image

image

1 つのスキル、4 つの動詞。プロンプトを書くのはあなた。スキルが検証し、呼び出し、ダウンロードし、記憶します。

python3 - <<'EOF'
import sys; sys.path.insert(0, "skills/image")
from exports import generate, edit, remove_background, inspect, list_models
r = edit("Replace the first letter W of WALL ST with the logo in image 2, matching the sign's paint and perspective",
         ["uploads/sign.png", "uploads/logo.png"],
         keep="every other letter, the sign colour, background and lighting",
         model="nanopro", resolution="2K")
print(r["images"][0]["local_path"] if r["success"] else r["error"])
EOF

常に bash の python3 - <<'EOF' ヒアドキュメントで実行してください（python3 -c ではありません）。結果 → {"success", "images":[{"local_path","dims"}], "job_dir", "request_id", "cost_usd", "prompt", "params"}、失敗時は {"success": False, "error"}。ジョブごとに専用のディレクトリが作成されます — 何も上書きされません。

4 つの動詞

動詞	使用場面	主な引数
generate(prompt, model=None, **params)	元になるものがない場合	aspect_ratio、resolution（nanopro）、image_size+quality（gpt）、num_images、seed
edit(prompt, image_paths, keep=, mask_path=, model=, tx_id=, **params)	既存の画像から始めるすべての作業 — レタッチ、背景、ロゴ/テキスト、スタイル、参照からの商品/ポートレート/試着/3D	image_paths[0] がベースで、残りは参照です。それぞれが何なのかをプロンプトで説明してください
remove_background(image_path)	クリーンな切り抜き → 透過 PNG	—
inspect(images, question, mode=)	編集の前後に確認する必要がある場合	mode="inspect"（何が/どこに/OCR）、"compare"（前 vs 後）、"qa"（goal+keep に対する合否）

list_models() は各モデルの実際の機能を教えてくれます。不明なときは読んでください。暗記しないでください。

モデルの選び方 — list_models() を呼び出してから:

• 下書き / 探索 → nano2（最速、最安）。
• デフォルト、複数参照、指示の多い編集 → nanopro。出力は resolution="2K"|"4K" を渡さない限り 1K です — ソースが大きい場合は必ず設定してください。そうしないとユーザーの画像が縮小されます。
• 領域限定の編集（この領域だけを変更し、他のピクセルは動かしてはならない） → mask_path を指定した gpt（白 = 編集可能）。実際のマスクを持つ唯一のモデルです。低速（約 2 分）— その旨を伝えてください。
• 多数の参照 / アセットの合成 → seedream（候補: 明示的に指定してください）。
• 「最高品質」のリクエスト → 何を選んだか、その理由をユーザーに伝えてください。推測するより、予算が許せば 2 つの候補を実行してください。

不明なモデル、サポートされていないパラメータ、参照が多すぎる、マスクのないモデルへのマスク → 呼び出しは消費する前に拒否します。エラーを読んでください。何がサポートされているかが記載されています。パラメータを黙って削除して回避しないでください — そうすると出力が間違ったサイズで返ってきます。

既知の失敗を防ぐ原則

1. プロンプトを書く前にゴールを言い直す。 自分自身に2文で: 変更 = …、維持 = … 。維持 は keep= に入れます。「最初の W を置き換え、ST はすべて維持」は、プロンプト内で「W の文字だけ」になってはいけません。
2. すべての参照の役割を明示する。 「画像 1 はベースです。画像 2 は配置するロゴです。画像 3 は色の参照です。」モデルはファイルの順序から役割を推測できません。
3. 正確なテキスト、ロゴ、正確な書体 → AI モデルはこれが苦手です。推奨: edit (またはマスク) で領域をクリアし、実際のベクター/テキストを決定的に合成し (PIL)、その後オプションで edit を1回だけ実行して「貼り付けた要素のライティングと粒子感をなじませる」。ブランドマークを記憶から描かせるよう拡散モデルに頼らないでください。
4. ループの前に見る。 何かの場所やテキストの内容がわからない場合は、具体的な質問とともに inspect(..., mode="inspect") を使います。5回トリミングして尋ねるのではなく、座標を要求する1つの良い質問で十分です。返されたボックスはおおよそのものとして扱ってください。
5. 最終成果物ではなく、段階に対して QA する。 中間の「W を削除、ロゴはまだ追加予定」の画像は、その ゴールで mode="qa" を通過する必要があります。goal= と keep= を明示的に渡してください。
6. 自動リトライは1回、その後は尋ねる。 複数ステップの編集ではトランザクションを開き (start_transaction(goal, base_path, keep=, logo=..., end_frame=...))、各 edit に tx_id= を渡し、自分のリトライには auto_fix=True を付けます。予算は1回です。その後は候補をそれぞれ1行の差分とともに提示し、ユーザーに選ばせます (approve(tx_id, rev))。却下された出力が次のベースになることはありません。
7. 決定的な操作は決定的のままに。 カラーグレーディング、ぼかし、クロップ、リサイズ、シャドウ、パースペクティブ — PIL/OpenCV であり、有料の再生成ではありません。実際のアップスケーリング = resolution/image_size による目標ピクセルサイズであり、プロンプト内の「upscale」という言葉ではありません。
8. 動画フレーム: 開始/終了フレームのペアは、2つの 承認済み リビジョンでなければなりません。動画モデルが1枚の画像しか受け付けない場合は、期待せずにその旨を伝えてください。

ドメインのノウハウ

Amazon/Xiaohongshu 向けの商品写真、証明写真、試着の文言、3D レンダーのレバー、旧20種の編集アクションとその行き先 — references/domain-guides.md (リクエストがこれらのドメインのいずれかである場合に一度読んでください)。

リカバリとコスト

• タイムアウトまたは接続切断 → recover(job_id) が有料の結果を再取得します。再送信しないでください。
• コストは自動的にユーザーのターンに計上されます。すべての結果に cost_usd が含まれます。$0.10 を超える場合、または複数の候補を実行する場合には言及してください。
• ゲートウェイなしのローカルテスト: FAL_KEY を設定します。

境界

実在の人物 / 顔: ユーザー自身の写真には問題ありません。なりすましや性的コンテンツは拒否します。ブランド: ユーザーが提供するアセットを使用します。人物の身元や同意について疑わしい場合は、まず尋ねてください。