image-generation

使用 Gemini 3.1 Flash 生成图像

使用 Google 的 Gemini 3.1 Flash Image Preview 模型生成和编辑图像的基础技能。所有图形设计技能都会引用此技能中的生成流程。

---

前提条件

pip install google-genai Pillow
export GEMINI_API_KEY="your-api-key"

---

步骤 0：加载品牌背景信息

如果 .agents/design-context.md 存在，请读取其中的十六进制颜色、风格原型和排版描述，并将其加入提示词。如果该文件不存在，则使用 design-context 的默认值，并告知用户输出尚未与品牌风格匹配。如果用户提供了徽标或产品照片，请将其作为 --image 参考图传入，而不是用文字描述——与文字描述相比，模型能更忠实地复现参考图。

---

步骤 1：选择生成模式

模式	适用场景	输入
文本生成图像	从零开始创作——海报、图形、插画	仅文本提示词
图像编辑	产品图、样机、风格迁移、添加元素	图像 + 文本提示词
多轮对话	迭代优化、探索不同变化	聊天会话
批量生成	大批量生成素材（社交媒体套图、广告变体）	通过 Batch API 传入多个提示词

---

步骤 2：编写提示词

提示词结构

每个提示词都应遵循以下层级：

[FORMAT] + [SUBJECT] + [STYLE] + [COMPOSITION] + [COLOR] + [TYPOGRAPHY] + [MOOD] + [NEGATIVE]

示例——产品社交媒体帖子：

为高端耳机新品发布制作一张方形社交媒体图形。 耳机位于深海军蓝（#0d1b2a）到亮电光蓝（#00b4d8）的对角渐变背景中央。 粗体白色无衬线文字“HEAR EVERYTHING”横跨上方三分之一处。 下方添加小号珊瑚色（#ff6b6b）副标题“Available March 20”。 背景中以 10% 不透明度添加微妙的几何三角形。 整体简洁、现代、高端。不要边框，不要剪贴画。

核心原则

1. 描述场景，而非关键词——“一只运动鞋悬浮在反光表面上方，侧面光线戏剧性十足”胜过“运动鞋、酷、现代”
2. 具体描述颜色——始终包含设计背景信息中的十六进制颜色代码
3. 描述空间布局——“标题位于上方三分之一处，产品居中，行动号召位于右下方”
4. 明确风格——“扁平矢量”“3D 渲染”“水彩”“照片写实”“极简瑞士设计”
5. 注明排版要求——字体风格、大小关系、颜色、位置
6. 说明要排除的元素——“不要图库照片水印，不要斜面效果，不要剪贴画”

特定风格的提示词模式

风格	提示词补充内容
极简主义	“留白充足，单一强调色，简洁的无衬线字体，不添加装饰元素”
大胆/鲜艳	“高饱和色彩，大号醒目字体，几何形状，高对比度”
奢华	“深色背景，金色或香槟色点缀，衬线字体，微妙纹理，优雅”
活泼	“明亮的配色，圆润的形状，手绘质感，随性的手写字体”
企业风格	“结构化网格，专业风格，蓝色调，清晰的层级，均衡的构图”
复古	“半色调网点，柔和的复古配色，衬线标题，胶片颗粒纹理”
粗野主义	“原始质感，黑白高对比，非传统布局，超大字体”

---

步骤 3：生成

文本生成图像

from google import genai
from google.genai import types

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents="[your structured prompt]",
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
        image_config=types.ImageConfig(aspect_ratio="1:1", image_size="2K"),
    ),
)

# A response can contain text parts and image parts in any order —
# never assume parts[0] is the image.
def save_first_image(response, path):
    for part in response.parts or []:
        if part.inline_data is not None:
            part.as_image().save(path)
            return True
    print("No image returned:", response.text)  # usually a refusal or clarifying question
    return False

save_first_image(response, "output.png")

图像编辑（产品图 → 图形）

核心工作流：用户提供产品照片，你围绕照片生成完整图形。

from PIL import Image

product = Image.open("product.png")

response = client.models.generate_content(
    model="gemini-3.1-flash-image-preview",
    contents=[
        product,
        "Transform this product photo into a premium social media graphic. "
        "Place the product on a gradient background (#1a1a2e to #16213e). "
        "Add bold white headline 'JUST DROPPED' above. "
        "Add price '$299' in coral (#e94560) below. "
        "Modern, clean, high-end feel. Square format."
    ],
    config=types.GenerateContentConfig(
        response_modalities=["TEXT", "IMAGE"],
    ),
)

多轮优化

chat = client.chats.create(
    model="gemini-3.1-flash-image-preview",
    config=types.GenerateContentConfig(response_modalities=["TEXT", "IMAGE"]),
)

# Generate
r1 = chat.send_message([product_image, "Create a launch graphic for this product..."])
save_first_image(r1, "v1.png")

# Refine colors — change ONE thing per turn and say what to keep
r2 = chat.send_message("Keep the layout and text exactly as is. Make the background warmer, shift to sunset tones")
save_first_image(r2, "v2.png")

# Refine text
r3 = chat.send_message("Keep everything else. Make the headline larger and add a subtle drop shadow")
save_first_image(r3, "v3.png")

命令行工具

此技能的脚本位于 scripts/ 中。下文中的 <image-generation> 指此技能的目录（技能加载时显示的基础目录；克隆此仓库后为 skills/image-generation）。请从用户的项目目录运行这些脚本，以便将输出保存到该目录中。

# Text-to-image
python <image-generation>/scripts/gemini-generate.py --prompt "..." --output graphic.png

# Product image + prompt
python <image-generation>/scripts/gemini-generate.py --image product.png --prompt "..." --output graphic.png

# Multiple reference images (product + logo + style reference), up to 14
python <image-generation>/scripts/gemini-generate.py --image product.png --image logo.png --prompt "..." --output graphic.png

# Aspect ratio and resolution
python <image-generation>/scripts/gemini-generate.py --prompt "..." --aspect-ratio 4:5 --size 2K --output feed.png

# Exact pixel size: generate at the nearest supported ratio, then center-crop + resize
python <image-generation>/scripts/gemini-generate.py --prompt "..." --aspect-ratio 8:1 --resize 728x90 --output leaderboard.png

# Long prompts: keep them in a file
python <image-generation>/scripts/gemini-generate.py --prompt-file prompt.txt --aspect-ratio 16:9 --output hero.png

# Multi-turn (--then is repeatable; outputs default to v1_2.png, v1_3.png ...)
python <image-generation>/scripts/gemini-generate.py --prompt "Create a poster..." --output v1.png \
    --then "Change to dark mode" --then "Make the date larger"

当没有返回图像时（遭到拒绝、触发安全拦截，或模型仅以文本作答），脚本会以非零状态码退出并输出模型的文本——请阅读该文本，调整提示词后重试。

从一个主图导出多种尺寸

# Social set, ad set, or named presets; --focus keeps the subject in frame (x,y as 0-1)
python <image-generation>/scripts/export-sizes.py master.png --group social --out exports/
python <image-generation>/scripts/export-sizes.py master.png --presets og,youtube-thumbnail --focus 0.5,0.4 --out exports/
python <image-generation>/scripts/export-sizes.py master.png --size 300x250 --size 728x90 --out ads/
python <image-generation>/scripts/export-sizes.py --list   # all presets and groups

当裁剪后保留的主图内容不到一半或必须放大时，它会发出警告——应使用匹配的 --aspect-ratio 单独生成极端比例（8:1、1:4）。查看几张导出图，确认没有裁掉重要内容。

---

第 4 步：宽高比

支持的比例：1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9, 21:9, 1:4, 4:1, 1:8, 8:1。其他比例（例如 300x250、1200x628）必须按最接近的比例生成，再用 --resize 裁剪。

使用场景	比例	最终尺寸	备注
Instagram 信息流（竖版）	4:5	1080x1350	信息流展示面积最佳；网格预览会居中裁剪为 3:4
Instagram 信息流（方形）	1:1	1080x1080	文字与边缘保持约 100px 的距离
Instagram / TikTok Story、Reels	9:16	1080x1920	文字避开顶部约 250px 和底部约 340px 的区域（界面叠层）
X / Twitter 帖子	16:9	1600x900	确保文字在小尺寸预览中清晰可读
LinkedIn 帖子	1:1 或 4:5	1200x1200 / 1080x1350	链接预览约为 1.91:1（1200x627）——生成 16:9，再使用 --resize
Facebook / Open Graph 链接图片	16:9 → 裁剪	1200x630	生成 16:9，使用 --resize 1200x630
Pinterest Pin	2:3	1000x1500	竖版，吸引用户停下滚动
YouTube 缩略图	16:9	1280x720	高对比度，在 168x94px 尺寸下也清晰可读；避开右下角（时间戳）
网页横幅（排行榜横幅）	8:1	728x90	文字精简，行动号召醒目
中矩形广告	5:4 → 裁剪	300x250	--resize 300x250
海报 / 传单	2:3 或 3:4	印刷尺寸	有关出血和 DPI，请参阅 poster-design；印刷使用 4K

---

第 5 步：查看输出，然后检查

切勿交付尚未查看过的图片。打开每个生成的文件（例如使用 PNG 的 Read 工具），并以原始尺寸及实际显示尺寸（如缩略图、信息流卡片）检查。

确保文字正确

文字是最常见的问题。为减少错误：

• 在提示词中用双引号括起准确文案：headline "HEAR EVERYTHING"
• 渲染的文字应简短——标题、副标题、行动号召。将长文案（段落、法律声明、会变动的价格）改用 HTML/CSS 叠层，而不是放进图片。
• 拼出不常见的词或品牌名，并注明“拼写必须与所写内容完全一致”。
• 如果返回的单词拼错了，在后续回合中仅引用该词并修正：Change "EVERYTHNG" to "EVERYTHING". Change nothing else.
• 文字修正尝试两次仍失败后，生成不带文字的图片，再通过代码叠层添加文字（参见 graphic-design）。

交付任何生成的图片之前：

• 文字清晰易读且拼写正确（Gemini 可以渲染文字——请核实）
• 颜色符合品牌背景（在提示词中指定十六进制代码）
• 构图具有清晰的视觉层次（一个焦点）
• 文字与背景之间有足够的对比度
• 没有不需要的瑕疵或变形
• 宽高比符合目标平台要求
• 产品图片（如有使用）融合自然，没有变形
• 整体美感符合要求的风格

如果任何一项检查未通过，使用多轮优化修复具体问题——每轮只改一处，并说明哪些内容必须保持不变。告知用户你核实了哪些项目，以及做出了哪些妥协（例如：“由于模型一直拼错文字，因此改为使用叠层添加”）。

还应说明，Gemini 的输出带有不可见的 SynthID 水印，因此可以识别为 AI 生成内容。

---

参考：模型能力

功能	Gemini 3.1 Flash
最大输入图片数	14（10 个对象 + 4 个角色）
输出分辨率	512、1K、2K、4K
宽高比	1:1, 2:3, 3:2, 3:4, 4:3, 4:5, 5:4, 9:16, 16:9, 21:9, 1:4, 4:1, 1:8, 8:1
文字渲染	支持（请在提示词中明确指定）
思考模式	默认开启，可改善复杂构图
Batch API	支持高容量生成
水印	自动应用 SynthID

---

与其他技能集成

所有平面设计技能都会引用此技能：

• graphic-design → 主要生成流程
• social-media-graphic → 针对平台的生成
• poster-design → 海报／传单生成
• thumbnail-design → 缩略图生成
• ad-creative-design → 广告变体生成
• product-mockup → 产品图生成
• banner-design → 横幅生成
• infographic → 信息图生成

每项技能都会在此基础生成工作流之上，添加特定领域的提示词模式。