2026-10-09 · 27 min read

第十一节:商业生图工作流(Production Workflow)

完整迁移第 11 节原文,从需求接收、素材管理、数据驱动系统到 Prompt 装配建立商业生产流程。

第十一节——商业生图工作流(Production Workflow)

建议我们将前十节的知识真正连接起来,建立一套从需求接收、素材管理、提示词生成、图像制作、批量排版、质量检测到最终交付的完整流程。

第十一节:商业生图工作流(Production Workflow)

GPT 生图从 0 到 1 · 第 11 课 · 从需求接收、批量生成到商业交付

前十节,我们学习了 GPT 生图的各项控制能力:

图片比例、构图、风格、镜头、光影、材质、参考图、文字排版和精确约束。

现在,我们要解决一个更实际的问题:

如何将这些分散的生图技巧,整合成一套能够稳定生产 10 张、100 张,甚至 1000 张商业图片的工作系统?

我们继续使用一个真实的业务场景贯穿本节:

上司安排制作 100 张新能源汽车电动踏板商品主图。品牌 Logo、排版、背景、摄影风格和卖点文案保持统一;不同图片需要更换车型、车辆参考图和对应的踏板产品。

这一节的学习目标不是再写一段更长的提示词,而是掌握一套可以重复执行、发现错误并持续优化的生产流程。

11.1 商业生图的八个生产阶段

END-TO-END IMAGE PRODUCTION PIPELINE

  1. 需求接收(Brief)

    确定图片用途、数量、规格、交付标准

  2. 素材管理(Assets)

    收集车辆、产品、Logo 与风格参考图

  3. 数据与模板(Template)

    拆分常量、变量,建立母版提示词

  4. 输入预检查(Preflight)

    核对适配关系、素材完整性与约束冲突

  5. 图片生成(Generation)

    组合提示词、引用图片,分批执行

  6. 排版合成(Composition)

    叠加准确文字、Logo、卖点与固定版式

  7. 质量验收(QA)

    检查产品、车型、结构、文字与视觉一致性

  8. 交付与归档(Delivery)

    导出、命名、提交、记录版本与结果

这一流程中,需要把三种能力分开:

系统主要职责
AI 图像模型生成和修改视觉内容
模板与自动化程序读取数据、组合提示词、批量排版、管理文件
质量控制系统检查结果,决定通过、修复或重试

商业生图不是一次模型调用,而是一条有输入、有处理、有验收、有交付的生产流水线。

11.2 第一阶段:需求接收(Creative Brief)

上司通常不会一开始就给出完整的图像技术规范。

例如:

给我们所有新能源车型做一套电动踏板主图,统一一下风格,越快越好。

这只是业务需求,并不是可直接执行的生产任务。

我们需要把它转换成结构化的 Brief。

需求模板

Image Production Brief

示例

项目名称新能源汽车电动踏板商品主图
生产数量100 张
发布渠道微信小程序商品列表
画幅比例1:1
统一风格白灰色汽车商业摄影
动态内容车型、参考图、产品 SKU、车型标题
固定内容品牌 Logo、排版、统一卖点
关键要求车型正确、产品适配正确、品牌不变
交付格式PNG / WebP

需求阶段必须识别三个问题

第一,哪些元素必须准确?

例如,车型、产品型号、Logo、价格等。

第二,哪些元素允许 AI 创造?

例如,摄影棚背景、光照氛围、接触阴影等。

第三,哪些元素必须使用原始素材?

例如,需要完全准确的 Logo、二维码,以及不允许改变结构的实物产品。

这三类要求决定后续采用纯生成、局部编辑还是分层合成。

11.3 第二阶段:素材管理(Asset Management)

批量生图最大的管理问题之一,是参考素材混乱。

比如制作第 56 张图片时,程序读取错了车辆参考图,或给某个车型匹配了不适用的踏板图片。

因此需要建立可追踪的素材目录。

推荐项目结构

image-production/
├── briefs/
│   └── project-brief.md
├── assets/
│   ├── brand/
│   │   └── lanhui-logo.png
│   ├── cars/
│   │   ├── aito-m9.png
│   │   ├── li-l9.png
│   │   └── denza-n9.png
│   ├── products/
│   │   ├── step-a.png
│   │   └── step-b.png
│   └── backgrounds/
├── data/
│   └── products.csv
├── templates/
│   ├── prompt-master.md
│   ├── layout-spec.json
│   └── constraints.md
├── outputs/
│   ├── generated/
│   ├── composed/
│   ├── approved/
│   └── rejected/
├── reports/
│   └── qa-report.csv
└── scripts/
    ├── generate.py
    ├── compose.py
    └── validate.py

这套目录结构把素材、数据、模板、生成结果和报告分开。

尤其要注意:原始参考图与最终生成图不能混在一个目录中,否则自动化流程容易引用错误版本。

图片素材也要有元数据

建议记录:

字段作用
asset_id唯一素材标识
asset_type车辆、产品、Logo、背景
file_path文件路径
related_sku关联产品型号
version素材版本
approved是否已通过审核

例如:

CAR-AITO-M9-001 可以指向对应的车型参考图,而不是依靠模糊文件名查找。

11.4 第三阶段:建立数据驱动的生图系统

我们在第八节已经学习了常量与变量。

这一节需要进一步明确:变量并不只有文字,还包括图片、产品映射与输出配置。

四类输入数据

Global Constants

全局常量

品牌 Logo、画幅、背景、字体、布局

Row Variables

行级变量

车型、车辆图片、产品 SKU、标题

Conditional Variables

条件变量

不同产品对应不同安装角度或卖点

Runtime Settings

运行参数

模型、质量、批次大小、重试策略

数据表结构

image_idcar_modelcar_assetproduct_skutitle
IMG-001问界 M9aito-m9.pngSTEP-A问界 M9
IMG-002理想 L9li-l9.pngSTEP-A理想 L9
IMG-003腾势 N9denza-n9.pngSTEP-B腾势 N9

STEP-A 和 STEP-B 仅为演示标识;正式执行时,必须关联已经确认适配的产品资料。

这样每行数据都会形成自己的图像任务,而母版的构图、背景和品牌规范不需要重复填写。

11.5 第四阶段:Prompt Assembly(提示词装配)

在真正的生产系统中,建议不要将所有提示词写成一个无法维护的巨大文本文件。

可以拆分为几个独立模块:

Master Prompt

统一视觉、构图、品牌要求

Row Data

车型名称、车辆参考、产品参考

Constraint Pack

P0 / P1 / P2、编辑范围、禁止事项

Output Spec

图片尺寸、格式、留白、安全区域

Final Prompt · 当前任务完整提示词

可直接用于实际工作的母版

LANHUI · 批量商品主视觉 Prompt V1.0

01. 生产目标

为新能源汽车 制作高质量电动踏板电商商品主视觉。

本次生成的图片后续需要叠加品牌 Logo、车型标题和固定卖点,所以生成阶段不要绘制任何文字。

02. 参考图职责

  • 图片 A():车辆的外观参考。
  • 图片 B():当前 SKU 对应的踏板产品参考。
  • 图片 C():统一的摄影风格与光照参考。

车辆外观以图片 A 为准。 踏板产品设计以图片 B 为准。 图片 C 只负责视觉风格,不允许将其中的车型或产品带入最终画面。

03. 固定视觉规范

  • 比例:1:1。
  • 风格:高级汽车商业摄影。
  • 背景:白色至浅灰色渐变摄影棚。
  • 镜头:三分之四侧前视角。
  • 主体:车辆位于画面中央偏下。
  • 光线:柔和商业摄影棚光照。
  • 阴影:自然、真实的地面接触阴影。
  • 构图:预留顶部约 20% 的标题区域。

04. 动态主体要求

正确展示 的车辆造型。

重点表现已经安装的 电动踏板。

踏板与车身安装位置自然,结构应以真实产品图片及经过审核的安装参考资料为准。

05. P0 核心约束

  • 不改变车辆主要识别特征。
  • 不重新设计踏板产品结构。
  • 不添加错误的支架或机械结构。
  • 不生成其他车型。
  • 不在画面上绘制品牌 Logo、中文标题、价格或二维码。

06. P1 设计约束

  • 背景保持统一。
  • 主体占比保持统一。
  • 摄影风格和镜头角度尽量统一。
  • 车辆主体完整展示。
  • 踏板应清楚可见。

07. P2 可调整内容

允许根据当前车型结构,调整少量反射、阴影与自然高光。

08. 输出与验收

输出符合目标画幅的高质量产品主视觉。

生成后检查车型、产品外观、安装位置、完整性和画面质量。

如果无法可靠保证配件安装结构的真实性,则标记为需要人工复核,不将生成效果图当作真实施工证明。

这里最重要的一点是:生成阶段不需要让 AI 同时绘制 Logo 和中文标题。 把它们留给后续的排版系统,能够显著减少重复修改成本。

11.6 第五阶段:输入预检查(Preflight)

这一环节很容易被忽略,但对 100 张图片的批量生产特别重要。

正式调用图像模型之前,先检查数据是否能够支持生成。

输入预检查清单

  1. 车辆参考图片存在,能够正常读取。
  2. 车型名称与图片内容匹配。
  3. 产品 SKU 存在,已确认适用于目标车型。
  4. 有足够的产品与安装参考资料。
  5. 母版提示词中的变量均有对应数据。
  6. 没有互相冲突的 P0 约束。
  7. 输出尺寸符合所选生成接口的要求。

例如,一条数据引用了 STEP-C,但是素材目录中没有对应的踏板图片,这一条任务就应直接进入 BLOCKED 状态。

不要为了凑满 100 张,让 AI 自行设计缺失的实际产品。

11.7 第六阶段:批量生成(Batch Generation)

执行时建议采用小批量逐步验证的方式,而不是第一次就连续生成全部图片。

建议的生产顺序

Stage 1

3 张试产

不同车型 / 产品 SKU

Stage 2

10 张小批量

验证一致性

Stage 3

剩余 87 张

正式批量生产

这些数量是教学用的示例,可以根据预算、接口限制和任务风险调整。关键是先验证,再扩大规模。

为什么要先试产?

因为一旦母版提示词存在系统性问题,批量运行就会把错误复制到所有图片中。

例如:100 张图片都把车辆放得太大,导致顶部文字排版区域不足。

如果试产时发现这个问题,只需要修改一次母版。

如果全部生成完才发现,就可能需要大规模返工。

任务状态管理

状态含义
PENDING等待处理
BLOCKED输入数据不完整或适配未确认
GENERATING正在调用模型
GENERATED主视觉已生成
COMPOSED文字与 Logo 已合成
REVIEW等待质量审核
APPROVED已通过验收
FAILED不合格,需要处理

每条任务还应记录生成次数、错误类型、所用模板版本和最终文件路径。

11.8 第七阶段:排版合成(Composition)

当 AI 完成车辆主视觉后,进入第二条生产线:确定性图文排版。

统一商品图片母版

LANHUI 蓝辉轻改

专车专用电动踏板

智能伸缩|安全防夹

动态车辆主视觉

铝合金面板 · 专车适配 · 到店施工

母版排版示意,顶部图标为占位符,实际交付必须使用蓝辉轻改官方 Logo。

在这一环节,推荐使用 HTML/CSS、SVG 或图像合成程序实现排版。

原因是它们可以精确控制:

  • 字体和字号。
  • 文字位置与对齐。
  • 品牌 Logo 的原始图形。
  • 安全边距。
  • 商品标题及动态数据。
  • 最终输出尺寸。

如果后续要修改固定副标题,只需要更新排版母版,不必重新生成所有车辆素材。

11.9 第八阶段:质量检测(Quality Assurance)

商业图片的验收不能只评价“好不好看”。

我们需要把质量检测拆成三个层次。

L1 · 自动化基础检测

适合通过程序自动完成:

  • 文件是否存在。
  • 图片是否能够正常打开。
  • 宽高比例、像素尺寸是否正确。
  • 文件大小是否合理。
  • 输出文件名是否符合规则。
  • 参考图及 SKU 映射是否完整。
  • 已排版的文本数据是否与业务数据一致。

L2 · 视觉辅助检测

可以使用视觉模型辅助判断:

  • 车辆是否与目标车型大致匹配。
  • 主体是否被裁切。
  • 背景是否存在明显异常。
  • 图片是否出现额外人物、物体。
  • 是否符合统一风格。

但这些判断并不总是准确,尤其不应让视觉模型单独确认真实产品适配关系。

L3 · 人工业务审核

需要专业人员核对:

  • 车型识别细节。
  • 踏板是否真实适配。
  • 安装效果是否具有误导性。
  • 产品规格和卖点是否有依据。
  • 需要作为真实施工记录的图片是否确实来自实际施工。

质量检测分流

生成图片 + 对应业务数据

自动检查 · 文件 / 比例 / 数据 / 模板

视觉辅助检查 · 外观 / 结构 / 布局

人工业务复核 · 产品真实性

APPROVED

进入正式交付

FAILED / REVIEW

修复或重试

失败后怎么处理?

建议按照问题类型选择修复方式。

错误类型处理方式
背景不理想局部编辑背景或重新生成
画幅错误检查输出配置及裁切规则
中文错别字修改排版层,重新导出
Logo 错误使用原始品牌素材替换
车型结构错误回到正确车型参考图重新生成
踏板结构或适配错误暂停任务,核对真实产品资料
车辆主体位置不统一调整母版 Prompt 或标准化合成
多轮编辑导致漂移回退到最近的合格版本

尤其要注意:如果错误来自母版,不应该只修复当前图片,而应该先修改母版,再检查所有使用该版本生成的图片。

11.10 第九阶段:交付与归档(Delivery & Archiving)

虽然实际主流程可归纳为八个阶段,但在正式项目中,值得将交付单独作为管理环节。

一个可交付的图片批次,除了最终图片,还应保留生产记录。

推荐输出目录:

delivery/
├── approved-images/
│   ├── IMG-001-aito-m9.png
│   ├── IMG-002-li-l9.png
│   └── IMG-003-denza-n9.png
├── thumbnails/
├── manifest.csv
├── qa-report.csv
├── template-version.txt
└── delivery-notes.md

其中:

manifest.csv 用于记录图片与车型、SKU 的对应关系。

qa-report.csv 用于记录通过与失败的检查项。

template-version.txt 用于标识当前使用的母版版本。

这些文件能够帮助后续人员找到图片来源,以及在发生产品或文案更新时快速重新生产。

11.11 实战:100 张商品图生产计划模拟器

我们可以使用下面的交互工具,模拟批量生图任务量、生成成本与预计生产时间。

这里的成本和耗时均为用户自定义的估算参数,不代表具体模型的当前报价或性能。

目标合格图片数量

100 张

每次生成未通过的假设概率

15%

单次成本 ($)

每次耗时 (秒)

并行任务数

预计生成尝试次数

118

预计图像生成费用

$23.60

估算生成用时

23 分钟

预计额外尝试次数

18

计算采用每次独立生成具有相同通过概率的简化模型。未计算接口排队、限流、上传下载、排版、人工验收、失败上限和其他费用;实际生产时间与费用可能更高。

通过这一练习,我们可以理解:批量生图真正需要优化的不只是每次生成的价格,还包括一次通过率和返工成本。

如果能够通过准确的参考图、完整数据和成熟的母版降低失败率,整个项目的成本就可能下降。

11.12 完整的商业生图任务规范

这是我建议你后续交给 Hermes Agent、Python 脚本或其他自动化系统使用的任务说明。

AI Commercial Image Production · Workflow Spec V1.0

一、项目目标

为指定商品数据批量生成符合品牌规范的商业视觉图片。

二、输入

  • 业务需求 Brief
  • 商品与车型数据表
  • 车辆参考图片
  • 产品真实参考图片
  • 原始品牌 Logo
  • 视觉风格参考
  • 排版母版
  • 质量验收规则

三、生产流程

Step 1 · 读取任务

获取所有商品记录。

检查商品名称、车型、SKU、参考图片和输出要求。

Step 2 · 素材预检查

确认所有必要文件存在。

确认车型与产品适配关系已经经过业务验证。

缺少关键资料的任务标记为 BLOCKED,不允许自行编造。

Step 3 · 装配提示词

加载 Master Prompt。

注入当前行的变量。

加载对应的车辆与产品参考图。

加载 P0/P1/P2 约束。

生成本次任务的最终 Prompt。

Step 4 · 生成主视觉

调用可用的图像生成接口。

生成不含品牌文字、Logo、二维码的产品主视觉。

保存输出、任务 ID、模型信息、模板版本与生成记录。

Step 5 · 图文合成

使用固定排版模板。

叠加原始品牌 Logo。

通过真实字体渲染商品名称、卖点和其他信息。

严格遵守画幅与安全区域要求。

Step 6 · 质量检测

执行自动文件检查。

执行视觉辅助检查。

对产品适配、结构与宣传真实性进行人工复核。

出现 P0 错误时不得通过验收。

Step 7 · 失败处理

区分数据、生成、排版和业务错误。

可自动修复的问题执行有限次数重试。

无法确认的产品问题交由人工处理。

禁止无限重试。

Step 8 · 输出交付

导出合格图片。

统一文件命名。

生成任务清单、质量报告与交付说明。

Step 9 · 版本归档

保存母版版本。

保存原始素材与输入数据映射。

保留通过验收的主视觉与最终成品。

支持后续产品更新与重新生成。

四、系统约束

  • 不得伪造产品参数、安装效果和适配信息。
  • 不得重新绘制要求完全一致的 Logo 或二维码。
  • 不得把 AI 效果图标记成真实施工照片。
  • 生成失败必须记录原因。
  • 所有最终交付素材必须可追溯。
  • 母版更新必须具有版本记录。

五、完成标准

只有满足以下条件的图片才进入正式交付:

  1. 图片文件有效。
  2. 主体与数据匹配。
  3. 产品结构和适配经过确认。
  4. 品牌及文字准确。
  5. 构图与视觉风格符合母版要求。
  6. 通过最终审核。

11.13 博客教学配图规划

为了让这一节保持图文教学风格,建议制作以下 8 张图片。

编号教学图片内容
11-01商业生图完整生产流水线从 Brief 到 Delivery
11-02素材目录与引用关系车辆、产品、Logo、背景
11-03常量与变量体系母版 + 车型数据
11-04提示词自动装配数据行如何变成完整 Prompt
11-05三张试产图片对比检查风格统一性
11-06AI 主视觉与品牌排版分层生成层 + 文字层
11-07图片质量验收与修复P0 错误、PASS / FAIL
11-08100 张商品图生产看板任务状态、进度、结果

建议其中 11-03、11-06、11-08 采用结构化信息图或真实工作界面截图进行教学,而不是依赖纯 AI 绘图制作复杂文字表格。这样可以保证字段、流程箭头和标签准确清晰。

11.14 本节总结:从 Prompt Engineering 到 Image Production Engineering

通过前十节,我们主要掌握的是控制单张图片的能力。

第十一节开始,我们建立的是组织一批图片生产任务的能力。

可以用下面的公式总结:

商业生图系统 = 标准化需求 + 素材管理 + 结构化数据 + Prompt 母版 + 自动化生成 + 确定性排版 + 质量验收 + 版本归档。

我们最终追求的不是“100 张图片能不能生成出来”,而是:

能否把 100 张图片生产成一批风格统一、内容准确、修改成本可控、能够正式交付的商业素材。

搜索全站

输入关键词,查找项目与实践记录。