Files

kang a9b12507d0 feat: add upload replicate mode

2026-05-19 10:43:58 +08:00

57 KiB

Raw Blame History

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：

风格库要可视化（缩略图代表）+ 内容完整（lighting/composition/material/negative）
每张图都有明确的上游 anchor，参考链不能跨级
单张重做必须沿用同一个 anchor
配件六视图必须基于配件孤立锚图，不是娃娃源图
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

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

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

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：

锁定主方案后，调 GPT Vision 解析 L1 锚图 → 输出 [{name, isolatedDescription, bbox}]
为每个配件生成配件孤立锚图（白底、单件、无娃娃）
配件六视图基于自己的孤立锚图
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

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）

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）

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）

{ 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）

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）：

第一张 → 走 generateGptImageEdit(prompt, L1Buffer)
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`

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`

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：

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）

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：

选中意向图 → 锁定 → 自动生成 L1 净化锚图
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）
重做任意一张图，UI 显示它的 anchor 是谁，并能单独重做
风格切换有可视化预览
配件包能自动识别玩具上有几个配件，分别生成 6 视图
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。

8. 上传图入口的三种模式（二创 / 复刻 / 复刻+补全）

8.1 场景

用户的实际使用场景不止"从一句话开始"，还有：

已经有玩具/IP 图（手稿、成品照、参考海报、其他设计师的稿）
只缺某些视角（手上有正面图，要补侧/背/俯视）
想做风格化变体（已有原型，但要换成赛博朋克版/绒线编织版/迪士尼风）

当前 PromptPanel 是 prompt-first，上传图只是被丢进 prompt 末尾当文本提示（见 Gap 1），完全没真正参与生成。需要重新设计上传图的语义。

8.2 三种入口模式

Mode A · 二创（Remix）

用户：[上传图 1-4 张] + [选风格 + 描述变化方向]
系统：保留核心识别（轮廓/五官/品牌符号），按用户要求做风格/材质/配色变化
输出：4-12 张候选变体
后续：选中 → Lock → 正常 Pack 流程

技术实现：

走 /images/edits multipart，传第 1 张为主参考图
prompt 拼接：{风格 promptBlock} + {用户变化描述} + 强制 negative：不改变身体比例、五官相对位置、品牌符号、配件轮廓
n=4/8/12 生成多张候选

Mode B · 复刻（Replicate）

用户：[上传图 1 张]，标记为"主体图"
系统：跳过批量生图，直接以这张图作为 L0 锚图
       → 立刻做 L1 净化（白底、保真）
       → 调 Vision 识别配件、推断 CharacterSpec
       → 用户确认后进入 Pack
输出：完整专利/配件/生产/宣发包

适用场景：手上已有终稿原画，只需要把它"扩展"成完整素材包。

技术实现：

上传图后跳过 /api/generate，直接构造一个 GenImage 写入 session，status='selected'
自动触发 /api/character/cleanup 生成 L1
自动触发 /api/character/lock（CharacterSpec 让 Vision 推断，用户可编辑）
用户点"进入 Pack"才开始 pack 生成

Mode C · 复刻 + 补全（Extend）

用户：[上传图 1-4 张]，每张标记为"主体 / 同角色另一视角 / 配件孤立图"
系统：先把"主体"作为 L0
       已有视角直接占用对应 slot（如上传了"正面图" → 占用 patent_front）
       缺失的 slot 才调 API 生成
输出：节省 80% 算力，前后一致性最强

适用场景：用户已经手工画了正面+背面，要补侧视图+俯视图+配件六视图。

技术实现：

上传时弹出 tagging UI，让用户选每张图的"槽位"
后端在 generateAssetPack 前先合并预占的 slot
已占 slot 跳过 API 调用，直接复用上传图

8.3 UI 入口设计

PromptPanel 改成 3 个 tab：

┌─────────────────────────────────────────┐
│ [💡 想法]  [🎨 二创]  [📐 复刻]              │
├─────────────────────────────────────────┤
│ Mode A 二创 tab 内容：                    │
│   - 上传图（1-4 张，第 1 张为主参考）        │
│   - 风格选择（图卡，引用 §3 风格库）          │
│   - 变化方向描述（textarea）                │
│   - 数量 4/8/12                          │
│   - [生成变体]                            │
└─────────────────────────────────────────┘

Mode B 和 Mode C 共享一个 tab，差异在上传后的处理：

只传 1 张且不标记 → Mode B
传多张并标注槽位 → Mode C

8.4 上传图的元数据（共用）

每张上传图都要附带：

export type UploadedImage = {
  id: string;
  url: string;                  // /api/img/uploads/xxx.png
  filename: string;
  uploadedAt: number;
  role: 'reference'              // 二创模式的灵感图
       | 'subject'               // 复刻模式的主体
       | 'view-front'            // 已有的视角，占用对应 slot
       | 'view-back'
       | 'view-left'
       | 'view-right'
       | 'view-top'
       | 'view-bottom'
       | 'accessory-isolated'    // 配件孤立图
       | 'accessory-named';      // 已命名的配件图
  accessoryName?: string;        // 仅 accessory-* 时有效
  needsCleanup: boolean;         // 是否需要先净化才能用
};

存储路径：data/uploads/。

8.5 新增 API

POST /api/uploads
  Body: multipart, image file + role + accessoryName?
  Resp: UploadedImage

POST /api/projects/from-upload
  Body: { uploadedImages: UploadedImage[], mode: 'remix' | 'replicate' | 'extend',
          remixPrompt?: string, styleId?: string, count?: number }
  Resp:
    - mode=remix: { sessionId, images } (4-12 变体)
    - mode=replicate: { sessionId, characterSpec, l1AnchorUrl }
    - mode=extend: { sessionId, characterSpec, l1AnchorUrl, preFilledSlots }

POST /api/character/lock-from-upload
  Body: { sessionId, subjectImageId }
  Resp: 调 Vision 推断 CharacterSpec

8.6 Vision 推断 CharacterSpec

Mode B 和 C 没有原始 prompt，需要 GPT Vision 看图推断。

src/lib/providers.ts 新增：

export async function inferCharacterSpecFromImage(opts: {
  imageUrl: string;
  userHint?: string;       // 用户可选输入"这是我的 IP, 名字叫小桔"
}): Promise<CharacterSpec>

实现：

走 /responses + vision input
prompt = "你是玩具产品经理，根据图片推断 CharacterSpec。严格 JSON，包含 name/oneLiner/speciesShape/bodyRatio/faceFeatures/colorPalette/materials/accessories/signatureElements/patentFocus/negativePrompt 字段"
如果 userHint 有值，name 用它，否则让 GPT 生成

8.7 复刻模式的 L1 净化注意事项

复刻模式比"从 prompt 开始"对净化要求更高：不能改任何角色细节。

/api/character/cleanup 在复刻模式下要使用更强的约束 prompt：

保持原图完全一致，仅做以下修改：
1. 把背景换成纯白色
2. 去除任何水印、文字、价格标签、网页 UI 元素
3. 居中并适当裁剪到正方形构图

绝对不要修改：
- 角色五官、表情、姿态
- 主体配色、材质、纹理
- 配件位置、轮廓、细节
- 任何品牌符号（如胸前 logo）

输出风格：商业产品图，柔和均匀打光，无阴影。

可以在 cleanup API 里加 preserveLevel: 'strict' | 'normal' 参数。

8.8 已有视角槽位的智能匹配（Mode C）

用户上传时标的 role: view-front 等，直接 1:1 占用专利包/配件包的对应模板：

上传 role	占用模板 ID
`view-front`	`patent_front` + `acc_front`（如是配件）
`view-back`	`patent_back`
`view-left`	`patent_left`
`view-right`	`patent_right`
`view-top`	`patent_top`
`view-bottom`	`patent_bottom`
`accessory-isolated`	该配件的 `isolated_anchor`

generateAssetPack 在生成前先检查 session.preFilledSlots，已占用的 template 直接复用上传图，不调 API。

8.9 合规和版权提示

UI 上传图区域要醒目提示：

⚠️ 上传图必须为你拥有或有合法授权使用的素材。请勿上传迪士尼、三丽鸥、泡泡玛特等已注册 IP 的图像；生成结果用于专利申请时，需自行确认不与他人在先权利冲突。

后端可选做基础检测：

调 GPT Vision 看图，若识别为已知品牌 IP（"Hello Kitty"、"Mickey Mouse"、"Labubu"）→ 阻止上传并给出明确警告
这一步初版可不做，但要在 UI 留位

8.10 实施 Checklist 增量

在 §4 Checklist 之外，额外加：

8.A 上传 API + 存储 data/uploads/
8.B PromptPanel 改 3-tab：想法 / 二创 / 复刻
8.C Mode A（二创）：multipart + /images/edits 批量变体
8.D Mode B（复刻）：跳过批量生图，直接 lock + cleanup
8.E inferCharacterSpecFromImage Vision 推断
8.F Mode C：上传图 role 标注 UI + preFilledSlots 合并
8.G cleanup 加 preserveLevel 参数，复刻模式用 strict
8.H 版权合规提示 UI

8.11 优先级建议

最实用顺序：

Mode B 复刻（最常用：用户已有玩具图想做素材包）
Mode A 二创（次常用：用户有概念图想做风格变体）
Mode C 复刻+补全（高级：用户有部分视图想补齐）

如果只做一个，先做 Mode B —— 它对"前后一致"的帮助最直接，相当于直接拿用户图当 L0 锚图，跳过最容易漂移的"prompt → 意向图"阶段。

9. 实例：上传一张 lookbook 整图的工作流

9.1 场景描述

用户拿到一张已经完整的商品 lookbook 图（如 MUSE MATE 街头潮玩公仔的 14 区块大图），里面已经包含核心形象、包装、三视图、细节、场景、配件、社媒图、专利六视图、产品信息等。这是 Mode C 复刻+补全的极端情况——几乎所有 slot 都已经有素材，只需要补少量缺失视角和细节。

9.2 上传图的内容分类（以 MUSE MATE lookbook 为例）

01. 核心形象      → 单只主角图
02. 包装展示      → 礼盒 + 配件平铺
03. 三视图        → Front / Side / Back
04. 细节展示      → 头部 / 滑板 / 卫衣特写 ×4
05. 场景展示      → 涂鸦墙 / 唱片店 / 滑板公园 / 书桌 / 车载 / 包挂 ×6
06. 配件展示      → 帽子 / 耳机 / 滑板 / 喷漆 / 卫衣 / 钥匙扣 / 编号卡 / 贴纸 ×8
07. 可替换造型    → 黑 / 灰 / 橙 / 绿 4 套服饰
08. 灯光效果      → 白光 / 暖光 2 张
09. 证书 + 编号卡 → 收藏卡
10. 社媒展示      → 明星种草 3 张
11. 系列款展示    → 6 个配色变体
12. 专利图纸      → 已完整的六视图
13. 产品信息      → ABS/PVC、高度 12cm、包装尺寸文字
14. 合作流程      → 流程图（非产品素材）

9.3 系统映射表

Lookbook 区块	系统 slot	数量	备注
01 核心形象	L0 主体图 → `subject` role	1	净化后做 L1 锚图
02 包装	`mkt_packaging_render` + `prod_packaging_structure`	2	切出
03 三视图	`patent_front` / `patent_left` / `patent_back`	3	直接占用
04 细节	`patent_detail_face` + `patent_detail_accessory` + `mkt_detail_face` + `mkt_detail_material`	4	切出
05 场景	`mkt_scene_bedroom/desk/gift` + 新增「街头 / 车载 / 包挂」slot	6	拓展模板
06 配件	`acc_inventory_sheet` + 8 个配件孤立锚图	9	触发 8 个 AccessoryGroup
07 服饰变体	新 slot：`variant_outfit`	4	拓展（系列变体）
08 灯光变体	新 slot：`variant_lighting`	2	拓展
09 证书卡	新 slot：`cert_card`	1	收藏品需要
10 社媒	`mkt_social_vertical`	3	占用
11 系列款	新 slot：`series_lineup`	1	拓展
12 专利六视图	`patent_front/back/left/right/top/bottom`	6	完全占满
13 产品信息	OCR 后填到 `text_production_brief` / `text_production_cmf`	-	文字 slot
14 合作流程	忽略	-	非素材

9.4 用户操作流程

1. 上传 lookbook 整图（role: 'lookbook-composite'）
2. 系统检测到合成图 → 弹出区块切割界面
   - Vision 识别"01."至"14."编号定位分区线
   - 用户可手动调整裁剪框
   - 每块标 role
3. 切完得到 30-40 张独立图，写入 data/uploads/
4. 系统按 role 自动分配 slot
5. 调 Vision 看 L0 + 三视图 + 配件清单 → 自动推断 CharacterSpec
6. 用户进入 PackPanel：
   - 已占用 slot 显示 ✓
   - 缺失 slot 显示「待补生成」
7. 用户决定一键补全 / 挑重要 slot 补全

9.5 算力节省

对这张 lookbook 来说：

Pack	全量生成需要	上传图已占	实际需补生成
专利包	12 张	7 张	5 张（右/上/下/立体×2）
配件包	9 张（清单）+ 6×8 = 57 张	9 张（清单 + 各 1 视图）	~48 张（每件还缺 5 视图 + 组合图）
生产包	18 张	0 张（lookbook 没生产图）	18 张全补
宣发包	22 张	11 张（KV/包装/场景/社媒）	11 张
合计	≈118 张	≈40 张	≈82 张

省下约 34% API 调用。更重要的是：用户自己的图是最强 anchor，前后一致性最高。

9.6 需要新增的模板 / 数据结构

为支撑 lookbook 场景，建议扩展：

// 新增 role 类型
export type UploadRole =
  | 'subject' | 'reference'
  | 'view-front' | 'view-back' | 'view-left' | 'view-right' | 'view-top' | 'view-bottom'
  | 'accessory-isolated' | 'accessory-named'
  | 'scene-bedroom' | 'scene-desk' | 'scene-gift'
  | 'scene-street' | 'scene-car' | 'scene-bag'    // 新增场景
  | 'detail-face' | 'detail-accessory' | 'detail-material'
  | 'social-vertical' | 'social-square'
  | 'packaging-overview' | 'packaging-structure'
  | 'variant-outfit' | 'variant-lighting'         // 新拓展
  | 'cert-card' | 'series-lineup'                 // 新拓展
  | 'lookbook-composite';                          // 整张 lookbook

新增模板（templates.ts 里追加）：

mkt_scene_street / mkt_scene_car / mkt_scene_bag（场景包补 3 个）
variant_outfit_* × 4（服饰变体包）
variant_lighting_white / variant_lighting_warm（灯光变体）
cert_card（收藏品类附件）
series_lineup（系列陈列图）

新增 API：

POST /api/uploads/split-composite
  Body: { uploadedImageId, regions: Array<{ role, bbox, accessoryName? }> }
  Resp: { sessionId, splitImages: UploadedImage[] }

9.7 这个实例对实施顺序的影响

如果用户主要场景是"已有完整或半完整 lookbook"，那 §4 实施 Checklist 的优先级应该调整：

优先做 §8 上传图模式（Mode B 复刻）
其次做 §1 锚图链
再做 §9 区块切割 + role 标注 + slot 自动占用
最后做风格库、Vision 配件识别等增强功能

因为 lookbook 用户根本不需要"从 prompt 生意向图"，他们要的是"把这套素材合理拆分填进系统，缺什么补什么"。

10. 完整 Agent 编排：从任意输入到完整 lookbook

10.1 目标

用户无论上传什么（一句话 / 单张主角图 / 完整 lookbook 大图 / 几张零碎参考图），系统都能自动跑到同一个终态：一套完整的专利包 + 配件包 + 生产包 + 宣发包 + 视频任务 + 设计说明文字，并显式区分「已占用」「AI 补生成」「需人工确认」三种状态。

10.2 三层 Agent 架构

┌──────────────────────────────────────────────────────────┐
│ Orchestrator Agent — 决策总指挥                              │
│  · 决定走哪条路径（Mode A/B/C）                                │
│  · 调度拓扑生成顺序                                            │
│  · 触发自检 & 重做                                             │
└──────────────────────────────────────────────────────────┘
          │                    │                    │
          ▼                    ▼                    ▼
┌──────────────────┐ ┌──────────────────┐ ┌──────────────────┐
│ Vision Analyst   │ │ Generation Worker│ │ Quality Checker  │
│  · 识图分类       │ │  · 调 GPT 生图    │ │  · 角色一致性     │
│  · 区块切割       │ │  · 调 Seedance   │ │  · 视角正确性     │
│  · 推断 Spec     │ │  · multipart 上传 │ │  · 风格统一       │
│  · 配件识别       │ │  · 锚图链解析     │ │  · 标红需重做      │
└──────────────────┘ └──────────────────┘ └──────────────────┘

实现层面：

三个 Agent 可以是同一个 GPT 模型不同 prompt
也可以分别用：gpt-5.5-vision 做识图、gpt-image-2 做生图、gpt-5.5 做质检
编排可以用 Vercel AI SDK / LangChain，也可以纯 TypeScript 状态机（推荐先用后者，可控性强）

10.3 完整流程状态机

┌────────────────────────────────────────────────────────────┐
│ STATE: idle                                                 │
│   用户输入：prompt? upload? both?                            │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: input-analysis                                       │
│   Vision Agent 看输入图（如有）                                │
│   输出 InputClassification：                                  │
│     { mode: 'prompt-only' | 'single-subject' | 'lookbook'   │
│            | 'multi-reference',                              │
│       blocksDetected?: BlockBBox[],                          │
│       detectedSubject?: SubjectGuess,                        │
│       detectedAccessories?: AccessoryGuess[],                │
│       confidence: 0..1 }                                     │
│   confidence < 0.7 → 询问用户                                 │
└────────────────────────────────────────────────────────────┘
                       ▼
            ┌──────────┴──────────┐
            ▼                     ▼
┌──────────────────┐   ┌──────────────────┐
│ Path A: prompt   │   │ Path B: image    │
│ → 批量生意向图     │   │  ┌──────────────┤
│ → 九宫格筛选      │   │  ▼              │
│ → 选中            │   │ Mode B 单图     │
│                   │   │ Mode C lookbook │
│                   │   │ Mode A multi-ref│
└──────────────────┘   └──────────────────┘
            └──────────┬──────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: anchor-preparation                                   │
│   · L0 = 选中图或主体图                                       │
│   · L1 = L0 经 cleanup 净化（preserveLevel=strict 复刻；      │
│           normal 二创可允许微调）                             │
│   · 若是 lookbook：先做区块切割 → slot 自动占用                │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: character-inference                                  │
│   Vision Agent 看 L1 + 已占用 slot                            │
│   输出 CharacterSpec（含 accessoriesDetected[]）              │
│   用户确认/编辑                                               │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: pack-generation（拓扑）                                │
│                                                              │
│   Wave 1（并行）：                                            │
│     · patent_front（用 L1）                                   │
│     · acc_inventory_sheet（用 L1）                            │
│     · mkt_white_front（用 L1）                                │
│                                                              │
│   Wave 2（并行）：                                            │
│     · patent_back/left/right/top/bottom（用 patent_front）    │
│     · 每个配件 accessory_isolated（用 acc_inventory）         │
│     · mkt_white_45/back（用 mkt_white_front）                 │
│     · prod_front_spec/back_spec/...（用 patent_front）        │
│                                                              │
│   Wave 3（并行）：                                            │
│     · patent_perspective_front/back / detail_*                │
│     · 每个配件的 6 视图（用对应 accessory_isolated）           │
│     · mkt_scene_* / mkt_detail_*                              │
│     · prod_material_board / color_board / part_breakdown      │
│                                                              │
│   Wave 4：                                                   │
│     · acc_with_doll_assembly（用 L1 + 各 isolated）           │
│     · mkt_size_lifestyle / longpage / packaging_render        │
│                                                              │
│   Wave 5：                                                   │
│     · 设计说明文字（GPT text，基于 CharacterSpec + 各 anchor）│
│     · 视频任务（用 mkt_white_front）                          │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: quality-check                                        │
│   Quality Checker Agent 看每张产物                            │
│   对比 anchor → 一致性评分                                    │
│   标记需重做的图（红色）                                       │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: review                                               │
│   用户在 PackPanel 看完整产出                                  │
│   每张图状态：✓ 已占用 / ✨ AI 生成 / 🔴 待重做 / ⚠ 需人工确认 │
│   一键重做标红的图 / 手动重做某张                              │
└────────────────────────────────────────────────────────────┘
                       ▼
┌────────────────────────────────────────────────────────────┐
│ STATE: export                                               │
│   导出 ZIP / PDF / manifest.json                             │
└────────────────────────────────────────────────────────────┘

10.4 关键 Agent 函数（不写代码，只列接口）

// === Vision Analyst ===

inferInputClassification(uploads: UploadedImage[], prompt?: string): InputClassification
  // 决定走 prompt / single-subject / lookbook / multi-reference

detectLookbookBlocks(imageUrl: string): BlockBBox[]
  // 返回每个区块的 bbox + 自动建议 role

inferCharacterSpec(anchorImageUrl: string, userHint?: string): CharacterSpec
  // 看图推断完整 CharacterSpec

detectAccessories(anchorImageUrl: string): DetectedAccessory[]
  // 看图识别所有独立配件

// === Generation Worker ===

generateImage({ prompt, anchorBuffer, maskBuffer?, size, negative }): GenImage
  // 真图生图，multipart /images/edits

generateText({ prompt, format: 'json' | 'markdown' | 'plain' }): string
  // GPT text

generateVideo({ prompt, anchorImageUrl, duration, ratio }): VideoTask
  // Seedance

// === Quality Checker ===

assessConsistency({ generatedImage, anchorImage }): {
  score: 0..1,                  // 角色一致性评分
  drifts: string[],              // 漂移点说明
  needsRedo: boolean
}

assessViewAccuracy({ image, expectedView: 'front' | 'left' | ... }): {
  score: 0..1,
  notes: string[]
}

// === Orchestrator ===

planTopologicalGeneration(session): GenerationWave[]
  // 计算各 wave 依赖关系

runGenerationLoop(session): AsyncGenerator<ProgressEvent>
  // 跑完整生成 + 自检 + 重试

10.5 Topological Generation 详解

每个 AssetTemplate 加 anchorTemplateId 字段后，可以构建 DAG：

type GenerationNode = {
  templateId: string;
  packKind: PackKind;
  dependsOn: string[];          // 上游 templateIds
  alreadySatisfied: boolean;    // 已由上传图占用？
};

function buildDAG(session): GenerationNode[]
function topologicalSort(nodes): GenerationNode[][]   // 分波次

关键：每个 Wave 内的节点可以并行执行（concurrency=4 或 8），跨 Wave 必须串行（因为下游需要上游图作为 anchor）。

实测一张主角图全量生成（专利 12 + 配件清单 9 + 配件六视图 48 + 生产 18 + 宣发 22 + 视频 5 = 114 张图）+ 16 段文字，按 5 Wave 并行（concurrency=4），用时大约：

Wave 1：3 张并行 → ~10s
Wave 2：~20 张并行（分 5 批）→ ~50s
Wave 3：~70 张并行（分 18 批）→ ~3min
Wave 4：~10 张 → ~25s
Wave 5：文字 + 视频提交（视频是异步任务）→ ~30s

总计约 5 分钟出完整 lookbook（视频是异步任务还要等几分钟）。比串行生成（每张 3s × 114 = 5.7min 还要排队）快不少，且一致性最强。

10.6 Quality Check 的具体策略

让 Vision Agent 做 4 项检查：

角色一致性：把生成图和 L1 锚图拼成一张图，问 GPT "这两张是同一个角色吗？打分 0-1，列出差异"
视角正确性：问 "这张图是正面/左视图/俯视图吗？"
背景清洁度（专利图必须）：问 "是否有水印、文字、场景道具？"
配件完整性：问 "源图上的 X 配件在这张里是否清晰可见？"

每项分数 < 0.7 → 标红待重做。重做时把上一次的差异点写进 userRefinement 反馈给 prompt：

追加约束：上次生成中 ${drifts} 出现问题，本次必须修正。

10.7 UI 上的 Agent 进度展示

PackPanel 顶部加一条生成总进度条：

┌─────────────────────────────────────────────────────┐
│ 🤖 Agent 工作中 · Wave 3/5 · 已生成 47/114 张        │
│ ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 41%   │
│ 当前批次：配件六视图（帽子/耳机/滑板...）              │
│ 已完成自检 ✓ 33 张 · 🔴 待重做 2 张                  │
└─────────────────────────────────────────────────────┘

每个 Pack 内的 AssetRow 显示状态徽章：

✓ 绿色 = 已占用（来自上传图）
✨ 紫色 = AI 已生成（通过自检）
🔴 红色 = AI 生成但自检不过，建议重做
⚠ 黄色 = 自检不确定，需人工确认
⏳ 灰色 = 等待生成

点单张图可看详情：anchor 来源 / prompt / 自检评分 / 漂移点。

10.8 Agent 配置（环境变量补充）

# Agent 并发度
AGENT_CONCURRENCY=4               # 单 Wave 并行数
AGENT_MAX_RETRY=2                 # 自检失败最多重试次数
AGENT_AUTO_REDO_THRESHOLD=0.7     # 自检分数低于此值自动重做

# Vision 模型
GPT_VISION_MODEL=gpt-5.5          # 用于识图、自检

10.9 失败恢复

Agent 跑到中途失败（API 超时、Key 限流）的处理：

每个 Wave 完成后写一次 session.json 到 data/sessions/
Wave 中单张失败 → 标记 status: 'failed'，记录错误，不阻塞其它节点
用户刷新页面看到失败的 slot 显示红色，可一键重做
全 Wave 完成后，Orchestrator 输出失败摘要

10.10 Agent 输入两种输入的对比

输入	Vision 分析判定	走的路径	实际工作量
一张单主角图（普通玩具照）	`single-subject`	Mode B 复刻	L1 净化 → 推断 Spec → 全量补 ~114 张 + 文字
lookbook 大图	`lookbook`	Mode C 拆解+补全	切 30-40 块 → 自动占用 → 补 ~80 张
多张参考图（同一角色多视角）	`multi-reference`	自动分发 + 复刻	已有视角占用 → 补缺失
概念参考 + Prompt	`multi-reference + prompt`	Mode A 二创	批量变体 → 选 → 复刻流程
纯文字 prompt	`prompt-only`	原 prompt-first	批量生意向图 → 选 → 复刻流程

无论哪种入口，都最终汇入同一个 anchor-preparation → character-inference → pack-generation 状态机，输出统一。

10.11 实施 Checklist 增量（在 §4 和 §8.10 基础上）

10.A 设计 InputClassification + inferInputClassification Vision 调用
10.B 实现 buildDAG + topologicalSort 拓扑生成
10.C 实现 runGenerationLoop 异步生成器（emit ProgressEvent）
10.D 实现 assessConsistency / assessViewAccuracy 质量检查
10.E PackPanel 顶部加总进度条 + 每张图状态徽章
10.F session.json 增量写入（每 Wave 完成后保存）
10.G 失败恢复 UI（红色 slot 一键重做）
10.H 自动重做循环（自检不过 → 加 refinement → 最多重试 N 次）

10.12 推荐实施分期

第 1 期：手动模式跑通（不上 agent）

完成 §1（真图生图）+ §8 Mode B（单图复刻）+ §9 lookbook 拆解
用户手动点每个包的"生成"按钮
没有自动拓扑、没有自检

第 2 期：拓扑批量生成

完成 §10.5（buildDAG + topologicalSort）+ §10.C（runGenerationLoop）
用户点一次"一键全包"，agent 按 wave 并行跑完
还没有自检

第 3 期：自检 + 自动重做

完成 §10.6 + §10.H
agent 自检不过的图自动重试 N 次

第 4 期：完全自主 agent

完成 §10.A（InputClassification）+ 自动路径选择
用户只需上传图，剩下全部 agent 自主完成
用户只看进度条和最终结果

建议：先做完第 1+2 期，能覆盖 80% 场景；第 3+4 期是质量优化和体验升级，可以按用户反馈再迭代。

11. 真人模特互动包（Talent Pack）

11.1 需求场景

潮玩宣发离不开"真人模特 × 玩具"的内容：

帅气男孩/漂亮女孩手持玩具的合影
模特把玩、拥抱、肩扛玩具的生活方式图
短视频：开箱、日常陪伴、Vlog 把玩、自拍展示
类似 LABUBU / MOLLY / Sonny Angel 那种小红书爆款图

要求：尽可能真实——真人皮肤纹理、自然光、自然表情、玩具材质对、手指抓握自然。

当前系统的 mkt_scene_* 只有"玩具放在场景里"，完全没有真人模特出现。需要把"真人互动"独立成 Talent Pack（真人互动包） —— 既不是单纯的宣发图，也不是社媒文案图，而是模特 + 玩具同框这一类特殊产物。

11.2 为什么独立成包

维度	普通宣发图	真人互动图
主体	玩具	模特 + 玩具
锚图	1 张（玩具 L1）	2 张（模特参考 + 玩具 L1）
一致性挑战	单角色一致	同一模特跨多图一致 + 玩具一致
合规风险	低	高（肖像权 / 儿童保护）
视频生成难度	中（玩具旋转/特写）	高（模特动作 + 玩具互动）

要素完全不同，必须作为独立 PackKind: 'talent'。

11.3 数据模型扩展

// types.ts
export type PackKind = 'patent' | 'production' | 'marketing' | 'accessories' | 'talent';

export type ModelPersona = {
  id: string;
  label: string;                  // "帅气男孩 · 嘻哈风"
  category: 'male' | 'female' | 'kid' | 'couple' | 'group';
  ageRange: '5-12' | '13-18' | '18-25' | '25-35' | '35-50';
  styleTags: string[];            // ['街头', '嘻哈', '复古']
  referenceImageUrl: string;      // 预生成的合成模特参考图
  characterPrompt: string;        // 完整 persona prompt block
  negativePrompt: string;
};

export type TalentAsset = ToyAsset & {
  modelPersonaId: string;         // 用了哪个模特
  modelAnchorUrl: string;         // 该模特的参考图 URL
  scenarioId: string;             // 互动场景模板 ID
};

11.4 模特库 ModelPersona

类似风格库，做一组可视化的模特预设。建议初版 10-12 个：

ID	类型	风格定位
`male-street-cool`	男 / 18-25	帅气男孩 · 街头嘻哈
`male-creative-warm`	男 / 25-35	温柔创意人 · 治愈
`male-business-clean`	男 / 25-35	都市精英 · 简洁
`female-cute-soft`	女 / 18-25	治愈系女孩 · 软妹
`female-trendy-cool`	女 / 18-25	潮酷女孩 · 街头
`female-elegant-fashion`	女 / 25-35	时尚白领 · 优雅
`kid-boy-playful`	童 / 5-12	活泼男孩
`kid-girl-curious`	童 / 5-12	好奇女孩
`couple-young`	情侣 / 18-25	青春情侣
`collector-male`	男 / 25-35	潮玩藏家
`collector-female`	女 / 25-35	潮玩藏家
`office-worker`	中性 / 25-35	办公室桌搭

每个 persona 准备：

参考图（256×256 缩略 + 1024×1024 高清）：合法合成肖像（不能用真实明星），存 public/personas/
characterPrompt block：完整描述脸型 / 发型 / 体型 / 服装 / 气质，给 GPT image-2 用
negativePrompt：明确禁止"识别为某真实明星"、"具体已知 IP 长相"

11.5 Talent Pack 模板槽位

新增模板（templates.ts 里加 TALENT_TEMPLATES）：

A 单人互动图（每个 persona 一组 6 张）

Template ID	内容	画幅
`talent_portrait_handheld`	模特正面手持玩具，眼神对镜头	4:5
`talent_portrait_hug`	模特怀抱玩具，温柔表情	4:5
`talent_lifestyle_desk`	模特在书桌/办公桌前，玩具桌搭	4:5
`talent_lifestyle_outdoor`	模特户外手持玩具（街头/咖啡店）	4:5
`talent_selfie_phone`	自拍式构图，玩具在画面前景	9:16
`talent_action_play`	模特正在把玩玩具（互动动作）	1:1

B 多人/情侣互动图

Template ID	内容
`talent_couple_share`	情侣共享玩具
`talent_group_gift`	朋友间赠送场景
`talent_parent_child`	亲子陪伴

C 视频脚本

视频走 Seedance，新增视频模板：

Template ID	内容	时长
`video_talent_unbox`	模特开箱第一视角	6-8s
`video_talent_play`	模特把玩玩具	6s
`video_talent_daily`	模特日常带玩具出门	8s
`video_talent_selfie`	模特自拍 Vlog 展示	6s

11.6 生成链路（关键）

真人互动图需要 双锚图：

模特参考图（modelPersonaReferenceUrl）
       +
玩具锚图（L1 净化锚图）
       ↓
   合成 prompt + 调 GPT image-2 /images/edits
       ↓
   talent_portrait_handheld
       ↓ （作为后续 talent 图的人物锚）
   talent_portrait_hug / talent_lifestyle_* （都参考此图保证模特一致）
       ↓
   视频任务（Seedance）参考 talent_portrait_handheld 当锚帧

技术实现：

双图输入：/images/edits 端点不原生支持多图，用 image+mask 方式或拼成"参考板"再生成
更可靠方案：先用 GPT-vision 看模特参考图 → 输出详细描述（脸型/发型/眼睛/嘴型），把这段描述拼进 prompt，再加玩具 L1 作为 image input
第二选：用 OpenAI 的 image-2 multi-image 入参（如果支持），分别标注 [reference: model] 和 [reference: toy]

11.7 模特一致性问题

最棘手：同一个 persona 在多张图里要长得像同一个人。

策略：

第一张 talent_portrait_handheld 生成后，它成为该 persona 在本项目的"人物锚图"
后续所有 talent_* 都把这张作为人物 anchor，玩具仍用 L1 锚
添加更细致的 characterPrompt：脸型 / 发型 / 眼距 / 嘴角 / 标志性服饰
用 Quality Checker 跨张比对模特相似度，相似度 < 0.6 标红重做

11.8 真实感提升要点

prompt 模板必须包含的真实感要素：

photorealistic, shot on Sony A7IV with 50mm f/1.8 lens,
natural daylight, soft shadows, skin texture visible,
shallow depth of field, real environment, candid moment,
authentic emotion, no AI-art artifacts, no plastic skin,
hands holding toy naturally with realistic finger curvature

negative：

cartoon, anime, 3D render, plastic skin, perfect symmetry,
glowing eyes, anime eyes, AI artifacts, deformed hands,
extra fingers, distorted toy proportions

11.9 合规与肖像权

严格要求：

不允许使用真实明星 / 公众人物的样貌
- prompt 不允许包含明星名（"长得像 XXX"）
- Vision Agent 检测生成图，如果识别为已知明星 → 自动拒绝并重做
儿童 persona 需要额外标记
- UI 上显示 "⚠ 儿童形象，请确认有合法授权或仅用于内部参考"
- 不允许儿童单独出现的不合适场景
合成模特身份
- 所有生成图导出时 manifest 必须包含 "talent_disclaimer": "本图模特为 AI 合成，非真实人物"
- 用户使用时需自行决定是否标注
真实模特照片导入
- 如果用户上传自己拍的模特照片作为 reference，UI 要求确认 "我拥有/已获得该模特肖像使用授权"

11.10 UI 设计

PackPanel 加新的 Talent Pack section，结构和其它包类似但有特殊控件：

┌────────────────────────────────────────────────────┐
│ 👤 真人互动包 · 模特 × 玩具                          │
├────────────────────────────────────────────────────┤
│ Step 1: 选模特类型（可多选）                          │
│  [🧑‍🎤帅气男孩-嘻哈] [👧治愈系女孩] [👨‍💼都市精英]      │
│  [👶活泼男孩] [👩‍🎤潮酷女孩] [...] 共 12 款            │
│                                                     │
│ Step 2: 选互动场景（默认 6 个，可勾选）                │
│  [✓] 手持正面  [✓] 怀抱  [ ] 桌搭                    │
│  [✓] 户外     [ ] 自拍   [ ] 把玩                    │
│                                                     │
│ Step 3: 视频任务（可选）                              │
│  [ ] 开箱 6s  [ ] 把玩 6s  [ ] 日常 8s               │
│                                                     │
│ [生成 talent pack（4 张 × 选中模特数 + 视频任务）]   │
└────────────────────────────────────────────────────┘

每张生成图显示「模特：xxx」「场景：xxx」「自检评分：0.85 ✓」。

11.11 实施 Checklist 增量

11.A PackKind 加 'talent'，类型扩展 ModelPersona / TalentAsset
11.B 准备 12 个 ModelPersona + 缩略图（放 public/personas/）
11.C TALENT_TEMPLATES 模板定义（单人 6 + 多人 3 + 视频 4）
11.D 双锚图生成函数：generateTalentImage({ modelPersona, toyAnchorUrl, scenario })
11.E 模特一致性自检（Quality Checker 扩展）
11.F UI：模特选择卡片 + 场景勾选 + 进度
11.G 合规模块：明星人脸检测拒绝、儿童形象提示、肖像授权确认
11.H Seedance 视频任务支持 talent 锚图

11.12 优先级建议

talent 包属于第 2 阶段功能（在主链路打通之后）。原因：

主体（玩具）一致性都还没解决前，加真人会进一步放大漂移问题
必须先有稳定的 L1 锚图 + 真图生图链路（§1）
视频部分必须有稳定的静态 talent 图作为锚帧

建议实施顺序：

完成 §1（真图生图）+ §8 Mode B（单图复刻）
实现 §11.B（模特库准备）+ §11.D（双锚图生成）
再做视频 talent 任务

如果用户特别强调真人互动，可以优先做最有传播力的 3 个 slot：

talent_portrait_handheld（小红书爆款基础图）
talent_lifestyle_outdoor（生活方式种草）
video_talent_play（短视频把玩）

3 个 slot 跑通了，宣发素材就够发一波。

57 KiB Raw Blame History Unescape Escape

生图链路重构交接文档

0. 一句话目标

1. 用户期望的目标流程

2. 现状的 6 个关键 Gap

Gap 1：参考图根本没传给模型（最严重）

Gap 2：风格库太薄、看不到样子

Gap 3：所有后续图都参考"最初那张意向图"，逐级漂移

Gap 4：配件链路是假的

Gap 5：单张重做会脱链

Gap 6：视频参考也不一致

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）

1.2 数据模型扩展（types.ts）

1.3 模板加 anchorTemplateId（templates.ts）

1.4 新增 API：净化锚图

1.5 改造 generateAssetPack（packGenerator.ts）

阶段 2：单张重做

2.1 新增 API

2.2 UI

阶段 3：风格库可视化

3.1 新增 src/lib/styles.ts

3.2 改 PromptPanel

阶段 4：配件 Vision 识别

4.1 新增 src/lib/accessoryDetector.ts

4.2 配件包生成流程重构

阶段 5：视频参考一致性

5.1 改 handleGenerateVideo（page.tsx）

阶段 6：UI 锚图链可视化

4. 实施 Checklist

最小可用版本（先做这 4 项）

单张重做

风格库

配件 Vision

视频和可视化

5. 关键文件清单

6. 模型/环境变量约定

7. 验收标准

8. 上传图入口的三种模式（二创 / 复刻 / 复刻+补全）

8.1 场景

8.2 三种入口模式

Mode A · 二创（Remix）

Mode B · 复刻（Replicate）

Mode C · 复刻 + 补全（Extend）

8.3 UI 入口设计

8.4 上传图的元数据（共用）

8.5 新增 API

8.6 Vision 推断 CharacterSpec

8.7 复刻模式的 L1 净化注意事项

8.8 已有视角槽位的智能匹配（Mode C）

8.9 合规和版权提示

8.10 实施 Checklist 增量

8.11 优先级建议

9. 实例：上传一张 lookbook 整图的工作流

9.1 场景描述

9.2 上传图的内容分类（以 MUSE MATE lookbook 为例）

9.3 系统映射表

9.4 用户操作流程

9.5 算力节省

9.6 需要新增的模板 / 数据结构

9.7 这个实例对实施顺序的影响

10. 完整 Agent 编排：从任意输入到完整 lookbook

10.1 目标

10.2 三层 Agent 架构

10.3 完整流程状态机

10.4 关键 Agent 函数（不写代码，只列接口）

10.5 Topological Generation 详解

10.6 Quality Check 的具体策略

10.7 UI 上的 Agent 进度展示

10.8 Agent 配置（环境变量补充）

10.9 失败恢复

10.10 Agent 输入两种输入的对比

10.11 实施 Checklist 增量（在 §4 和 §8.10 基础上）

10.12 推荐实施分期

11. 真人模特互动包（Talent Pack）

11.1 需求场景

11.2 为什么独立成包

11.3 数据模型扩展

11.4 模特库 ModelPersona

57 KiB

Raw Blame History

1.1 新增 `generateGptImageEdit`（providers.ts）

3.1 新增 `src/lib/styles.ts`

4.1 新增 `src/lib/accessoryDetector.ts`

5.1 改 `handleGenerateVideo`（page.tsx）