从反复抽卡到工作流：我如何重构 AI 商品图 Agent

复盘我如何把 AI 商品图从逐张临场决策、反复重抽和自动审核，重构为先规划整套视觉、再由生成阶段纯执行的 Agent 工作流。

项目地址：apexcheng/ecommerce-product-image-agent

我一开始只是想解决一个很直接的问题：让 AI 帮我做商品主图和详情图。

最早的思路也很自然。提供商品资料，分析竞品，生成图片计划，然后一张一张出图。某张图不好看，就改 Prompt；产品变形，就加真实产品图；构图重复，就让 Agent 看看前面已经生成了什么；出图后再做一轮事实审核和美学审核。

每一步单独看都合理，但组合起来以后，流程越来越重，结果却没有稳定变好。

真正的转折，是我不再把问题理解成“怎么写一个更强的 Prompt”，而是开始重新设计整套工作流。

这次重构改了什么

这次重构最重要的变化，不是新增了多少规则，而是把不同类型的决策分开了。

以前，策略、视觉设计、Prompt、生成和审核经常混在同一个循环里。现在则要求每一层只负责自己的事情。

一、我最初的问题不是不会生图，而是工作流没有边界

最初版本其实已经有完整流程：商品资料、竞品分析、卖点提炼、计划文档、用户确认、单图任务、视觉导演、生成和审核。

问题是，很多关键决策发生得太晚。

例如一张图真正准备生成时，Agent 还要临场判断：

• 这张图应该是什么信息密度；
• 第一、第二、第三视觉分别是什么；
• 产品要放多大、从什么角度出现；
• 前景、中景、背景怎么组织；
• 和前几张图会不会太像；
• 当前应该带哪些参考图；
• 最终 Prompt 到底怎么写。

这会带来几个很典型的问题。

1. 单张图能看，整套图却像同一个模板

逐张生成时，Agent 很容易反复使用熟悉的视觉解法：同样的产品角度、同样的居中构图、同样的卡片排列、同样的浅色背景。

每张单独看都可能“没什么问题”，但十张放在一起，变化只剩下文案。

2. 为了保真把产品锁得太死，最后只能复刻业余实拍

另一个极端是，看到产品变形以后，不断加强“必须和参考图一模一样”。

这样确实更保守，但也会把原始拍摄机位一起锁死。用户不是专业摄影师，实拍图可能只是为了说明产品结构，并不适合直接成为最终电商构图。

3. 自动审核越来越复杂，流程却越来越慢

每生成一张图，再让 Agent 做事实审核、美学审核、同组差异检查，看起来很自动化。

但这意味着它要重新读取上下文、回看历史图片、重新判断差异、重新分析问题。很多本来应该在规划阶段解决的事情，被拖到了生成后重复处理。

4. 规则越写越多，反而出现规则漂移

同一套流程一度同时写在总规则、Skill、SOP、视觉指南和运营说明里。

修改一处以后，其他地方没同步，就会出现真实冲突：一个文件说“用户确认后再做视觉设计”，另一个文件已经改成“确认前做完”；一个地方还要求自动审核，另一个地方已经决定删除自动审核。

这让我意识到：问题已经不是 Prompt，而是系统设计。

二、真正的转折：把 WHAT、WHY、HOW 和 EXECUTION 拆开

重构以后，我把整套项目拆成几类不同职责。

职责拆开以后，最关键的边界变成：

商品图总入口 = 决定讲什么、为什么这样排
视觉导演       = 决定整套怎么画
生成工具       = 按确认结果执行
人工           = 确认方向、审查结果、提出定向修改

这个边界解决了很多以前反复出现的问题。

竞品分析不能因为“别人都在讲某个卖点”，就把它自动写成自己的商品事实；评价分析也不能因为几条好评，就直接升级成核心卖点；视觉导演更不能为了画面丰富，修改上游已经确认的商品结构和功能。

每一层都可以很聪明，但不能越权。

三、当前真正执行的流程

这条流程里最重要的中间产物，不是某个 Prompt，而是一份完整计划。

我会把整套策略和执行要求写进同一份计划文档。它至少要能回答：

• 商品事实是什么，哪些不能猜；
• 竞品和用户反馈提供了什么信号；
• 一级、二级、三级卖点分别是什么；
• 每张主图和详情图为什么存在；
• 整套视觉语言是什么；
• 同组图片如何避免重复；
• 每张图用什么产品依据；
• 每张图的最终 Prompt 是什么。

计划文档不能只写“简约高级”“突出卖点”“有空间感”这种方向词。

用户确认以后，生成阶段必须可以直接执行，不再补做关键设计决策。

四、我在这次重构里真正学到的八件事

1. 真实产品图锁定的是商品事实，不是拍摄机位

这是整个项目里最重要的一次认识变化。

真实产品图应该严格锁定：

• 产品结构；
• 颜色；
• Logo；
• 按键、接口和局部结构；
• 功能、参数和配件。

但它不应该默认锁死：

• 产品旋转角度；
• 相机视角；
• 俯视或平视程度；
• 产品朝向；
• 画面中的位置和尺度；
• 不改变结构前提下的透视关系。

我现在更认同一句规则：

产品依据真实，视觉表达大胆。

如果完全自由，产品会变形；如果完全锁死，AI 只能复刻原始实拍。真正需要控制的是事实边界，而不是把所有视觉自由都删除。

2. 丰富度不是多放几个元素

我曾经遇到一个很明显的问题：图片不一定难看，但总觉得“空”。

一开始很容易把丰富度理解成多加设备、多加图标、多加参数、多加装饰。结果通常只是从空变成乱。

后来我把一张商品图可能包含的内容拆成六类：

核心信息
+ 产品主体
+ 卖点证明
+ 使用场景
+ 辅助信息
+ 环境氛围

这些模块不是越多越好，而是要服务当前图片任务。

首图可以只有产品、一句核心信息和少量辅助元素；参数图可以是高信息密度，但必须有清楚的主次；复杂卖点图可以同时有主题、证明、场景和产品英雄位，但不能让所有元素抢第一视觉。

3. “高级感”和“空间感”必须被翻译成执行语言

“高级、简约、有空间感”这些词对人有感觉，对执行却不够具体。

真正可执行的描述应该回答：

• 第一眼看什么，第二眼看什么，第三眼看什么；
• 产品占画面多大；
• 背景、中景、前景分别是什么；
• 哪些元素有大小差、前后错位和遮挡；
• 光源从哪里来；
• 阴影如何让物体真正落在空间里；
• 信息卡片是证明层，还是辅助层。

这也是我后来不再直接从抽象审美词写 Prompt 的原因。

4. 同组差异化必须一次规划，而不是生成后比较

现在我会分别为主图组和详情图组建立差异化矩阵。

每张图横向比较：

• 产品角度；
• 镜头视角；
• 构图骨架；
• 产品位置和尺度；
• 场景；
• 前中后空间关系；
• 信息模块分布。

目标不是让每张图完全不同，而是避免同一组图片反复使用同一种视觉解法。

一旦矩阵确认，生成下一张图时就不需要重新回看所有历史图片，再临场判断“会不会太像”。

5. Prompt 应该是设计结果，而不是设计过程

我现在写 Prompt 的顺序已经完全反过来了。

先确定图片任务
↓
选择构图骨架
↓
设计视觉层级
↓
设计空间和丰富度
↓
确定产品角度与输入图片
↓
最后写最终 Prompt

也就是说，Prompt 不是起点，而是视觉设计的序列化结果。

如果画面本身还没想清楚，继续给 Prompt 加形容词通常不会解决问题。

6. 生成阶段应该越来越“笨”

现在的生成阶段只做这些事情：

读取已确认的单图任务
→ 定位指定输入素材
→ 原样使用最终 Prompt
→ 调用统一生成工具
→ 分类保存结果

它不再重新做 Art Direction，不重新判断信息密度，不重新比较同组差异，也不擅自改写 Prompt。

这是我这次重构里最明显的工程化变化：复杂度前移到规划阶段，执行器越简单越稳定。

7. 自动审核不是越多越好

我最后把自动图片内容审核从主流程里删掉了。

不是因为事实和美学不重要，而是因为很多问题本来就应该在生成前被约束：商品事实写进边界，视觉语义写进任务，差异化提前规划，输入图片角色提前确定。

出图以后，用户本来就会看最终图片。

现在的处理方式更直接：

产品或事实错误
→ 修产品依据或生成约束

画面太空、太乱、层次不足
→ 只调整这张图的视觉设计和 Prompt

局部问题
→ 优先定向编辑当前结果

整套方向错误
→ 只有明确确认后才回到整套规划

Agent 步骤更多，不等于系统更可靠。

8. 修改必须区分“小修”和“正式设计改变”

现在判断一条反馈要不要回写计划，我只问一个问题：

如果从零重新生成这张图，这个修改还必须保留吗？

如果答案是否定的，它只是当前成品的小修，直接定向修改即可。

如果答案是肯定的，它就是正式设计改变，需要同步更新这张图的任务、输入和最终 Prompt。

两种情况都只处理受影响的图片，不因为一张图有问题，就重新规划整套商品图。

五、单一事实来源，比继续加规则更重要

这次项目审查还解决了一个很典型的问题：同一套规则被复制到太多文件里。

最后我把规则收敛成：

完整端到端流程
→ 只维护一份 SOP

详细视觉方法
→ 只维护一份 Art Direction 指南

总规则和入口 Skill
→ 只保留路由、职责、硬边界和引用

运营指南
→ 只解释怎么使用，不复制完整 Agent 内部规则

这和代码里的 Single Source of Truth 是同一个问题。

一套 Agent 工作流如果长期迭代，最大的维护风险往往不是缺规则，而是同一条规则在五个地方都有一份“差不多的版本”。

六、技术层最后只保留一个统一生成入口

图片生成和图片内容编辑统一走同一个 CLI。它支持文本 Prompt、Prompt 文件、单张或多张参考图、可选 Mask、尺寸、质量和输出格式。

公开层面只需要类似这样的调用：

python generate.py \
  --prompt-file prompt.txt \
  --image product-front.jpg \
  --output output.png \
  --size portrait \
  --quality high

密钥放在本地私有配置中，由 Git 忽略；仓库只保留 example 配置。

本地工具不再负责修改商品图像素内容，只做文件读取、尺寸检查、复制、重命名和整理。这样可以避免生成模型和本地图片处理脚本同时修改成品，导致工作流越来越难追踪。

七、这套方法适合什么，不适合什么

这套流程的价值不在于把所有图片任务都做复杂，而是让复杂项目在真正需要的地方变得可控。

最后：我现在更关心 Workflow，而不是一次生成结果

回头看，这个项目最初的问题并不是 AI 不够强。

真正的问题是：我把太多责任交给了最后一次生成调用。

希望模型同时理解商品事实、市场竞争、用户痛点、整套图片顺序、审美方向、空间关系、同组差异，还要自己决定参考图和 Prompt。只要其中一层没想清楚，最终结果就会像抽卡。

现在我更相信三条规则：

1. 事实和视觉自由要分开。 商品结构必须真实，但相机机位和视觉表达不必被业余实拍锁死。
2. 关键设计决策要前移。 整套 Art Direction、差异化和最终 Prompt 应该在用户确认前完成。
3. 生成阶段应该退化成执行器。 规划越清楚，真正出图时需要重新思考的事情就越少。