🧠 图解记忆： 参数化差异（Seed、风格、角度、光照）适合规则，语义级变化适合 LLM，生产中用规则定边界、LLM 造变体并去重验收。

💡 答案要点

两种方案对比：

方案	实现方式	优点	缺点
预设规则	固定参数组合（seed/风格/角度枚举）	确定性强，可控，低成本	多样性有限，人工维护规则
LLM 判断	让 LLM 生成差异化 Prompt	多样性强，理解语义	成本高，结果不可预期
混合方案	规则框架 + LLM 局部变化	平衡可控性和多样性	实现复杂度中等

推荐：混合方案（工程实践）

展开 Python 代码示例（40 行）

class ImageDiversityStrategy:
    # 预设规则：控制结构化变量（确定性）
    STYLE_VARIANTS = ["realistic", "anime", "oil painting", "sketch"]
    ANGLE_VARIANTS = ["front view", "side view", "top view", "3/4 view"]
    LIGHTING_VARIANTS = ["studio lighting", "natural light", "dramatic lighting"]

    async def generate_diverse_set(
        self, base_description: str, count: int = 4
    ) -> list[str]:
        """生成多样性图像集合"""

        # 策略1：预设规则控制风格/角度（低成本，高可控）
        rule_variants = [
            f"{base_description}, {style}, {angle}"
            for style, angle in zip(
                self.STYLE_VARIANTS[:count],
                self.ANGLE_VARIANTS[:count]
            )
        ]

        # 策略2：LLM 生成语义差异化描述（高多样性）
        llm_variants = await self._llm_diversify(base_description, count)

        # 策略3：不同 Seed（同 Prompt 不同随机结果）
        seeds = [random.randint(0, 2**32) for _ in range(count)]

        return [
            await self.sd_client.generate(prompt=p, seed=s)
            for p, s in zip(llm_variants, seeds)
        ]

    async def _llm_diversify(self, description: str, count: int) -> list[str]:
        """LLM 生成语义差异化的 Prompt 变体"""
        response = await llm.complete(f"""
        基于以下描述，生成 {count} 个有显著差异的图像描述变体。
        要求：内容主题相同，但在构图、风格、角度、色调上有明显差异。
        原始描述：{description}
        输出 JSON 数组，每项是一个英文 SD Prompt。
        """)
        return json.loads(response)

判断标准（是否需要 LLM 介入）：

简单多样性需求 → 预设规则（seed变换 + 参数组合）
语义差异化需求 → LLM 生成Prompt变体
内容连贯性需求 → LLM 全程控制（如故事板生成）

面试话术：

示例表达（仅在能用本人经历或可复现实验佐证时使用）： "我们用混合策略：结构化的多样性（风格、角度、光线）用预设规则枚举，成本低且可控；语义层面的差异化（同一主题不同叙事视角）用 LLM 生成 Prompt 变体。判断规则是：如果多样性需求可以用参数描述，就用规则；如果需要理解语义意图，就用 LLM。生产中 80% 场景规则就够了。"