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-006 | 3:4 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。
-
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。
-
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。
-
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。
-
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 |
| 24-02 | Prompt Engineering 八大模块 | 八模块框架图 |
| 24-03 | Master Prompt 与变量槽位 | 左侧模板+右侧变量 |
| 24-04 | JSON 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 |
| 24-08 | 100 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。