CommunityImagegithub.com

Variations d'image cohérentes

Transforme une demande ou une image de référence en une série qui garde le même sujet. Le mode grille peint une planche 2×2, 3×3 ou 4×4 puis la découpe. Le mode séquence produit 4 à 16 images pour la lumière, l’angle, le lieu ou le récit. Les deux livrent une archive vérifiable avec un manifeste.

Qu'est-ce que Variations d'image cohérentes ?

Skill d’images fixes pour des séries assorties. Il choisit une planche-contact ou une courte séquence, stabilise le sujet et livre un zip avec manifeste plutôt qu’un tas de fichiers invérifiables.

Compatible avec~Claude Code✓Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/Chans-gh/AI-Image-Variation/tree/HEAD/skills/image-variations

Installed? Explore more Image skills: steipete/songsee, affaan-m/frontend-design, mattpocock/improve-codebase-architecture · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Variations d'Image (Skill 01)

Point d'entrée unique. L'orchestration est écrite ici ; les textes complets des 12 directions, les modèles de prompts, la matrice de compatibilité des fournisseurs, les codes d'erreur et les seuils ne sont pas ici, ils sont toujours lus dans la base de référence gelée selon les besoins, afin d'éviter deux sources de vérité divergentes.

  • Règles métier : Image_Variations_Dual_Skill_SPEC_v1.1/specs/01-Image-Variations-Skill-v1.2.md
  • Registre des directions : .../references/directions/registry.json
  • Modèles de prompts : .../references/grid-prompt.md, .../references/sequence-prompt.md
  • Compatibilité et sécurité des fournisseurs : .../references/provider-compat.md
  • Codes d'erreur : .../references/error-registry.json
  • Règles de conditionnement : .../references/packaging.md
  • Contrats : .../contracts/{image-artifact,job-state,delivery-package}.schema.json

La base de référence est en lecture seule : la liste de hachages se trouve dans shared/baseline.manifest.json, et shared/check_baseline.py doit toujours être vert. Si vous devez modifier la spécification, veuillez d'abord en expliquer la raison et obtenir une confirmation : ne "corrigez" pas subrepticement la base de référence dans l'implémentation.

I. Cinq règles inviolables

  1. Pas de dégradation silencieuse. En cas de capacité insuffisante, de budget insuffisant ou d'échec de validation, retournez explicitement un code d'erreur de references/error-registry.json ; il est interdit de "passer silencieusement à une taille/qualité/nombre d'images inférieur" pour continuer l'exécution, ou de faire passer un échec pour une réussite.
  2. Les seuils sont lus uniquement depuis la configuration. config/iv.config.json est la seule source (seuils warn/hard pour le côté de la tuile, seuils pass/risk pour les joints, facteur d'agrandissement, tentatives et budget). Ils n'ont pas encore été calibrés avec un modèle réel ; fournissez des données avant de les modifier. Aucun nombre magique dans le code.
  3. Source unique de vérité. Les directions, les prompts, les codes d'erreur et les contrats sont lus depuis la base de référence au moment de l'exécution, ne les copiez pas dans cette Skill.
  4. Les clés ne sont utilisées que par référence. Acceptez uniquement secret://… ou env:… ; les clés, les images originales et le texte de l'utilisateur ne doivent pas apparaître dans les logs, le manifeste, les messages d'erreur ou le ZIP.
  5. Les artefacts doivent être vérifiables. Chaque livraison doit inclure manifest.json (image-artifact 1.1) et delivery-package.json ; chaque entrée du manifeste doit exister réellement et avoir un hachage cohérent.

II. Comment utiliser

# 1) Pré-vérification : ne calcule que le plan, n'appelle pas de modèle, n'écrit pas sur le disque
python scripts/run_task.py --input task.json --preflight-only

# 2) Exécution réelle (utilise mock_synthetic pour parcourir toute la chaîne si pas de clé)
python scripts/run_task.py --input task.json --workspace ./workspace --pretty

# 3) En cas d'échec partiel de certaines frames, les regénère en utilisant les indices d'origine (produit rev2, parent pointant vers rev1)
python scripts/run_task.py --input task.json --retry-failed-of ./workspace/iv_<task>_rev1

Description de la tâche (un fichier JSON, dont les champs correspondent aux paramètres produit dans references/provider-compat.md) :

{
  "task_id": "cup_light_001",
  "output_mode": "grid",            // grid | sequence
  "grid_size": 3,                   // grid obligatoire : 2 | 3 | 4
  "direction": "light",             // une des 12 directions, voir registry.json
  "input_type": "text_only",        // text_only | image_only | image_plus_text
  "subject": "une tasse en céramique gris clair",  // description du sujet, entre dans l'ancre du sujet
  "reference_path": "img/ref.png",  // obligatoire si entrée image, relatif au workspace
  "aspect_ratio": "3:4",
  "resolution_tier": "1K",          // 1K | 2K | 4K ; par défaut déduit de la taille minimale du côté de la tuile
  "provider": {"type": "mock_synthetic"},
  "pack_zip": true
}

sequence nécessite en plus branch (un des 3 embranchements de la direction) et image_count (4–16).

Fournisseur réel :

"provider": {
  "type": "openai_image_compatible",     // ou gemini_image_compatible
  "base_url": "https://api.example.com/v1",
  "model_id": "gpt-image-1",
  "api_key_secret_ref": "secret://IMAGE_API_KEY",
  "capability": { "...": "voir §1 Déclarations de capacité dans provider-compat.md" }
}

Par défaut, capability est considérée comme non conforme et renvoie MODEL_CAPABILITY_UNSUPPORTED — c'est une "liste minimale" qui ne sera pas comblée silencieusement par des valeurs par défaut. Si l'adaptateur intégré n'est pas injecté, renvoie BUILTIN_UNAVAILABLE et ne passe pas automatiquement par un réseau externe.

III. Flux (règle d'embranchement)

Analyser l'entrée → Pré-vérification (capacité / ratio / niveau / nombre d'images / budget)
  ├─ Échec → Retourner le code d'erreur, terminer (n'appelle pas de modèle, n'écrit pas)
  └─ Succès ─┬─ Grid : Générer la planche en une fois → Valider (N×N / sans jointure / découpable / ratio) → Tentatives limitées sur la planche entière
             │        → Normaliser → Découper en tuiles (ordre des lignes) → Vérifier le côté de chaque tuile (ok / risk / too_low)
             └─ Sequence : D'abord planifier N frames (nombre de frames, points de changement par frame, éléments conservés, Prompt)
                       → Générer frame par frame (image 1 comme base, images 2–N référencent toujours l'image 1 ; si image originale disponible, chaque frame l'inclut)
                       → En cas d'échec d'une frame, garder l'emplacement et continuer ; si l'image 1 échoue, retourner immédiatement SEQUENCE_ANCHOR_FAILED
                       → Détection de quasi-redondance (après épuisement des tentatives, garder l'emplacement et le marquer)
 → Écrire sur le disque (manifest + delivery-package + ZIP optionnel) → Retourner le résultat JSON

Décisions clés :

SituationTraitement
grid_size n'est pas 2/3/4, ou la séquence n'est pas entre 4–16INVALID_MODE_OR_COUNT
Le côté de la tuile est inférieur au seuil hardTILE_RESOLUTION_TOO_LOW, aucun paquet de livraison
Le côté de la tuile est inférieur au seuil warnLivrer mais enregistrer un avertissement TILE_RESOLUTION_RISK (tile_edge_ok=false)
Jointure < seuil riskGRID_VALIDATION_FAILED, réessayer la planche entière ; ne pas sortir les tuiles
Jointure entre risk et passLivrer et enregistrer GRID_SEAM_RISK
Structure/ratio de la planche N×N non conformeGRID_VALIDATION_FAILED
Échec de l'image 1SEQUENCE_ANCHOR_FAILED, ne pas continuer à brûler le budget
Échec de la i-ème frameGarder l'emplacement d'indice d'origine, continuer avec les frames suivantes, finalement partial_failed
Budget dépasséBUDGET_EXCEEDED (peut inclure une suggestion de fractionnement, mais ne le fait pas automatiquement)

IV. Artefacts

workspace/iv_<task_id>_<revision>/
├── manifest.json            # image-artifact 1.1 (style/taille/jointure/exécution/avertissements/erreurs)
├── delivery-package.json    # Liste des fichiers du paquet (sha256 par fichier)
├── board.png                # Seulement pour Grid : kind=board, index=0
└── images/NN.png            # Grid=tuiles découpées (ordre des lignes) ; Sequence=frames (les indices ne reculent pas)

iv_<task_id>_<revision>.zip dans le même répertoire est un artefact de conditionnement optionnel. Le ZIP ne contient pas delivery-package.json lui-même ; le hachage de archive est réécrit dans delivery-package.json.

En cas d'échec partiel : n'enregistrer que les images qui existent réellement (les frames en échec n'entrent pas dans images[]), les informations d'échec sont dans errors[].asset_id + validation.failed_indices, status=partial_failed. La relance produit une nouvelle révision (parent_artifact_revision pointe vers la version précédente), les frames déjà réussies sont inchangées octet par octet.

V. Limites

  • Ne fait que des variations d'image. La rédaction de contenu, la publication sur des plateformes et la mise en page de couvertures relèvent de la Skill 02 (image-content-publishing) ; cette Skill ne franchit pas ces limites.
  • Si l'utilisateur demande explicitement plusieurs directions, n'en choisir qu'une et expliquer la raison, ou renvoyer MULTIPLE_DIRECTIONS, sans mélanger.
  • Ne pas traiter les requêtes limites comme "transférer le style d'une œuvre d'autrui" ; pour les personnes réelles/les marques, traiter selon les exigences de sécurité de provider-compat.md §4.
  • Les artefacts mock_synthetic pour l'auto-test sont marqués provider_type=mock_synthetic et ne doivent pas être livrés à l'extérieur.

VI. Développement et validation

.venv/bin/python skills/image-variations/tests/run_all.py     # 9 suites de tests (dont 24/24 pour la base de référence et 48/48 pour les contrats)
.venv/bin/python shared/check_baseline.py                     # Validation de la base de référence en lecture seule

Les preuves et les écarts connus sont enregistrés dans docs/PHASE_EVIDENCE.md.

Skills associés