# 🏹 AI 调研 Agent 指南针：全域工序还原（Restoration）指南 (v2.0)

## 核心哲学：精准对标与确定性闭环

> **还原不是探索，而是“按图索骥”。**
> 还原的目标是：消除不确定性。Agent 必须在全网寻找那些已经被证明“成功还原了类似需求”的最佳实践（Best Practice），并提取出直接可用的 **“配方（Recipe）”**。

---

## 一、 还原维度与平台功能定义

| 还原维度                  | 解决的核心问题                       | 核心信源                           | 还原依据                           |
| ------------------------- | ------------------------------------ | ---------------------------------- | ---------------------------------- |
| **视觉还原 (Visual)**     | “如何让生成的图像与目标 1:1 匹配？”  | Civitai, Liblib, 小红书            | 模型 DNA (Prompt + Seed + LoRA)    |
| **功能还原 (Functional)** | “如何实现这个特定的自动化动作？”     | GitHub, browser_use 社区, 官方文档 | 代码逻辑 (API + 脚本 + 环境)       |
| **流程还原 (Workflow)**   | “这一步到下一步怎么接最稳？”         | B站, YouTube, ComfyUI 官方社群     | 操作链路 (节点图 + 逻辑开关)       |
| **细节还原 (Detail)**     | “如何解决重绘边缘不自然等下限问题？” | Reddit, Discord, 掘金/CSDN         | 补丁方案 (Fixes + Advanced Params) |

---

## 二、 平台评价：从“还原”视角出发

### 1. **资产与参数商店 (Civitai / Liblib)** —— **[寻找还原“配方”]**

- **评价**：这是还原视觉效果的“原材料仓库”。
- **还原逻辑**：
- **精准锁定**：通过 Case 反查对应的 Checkpoint 和 LoRA。
- **权重复制**：直接提取 Case 图片中的参数，作为还原的“初始值”。
- **一键复现**：利用平台提供的“生成数据”功能，确保在本地环境下能还原出同等质量。

### 2. **实战演示厅 (B站 / YouTube / 小红书)** —— **[寻找还原“演示”]**

- **评价**：这是还原复杂工序的“动作指导”。
- **还原逻辑**：
- **所见即所得**：视频中能跑通，说明该工具链在特定版本下是有效的。
- **动作模仿**：观察博主在遇到特定 Risk（如边缘溢出）时的实时处理动作。
- **避坑预判**：视频中提到的“注意这个勾选框”是还原成功的关键。

### 3. **工程基建站 (GitHub / 开发者社区)** —— **[寻找还原“引擎”]**

- **评价**：这是还原自动化逻辑的“动力源”。
- **还原逻辑**：
- **版本对标**：寻找与 Pipeline 需求版本最匹配的分支。
- **环境克隆**：通过 `requirements.txt` 和 `Docker` 文件，100% 还原开发环境，避免“在我这跑不通”的问题。
- **Issue 检索**：搜索“如何实现 XXX 效果”，寻找前人的集成经验。

### 4. **疑难修复站 (Reddit / Discord / 知乎)** —— **[寻找还原“补丁”]**

- **评价**：当还原进度卡在 90% 时，这里提供最后的 10%。
- **还原逻辑**：
- **长尾问题解决**：搜索特定的报错信息或效果瑕疵。
- **隐秘参数**：挖掘那些官方文档没写、但社区公认对还原效果有奇效的参数（如 `Clip Skip`, `Denoising strength`）。

---

## 三、 Agent 还原行动协议 (Restoration Protocol)

### Step 1: 还原指纹比对 (Requirement Mapping)

Agent 接收到 Pipeline 后，必须先将 `required_spec` 转化为“还原搜索词”：

- **例**：还原“芒果切块”效果。
- **搜索词**：`FLUX mango pieces LoRA`, `ComfyUI fruit cutting workflow`, `Inpaint mango texture fix`.

### Step 2: 交叉验证“配方”真实性

Agent 必须找到**“工具+用例”**的闭合环路：

1. **路径 A**：在 GitHub 找到了工具（如 `FLUX.1-Fill`）。
2. **路径 B**：在 Civitai 或 B 站找到了使用该工具成功还原出“高一致性物体重绘”的真实 Case。
3. **判定**：只有当 A 与 B 相互印证时，方案才被视为“可还原”。

### Step 3: 输出《还原操作指南》 (The Recipe)

Agent 不只提供工具，而是输出包含以下要素的**决策矩阵**：

- **选定工具**：具体的版本号和分支。
- **核心参数**：为了还原该效果必须设置的关键数值（Master Key）。
- **数据流向**：Input 格式是什么，Output 如何交给下一个 Stage。
- **风险对冲**：如果还原失败，首选的 Alternative 方案是什么。

---

## 四、 给 Agent 的“搜索工具箱” (Query Patterns)

- **视觉还原类**：`【工具】还原【目标效果】的参数配置` / `【目标效果】专用模型下载`
- **工序还原类**：`【工具】实现【步骤名称】的完整 Workflow 导出` / `【工具】连接【工具】的数据转换脚本`
- **避坑还原类**：`为什么【工具】无法还原【目标效果】` / `解决【工具】在【步骤】中的边缘模糊问题`