Loading skill
Install any skill in seconds. Free to start, no credit card required.
Get Started Free →Higgsfield MCP에서 재사용 가능한 인물·사물 일관성 참조를 만듭니다. Soul Character(학습형 identity 모델)와 Reference Element(즉시 생성형 참조) 중 어느 쪽을 써야 하는지 판정하고, 선택된 경로로 생성·조회합니다. 다음과 같은 요청 시 사용하세요: - "내 얼굴로 Soul 만들어줘", "디지털 트윈 학습시켜줘" - "이 캐릭터 계속 똑같이 나오게 해줘" - "나랑 친구 둘 다 나오는 이미지" - "이 제품을 여러 컷에 일관되게 넣어줘" - "학습해둔 캐릭터 목록 보여줘" Soul은 한 사람의 identity에 충실하지만 한 생성에 1개만·soul 계열 모델 전용이고, Element는 즉시 만들어지며 한 프롬프트에 여러 개를 배치할 수 있고 사람이 아닌 대상도 됩니다. 이 분기를 잘못 고르면 되돌릴 수 없는 학습 비용이 발생하므로, 경로가 불명확하면 생성하지 않고 blocker를 반환합니다.
.claude/skills/modu-ai-media-higgsfield-identity/SKILL.md| Test case | Without → With | Effect | Δ tokens | Δ turns |
|---|---|---|---|---|
| case-02 | ✗→✓ | ▲ Improved | 37% | 0% |
| case-03 | ✗→✓ | ▲ Improved | 19% | 0% |
| case-01 | ✗→✓ | ▲ Improved | 121% | 0% |
| case-05 | ✗→✓ | ▲ Improved | 33% | 0% |
| case-06 | ✗→✓ | ▲ Improved | 64% | 0% |
> moai-media | Soul Character · Reference Element 판정과 생성 (코어: media-higgsfield-core)
"같은 인물·같은 캐릭터·같은 제품이 여러 컷에 일관되게 나오게" 하는 두 가지 수단을 다룬다. 두 수단은 대체재가 아니라 서로 다른 제약을 가진 별개 경로이며, 잘못 고르면 학습 시간과 크레딧을 버린다.
호출 계약·namespace 런타임 해석·비용 프리플라이트는 코어를 따른다:
../media-higgsfield-core/references/call-schema.md../media-higgsfield-core/references/catalog-protocol.md../media-higgsfield-core/references/job-lifecycle.mdSoul, Soul ID, 소울, 디지털 트윈, 캐릭터 학습, 얼굴 학습, identity, 캐릭터 일관성, Element, 레퍼런스 엘리먼트, 참조 요소, 재사용 캐릭터, 같은 인물, 같은 제품
| 축 | Soul Character | Reference Element | |---|---|---| | 만드는 방법 | 5~20장 학습 (약 10분, 비차단) | 이미지 1장으로 즉시 생성 (동기) | | 한 생성에 몇 개 | 1개만 | 여러 개 (<<<id>>> 다중 배치) | | 대상 | 사람 1인 | 사람·환경·소품 모두 | | 사용 가능 모델 | soul_2, soul_cinematic 전용 | Nano Banana 계열·GPT Image 2·Seedream·Cinema Studio·Seedance·Kling 등 | | identity 충실도 | 높음 (전용 학습) | 보통 (참조 주입) | | 되돌리기 | 학습 비용 발생 후 | 비용 거의 없음 |
상세 판정 규칙과 지원 모델 전체 목록은 references/soul-vs-elements.md.
아래 신호로 경로를 가른다. 어느 쪽도 확실하지 않으면 생성하지 않고 blocker를 반환한다 — 오케스트레이터가 사용자에게 확인한다. 이 스킬은 사용자에게 직접 질문하지 않는다.
Element로 확정되는 신호 (하나라도 걸리면 Element):
Soul로 확정되는 신호:
양쪽 다 아니면 → blocker. 애매한 상태로 Soul 학습을 시작하는 것이 이 스킬이 막으려는 실패다.
media_upload → 바이트 PUT → media_confirm 순서로 올려 media_id UUID를 얻는다. 완료된 이미지 잡 ID나 https URL도 허용된다.references/training-photo-guide.md. 기준 미달이면 학습을 제출하기 전에 사용자에게 알린다.soul_2, 시네마틱은 soul_cinematic.show_characters(action:'train', name, medias[]). 비차단이며 약 10분 소요.show_characters(action:'status', soul_id). 폴링은 조용히 — 진행 상황을 반복 보고하지 않는다.soul_id를 generate_image의 params.soul_id로 넘긴다. 모델은 soul_2 또는 soul_cinematic.기존 Soul을 찾을 때는 show_characters(action:'list', status:'ready').
medias[] 항목은 {id, url, type} 형태이며 type은 media_input(업로드) 또는 image_job(이전 생성).show_reference_elements(action:'create', medias[]). category는 기본 auto(서버 분류)로 두고, 사용자가 명시할 때만 character/environment/prop을 지정한다. name은 32자 이내이며 생략하면 서버가 자동 부여한다. 동기 반환이다.generate_image/generate_video의 params.prompt 안에 <<<element_id>>> 형태로 끼워 넣는다. 한 프롬프트에 여러 개를 넣을 수 있다.show_reference_elements(action:'list') 또는 action:'get'.> Element 사용 시 프롬프트에 들어가는 <<<id>>> 표기는 내부 메커니즘이다. 결과 보고에서 사용자에게 이 문법을 설명하지 않는다 — 사용자에게는 "그 캐릭터를 넣었다"로 충분하다.
get_cost: true 프리플라이트는 코어 규칙을 그대로 따른다.## Higgsfield 일관성 참조 결과
- 선택 경로: [Soul | Element] — 판정 근거: [걸린 신호]
- 이름: [name]
- 참조 ID: [soul_id | element_id]
- 상태: [ready | training | 생성 완료]
- 사용 가능 모델: [경로별 제약]
- 다음 단계: [generate_image에 어떻게 넘기는지]medias에 그대로 넣지 않는다 — 반드시 업로드해 media_id를 얻는다(코어 call-schema.md §2와 동일 규칙).soul_id는 1개다. 2인 이상 등장 요구를 Soul로 우회하려 하지 않는다.references/training-photo-guide.md.| 스킬 | 시점 | |---|---| | moai-media:media-higgsfield-core | 코어: 호출 계약·비용·namespace | | moai-media:media-higgsfield-image | 후속: 참조를 써서 이미지 생성 | | moai-media:media-higgsfield-video | 후속: 참조를 써서 영상 생성 | | moai-story:story-character-sheet | 선행: 무엇을 학습시킬지(각도·앵커) 설계 | | moai-designer:design-brand-visual | 후속: 브랜드 모델·마스코트 일관성 |
higgsfield-soul-id 스킬 v0.12.0 (MIT). 학습 사진 기준·실패 원인은 이 문서 기반.show_characters / show_reference_elements) — Soul/Element 분기 규칙·지원 모델 목록·업로드 제약의 근거. Evidence tier: 1차.| Case | Status | Duration (ms) | Turns | Tokens | Tool calls | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Without | With | Δ | Without | With | Δ | Without | With | Δ | Without | With | Δ | ||
case-14 | pass→pass | 13,238 | 10,651 | -20% | 1 | 1 | 0% | 2,158 | 3,016 | +40% | 0 | 0 | — |
case-02 | fail→pass | 20,664 | 13,608 | -34% | 1 | 1 | 0% | 2,768 | 3,781 | +37% | 0 | 0 | — |
case-03 | fail→pass | 16,913 | 12,494 | -26% | 1 | 1 | 0% | 2,884 | 3,432 | +19% | 0 | 0 | — |
case-01 | fail→pass | 19,161 | 26,832 | +40% | 1 | 1 | 0% | 2,390 | 5,288 | +121% | 0 | 0 | — |
case-04 | pass→pass | 15,500 | 14,092 | -9% | 1 | 1 | 0% | 1,755 | 3,552 | +102% | 0 | 0 | — |
case-05 | fail→pass | 20,728 | 13,391 | -35% | 1 | 1 | 0% | 2,704 | 3,603 | +33% | 0 | 0 | — |
case-06 | fail→pass | 20,558 | 10,080 | -51% | 1 | 1 | 0% | 2,262 | 3,706 | +64% | 0 | 0 | — |
case-07 | fail→pass | 16,558 | 11,802 | -29% | 1 | 1 | 0% | 2,639 | 4,128 | +56% | 0 | 0 | — |
case-08 | pass→fail | 19,103 | 6,735 | -65% | 1 | 1 | 0% | 2,345 | 3,288 | +40% | 0 | 0 | — |
case-09 | fail→pass | 25,277 | 15,715 | -38% | 1 | 1 | 0% | 1,235 | 3,979 | +222% | 0 | 0 | — |
case-10 | fail→pass | 19,010 | 16,277 | -14% | 1 | 1 | 0% | 2,267 | 4,095 | +81% | 0 | 0 | — |
case-11 | pass→pass | 17,757 | 10,503 | -41% | 1 | 1 | 0% | 1,929 | 3,995 | +107% | 0 | 0 | — |
case-12 | pass→pass | 16,463 | 11,260 | -32% | 1 | 1 | 0% | 1,995 | 3,084 | +55% | 0 | 0 | — |
case-13 | pass→pass | 13,739 | 15,075 | +10% | 1 | 1 | 0% | 2,135 | 3,606 | +69% | 0 | 0 | — |
case-15 | fail→pass | 14,969 | 4,134 | -72% | 1 | 1 | 0% | 1,708 | 2,705 | +58% | 0 | 0 | — |
case-16 | fail→pass | 17,588 | 18,164 | +3% | 1 | 1 | 0% | 2,769 | 4,140 | +50% | 0 | 0 | — |
case-17 | fail→pass | 21,723 | 8,803 | -59% | 1 | 1 | 0% | 2,847 | 2,660 | -7% | 0 | 0 | — |
case-18 | fail→pass | 14,365 | 13,470 | -6% | 1 | 1 | 0% | 2,301 | 3,141 | +37% | 0 | 0 | — |
case-19 | pass→pass | 6,412 | 7,084 | +10% | 1 | 1 | 0% | 1,011 | 2,303 | +128% | 0 | 0 | — |
case-20 | fail→fail | 16,704 | 21,381 | +28% | 1 | 1 | 0% | 2,762 | 4,660 | +69% | 0 | 0 | — |
case-21 | fail→fail | 26,383 | 20,488 | -22% | 1 | 1 | 0% | 3,720 | 4,916 | +32% | 0 | 0 | — |
case-22 | fail→fail | 16,317 | 14,229 | -13% | 1 | 1 | 0% | 2,594 | 4,411 | +70% | 0 | 0 | — |
DecimalAI ran this skill against gemini-3.6-flash twice over the same eval suite — once with the skill loaded and once without — and compared the two runs case by case. 22 cases were attempted. The headline lift of +50 percentage points is the difference between those two pass rates over the 22 comparable cases. 2 cases got worse with the skill loaded, and they are included in that figure.
Without the skill loaded, the model failed this case. With it loaded, the same prompt on the same model passed. This is one improved case from the latest verified run; every case, including any that regressed, is in the table above.
Other measured skills in the registry, with their headline benchmark lift.