shaharsha/image-generation

圖片生成

兩個模型家族，三項任務。

涵蓋的模型

模型 ID	家族	用途	費用 (1024×1536，2026-10-02 測量)
gpt-image-2.5-sunburst	OpenAI（Images 2.5，2026-09-08）	預設。 任何可能上線的設計。每個主要排行榜（生成、編輯、文字渲染、人像）都排名第一	max ≈ $0.165，~90 秒 · high ≈ $0.041，~35 秒
gpt-image-2.5-flare	OpenAI（Images 2.5）	快速草稿 — 探索方向、測試提示。與 Sunburst 使用相同提示，速度快約 2 倍	medium ≈ $0.01，~15 秒
gemini-3-pro-image	Google（Nano Banana Pro）	投票與評審意見分歧時的近距離自然肌膚/髮絲；最多 14 張參考圖	$0.134（1K/2K）· $0.24（4K）
gemini-3.1-flash-image	Google（Nano Banana 2）	極端長寬比 (1:4…8:1)、圖片搜尋接地	$0.067（1K）
gemini-3.1-flash-lite-image	Google（Nano Banana 2 Lite）	最便宜的 Gemini 探索；僅 1K，回傳 JPEG	$0.034

gpt-image-2 仍然可用（未棄用），但效能低於兩個 2.5 模型。Gemini *-preview ID 以及所有 Imagen 模型皆已關閉 — 腳本會拒絕使用它們。

本技能的三項任務

1. 挑選模型與品質 以符合素材需求。請參閱 reference/model-selection.md。
2. 撰寫提示 遵循該模型的內部規則。兩家供應商的要求完全相反：
   • OpenAI GPT Image 2.5 要求有標籤的章節（場景 / 主體 / 細節 / 限制條件），確切的文字放在引號內，並接受行內排除條件（"不要額外文字，不要浮水印"）。請閱讀 reference/openai-gpt-image.md。
   • Gemini 要求敘述性段落，負面表述會適得其反（將 "無人物" 改寫為 "空蕩蕩的街道"），長寬比放在 imageConfig 中。請閱讀 reference/gemini-image.md。
3. 透過內建腳本執行 API。請參閱 scripts/README.md。

2.5 的品質陷阱

2.5 品質階梯已重新劃分。 在相同尺寸下，2.5 high 約等於 gpt-image-2 medium 的輸出 Token 數量；2.5 max 則約等於 gpt-image-2 high 的輸出（測量值：Sunburst 1024×1536 high = 1,372 輸出 Token，max = 5,488）。沿用舊習慣複製 "quality=high" 會默默地產生一張中等細節的圖片。

使用編輯來升級草稿，而不是重新生成。 每次全新生成都會構圖一張新圖片，因此用 max 重新執行已核准草稿的提示，會得到一張不同的圖片。相反地，請將選定的草稿作為參考傳遞給 Sunburst max 編輯，該編輯僅變更渲染品質並保留其他所有元素。已於 2026-10-02 驗證：以此方式升級的 Flare medium 海報保留了其構圖、人物、姿勢、顏色和希伯來文字，並增加了紋理和細節（$0.18，85 秒）。

階段	模型 + 品質	原因
探索方向、測試提示	Flare medium (--draft)	約 1 美分和約 15 秒，因此六個方向的成本低於一個最終成品
升級選定的草稿	Sunburst max 編輯，搭配 --ref <草稿> 以及 reference/openai-gpt-image.md 中的升級提示	保留使用者選定的外觀，增加完整細節
從鎖定的提示直接產生最終成品	Sunburst max（腳本預設值）	完整細節；約 90 秒，約 $0.17
時間比精細細節更重要時的 Sunburst	Sunburst high	四分之一的 Token，約 35 秒

切勿使用 auto — 它會為相同的呼叫分配不同的預算。

預設模型選擇 — 30 秒原則

探索方向 / "幾個快速選項" / 測試提示是否可行？
  是 → Flare medium (--draft)。使用 Sunburst max 編輯 (--ref <草稿>) 升級使用者選擇的項目。
  否  ↓

近距離擬真人物臉部，且肌膚紋理是重點？
  是 → 先使用 Sunburst max（它在人像投票中領先）；如果放大後肌膚看起來銳利過度，則與 gemini-3-pro-image 4K 比較，讓人類決定。
  否  ↓

超寬/超長橫幅，比例超過 3:1 (1:4, 4:1, 1:8, 8:1)？
  是 → gemini-3.1-flash-image（GPT Image 限制為 3:1）。
  否  ↓

其他所有情況 → Sunburst，品質=max。
  └── 透明 PNG？原生支援：--background transparent (png/webp)。無需 rembg。

各素材類型的完整決策樹： reference/model-selection.md。

每次請求的工作流程

1. 確認範圍。 素材類型、品牌背景、顏色/風格方向、目標長寬比和尺寸、儲存位置。如果請求已經說明，則繼續進行。
2. 挑選模型與品質。 使用上述原則；用一句話解釋你的選擇。
3. 閱讀對應模型的參考文件 — reference/openai-gpt-image.md 或 reference/gemini-image.md。不要憑記憶撰寫：兩家供應商需要的提示結構完全相反，且 2.5 的指引改變了 gpt-image-2 的許多習慣。
4. 透明背景？ 在 GPT Image 2.5 上是原生支援。僅在處理 Gemini 輸出或裁切既有圖片時，才閱讀 reference/transparent-backgrounds.md。
5. 開啟 templates/ 中的對應範本 並填入佔位符。
6. 圖片中包含希伯來文或 RTL 文字？ 首先閱讀 reference/hebrew-rtl.md。
7. 在呼叫 API 之前向使用者展示提示，除非他們說 "直接做吧"。一次提示審查可以避免大多數昂貴的重新生成。
8. 執行腳本。 除非另有指示，否則儲存到當前工作目錄的 ./generated-images/<描述性名稱>.png。OpenAI 腳本會列印延遲、輸出 Token 數和每次呼叫的費用 — 請保留累計總計。
9. 使用 Read 工具讀取已儲存的圖片 — Claude 是多模態的，能夠實際看到像素。 根據需求評論：構圖、文字拼寫是否與引號內完全一致且只出現一次、顏色、缺陷（扭曲字母、多餘手指、幾何破損、平滑區域的顆粒感）。在使用者發現問題之前先發現它們。
10. 向使用者展示。 open <路徑>，總結你看到的（優點和缺點），並提出出貨 / 以特定變更加以迭代 / 重寫。

按素材類型的範本

素材	範本
品牌標誌 / 標記 / 文字商標	templates/logo.md
圖示集（跨圖示的一致風格）	templates/icon-set.md
行動應用程式 UI 畫面	templates/ui-mobile.md
網頁儀表板 / SaaS UI	templates/ui-dashboard.md
行銷主視覺 / 橫幅	templates/hero-image.md
產品攝影 / 主圖	templates/product-shot.md

如需完整的實作範例，請參閱 examples.md。

重複角色與故事面板

針對漫畫、故事板和動畫劇集，其中相同人物會出現在多張圖片中：

• 從照片建立角色。 切勿將整張照片作為參考傳遞：編輯端點會重新設計照片風格（複製姿勢、服裝和背景，添加字幕文字），而不是繪製角色。可行的流程：

  1. 先裁切臉部：python3 <此技能目錄>/scripts/crop_faces.py photos/ faces/ --sheet faces/_sheet.jpg。
  2. 從裁切的臉部製作動漫風格面孔。
  3. 將該面孔編輯到半身服裝卡中，並說明身體類型。
  4. 獲得人類核准，然後升級。

  提示與審查迴圈：reference/characters-from-photos.md。

• 包含 2 個以上角色的場景。

  • 使用 Sunburst high 打草稿，而非 Flare：Flare 只畫了圖片 1，戶外，附帶字幕。
  • 在首次提及時將每個名稱綁定到其角色卡：「Dana（圖片 1 中的女性）」。
  • 禁止任何語言的字幕。
  • 手機和平板螢幕從背面渲染：將螢幕內容作為獨立圖片生成並合成。

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

• 批次計費。 credit_balance_exhausted 表示 OpenAI 帳戶餘額不足，而非請求錯誤。停止，列出哪些畫面已完成，並在充值後僅重新執行缺失的畫面。

API 金鑰與相依套件

API 金鑰 來自環境變數，需從您自己的安全儲存中於執行腳本的 Shell 中設定（每次新 Shell 都需要重新設定）：

• OPENAI_IMAGE_API_KEY 用於 scripts/openai-image.sh
• GEMINI_IMAGE_API_KEY（或 GEMINI_API_KEY）用於 scripts/gemini-image.sh；同一個 Google AI Studio 金鑰也可用於 generating-video-clips

這些金鑰僅限於圖片生成。請勿將其重複用於聊天或嵌入，且切勿印出 — 將其載入變數中，不要使用 echo。

本地工具（僅用於裁切 Gemini 輸出或既有圖片）：rembg (pip install "rembg[cli]" onnxruntime)，可選用 ImageMagick。

輸出慣例

• 預設儲存位置：當前工作目錄的 ./generated-images/<描述性名稱>.png。
• 檔案名稱：描述性 kebab-case 格式（logo-agentleh-monochrome-v1.png）；草稿加上 -draft-N（logo-agentleh-draft-3.png）。
• 版本控制：疊代時附加 -v1、-v2…。未經詢問切勿覆蓋之前的生成結果。
• 透明輸出：在版本後附加 -transparent。
• 在 macOS 上使用 open <路徑>，以便在生成後立即向使用者展示。

疊代模式 — 自主「疊代至完美」迴圈

代理的任務是在詢問使用者之前，將圖片驅動到「可以出貨」的程度：

1. 生成（腳本呼叫）
2. 使用 Read 工具讀取已儲存的檔案 — Claude 能夠看到像素
3. 根據需求進行自我評論：
   - 構圖到位？（位置、取景、平衡、層次、留白）
   - 文字拼寫與引號內完全一致，每個字串只出現一次，清晰可讀？
   - 顏色正確？（符合十六進位碼、遵循色板）
   - 缺陷？（扭曲字母形式、多餘手指、幾何破損、天空/背景中的顆粒感）
   - 需求是否確實滿足？
4. 決定：
   - 出貨    → 滿足需求；向使用者展示
   - 編輯    → 一個局部修正；使用 --ref <前次結果> 進行編輯，並使用提示說出
                "僅變更 X" 並**重申**所有先前的修正和保留的細節
   - 重寫 → 根本性的提示問題；從頭重寫，不要微調
5. 停止條件：已進行 5 次疊代，或此素材花費已達 $3（加總腳本的費用行），
   或已達到可出貨標準。

使用者是最終評判者 — 但 Claude 是第一評判者。 不要顯示有缺陷的結果並問「這樣好嗎？」。在您確認它已滿足需求後再顯示，或附上您的評論（「文字商標字母間距有問題；下次修正」）。

各模型的運作機制

• GPT Image 2.5 編輯 透過 /v1/images/edits 進行，使用 scripts/openai-image.sh --ref <圖片>（最多 16 張參考圖）。沒有遮罩時，每次疊代整個畫布都會重新生成，因此漂移會累積 — 在每次疊代中重申所有先前的變更和保留的細節，而不僅僅是新的請求。如果某個區域必須保持像素完全一致，則將已核准的編輯合成到原始圖中，而不是依賴提示來維持。
• Gemini 多輪編輯： scripts/gemini-image.sh --ref <前次輸出> --prompt "變更 X，保留 Y"，始終以「將圖片中所有其他元素保持完全相同 — 構圖、光線、顏色、所有其他元素。」結尾。
• 漂移紀律。 對同一張圖片連續 3 次疊代失敗後，切換策略：重寫基礎提示，或更換模型。

定價

GPT Image 2、2.5 Flare 和 2.5 Sunburst 共用 Token 費率（$30/1M 圖片輸出，$8/1M 圖片輸入，$5/1M 文字輸入；Batch API 減半），但每張圖片的 Token 數量因品質、尺寸和型號而異 — 因此請閱讀腳本列印的費用，而不是自行假設。Gemini 按圖片計費。完整表格和實際情境： reference/pricing.md。

希伯來文 / RTL

在 2026-10-02 的測試中，Sunburst 和 Flare 都正確渲染了希伯來文標題（正確的字母、順序、方向，旁邊還有英文和徽章）。首先嘗試直接渲染；對於較長的希伯來文行或需要授權字型的情況，則退回使用合成工作流程。希伯來文不在 Google 的 Gemini 圖片模型最佳效能語言清單中 — 對於希伯來文字，優先使用 GPT Image。請參閱 reference/hebrew-rtl.md。

何時不應使用此技能

• 使用者想要可編輯的向量檔案（含路徑的 SVG）。這些模型輸出的是點陣圖；請使用 brand-assets 技能，或 Recraft V4.1 Vector（recraftv4_1_vector，原生 SVG，未接入這些腳本）。
• 使用者想要支援尺寸之外的精確像素尺寸（例如 1200×630）。在最接近的支援長寬比下生成，然後裁切/調整大小。
• 使用者想要特定真實人物的真實照片。兩家供應商都會拒絕或產生不準確的肖像，且存在政策問題。
• 使用者想要沒有設計需求的泛泛「AI 藝術」 — 請引導他們使用 ChatGPT 或 Gemini 應用程式；此技能針對設計工作進行了調校。