ai-toy-patent-workflow/HANDOFF_IMAGE_PIPELINE.md

# 生图链路重构交接文档

> 给后续 AI 开发者的实施清单。当前代码的整体骨架已搭好（模板、Pack、Manifest、Seedance、GPT provider），但**一致性机制是假的**，需要按本文档重构。
>
> 路径：`/Users/kangwan/Projects/code/20260518-ai-toy-patent-workflow/HANDOFF_IMAGE_PIPELINE.md`

---

## 0. 一句话目标

让"上传图 + 风格 → 意向图 → 选中主方案 → 专利包 → 配件包 → 生产包 → 宣发包 → 视频"的整条链路里，**每张图都基于上游锚图生成、每张图都能单独重做且不脱链**。专利申请要求前后一致，配件六视图也必须自成体系。

---

## 1. 用户期望的目标流程

```
[上传图（单张/多张） + 选风格（风格库可视化）]
   ↓
批量生图（4/8/12 张候选）
   ↓
九宫格快筛 → 选中主方案
   ↓
锁定 CharacterSpec（角色基线）+ 生成 L1 净化锚图
   ↓
按顺序生成（每步可单独重做，但参考链不能脱）：
   ├─ 专利包（六视图 + 立体图 + 局部图）
   ├─ 配件包（先识别配件 → 每件孤立锚图 → 每件 6 视图 → 组合图）
   ├─ 生产包（尺寸/材料/拆件/包装）
   ├─ 宣发包（白底/场景/卖点/详情页）
   └─ Seedance 视频（用宣发白底图当锚）
```

**核心约束**：
1. 风格库要可视化（缩略图代表）+ 内容完整（lighting/composition/material/negative）
2. 每张图都有明确的上游 anchor，参考链不能跨级
3. 单张重做必须沿用同一个 anchor
4. 配件六视图必须基于配件孤立锚图，不是娃娃源图
5. 视频参考宣发白底图，不是意向图

---

## 2. 现状的 6 个关键 Gap

### Gap 1：参考图根本没传给模型（最严重）

**位置**：`src/lib/providers.ts:62-65`

```typescript
const refHint = opts.refImages?.length
  ? `\n参考图 URL，用于保持角色一致：\n${opts.refImages.join('\n')}`
  : '';
```

**问题**：把参考图 URL 当文本拼在 prompt 末尾发给 `/images/generations`。这个端点根本不读图，模型只看到一串文本 URL，**等于没参考**。

**真正的图生图**必须走 `/images/edits` + multipart 上传图像字节，或者用 `/responses` + vision input 让 GPT 先描述再二次生图。

### Gap 2：风格库太薄、看不到样子

**位置**：`src/components/PromptPanel.tsx:5-12`

只有 6 个文字按钮：`毛绒玩偶 / 机甲风 / 可爱萌系 / 专利蓝图 / 赛博朋克 / 极简`。

**问题**：
- 没有代表缩略图（用户看不到"这个风格长什么样"）
- 没有完整的 style block（lighting、composition、color palette、material hint、negative prompt）
- 只是简单拼成 `prompt + ", style: 机甲风"`

### Gap 3：所有后续图都参考"最初那张意向图"，逐级漂移

**位置**：`src/lib/packGenerator.ts:144`

```typescript
const prompt = renderPrompt(template.promptTemplate, characterSpec, opts.sourceImage.url);
```

**问题**：专利右视图、宣发场景图、配件六视图……全部参考同一张意向图。

**正确做法 — 锚图链**：

```
L0 锚图 = 用户选中的意向图（可能还有背景、不够干净）
L1 锚图 = L0 净化后的白底正面图（CharacterSpec 锁定时生成）
L2 锚图 = 各包的首图（patent_front / acc_inventory / mkt_white_front）
L3 节点 = pack 内其他图都参考自己包的 L2
```

现在所有 L2/L3 都跨过 L1 直接参考 L0，**6-30 张图相互之间没有锚定，越生越漂**。

### Gap 4：配件链路是假的

**位置**：`src/lib/packGenerator.ts:36-37`

```typescript
if (prompt.includes('机甲')) accessories.unshift('机甲头盔');
if (prompt.includes('M logo')) accessories.unshift('胸前 M 标识');
```

**问题**：
- 配件清单是**关键词硬匹配**，换个 prompt 就识别不出
- 配件六视图都把"主娃娃源图"当 ref，配件本身轮廓、材质会被娃娃身体盖住

**正确做法**：
1. 锁定主方案后，调 GPT Vision 解析 L1 锚图 → 输出 `[{name, isolatedDescription, bbox}]`
2. 为每个配件生成**配件孤立锚图**（白底、单件、无娃娃）
3. 配件六视图基于自己的孤立锚图
4. 最后单独生成"配件+娃娃组合图"

### Gap 5：单张重做会脱链

代码里只有 `generateAssetPack`（整包重做），**没有单张重做接口**。

如果右视图不满意要单独重做，需要：
- 知道这张图的锚图是谁（同包主视图）
- 锚图必须存在且未变
- 可选传 `userRefinement` 文本补充

需要新增 API `POST /api/assets/[assetId]/regenerate`，并在 `ToyAsset` 类型上加 `anchorAssetId` 字段。

### Gap 6：视频参考也不一致

**位置**：`src/app/page.tsx:161`

```typescript
imageUrl: image.url  // 还是那张原始意向图
```

**问题**：视频里的玩具和已定稿的电商图长得不一样。

**正确做法**：视频参考宣发白底主图（`mkt_white_front`），如果未生成就退到专利主图。

---

## 3. 实施方案（按依赖顺序）

### 阶段 1：真图生图链路（最高优先级，1+2+3+5 是最小可用版本）

#### 1.1 新增 `generateGptImageEdit`（providers.ts）

```typescript
export async function generateGptImageEdit(opts: {
  prompt: string;
  anchorImage: Buffer | string;   // 真实图片字节或本地路径
  maskImage?: Buffer;             // 可选 mask（局部重绘）
  size?: '1024x1024' | '1024x1536' | '1536x1024';
}): Promise<GenImage>
```

实现要点：
- 走 `https://api.openai.com/v1/images/edits`
- `multipart/form-data`：`image` (Buffer)、`prompt`、`model=gpt-image-1`、`size`
- **必须传图字节而不是 URL**
- 返回 `b64_json` → 解码为 data URL

保留现有 `generateGptImages` 用于 **L0 意向图阶段**（无锚图，纯文本生图）。

#### 1.2 数据模型扩展（types.ts）

```typescript
export type ToyAsset = {
  // ...existing
  anchorAssetId?: string;       // 上游锚图 asset id
  anchorImageUrl?: string;       // 解析后的锚图实际 URL
  derivationLevel: 0 | 1 | 2 | 3;
};

export type CharacterSpec = {
  // ...existing
  cleanReferenceImageUrl?: string;  // L1 净化锚图（白底正面）
};

export type AssetTemplate = {
  // ...existing
  anchorTemplateId?: string;    // 显式指明上游锚图模板
};
```

#### 1.3 模板加 anchorTemplateId（templates.ts）

```typescript
{ id: 'patent_front', anchorTemplateId: undefined, ... }       // 用 L1 锚图
{ id: 'patent_back', anchorTemplateId: 'patent_front', ... }   // 用包内主图
{ id: 'patent_left', anchorTemplateId: 'patent_front', ... }
// 配件同理
{ id: 'acc_inventory_sheet', anchorTemplateId: undefined, ... } // 用 L1 锚图
{ id: 'acc_front', anchorTemplateId: 'acc_inventory_sheet', ... }
{ id: 'acc_back', anchorTemplateId: 'acc_inventory_sheet', ... }
```

#### 1.4 新增 API：净化锚图

```
POST /api/character/cleanup
```

逻辑：
- 输入：`sessionId + imageId`
- 调 `generateGptImageEdit`，prompt = "保持角色完全一致，把背景换成纯白色，产品居中，无任何文字水印，光线均匀"
- 输出图 URL 写回 `session.characterSpec.cleanReferenceImageUrl`

#### 1.5 改造 generateAssetPack（packGenerator.ts）

```typescript
async function resolveAnchorImage(template, packAssets, characterSpec) {
  if (!template.anchorTemplateId) {
    // 用 L1 净化锚图，没有则退到 L0
    return characterSpec.cleanReferenceImageUrl ?? characterSpec.sourceImageUrl;
  }
  const upstream = packAssets.find(a => a.templateId === template.anchorTemplateId);
  if (!upstream) throw new Error(`anchor ${template.anchorTemplateId} not generated yet`);
  return upstream.url;
}
```

按模板拓扑顺序生成（先无 anchor 的，再依次）：
1. 第一张 → 走 `generateGptImageEdit(prompt, L1Buffer)`
2. 其它张 → 走 `generateGptImageEdit(prompt, 同包首图 Buffer)`

需要新增工具函数：从 URL（如 `/api/img/packs/xxx.png`）读回 Buffer，供 multipart 上传。

### 阶段 2：单张重做

#### 2.1 新增 API

```
POST /api/assets/[assetId]/regenerate
Body: { sessionId, userRefinement?: string }
```

逻辑：
- 找到这个 asset 在哪个 pack
- 解析它的 anchor（按 template.anchorTemplateId）
- 走 `generateGptImageEdit`，prompt 末尾追加 `userRefinement`
- 替换原 asset，保留 id 不变
- 更新 session JSON

#### 2.2 UI

`PackPanel.tsx` 里每个 `AssetRow` 加"重做"按钮和"refinement"输入框。

### 阶段 3：风格库可视化

#### 3.1 新增 `src/lib/styles.ts`

```typescript
export type StylePreset = {
  id: string;
  label: string;
  thumbnailUrl: string;          // /styles/plush-classic.png
  promptBlock: string;            // 完整 style prompt 段
  negativePrompt: string;
  recommendedPalette: string[];
  recommendedMaterials: string[];
  goodFor: PackKind[];
};
```

至少 12-16 个预设，每个对应一张 256×256 缩略图放 `public/styles/`。

建议初始风格列表：
- 经典毛绒、长毛毛绒、超柔短绒、卡通圆胖
- 机甲风、赛博朋克、未来科技
- 可爱萌系、治愈系、Kuromi 暗黑可爱
- 复古玩具、迪士尼风、皮克斯风
- 黏土材质、绒线编织、3D 渲染、专利蓝图

#### 3.2 改 PromptPanel

风格选择从 6 个按钮 → 4 列网格的图卡（缩略图 + 名称 + 适用包 tag）。

风格切换时：
- `promptBlock` 合并到生图 prompt
- `negativePrompt` 单独传给 provider（GPT image edit 支持 negative）
- `recommendedPalette/Materials` 自动填到 CharacterSpec 默认值

### 阶段 4：配件 Vision 识别

#### 4.1 新增 `src/lib/accessoryDetector.ts`

```typescript
export type DetectedAccessory = {
  id: string;
  name: string;
  isolatedDescription: string;
  recommendedColors: string[];
  approximateBBox?: { x: number; y: number; w: number; h: number };
};

export async function detectAccessories(anchorImageUrl: string): Promise<DetectedAccessory[]>
```

实现：
- 走 `/responses` 端点 + vision input（GPT-4.1-vision 或 gpt-5.5 多模态）
- 把 L1 锚图作为图像输入
- prompt = "识别图中玩具身上所有独立配件，输出 JSON 数组，每项包含 name、isolatedDescription、recommendedColors。不包括玩具主体本身。"
- 严格 JSON 输出

#### 4.2 配件包生成流程重构

```
1. 调 detectAccessories(L1_anchor) → [帽子, 背包, 标牌, ...]
2. 把每个 accessory 加入 session.characterSpec.accessoriesDetected[]
3. 为每个 accessory 生成 isolated_anchor（白底、孤立、单件）
   - 走 generateGptImageEdit(L1锚图, "只保留 ${name}，其它部分擦除，白底，居中")
4. 每个 accessory 的 6 视图（front/back/left/right/top/bottom/perspective）
   都基于自己的 isolated_anchor
5. 最后生成 with_doll_assembly（参考 L1锚图 + isolated_anchors 组合）
```

数据模型加：

```typescript
export type AccessoryGroup = {
  id: string;
  name: string;
  isolatedAnchorUrl: string;
  views: ToyAsset[];  // 6+ 视图
};

export type AssetPack = {
  // ...existing
  accessoryGroups?: AccessoryGroup[];  // 仅 kind === 'accessories' 用
};
```

### 阶段 5：视频参考一致性

#### 5.1 改 `handleGenerateVideo`（page.tsx）

```typescript
const mktFront = packs
  .find(p => p.kind === 'marketing')?.assets
  .find(a => a.templateId === 'mkt_white_front');
const patentFront = packs
  .find(p => p.kind === 'patent')?.assets
  .find(a => a.templateId === 'patent_front');
const videoAnchor =
  mktFront?.url ??
  patentFront?.url ??
  session.characterSpec?.cleanReferenceImageUrl ??
  image.url;
```

UI 上视频按钮旁边显示「参考：宣发白底图 / 专利主图 / 意向图」，用户清楚视频基于哪张。

如果宣发主图未生成，按钮可选「强制要求先生成宣发主图」或「使用专利主图」。

### 阶段 6：UI 锚图链可视化

`PackPanel` 顶部"角色锁定 & 资产清单"卡片下方加一个可视化树：

```
L0 意向图 ──→ L1 白底锚图 ──┬──→ 专利主图 ──→ 专利右视图 / 左视图 / ...
                              ├──→ 配件锚图 ──→ 帽子 6 视图 / 背包 6 视图
                              ├──→ 宣发白底图 ──→ 视频任务
                              └──→ 生产主图 ──→ 尺寸图 / 拆件图
```

让用户一眼看到每张图沿用哪张作为基准，重做某个节点会影响下游哪些。

可以用简单的 flexbox 树或 SVG 连线。

---

## 4. 实施 Checklist

### 最小可用版本（先做这 4 项）

- [ ] 1.1 新增 `generateGptImageEdit`（multipart upload）
- [ ] 1.2 数据模型加 `anchorAssetId / anchorImageUrl / derivationLevel / cleanReferenceImageUrl / anchorTemplateId`
- [ ] 1.3 模板加 `anchorTemplateId`
- [ ] 1.5 `generateAssetPack` 按拓扑生成、用真图生图
- [ ] 1.4 `POST /api/character/cleanup` 生成 L1 锚图

### 单张重做

- [ ] 2.1 `POST /api/assets/[assetId]/regenerate`
- [ ] 2.2 UI 加重做按钮 + refinement 输入框

### 风格库

- [ ] 3.1 `src/lib/styles.ts` + 12-16 张 thumbnails（`public/styles/`）
- [ ] 3.2 `PromptPanel` 改成图卡选择器

### 配件 Vision

- [ ] 4.1 `accessoryDetector.ts` 用 GPT Vision
- [ ] 4.2 配件包改成「识别 → 孤立锚图 → 6 视图 → 组合图」

### 视频和可视化

- [ ] 5.1 视频参考切到宣发主图
- [ ] 6.1 `PackPanel` 加锚图链可视化

---

## 5. 关键文件清单

| 用途 | 路径 |
|---|---|
| GPT provider | `src/lib/providers.ts` |
| 视频 provider | `src/lib/videoProviders.ts` |
| 包生成主逻辑 | `src/lib/packGenerator.ts` |
| 模板定义 | `src/lib/templates.ts` |
| 类型定义 | `src/lib/types.ts` |
| 存储 | `src/lib/storage.ts` |
| 主页 | `src/app/page.tsx` |
| 输入面板 | `src/components/PromptPanel.tsx` |
| 九宫格 | `src/components/ResultGrid.tsx` |
| 资产面板 | `src/components/PackPanel.tsx` |
| 生图 API | `src/app/api/generate/route.ts` |
| 模板查询 API | `src/app/api/templates/route.ts` |
| 角色锁定 API | `src/app/api/character/lock/route.ts` |
| 单包生成 API | `src/app/api/packs/generate/route.ts` |
| 全包生成 API | `src/app/api/packs/generate-all/route.ts` |
| 视频生成 API | `src/app/api/video/generate/route.ts` |

---

## 6. 模型/环境变量约定

- 文本 / 结构化 / Vision：`OPENAI_API_KEY` + `GPT_TEXT_MODEL`（默认 `gpt-5.5`）
- 图像生成 / 编辑：`OPENAI_API_KEY` + `GPT_IMAGE_MODEL`（默认 `gpt-image-2`，edits 端点可能要 `gpt-image-1`，按 OpenAI 实际支持调整）
- 视频：`SEEDANCE_API_KEY` + `SEEDANCE_MODEL`（默认 `seedance-1-0-pro`）

**重要**：本项目"文本 / 图片统一走 GPT 最高规格，视频固定 Seedance"是硬约束。不要引入其他供应商。

---

## 7. 验收标准

完成最小可用版本后，应该满足：

1. 选中意向图 → 锁定 → 自动生成 L1 净化锚图
2. 生成专利包，主视图基于 L1，其它五视图基于专利主图（实际传图，不是文本 URL）
3. 重做任意一张图，UI 显示它的 anchor 是谁，并能单独重做
4. 风格切换有可视化预览
5. 配件包能自动识别玩具上有几个配件，分别生成 6 视图
6. Seedance 视频参考用的是宣发白底图

实测时拿一张复杂玩具图（带帽子、背包、标牌）跑全链路，所有图角色一致、配件清晰、视频与电商图一致。