LLM + 图像处理的第一步：用自然语言驱动调色逻辑

一、起因：调色不该这么复杂

图像调色虽然看似只是微调一些滑块，实际上涉及多个关联参数：色温、亮度、对比度、饱和度、阴影、高光等等。对于普通用户来说，这些名词本身就不够直观，更别说理解它们之间的相互影响。即便是熟悉图像处理的用户，调出理想效果也往往需要多次尝试与回退。

我在开发图像编辑器 Monica(https://github.com/fengzhizi715/Monica) 的过程中，一直希望降低调色门槛。于是，我开始尝试一个思路：能否用自然语言来驱动参数，让用户说一句话，比如“让肤色冷一点”，系统就能自动完成一系列合理的参数调整？

随着近年来大模型（LLM）在语言理解和结构化输出方面的能力逐渐成熟，这个目标不再只是想象。我尝试接入一个 LLM 模型，为 Monica 增加一个「自然语言调色助手」。

二、我的方案：LLM + 参数结构

为了让大模型具备调色能力，我使用了 DeepSeek 提供的 API 接口。它支持中文自然语言输入，并且能够输出结构化 JSON 格式，便于程序直接解析使用。

用户每次输入一句自然语言指令，比如“肤色偏黄，冷一点”，我会将当前的调色参数作为上下文信息，一起发送给模型。模型返回的结果是一组结构化的参数调整结果，例如：

{
  "temperature": 200,
  "status": 5
}

其中各项参数值直接对应 Monica 的定义好的调色参数结构 ColorCorrectionSettings:

data class ColorCorrectionSettings(
    val contrast:Int = 255,     // 对比度，范围 0-510
    val hue:Int = 180,          // 色调，范围 0-360
    val saturation:Int = 255,   // 饱和度，范围 0-510
    val lightness:Int = 255,    // 亮度，范围 0-510
    val temperature:Int = 255,  // 色温，范围 0-510
    val highlight:Int = 255,    // 高光，范围 0-510
    val shadow:Int = 255,       // 阴影，范围 0-510
    val sharpen:Int = 0,        // 锐化，范围 0-255
    val co