2026-10-09 · 34 min read

第二十四节:提示词工程化与模板系统(Prompt Engineering System)

完整迁移第 24 节原文,把提示词拆成 Master Prompt、变量、Schema、素材管理、批量生产和 QA 系统。

第二十四节:提示词工程化与模板系统(Prompt Engineering System)

GPT 生图从 0 到 1 · 第 24 课 · Master Prompt、变量槽位、JSON Schema、批量生成、版本管理、质量验收与 Prompt Library

前二十三节,我们已经系统学习了如何通过提示词控制图片的构图、镜头、光影、色彩、材质、主体一致性、商业表现以及参考图风格。

但如果我们要为一个品牌制作 100 张商品主图,会遇到一个新的问题:

难道要手动写 100 次提示词、上传 100 次参考图、检查 100 次输出,再逐张修改吗?

显然,这不是理想的商业生产方式。

第二十四节,我们要将生图提示词从一段自然语言,升级成一套可管理的工程系统:

Prompt Template + Product Data + Reference Assets + Generation + QA + Version Control

本节我们将完成以下学习目标:

  • 建立可复用的 Master Prompt。
  • 将固定规则与可变内容分离。
  • 使用 JSON Schema 约束输入数据。
  • 理解批量生图的任务调度和状态管理。
  • 建立提示词版本控制机制。
  • 设计自动化与人工结合的质量验收。
  • 建立可检索、可复用的 Prompt Library。
  • 最终完成一个 100 张新能源汽车商品主图的工程案例。

24.1 为什么普通 Prompt 不适合规模化生产?

首先对比两种工作方式。

传统手工生图

编写提示词

上传参考图片

生成、修改、保存

每个 SKU 都重新操作,容易出现规则遗漏和文件混乱。

工程化生图

统一 Master Prompt

产品数据 + 参考素材

批量生成 + 质量验收

统一规则、独立变量、可追溯版本和可重试任务。

工程化的目的不是让所有生成步骤都完全自动化,而是减少重复工作、降低错误概率,并提高结果的可追溯性。

24.2 第一部分:提示词系统的八大组成模块

PROMPT ENGINEERING SYSTEM · 8 MODULES

01 · Master Prompt

主提示词

全局视觉规范和基础要求

02 · Variable Slots

变量槽位

车型、颜色、产品、比例

03 · Reference Assets

参考素材管理

Logo、车辆、产品、背景

04 · Schema Validation

数据结构校验

检查字段、类型和必填项

05 · Batch Orchestration

批量任务调度

队列、并发、重试、状态

06 · Version Control

模板版本管理

变更记录和回退

07 · Quality Assurance

质量验收

尺寸、文字、结构和人工复核

08 · Prompt Library

模板知识库

检索、复用和持续改进

这八个模块并不一定要依靠大型软件平台实现。最初可以使用 Markdown、JSON、CSV 和简单的 Python 脚本搭建,后续再接入自动化系统。

24.3 第二部分:Master Prompt 主提示词

Master Prompt 是整个系统的核心。

它负责存储批量生产中相对稳定的规则,例如:

  • 画面背景。
  • 品牌视觉规范。
  • 构图方式。
  • 光影风格。
  • 产品真实性要求。
  • Logo 和文字的处理规则。
  • 最终验收标准。

一个重要原则:Master Prompt 不应该包含每个商品独有的数据

例如:

“展示问界 M9”应该是变量,而不是写死在用于所有车型的模板中。

Master Prompt 示例

MASTER PROMPT · Automotive Product Image V1.0

角色

你是一名专业汽车配件商业视觉设计师。

任务

根据输入的车型、产品信息和参考素材,制作汽车配件电商商品主视觉。

全局设计规范

  • 使用白色至浅灰色渐变背景
  • 采用高端汽车商业摄影风格
  • 画面简洁、干净,具有轻微科技感
  • 产品或车辆为唯一主要视觉主体
  • 保持充足留白
  • 光线柔和、真实、自然
  • 不添加无关场景或物体

参考素材职责

车辆参考图:控制车型外观。

产品参考图:控制产品结构与材质。

安装参考图:控制产品安装位置。

品牌 Logo:仅用于最终设计合成,不由生成模型重新绘制。

产品结构要求

保持参考产品的主要结构、颜色和材质。

禁止擅自改变产品型号、结构或品牌标识。

涉及车型适配时,以已经核实的产品适配资料为准。

图像输出

目标画幅由输入变量指定。

主体应完整进入画面。

为后续标题和商品卖点保留安全区域。

文字与品牌处理

优先生成无文字主视觉。

精确标题、参数、价格、Logo 和二维码使用独立图层完成合成。

验收规则

P0:车型和产品 SKU 对应正确,结构与关键品牌信息无误。

P1:构图、材质、光照、透视和安装关系合理。

P2:背景与非关键氛围细节可调整。

发现 P0 错误时,不进入正式交付。

在工程实践中,可以将主提示词视为一个稳定的模板文件,而不是每次生成时都手动复制修改。

24.4 第三部分:变量槽位(Variable Slots)

变量槽位是将同一个 Prompt 复用到不同产品的关键。

例如:

`{{PRODUCT_NAME}}`
`{{VEHICLE_MODEL}}`
`{{BODY_COLOR}}`
`{{PRODUCT_REFERENCE}}`
`{{ASPECT_RATIO}}`
`{{CAMERA_ANGLE}}`

每次生产时,系统从产品数据表中读取相应字段,将它们填入模板。

变量分类

类型示例作用
主体变量车型、商品型号控制生成对象
外观变量颜色、材质、款式控制主体外观
镜头变量正面、侧面、3/4控制摄影方式
布局变量1:1、3:4、16:9控制目标构图
素材变量车辆图、产品图提供参考依据
业务变量SKU、商品名称将图片绑定到业务数据

变量不一定越多越好

假设一个商品系列需要固定摄影角度,那么 CAMERA_ANGLE 可以写在 Master Prompt 中,不一定需要作为每个 SKU 的独立变量。

稳定的规则应尽量固定,只有真正需要变化的内容才成为变量。

交互演示:变量替换

车型变量

产品变量

电动踏板

车身颜色

图片比例

1:13:416:9

变量替换后的最终 Prompt

生成一张 1:1 的高端汽车配件电商商品主视觉。 车辆:问界 M9。 产品:电动踏板。 车身颜色:金属蓝。 使用白色至浅灰色摄影棚背景,三分之四侧前视角,光线柔和,主体完整,四周留白。 车辆与产品的真实外观以当前 SKU 对应的参考图为准。未经核实不得自行推断产品适配或安装结构。 不生成精确文字、Logo 或二维码,预留后期排版区域。

复制提示词

这里需要说明:变量替换只是完成提示词组装,不代表已完成参考图绑定、产品适配核验或实际图片生成。

24.5 第四部分:使用 JSON Schema 规范输入数据

当我们需要处理几百款商品时,不能只依赖散乱的文字描述。

例如同一个字段,有人写:

车辆:问界 M9

另一个人写:

车型名称:M9

还有人写:

适用车型:问界M9

人类能理解这些描述,但自动化程序未必知道它们是否代表同一个字段。

所以我们需要制定统一的数据结构。

24.5.1 什么是 JSON Schema?

JSON 是一种用于表达结构化数据的格式。

JSON Schema 则用于定义数据应该包含哪些字段、字段属于什么类型、是否必填,以及允许哪些取值。

例如,一条商品任务数据可以写成:

{
  "task_id": "IMG-0001",
  "sku": "STEP-M9-001",
  "product_type": "electric_running_board",
  "vehicle": {
    "brand": "问界",
    "model": "M9",
    "year": 2026
  },
  "body_color": "metallic_blue",
  "aspect_ratio": "1:1",
  "camera_angle": "front_three_quarter",
  "references": {
    "vehicle_image": "assets/vehicles/m9.png",
    "product_image": "assets/products/step-001.png",
    "installation_image": "assets/fitment/m9-step.png"
  },
  "fitment_verified": true
}

以上 SKU、年份和素材路径均为示例数据,不表示实际存在或已验证适配。

24.5.2 用 Schema 检查字段

{
  "$schema": "https://json-schema.org/draft/2020-12/schema",
  "type": "object",
  "required": [
    "task_id",
    "sku",
    "product_type",
    "vehicle",
    "aspect_ratio",
    "references",
    "fitment_verified"
  ],
  "properties": {
    "task_id": {
      "type": "string",
      "minLength": 1
    },
    "sku": {
      "type": "string",
      "minLength": 1
    },
    "product_type": {
      "type": "string",
      "enum": [
        "electric_running_board",
        "forged_wheel",
        "underbody_guard"
      ]
    },
    "vehicle": {
      "type": "object",
      "required": ["brand", "model"],
      "properties": {
        "brand": {"type": "string"},
        "model": {"type": "string"},
        "year": {"type": "integer"}
      },
      "additionalProperties": false
    },
    "aspect_ratio": {
      "type": "string",
      "enum": ["1:1", "3:4", "16:9"]
    },
    "references": {
      "type": "object",
      "required": ["vehicle_image", "product_image"],
      "properties": {
        "vehicle_image": {"type": "string"},
        "product_image": {"type": "string"},
        "installation_image": {"type": "string"}
      }
    },
    "fitment_verified": {
      "type": "boolean"
    }
  }
}

Schema 只能检查数据结构和声明的约束,不能判断某款产品是否真的适配某辆车。

例如 fitment_verified: true 只表示数据中存在这一声明;它是否有可信依据,需要进一步检查适配记录、负责人和证据来源。

因此,工程系统通常需要两层校验:

Schema Validation(格式正确) + Business Validation(业务事实正确)。

24.6 第五部分:参考素材管理(Reference Asset Management)

生图模板只是指令的一部分。

对于商业产品,参考图片本身也必须进行规范管理。

假设系统有 100 个车型任务,每个任务需要:

  • 车辆原图。
  • 产品实拍图。
  • 已核实的安装参考图。
  • 品牌 Logo。
  • 可选的风格参考图。

如果这些素材只放在一个混乱文件夹中,很容易发生 SKU 对错、重复引用或使用过期素材。

建议的素材目录

assets/
├── brand/
│   ├── lanhui-logo.svg
│   └── brand-colors.json
│
├── vehicles/
│   ├── m9/
│   │   ├── front-3q.png
│   │   └── side.png
│   └── l9/
│       └── front-3q.png
│
├── products/
│   ├── STEP-001/
│   │   ├── product-front.png
│   │   └── product-detail.png
│   └── WHEEL-001/
│       ├── wheel-front.png
│       └── wheel-angle.png
│
├── fitment/
│   └── verified/
│
└── style-references/
    └── studio-white-v1.png

素材应当具有元数据

字段用途
asset_id唯一素材编号
sku关联真实商品
asset_role车辆、产品、安装或风格
source素材来源
verification_status审核状态
checksum判断文件是否发生变化
updated_at素材更新时间

对于真实商品图片,建议使用 SHA-256 等哈希值记录原始素材文件。这样即使文件名不变,也能发现文件内容被替换。

一个高级生图任务应该绑定到具体的素材版本,而不是只记录“使用某张轮毂图片”。

24.7 第六部分:模板组装与生图任务管线

当模板、变量和素材都准备好后,就可以进行任务组装。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
  A[产品数据表] --> B[Schema 校验]
  B --> C[素材清单匹配]
  C --> D[读取 Master Prompt]
  D --> E[组装变量与规则]
  E --> F[生成任务清单]
  F --> G[图像生成]
  G --> H[自动质量检查]
  H --> I[人工结构与视觉验收]
  I --> J[合成 Logo 与文字]
  J --> K[渠道导出与版本归档]

这里有三个重要的工程原则。

第一,业务数据不完整的任务不进入生成阶段。 例如安装参考不存在,就不应该生成一张自称真实适配的安装示意。

第二,生成和验收分离。 生成模型返回图片,不代表这张图符合业务要求。

第三,失败要分类。 图片接口超时、文件损坏、商品结构错误是三种不同的问题,不能采用同样的重试策略。

24.8 第七部分:批量生图(Batch Generation)

假设我们现在要生产 100 张商品主图。

可以将一个商品记录转换成一个任务:

Task 001 → 商品 A → 生成 → 验收
Task 002 → 商品 B → 生成 → 验收
Task 003 → 商品 C → 生成 → 验收
...
Task 100 → 商品 Z → 生成 → 验收

每个任务都应维护明确的生命周期。

批量任务状态机

PENDING

任务已创建,等待执行

VALIDATING

校验数据与素材

GENERATING

正在执行图片生成

QA_REVIEW

等待质量验收

APPROVED

人工验收通过

REJECTED

质量不合格

RETRY_WAIT

等待符合策略的重试

DELIVERED

已导出并交付

批量生产不能简单地无限并发

需要结合实际服务的速率限制、并发限制、费用和失败率设置任务队列。

例如,系统可以支持:

  • 最大并发数配置。
  • 请求超时。
  • 指数退避重试。
  • 重试次数上限。
  • 任务断点续跑。
  • 同任务防重复提交。
  • 每张图的实际成本记录。

这些配置应根据实际图像生成服务的接口能力确定,不能假设所有服务都支持相同的种子、批处理或图像编辑参数。

为什么需要幂等性(Idempotency)?

假设 TASK-0025 已经成功生成,但客户端因为超时没有及时收到成功响应。

如果重新提交,可能产生重复图片和重复费用。

因此,应为任务建立稳定的内部 ID、请求记录和结果记录,尽量避免重复处理。是否能够利用服务端幂等机制,则取决于具体服务是否提供对应支持。

24.9 第八部分:失败重试(Retry Strategy)

不要把所有失败都理解为“重新生成一次”。

失败类型例子推荐处理
技术失败超时、临时服务错误有上限地重试
数据失败SKU 不存在、字段缺失修复数据后重新校验
素材失败参考图片损坏或丢失补充素材
结构失败轮毂辐条改变回到原始参考并调整方法
排版失败中文乱码、Logo 变形独立文字/Logo 合成
审美失败构图不平衡、光影普通针对具体维度修改 Prompt

最需要注意的是:P0 结构错误不能简单依赖盲目重试解决。

例如轮毂辐条连续三次生成错误,应当重新评估技术路径:是否需要原图抠图、精确遮罩或三维模型,而不是无限增加“绝对不能改变辐条”的文字。

24.10 第九部分:Prompt 版本管理(Version Control)

工程化生图必须能够回答:

“这张图是用哪个版本的提示词生成的?”

例如:

版本主要变化影响
V1.0.0初始白底商品主图规范建立基础模板
V1.1.0新增明确的安装参考职责提高适配任务可控性
V1.1.1修正产品名称变量替换错误修复程序缺陷
V2.0.0重新设计整体主图排版规范产生明显视觉变化

推荐使用语义化版本号

MAJOR.MINOR.PATCH
  • MAJOR:不兼容的重大规则或结构变化。
  • MINOR:向后兼容地增加功能或配置。
  • PATCH:不改变接口契约的缺陷修复。

这是对语义化版本思想的工程应用,不是生图领域的强制标准。

一条任务建议记录哪些信息?

{
  "task_id": "IMG-0001",
  "sku": "STEP-M9-001",
  "template_id": "automotive-product-main",
  "template_version": "1.1.0",
  "model": "configured-image-model",
  "model_parameters": {},
  "reference_asset_ids": [
    "VEHICLE-001",
    "PRODUCT-001"
  ],
  "assembled_prompt_hash": "example-hash",
  "attempt": 1,
  "status": "QA_REVIEW",
  "output_file": "IMG-0001-v1.png"
}

这里的模型名称、参数与哈希值均为占位示例,实际应记录真实调用时使用的值。

如果某次生成的图片质量发生下降,我们就可以追踪是模板、产品素材、数据还是模型配置发生了变化。

Git 管理与图片素材管理

Git 适合管理 Markdown、JSON、Schema 和程序代码。

对于大量高分辨率图片,可以根据团队规模考虑 Git LFS、对象存储或独立资产管理系统。

不建议把所有生成图和中间文件毫无区分地提交到普通代码仓库。

24.11 第十部分:质量验收(Quality Assurance)

这是整个商业生图系统最关键的环节。

我们继续使用前面建立的 P0、P1、P2 方法。

P0

关键正确性

SKU 对应正确、产品结构准确、车型适配经过核实、精确品牌文字无误。

P1

视觉与技术质量

画幅、构图、透视、光照、材质、清晰度及背景合理。

P2

细节优化

非关键反射、轻微背景纹理、装饰间距与氛围细节。

自动化 QA 与人工 QA 的边界

检查项目自动检查人工检查
输出文件存在可以通常不需要
文件可解码可以通常不需要
图片宽高与比例可以抽查
文件格式与大小可以抽查
必填参考素材关联可以检查记录核对业务依据
Logo 是否使用原文件可以检查合成流程视觉复核
辐条是否完全正确可辅助图像比较需要产品或设计人员验收
安装位置是否合理可辅助异常检测需要可靠适配资料和专业判断
整体审美有限辅助人工为主

注意,自动化 QA 并不是调用一个视觉模型,让它说“合格”就结束。

如果是高风险的结构正确性要求,应该采用程序规则、可靠业务数据、图像比对和人工复核组合。

QA 记录示例

{
  "task_id": "IMG-0001",
  "checks": {
    "file_valid": true,
    "aspect_ratio_valid": true,
    "source_assets_present": true,
    "sku_match_reviewed": true,
    "product_geometry_approved": false,
    "brand_overlay_valid": true
  },
  "decision": "REJECTED",
  "reason": "产品参考图与生成图的结构不一致",
  "next_action": "REBUILD_FROM_MASTER"
}

这里即使其余检查全部通过,只要关键产品结构未通过,也不能交付。

24.12 第十一部分:成本管理与生成策略

真正生产 100 张图片时,成本不能只按成功交付的张数计算。

还需要记录:

  • 生成请求成本。
  • 失败重试成本。
  • 素材整理成本。
  • 人工验收成本。
  • 修复与后期合成成本。

一个简单的成本模型

C_total = C_generation + C_retry + C_QA + C_editing + C_storage

其中,生成接口的单次价格不是固定不变的,应使用实际服务的当前计费方式和任务记录计算。

批量生图成本估算器

目标交付图片数量

100 张

单次生成假设成本

¥0.20

每张交付图的平均生成次数

1.2 次

每张图人工验收与修图假设成本

¥1.00

预估生成费用

¥24.00

合计估算

¥124.00

以上单价完全是可调整的教学假设,不代表任何图像服务的实际报价。合计暂不包含存储、开发、数据清洗及其他固定成本。

如果发现某种任务持续失败,与其不断重试,不如改变生产方式。例如从 AI 重绘产品本体,改成使用真实产品素材进行背景合成。

24.13 第十二部分:Prompt Library 模板知识库

Prompt Library 不应该只是一堆文本文件。

它应该是一套能够根据需求快速检索的模板资产库。

例如:

模板 ID名称场景
P-001白底汽车商品图电商主图
P-002锻造轮毂棚拍产品展示
P-003电动踏板安装效果使用场景
P-004人物角色一致性动漫与写真
P-005参考风格逆向广告设计
P-0063:4 教学信息图博客与社交内容
P-007局部编辑与背景替换图片精修
P-008网站 Hero 背景网站视觉

每个模板最好保存:

模板 ID、名称、用途、版本、需要的输入字段、参考素材职责、示例图、合格案例、失败案例、适用模型、最后验证时间。

检索方式

可以按多个维度检索:

  • 按用途:电商 / 网站 / 博客 / 人像。
  • 按主体:汽车 / 轮毂 / 踏板 / 人物。
  • 按画幅:1:1 / 3:4 / 16:9。
  • 按展示方式:棚拍 / 安装 / 微距 / 信息图。
  • 按质量要求:概念图 / 真实产品 / 精确合成。

后续接入 Agent 时,就可以先检索最合适的 Prompt 模板,再组装实际任务,而不必让 Agent 从零撰写所有指令。

24.14 完整案例:100 张新能源汽车配件商品主图

现在我们把整节知识组合起来。

业务目标

为不同车型与配件建立统一的 1:1 商品主图。

固定:

  • 品牌视觉规范。
  • 白色至浅灰背景。
  • 图片画幅。
  • 商品信息层级。
  • 质量验收规则。

变化:

  • 车型。
  • 车身颜色。
  • 产品 SKU。
  • 产品参考图。
  • 适配与安装信息。

100 张商品图生产架构

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
  A[100 条产品任务] --> B[数据清洗与适配校验]
  B --> C[匹配车辆、产品、安装参考图]
  C --> D[Master Prompt 批量组装]
  D --> E[生成无文字产品主视觉]
  E --> F[自动文件与尺寸 QA]
  F --> G{结构与视觉验收通过?}
  G -- 否 --> H[分类失败与修复]
  H --> E
  G -- 是 --> I[合成原始 Logo 与商品标题]
  I --> J[导出 1:1 商品主图]
  J --> K[保存版本、素材与交付记录]

推荐采用两阶段生产

第一阶段:生成主视觉

AI 主要负责摄影棚氛围、背景、光影和允许变化的视觉效果。真实产品可使用原图抠图或核验后的三维素材合成。

第二阶段:精确设计合成

通过稳定的排版模板加入:

  • LANHUI 蓝辉轻改 原始 Logo。
  • 车型名称。
  • 商品类别。
  • 已核实的卖点文案。
  • 必要的产品说明。

这样不需要让图像模型在 100 次生成中都准确绘制相同的中文标题和品牌标识。

推荐的工程目录

automotive-image-system/
├── README.md
├── config/
│   ├── brand.json
│   └── generation.json
│
├── prompts/
│   ├── master/
│   │   └── product-main-v1.md
│   └── templates/
│       ├── wheel.md
│       ├── running-board.md
│       └── underbody-guard.md
│
├── schemas/
│   └── product-task.schema.json
│
├── data/
│   ├── products.csv
│   └── tasks.json
│
├── assets/
│   ├── vehicles/
│   ├── products/
│   ├── installation/
│   └── brand/
│
├── scripts/
│   ├── validate.py
│   ├── assemble.py
│   ├── generate.py
│   ├── qa.py
│   └── export.py
│
├── outputs/
│   ├── raw/
│   ├── approved/
│   └── final/
│
└── reports/
    ├── manifest.json
    └── qa-report.md

这套结构能够与现有的 Python 脚本、Next.js 后台、飞书多维表或 AI Agent 协作,但需要根据实际使用的生成接口实现相应的调用和文件处理。

24.15 如何从 0 到 1 落地?

不要一开始就直接跑满 100 张图片。

更稳妥的方式是分阶段验证。

  1. 阶段一:完成一张标准图

    确认品牌布局、产品素材、背景风格、标题和输出规范。

  2. 阶段二:制作 5 张测试图

    选择不同车型和配件,测试模板的通用性和结构保持能力。

  3. 阶段三:扩展至 20 张

    引入批量任务、失败记录、自动检查和人工审核。

  4. 阶段四:规模化到 100 张

    固定合格模板版本,形成任务清单、质量报告和最终交付目录。

什么时候进入下一阶段?

可以设立明确的阶段门槛:

阶段通过条件
1 张标准图视觉规范、产品结构和排版均经过确认
5 张测试图主要产品类型可以稳定执行,重大问题已记录并处理
20 张试生产QA 流程、版本管理、成本记录、失败恢复已实际运行
100 张生产逐张有状态、有参考素材、有验收结果和交付记录

不要因为“5 张看起来都不错”,就假设后续 100 张一定能够保持相同质量。

商品类型、车型复杂度和参考素材质量都会影响结果。

24.16 第二十四节博客教学配图规划

这一节我们继续沿用此前的统一视觉规范:白底、深蓝色标题、科技蓝流程框、红色错误标注以及清晰的教学信息层级。

编号教学图片推荐布局
24-01手工 Prompt vs 工程化系统左右流程对比
24-02Prompt Engineering 八大模块八模块框架图
24-03Master Prompt 与变量槽位左侧模板+右侧变量
24-04JSON Schema 与任务数据数据结构拆解信息图
24-05批量生图任务管线横向或纵向流程图
24-06模板版本、重试与回退V1→V2+失败分支
24-07自动 QA 与人工 QA双通道检查示意
24-08100 张汽车商品主图生产系统综合工程架构图

其中重点推荐 24-03、24-05、24-07 和 24-08。

尤其是 24-08,建议作为本节的核心教学图,使用中央主流程与周围模块注释的形式,完整展示:

产品数据 → 素材匹配 → Prompt 组装 → 生图 → QA → 品牌合成 → 最终交付

可以在每个节点旁用红色小字标注常见风险,例如:

  • 产品数据错误。
  • 参考素材错配。
  • 产品结构漂移。
  • 图片比例不符。
  • 中文文字不准确。
  • 失败重试造成重复成本。

这样的信息图不仅适合博客,也能够作为内部 AI 生图生产流程的培训材料。

24.17 本节总结

本节最核心的公式是:

Prompt Engineering System = Master Prompt + Variables + Assets + Schema + Orchestration + Versioning + QA + Library

我们需要掌握五个关键原则:

第一,Prompt 应该成为可维护的模板,而不是每次重新编写的一段文字。

第二,变量必须与真实业务数据和参考素材建立关联。 仅仅把车型名称替换正确,不代表生成的产品已经适配这辆车。

第三,批量生产必须有任务状态、失败处理和版本记录。 这样才能排查问题并控制成本。

第四,质量验收不能完全依赖 AI 自评。 对于真实商业产品,程序校验、可靠资料与人工判断需要协作。

第五,系统的价值在于持续复用。 每一次合格生成、失败案例与模板调整,都可以成为 Prompt Library 的一部分,减少未来项目的重复试错。

至此,我们已经从第 1 节的单张图片比例,逐步学习到了第 24 节的工程化视觉生产体系。

下一节:第二十五节——多模态生图 Agent 与自动化工作流(Image Generation Agent)

第二十四节解决的是模板和生产规则。

第二十五节,我们将继续研究如何让 AI Agent 自动协调这些模块:

用户需求理解 → 产品知识库检索 → 选择 Prompt 模板 → 匹配参考图片 → 调用图像模型 → 自动 QA → 人工确认 → 导出交付。

我们还会研究 Skill、Tool、MCP、Agent、RAG 在生图流程中的不同职责,以及如何设计一个真正可以执行任务、控制成本、追踪失败并管理结果的商业生图 Agent。

搜索全站

输入关键词,查找项目与实践记录。