shaharsha/image-generation

图像生成

两个模型家族，三种任务。

覆盖的模型

模型 ID	所属家族	用途	费用 (1024×1536, 2026-10-02 测量)
gpt-image-2.5-sunburst	OpenAI（Images 2.5，2026-09-08）	默认。 任何可能交付的作品。在所有主要排行榜上排名第一（生成、编辑、文字渲染、肖像）	max ≈ $0.165，约 90 秒 · high ≈ $0.041，约 35 秒
gpt-image-2.5-flare	OpenAI（Images 2.5）	快速草稿 —— 探索方向、测试提示词。提示词与 Sunburst 相同，速度约快 2 倍	medium ≈ $0.01，约 15 秒
gemini-3-pro-image	Google（Nano Banana Pro）	近距离自然肌肤/毛发，适用于评审意见不一致的场景；最多支持 14 张参考图	$0.134 (1K/2K) · $0.24 (4K)
gemini-3.1-flash-image	Google（Nano Banana 2）	极端宽高比 (1:4…8:1)，图像搜索接地	$0.067 (1K)
gemini-3.1-flash-lite-image	Google（Nano Banana 2 Lite）	最便宜的 Gemini 探索；仅 1K，返回 JPEG	$0.034

gpt-image-2 仍然可用（未弃用），但质量低于 2.5 的两个模型。所有 Gemini 的 *-preview ID 以及所有 Imagen 模型 均已关闭 —— 脚本会拒绝使用它们。

本技能的三种任务

1. 为资源选择模型和质量。 请参阅 reference/model-selection.md。
2. 按照模型内部规则编写提示词。 两家提供商的要求截然相反：
   • OpenAI GPT Image 2.5 要求使用带标签的段落（场景 / 主体 / 细节 / 约束），将精确文本放在引号中，并接受内联排除语句（“无额外文字，无水印”）。请阅读 reference/openai-gpt-image.md。
   • Gemini 要求叙事性段落，负面表述会适得其反（将“没有人物”改写为“空旷的街道”），宽高比在 imageConfig 中设置。请阅读 reference/gemini-image.md。
3. 通过内置脚本调用 API。 请参阅 scripts/README.md。

2.5 的质量陷阱

2.5 的质量等级已被重新划分。 在相同尺寸下，2.5 的 high 大约相当于 gpt-image-2 的 medium 的输出 token 数；2.5 的 max 相当于 gpt-image-2 的 high（测量值：Sunburst 1024×1536 high = 1,372 个输出 token，max = 5,488 个）。如果按旧习惯直接使用 quality=high，你会默默得到一张中等细节的图像。

通过编辑来提升草稿，而不是重新生成。 每次从头生成都会创建一幅全新的图像，因此用 max 重新运行已批准草稿的提示词会得到不同的图片。正确做法是：将选定的草稿作为参考图传递给 Sunburst max 编辑，该编辑仅改变渲染质量并保留其他所有内容。已验证于 2026-10-02：通过这种方式提升的 Flare medium 海报保留了其构图、人物、姿势、颜色和希伯来语文字，并获得了纹理和细节（$0.18，85 秒）。

阶段	模型 + 质量	原因
探索方向、测试提示词	Flare medium（--draft）	约 1 美分且约 15 秒，因此 6 个方向的成本低于一次最终生成
提升选中的草稿	Sunburst max 编辑，使用 --ref <draft> 和 reference/openai-gpt-image.md 中的提升提示词	保留用户选择的样式，添加完整细节
从锁定提示词直接生成最终图	Sunburst max（脚本默认）	完整细节；约 90 秒，约 $0.17
时间比精细细节更重要时使用 Sunburst	Sunburst high	四分之一的 token，约 35 秒

永远不要使用 auto —— 它会对相同的调用分配不同的预算。

默认模型选择 —— 30 秒规则

探索方向 /“几个快速方案”/ 测试提示词是否有效？
  是 → Flare medium（--draft）。用 Sunburst max 编辑（--ref <draft>）提升用户选择的方案。
  否  ↓

需要特写真人面部，且皮肤质感是关键？
  是 → 首先尝试 Sunburst max（它在肖像领域领先）；若放大后皮肤显得过于锐化，
        则与 gemini-3-pro-image 4K 对比，让用户选择。
  否  ↓

需要超过 3:1 的超宽/超长横幅（1:4，4:1，1:8，8:1）？
  是 → gemini-3.1-flash-image（GPT Image 限制在 3:1）。
  否  ↓

其他所有情况 → Sunburst，quality=max。
  └── 需要透明 PNG？原生支持：--background transparent（png/webp）。无需 rembg。

每种资源类型的完整决策树： reference/model-selection.md。

每次请求的工作流程

1. 确认范围。 资源类型、品牌背景、颜色/风格方向、目标宽高比和尺寸、保存位置。如果请求中已包含这些信息，则直接进行。
2. 选择模型和质量。 使用上述规则；用一句话解释选择。
3. 阅读模型专属参考文档 —— reference/openai-gpt-image.md 或 reference/gemini-image.md。不要凭记忆编写：两家提供商要求截然不同的提示词结构，并且 2.5 的指南更改了 gpt-image-2 的多个习惯。
4. 需要透明背景？ 在 GPT Image 2.5 上原生支持。仅当处理 Gemini 输出或裁剪已有图像时才阅读 reference/transparent-backgrounds.md。
5. 打开 templates/ 中对应的模板并填写占位符。
6. 图像中包含希伯来语或从右向左书写的文字？ 先阅读 reference/hebrew-rtl.md。
7. 在调用 API 之前向用户展示提示词，除非用户说“直接做吧”。一次提示词审核可以防止多数昂贵的重新生成。
8. 运行脚本。 除非另有指示，否则保存到当前工作目录的 ./generated-images/<描述性名称>.png。OpenAI 脚本会打印延迟、输出 token 数和每次调用的费用 —— 请记录累计总额。
9. 使用 Read 工具读取保存的图像 —— Claude 是多模态的，实际上会看到像素。 对照需求评论：构图、文字是否与引号内容完全一致且只出现一次、颜色、缺陷（变形的字母、多余的手指、破损的几何形状、光滑区域的颗粒感）。在用户发现问题之前先发现它们。
10. 向用户展示。 open <path>，总结你看到的内容（优点和缺点），并提出交付 / 通过特定修改进行迭代 / 重写。

按资源类型的模板

资源	模板
品牌 Logo / 标志 / 文字标志	templates/logo.md
图标集（跨图标保持风格一致）	templates/icon-set.md
移动应用 UI 界面	templates/ui-mobile.md
Web 仪表盘 / SaaS UI	templates/ui-dashboard.md
营销主图 / 横幅	templates/hero-image.md
产品摄影 / 产品宣传图	templates/product-shot.md

关于逐字工作示例，请参阅 examples.md。

重复角色与故事面板

对于漫画、故事板和动画剧集，其中相同的人物出现在多张图像中：

• 从照片中提取角色。 切勿将整张照片作为参考图传入：编辑端点会将照片重新风格化（复制姿势、服装和背景，添加说明文字）而不是绘制人物。有效的工作流程是：

  1. 先裁剪面部：python3 <this-skill-dir>/scripts/crop_faces.py photos/ faces/ --sheet faces/_sheet.jpg。
  2. 从裁剪的面部制作动漫风格面部。
  3. 将该面部编辑到半身服装卡上，同时说明体型。
  4. 获得用户批准，然后提升。

  提示词和审查循环：reference/characters-from-photos.md。

• 包含 2 个或更多角色的场景。

  • 使用 Sunburst high 起草，而不是 Flare：Flare 只绘制了图像 1（室外，带字幕）。
  • 在首次提及每个人物时将其与对应头像卡绑定：“Dana（图像 1 中的那个女人）”。
  • 禁止任何语言的字幕。
  • 手机和平板屏幕从背面渲染：将屏幕内容生成为独立图像后再合成。

  配方：reference/multi-character-scenes.md。

• 批量计费。 credit_balance_exhausted 表示 OpenAI 账户余额不足，而非请求错误。停止操作，列出哪些镜头已完成，充值后只重新运行缺失的镜头。

API 密钥与依赖项

API 密钥来自环境变量，通过您自己的密钥存储工具在运行脚本的 shell 中设置（每个新 shell 都需要重新设置）：

• OPENAI_IMAGE_API_KEY 用于 scripts/openai-image.sh
• GEMINI_IMAGE_API_KEY（或 GEMINI_API_KEY）用于 scripts/gemini-image.sh；同一个 Google AI Studio 密钥也适用于生成视频片段

这些密钥仅限于图像生成作用域。请勿将其复用于聊天或嵌入，且永远不要打印它们 —— 将它们加载到变量中，不要使用 echo。

本地工具（仅用于裁剪 Gemini 输出或已有图像）：rembg（pip install "rembg[cli]" onnxruntime），可选 ImageMagick。

输出约定

• 默认保存位置：当前工作目录下的 ./generated-images/<描述性名称>.png。
• 文件名：描述性 kebab-case（logo-agentleh-monochrome-v1.png）；草稿添加 -draft-N（logo-agentleh-draft-3.png）。
• 版本号：迭代时添加 -v1，-v2，...。未经询问，切勿覆盖之前的生成。
• 透明输出：在版本后添加 -transparent。
• 在 macOS 上使用 open <path> 在生成后立即向用户展示。

迭代模式 —— 自主“迭代直至完美”循环

代理的任务是在询问用户之前，将图像推进到“足以交付”的状态：

1. 生成（脚本调用）
2. 使用 Read 工具读取保存的文件 —— Claude 会 SEE（看到）像素
3. 对照需求进行自我批评：
   - 构图是否到位？（位置、取景、平衡、层次、负空间）
   - 文字是否与引号内容完全一致，每个字符串只出现一次，且易于辨认？
   - 颜色是否正确？（十六进制匹配、调色板遵从）
   - 是否存在缺陷？（变形的字母形状、多余的手指、破损的几何形状、天空/背景的颗粒感）
   - 需求是否真正得到满足？
4. 决定：
   - 交付    → 满足需求；向用户展示
   - 编辑    → 本地化修复；使用 --ref <previous> 进行编辑，提示词说明
               “只改变 X”并重新陈述所有之前的修复和保留的细节
   - 重写    → 根本性的提示词问题；从头重写，不要修补
5. 停止条件：迭代达到 5 次，或此资源花费超过 $3（累加脚本输出的费用行），
   或已达到可交付状态。

用户是最终评委 —— 但 Claude 是第一评委。 不要展示有缺陷的结果并问“这个行吗？” 只有在您确认它满足需求后，或者附上您的评论后（“文字标志字距有问题；下一步修复”），才展示。

各模型的操作细节

• GPT Image 2.5 编辑通过 /v1/images/edits 经由 scripts/openai-image.sh --ref <image> 进行（最多 16 张参考图）。在没有遮罩的情况下，每次轮换都会重新生成整个画布，因此会累积偏移 —— 在每次轮换时都要重新陈述所有之前的更改和所有保留的细节，而不仅仅是新的请求。如果某个区域必须保持像素一致，请将批准的编辑合成到原始图像中，而不是指望提示词来维持。
• Gemini 多轮编辑： scripts/gemini-image.sh --ref <previous-output> --prompt "改变 X，保持 Y"，结束时始终加上“保持图像中所有其他元素完全一致 —— 构图、光照、颜色、所有其他元素。”
• 偏移纪律。 在同一张图像上经过 3 次不成功的迭代后，切换策略：重写基础提示词，或更换模型。

定价

GPT Image 2、2.5 Flare 和 2.5 Sunburst 共享 token 费率（图像输出 $30/1M，图像输入 $8/1M，文本输入 $5/1M；Batch API 减半），但每张图像的 token 数因质量、尺寸和模型而异 —— 因此请读取脚本打印的费用，而不是自行假设。Gemini 按图像计费。完整表格和工作场景：reference/pricing.md。

希伯来语 / 从右向左书写

在 2026-10-02 的测试中，Sunburst 和 Flare 都正确渲染了希伯来语标题（正确的字母、顺序、方向，与英语和徽章并列）。对于短文本，优先尝试直接渲染；对于长希伯来语行或需要授权字体的情况，则回退到合成工作流程。希伯来语不在 Google 对 Gemini 图像模型的最佳表现语言列表中 —— 对于希伯来语文本，首选 GPT Image。详见 reference/hebrew-rtl.md。

何时不使用本技能

• 用户需要可编辑的矢量文件（带有路径的 SVG）。这些模型输出的是光栅图像；请使用 brand-assets 技能，或 Recraft V4.1 Vector（recraftv4_1_vector，原生 SVG，未集成到这些脚本中）。
• 用户需要超出支持尺寸的精确像素尺寸（例如 1200×630）。在最近支持的宽高比下生成，然后裁剪/调整大小。
• 用户想要特定真实人物的真实世界照片。两家提供商会拒绝或产生不准确的相似度，并且存在政策问题。
• 用户想要没有设计需求的通用“AI 艺术” —— 请将其指向 ChatGPT 或 Gemini 应用；本技能专为设计工作优化。