, scale, rotation}
返回: numpy array shape (H, W, 3), dtype uint8
"""
OPENPOSE_COLORS = {
"nose": (255, 0, 0),
"neck": (255, 85, 0),
"right_shoulder": (255, 170, 0),
# ... 18個關節點的顏色定義
}
canvas = np.zeros((*canvas_size, 3), dtype=np.uint8)
for symbol in pa_symbols:
# 將相對座標轉換為絕對像素座標
# 應用position偏移、scale縮放、rotation旋轉
absolute_keypoints = transform_keypoints(
symbol["keypoints"],
symbol["position"],
symbol["scale"],
symbol["rotation"],
canvas_size
)
# 繪製骨架連接線
draw_skeleton_connections(canvas, absolute_keypoints, OPENPOSE_COLORS)
# 繪製關節點圓圈
for joint_name, coords in absolute_keypoints.items():
if coords is not None:
cv2.circle(canvas, coords, 5,
OPENPOSE_COLORS[joint_name], -1)
return canvas5.2 SC類 → Depth Map
輸入：SC符號的depth_value（0-1，越大越近）和spatial位置
輸出：灰度深度圖（值越高=越近/越亮）
def sc_to_depth_map(sc_symbols, canvas_size=(1024, 1024)):
"""
將SC符號轉換為depth conditioning map
深度分配規則：
- depth_value=0.9 → 前景（灰度值230）
- depth_value=0.5 → 中景（灰度值128）
- depth_value=0.1 → 遠景（灰度值26）
- 未覆蓋區域 → 中遠景默認值（灰度值80）
"""
depth_canvas = np.full(canvas_size, 80, dtype=np.uint8)
for symbol in sc_symbols:
gray_value = int(symbol["depth_value"] * 255)
region_mask = symbol_to_region_mask(symbol, canvas_size)
depth_canvas[region_mask] = gray_value
# 添加輕微高斯模糊使邊界自然過渡
depth_canvas = cv2.GaussianBlur(depth_canvas, (21, 21), 0)
return depth_canvas5.3 LS類 → Normal Map + 文字補充
輸入：LS符號的光源方向向量 + 光質屬性
輸出：
- Normal map（RGB格式的表面法向量圖）
- 文字提示補充字符串
def ls_to_normal_and_text(ls_symbols, canvas_size=(1024, 1024)):
"""
將LS符號轉換為normal map和文字提示補充
Normal map格式：RGB值對應法向量(x,y,z)
(128,128,255) = 指向相機的平面法向量（默認值）
"""
normal_canvas = np.full(
(*canvas_size, 3), [128, 128, 255], dtype=np.uint8
)
text_supplements = []
for symbol in ls_symbols:
if symbol.get("machine_readable"):
# 根據光源方向調整法向量分佈
light_dir = np.array(symbol["light_direction"])
adjust_normals_for_light(normal_canvas, light_dir)
# 生成文字補充
quality_map = {
"hard": "sharp directional lighting, hard shadows",
"soft": "soft diffused lighting, gentle shadows",
"ambient": "ambient lighting, no direct shadows"
}
color_temp_map = {
"warm": "warm golden light",
"cool": "cool blue-white light",
"neutral": ""
}
text_parts = filter(None, [
quality_map.get(symbol.get("light_quality", ""), ""),
color_temp_map.get(symbol.get("color_temperature", ""), "")
])
text_supplements.append(", ".join(text_parts))
return normal_canvas, ". ".join(filter(None, text_supplements))5.4 CA類 → 文字視角提示
CA類目前主要通過文字提示傳遞，不生成獨立conditioning map：
CA_TEXT_MAP = {
"CA_birds_eye_*": "bird's-eye view, top-down shot, looking straight down",
"CA_worms_eye_*": "worm's-eye view, looking up, low angle shot",
"CA_eye_level_*": "eye-level shot, straight-on perspective",
"CA_high_angle_*": "high angle shot, slightly elevated viewpoint",
"CA_low_angle_*": "low angle shot, slightly below eye level",
"CA_dutch_angle_*": "dutch angle, tilted camera, dynamic composition",
"CA_wide_angle_*": "wide angle lens, expansive scene, slight distortion",
"CA_telephoto_*": "telephoto lens, compressed perspective, shallow depth",
"CA_dof_shallow_*": "shallow depth of field, blurred background, focused subject",
"CA_dof_deep_*": "deep focus, everything in sharp focus"
}
def ca_to_text(ca_symbols):
texts = []
for symbol in ca_symbols:
for pattern, text in CA_TEXT_MAP.items():
if fnmatch(symbol["symbol_id"], pattern):
texts.append(text)
break
return ", ".join(texts)5.5 MT類 → 文字材質提示（局部）
MT類通過文字提示的局部區域描述傳遞，格式：「[位置描述] [材質描述]」：
MT_TEXT_TEMPLATES = {
"MT_metal_*": "{position} with metallic surface, reflective, specular highlights",
"MT_fabric_*": "{position} with fabric texture, woven material",
"MT_skin_*": "{position} with skin texture, natural human skin",
"MT_wood_*": "{position} with wooden texture, natural grain",
"MT_stone_*": "{position} with stone or concrete surface, rough texture",
"MT_glass_*": "{position} transparent glass, refractive",
"MT_vegetation_*": "{position} with organic plant texture, leaves or grass",
"MT_water_*": "{position} with water surface, fluid, reflective",
"MT_emissive_*": "{position} with glowing emissive surface, light source"
}5.6 最終Prompt組裝
def assemble_generation_request(scene_intent, conditioning_maps):
"""
組裝最終的AI生成請求
返回ComfyUI workflow JSON
"""
# 收集所有文字提示補充
text_supplements = []
for symbol in scene_intent["symbols"]:
if symbol["symbol_id"].startswith("LS_"):
_, ls_text = ls_to_normal_and_text([symbol])
text_supplements.append(ls_text)
elif symbol["symbol_id"].startswith("CA_"):
text_supplements.append(ca_to_text([symbol]))
elif symbol["symbol_id"].startswith("MT_"):
text_supplements.append(mt_to_text(symbol))
elif symbol["symbol_id"].startswith("RD_"):
text_supplements.append(rd_to_text(symbol))
# 組合完整提示詞
final_prompt = ", ".join(filter(None, [
scene_intent.get("text_prompt", ""),
*text_supplements
]))
return build_comfyui_workflow(
prompt=final_prompt,
negative_prompt=scene_intent.get("negative_prompt", ""),
conditioning_maps=conditioning_maps,
generation_params=scene_intent.get("generation_params", {})
)6. AI API整合層
6.1 後端選擇
主要後端：ComfyUI（推薦）
ComfyUI是首選後端，原因：支持完整的ControlNet pipeline（OpenPose/Depth/Normal同時輸入）；支持FLUX.2模型；有詳細的API文件；工作流可視化有助調試；本地部署，保護創作內容。
備用後端：Replicate API（雲端，無需本地GPU）
適合無高性能GPU的使用者。支持FLUX.2和基本ControlNet。API調用更簡單但靈活性略低。
後端配置文件（config.json）：
{
"backend": "comfyui",
"comfyui": {
"host": "127.0.0.1",
"port": 8188,
"model": "flux2_dev.safetensors",
"controlnet_openpose": "controlnet_openpose_flux.safetensors",
"controlnet_depth": "controlnet_depth_flux.safetensors",
"controlnet_normal": "controlnet_normal_flux.safetensors"
},
"replicate": {
"api_key": "YOUR_API_KEY",
"model": "black-forest-labs/flux-dev",
"controlnet_model": "xlabs-ai/flux-dev-controlnet"
}
}6.2 ComfyUI Workflow生成
def build_comfyui_workflow(prompt, negative_prompt,
conditioning_maps, generation_params):
"""
生成ComfyUI API所需的workflow JSON
conditioning_maps: {
"openpose": numpy_array or None,
"depth": numpy_array or None,
"normal": numpy_array or None
}
"""
workflow = {
"1": {
"class_type": "CheckpointLoaderSimple",
"inputs": {"ckpt_name": CONFIG["comfyui"]["model"]}
},
"2": {
"class_type": "CLIPTextEncode",
"inputs": {
"text": prompt,
"clip": ["1", 1]
}
},
# ... 完整workflow節點
}
# 動態添加有效的ControlNet節點
node_idx = 10
prev_model_ref = ["1", 0]
for cn_type, cn_map in conditioning_maps.items():
if cn_map is not None:
# 添加ControlNet加載節點
workflow[str(node_idx)] = build_controlnet_node(
cn_type, cn_map, prev_model_ref
)
prev_model_ref = [str(node_idx), 0]
node_idx += 1
# 添加採樣和解碼節點
workflow["99"] = {
"class_type": "KSampler",
"inputs": {
"model": prev_model_ref,
"positive": ["2", 0],
"negative": ["3", 0],
"latent_image": ["4", 0],
"seed": generation_params.get("seed", -1),
"steps": generation_params.get("steps", 30),
"cfg": generation_params.get("cfg_scale", 7.5),
"sampler_name": "dpmpp_2m",
"scheduler": "karras",
"denoise": 1.0
}
}
return workflow
def send_to_comfyui(workflow):
"""發送workflow到ComfyUI並等待結果"""
import requests
import websocket
import json
# 上傳conditioning圖像
for key, img_array in extract_images_from_workflow(workflow):
upload_image_to_comfyui(key, img_array)
# 提交workflow
response = requests.post(
f"http://{CONFIG['comfyui']['host']}:{CONFIG['comfyui']['port']}/prompt",
json={"prompt": workflow}
)
prompt_id = response.json()["prompt_id"]
# 通過WebSocket等待完成
result = wait_for_completion(prompt_id)
return result6.3 Python SDK 入口點
# viml_sdk/client.py
class VIMLClient:
"""
VIML SDK主客戶端
使用範例：
client = VIMLClient(config_path="config.json")
scene = client.new_scene(size=(1024, 1024))
scene.add_symbol("PA_stand_neutral_001", position=(0.3, 0.5), scale=0.8)
scene.add_symbol("LS_directional_upper_left_hard_001")
scene.add_symbol("CA_eye_level_standard_001")
scene.set_text_prompt("two friends talking, sunny day, urban background")
result = client.generate(scene)
result.save("output.png")
result.show()
"""
def __init__(self, config_path="config.json"):
self.config = load_config(config_path)
self.symbol_registry = SymbolRegistry.load("viml_symbols/index.json")
self.scr_engine = SCREngine(self.symbol_registry)
def new_scene(self, size=(1024, 1024)):
return Scene(size=size, registry=self.symbol_registry)
def generate(self, scene):
# 衝突檢查
conflicts = self.scr_engine.check_conflicts(scene.to_intent_json())
if conflicts["class_a"]:
raise ConflictError(conflicts["class_a"])
# 生成conditioning maps
maps = generate_conditioning_maps(scene)
# 組裝請求並發送
workflow = assemble_generation_request(
scene.to_intent_json(), maps
)
return send_to_backend(workflow, self.config)7. 基礎教學大綱
7.1 教學結構
教學以Jupyter Notebook形式提供，共四個模組：
Notebook 01：快速開始（30分鐘）
1. 安裝 viml-sdk
2. 配置 ComfyUI 後端
3. 第一個場景：放置PA符號 + 簡單文字提示
4. 生成第一張圖 + 查看結果
5. 調整文字提示，觀察效果差異Notebook 02：符號組合基礎（1小時）
1. SC類空間符號：前景/中景/遠景配置
2. LS類光源符號：不同光源方向的效果對比
3. CA類視角符號：俯視/平視/仰視的差異
4. 符號組合示範：PA+SC+LS+CA的完整場景
5. 衝突案例演示：典型Class A衝突及解決方法Notebook 03：意圖迭代精化（1小時）
1. 從MCSI出發：最小完整意圖的生成結果
2. 逐步添加符號：觀察IF的提升
3. 空白意圖的利用：哪些地方不要規定
4. 文字提示與VIML符號的分工配合
5. 多次迭代的工作流程示範Notebook 04：分鏡序列（進階，2小時）
1. 多幀場景的基本概念
2. 時序符號的使用
3. 角色/場景一致性配置
4. 生成3-5幀的簡單分鏡序列
5. 完整分鏡工作流程的結合示範7.2 入門所需ISS子集（最小學習集）
新使用者只需先掌握以下5個符號，即可完成Notebook 01：
| 符號ID | 類別 | 作用 | |--------|------|------| | PA_stand_neutral_001 | PA | 站立人物佔位 | | SC_placeholder_figure_foreground_001 | SC | 前景佔位 | | SC_composition_thirds_001 | SC | 三分法構圖輔助線 | | LS_directional_upper_left_hard_001 | LS | 基本光源 | | CA_eye_level_standard_001 | CA | 平視鏡頭 |
其餘符號在後續練習中逐步引入。
8. MVP實現路線圖
8.1 Phase 0：基礎設施（預估：2週）
- [ ] 建立爬蟲腳本（P1級來源）
- [ ] 配置本地Agent分類工作流
- [ ] 輸出初版ISS符號集（目標：PA×20、SC×10、LS×10、CA×8、MT×5、RD×5）
- [ ] 建立符號集目錄結構和index.json
8.2 Phase 1：核心管道（預估：2週）
- [ ] PA→OpenPose mapping（pa_to_openpose_map）
- [ ] SC→Depth map mapping（sc_to_depth_map）
- [ ] LS→Normal + Text（ls_to_normal_and_text）
- [ ] CA/MT/RD→Text templates
- [ ] ComfyUI workflow生成和調用
- [ ] 基本SCR衝突檢查（Class A only）
8.3 Phase 2：SDK和教學（預估：1週）
- [ ] VIMLClient SDK封裝
- [ ] Notebook 01和02
- [ ] 基本錯誤處理和日誌
8.4 Phase 3：擴充（持續）
- [ ] 擴充ISS符號集至目標數量
- [ ] Notebook 03和04
- [ ] Replicate備用後端
- [ ] IF量化指標初版
- [ ] SCR Class B衝突規則
8.5 MVP完成標準
以下場景可以完整執行，視為MVP達成：
client = VIMLClient()
scene = client.new_scene()
scene.add_symbol("PA_stand_neutral_001", position=(0.3, 0.6), scale=0.7)
scene.add_symbol("SC_placeholder_figure_background_001", position=(0.7, 0.4), scale=0.4)
scene.add_symbol("LS_directional_upper_left_hard_001")
scene.add_symbol("CA_eye_level_standard_001")
scene.set_text_prompt("two people in a coffee shop, afternoon light")
result = client.generate(scene)
result.save("test_output.png")
# 生成的圖像符合：前景站立人物、右後方次要人物、左上方光源、平視視角9. 已知限制與後續擴展方向
9.1 MVP的已知限制
符號→conditioning的轉換精度：PA→OpenPose的骨架轉換在複雜姿態（手部精細動作、面部朝向）上精度有限。SC→Depth的轉換使用簡化的深度分層，不支持複雜的深度漸變。
SCR的不完整：MVP只處理Class A衝突，Class B和C留作後續。某些複雜的跨類別衝突（例如，CA_telephoto與SC的空間配置不匹配）在MVP版本中不被識別。
後端依賴：MVP依賴本地ComfyUI安裝。對無GPU使用者的支持（Replicate後端）在Phase 3才加入。
9.2 後續高優先擴展
視覺化介面：MVP版本是純代碼API。後續需要一個直觀的畫布介面讓使用者拖放符號（Electron桌面應用或Figma插件是候選方向）。
與SAL的整合：若未來SAL系統實現，VIML的符號可以直接對應到SAL的τ（色塊標注）和ρ（連接標注），形成完整的意圖→生成→理解→反饋循環。
ISS動態擴充API：讓使用者提交自己的符號到符號集，通過Agent審核後加入社群符號庫。
文件性質：技術白皮書 v0.1，MVP實現規格 對應理論文件：《VIML視覺意圖標記語言》理論框架論文 版本：v0.1 作者：Neo.K (許筌崴)，EveMissLab (一言諾科技有限公司)，台灣
符號是橋；橋的這頭是意圖；橋的那頭是生成。白皮書是橋的施工圖。