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
-
需求接收(Brief)
确定图片用途、数量、规格、交付标准
-
素材管理(Assets)
收集车辆、产品、Logo 与风格参考图
-
数据与模板(Template)
拆分常量、变量,建立母版提示词
-
输入预检查(Preflight)
核对适配关系、素材完整性与约束冲突
-
图片生成(Generation)
组合提示词、引用图片,分批执行
-
排版合成(Composition)
叠加准确文字、Logo、卖点与固定版式
-
质量验收(QA)
检查产品、车型、结构、文字与视觉一致性
-
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_id | car_model | car_asset | product_sku | title |
|---|---|---|---|---|
| IMG-001 | 问界 M9 | aito-m9.png | STEP-A | 问界 M9 |
| IMG-002 | 理想 L9 | li-l9.png | STEP-A | 理想 L9 |
| IMG-003 | 腾势 N9 | denza-n9.png | STEP-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
- 车辆参考图片存在,能够正常读取。
- 车型名称与图片内容匹配。
- 产品 SKU 存在,已确认适用于目标车型。
- 有足够的产品与安装参考资料。
- 母版提示词中的变量均有对应数据。
- 没有互相冲突的 P0 约束。
- 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:
- 图片文件有效。
- 主体与数据匹配。
- 产品结构和适配经过确认。
- 品牌及文字准确。
- 构图与视觉风格符合母版要求。
- 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 |
| 11-06 | AI 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 |
| 11-08 | 100 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。