image-generation-enhanced

图像生成

当 Agent 需要生成或编辑图像时，请使用此技能。

前提条件

• OpenRouter API 密钥 — 图像生成模型通过 OpenRouter 访问。使用此技能需要 OpenRouter API 密钥。

此技能侧重于生成更好的图像，而非某个特定工具。如果环境已提供 nimage 工具、SDK 或封装程序，请使用该工具。如果 Agent 有 OpenRouter API 密钥，但没有其他图像工具，minibanana 是一个不错的轻量级起点。

此技能有意偏向图像质量，而非尽量缩短提示词。核心理念很简单：

不要给模型一堆杂乱的关键词。要像创意总监一样指导图像创作。

此技能的用途

• 从零开始进行文生图
• 参考图引导的图像生成
• 图像编辑和合成
• 产品图、海报、主视觉、概念艺术、社交媒体创意图、模型图
• 需要精心控制构图、光线、材质、相机或文字呈现效果的图像

核心原则

1. 提示词质量通常是影响效果最大的因素。 改进提示词往往比微调模型更重要。
2. 开门见山说明意图。 以 create、render、photograph、illustrate、design、edit、transform、replace 或 remove 等有力动词开头。
3. 具体描述可见效果。 明确说明主体、场景、构图、光线、风格和材质。
4. 尽量正向描述。 说明应该出现什么，而不只是排除什么。
5. 有目的地使用参考图。 为每张参考图指定用途。
6. 精准迭代。 每次尝试后，只修改必要的少数提示词部分。
7. 复杂任务使用结构化提示词。 对于包含多个元素的场景和精确编辑，结合 JSON 的混合提示词通常非常有效。

工具选项

使用环境提供的任何接口：

• 现有图像工具
• 直接使用 SDK 或 HTTP 客户端
• 仓库中已有的本地封装程序
• 如果 Agent 有 OpenRouter API 密钥但没有其他图像工具，可将 minibanana 用作轻量级备用方案

如果使用 minibanana，请先检查当前环境中的 CLI 行为：

minibanana --help

最简示例：

minibanana --prompt "A friendly whale" --model "bytedance-seed/seedream-4.5" --out image.png

使用 minibanana 时的实用默认设置：

• 编辑、图形、排版、图表以及其他对 JPEG 伪影敏感的内容，优先使用 PNG。
• 如果文件大小比无损输出更重要，优先使用 JPEG。
• 将任何非简单提示词放入文件中，并通过例如 --prompt @prompt.md 传入。
• 需要参考图时，可重复输入图像，并在提示词中为每张图指定用途。

工作循环

始终遵循以下循环：

1. 对任务进行分类

   • 文生图
   • 参考图引导生成
   • 编辑 / 局部重绘 / 移除 / 替换
   • 文字排版密集型图形
   • 图表 / 信息图

2. 根据任务选择纵横比

   • 1:1，适用于头像、方块图块、方形概念图
   • 4:5，适用于社交媒体帖子和产品广告
   • 9:16，适用于快拍、短视频、壁纸
   • 16:9，适用于电影场景、缩略图、主视觉图片
   • 21:9，适用于横幅和全景风格场景

3. 选择适合任务的模型

   • 如果用户指定了模型，就使用用户指定的模型
   • 否则优先选择适合该任务的模型系列

4. 撰写方向明确的首条提示词

   • 简单场景使用叙述式提示词
   • 复杂场景使用叙述式提示词 + JSON 的混合形式
   • 编辑图片时，使用明确列出不可变项的编辑提示词

5. 生成并检查图像

   • 如果模型生成了多张输出图像，请逐一检查所有输出，再决定使用哪些图像——不要只选第一张
   • 检查主体
   • 检查构图
   • 检查光线
   • 检查材质 / 纹理
   • 如果包含文字，检查文字渲染效果
   • 检查图像是否确实符合预期用途

6. 有针对性地修改

   • 如果构图不对，先调整构图描述
   • 如果氛围不对，先调整光线和色彩
   • 如果人体结构不对，简化姿势和取景
   • 如果文字不对，缩短文字并使其表达更明确

模型选择启发式

除非有充分理由不这样做，否则请使用用户明确要求的模型。自行选择时，请根据任务使用简单的启发式。

当前适用的良好起点

• bytedance-seed/seedream-4.5

  • 视觉美感出色
  • 编辑一致性有所提升
  • 擅长人像润色
  • 小字渲染能力优于许多图像模型

• google/gemini-3-pro-image-preview

  • 擅长多图推理与融合
  • 文字渲染能力出色
  • 擅长在多个主体间保持身份一致
  • 适用于故事板、合成图和复杂场景设计

• google/gemini-3.1-flash-image-preview

  • 质量与速度之间的权衡出色
  • 适用于迭代编辑和快速润色
  • 在 OpenRouter 上支持扩展纵横比

• openai/gpt-5-image

  • 指令遵循能力出色
  • 文字渲染能力出色
  • 擅长精细编辑

• sourceful/riverflow-v2-pro 和 sourceful/riverflow-v2-fast

  • 文字渲染能力出色，适用于图形设计类工作
  • 适用于需要 Sourceful 专属字体输入或超分辨率参考图的情况

按任务选择模型

• 快速迭代 / 概念探索： 通常使用速度更快的图像模型就足够了
• 高保真编辑风格 / 概念艺术： 优先选择以美感和构图质量见长的模型
• 精确编辑 / 多图合成： 优先选择以多模态推理能力见长的模型
• 文字排版密集型海报 / 广告 / 信息图： 优先选择文字渲染能力强的模型

提示词格式：选择合适的形式

适合使用纯叙述式提示词的情况

• 场景简单
• 希望快速构思
• 想宽泛地探索不同风格方向
• 图像不依赖许多彼此独立的约束

适合使用混合式提示词的情况

• 请求的要求很高
• 多个主体或图层都很重要
• 不同参考图各有明确用途
• 对产品、品牌或材质有具体要求
• 必须严格控制构图
• 文字渲染很重要
• 预期后续会迭代，并且只修改特定部分

严肃项目的最佳默认方案：

1. 用一两句自然语言清楚说明视觉目标
2. 使用结构化 JSON 块编码具体规格

这种方式通常比单独使用原始 JSON 效果更好，因为自然语言引言能确立整体意图，而 JSON 则为模型提供稳定的结构。

提示词剖析

出色的图像提示词通常会按大致以下顺序涵盖这些要素：

1. 操作 — 创作、渲染、拍摄、绘制、编辑、替换、移除、转换
2. 主要主体 — 图像真正描绘的人或物
3. 动作 / 姿势 / 状态 — 主体正在做什么
4. 环境 / 背景 — 场景发生的地点
5. 构图 — 镜头类型、取景、角度、焦点、景深层次
6. 光线 — 光源、方向、柔和度、对比度、时段、氛围
7. 风格 / 媒介 — 编辑风格摄影、奇幻写实、水彩画、3D 渲染、电影剧照
8. 材料 / 纹理 — 皮革、覆满苔藓的石头、抛光铬、粗花呢、雾、湿漉漉的路面
9. 色彩搭配 / 调色 — 暖色中性色、低饱和青绿色、浓郁对比、低饱和科幻色调
10. 文字说明 — 准确文本、字体感觉、位置、行数、语言
11. 限制条件 — 宽高比、写实程度、保留背景、保持人物身份、不加运动模糊
12. 负面提示词 — 仅针对性抑制瑕疵，而不是罗列一大堆无关内容

最简单的优质公式

无参考图的文生图：

[Verb] + [Subject] + [Action] + [Location/context] + [Composition] + [Lighting] + [Style] + [Materials/details] + [Output/use-case]

示例：

Create a high-end editorial fashion portrait of a confident model wearing a tailored brown dress, sleek boots, and a structured handbag, standing in a statuesque pose against a seamless deep cherry-red studio backdrop. Medium-full shot, center-framed, photographed at a low three-quarter angle with soft cinematic key light and subtle rim light. Shot like a luxury fashion magazine campaign on medium-format analog film with pronounced grain, rich color, and realistic fabric texture.

像创意总监一样撰写提示词

不要只罗列名词，要有意识地掌控场景。

1. 指导构图

可使用以下术语：

• 极特写
• 特写
• 中景
• 中全景
• 远景
• 鸟瞰
• 俯拍
• 低角度
• 高角度
• 过肩镜头
• 对称取景
• 居中构图
• 三分法构图
• 前景 / 中景 / 背景层次

2. 指导相机和镜头

实用表达：

• 24mm wide-angle 用于展现环境的广阔
• 35mm 用于自然的电影感取景
• 50mm 用于中性的人眼视角
• 85mm portrait lens 用于营造讨喜的压缩效果
• macro lens 用于呈现产品和纹理细节
• shallow depth of field (f/1.8) 用于突出主体
• deep focus 用于呈现细节丰富的环境

3. 指导光线

实用表达：

• 黄金时刻的逆光
• 阴天日光
• 柔和的影棚柔光箱照明
• 三点布光
• 强烈的明暗对照光
• 体积光束
• 雾气漫射
• 霓虹轮廓光
• 烛光照明的室内场景
• 湿润表面的反光

4. 指导材质表现

这是最少被使用的质量提升手段之一。明确写出表面材质和瑕疵。

示例：

• 风化、开裂、覆满苔藓的石头
• 可见织纹的海军蓝粗花呢
• 带有细微划痕的拉丝铝
• 映出招牌的雨后湿滑沥青路面
• 釉面变化细腻的哑光陶瓷
• 带有褶皱和包浆的旧皮革

5. 指导色彩风格

示例：

• 低饱和青绿色与琥珀色的电影调色
• 暖色单色中性色调
• 深祖母绿与金色点缀
• 带柔和辉光的糖果粉彩色调
• 高对比度黑白效果与银色晕光

用 JSON 提示词处理高控制要求的任务

对于复杂或高保真提示词，可使用结构化内容块。这尤其适用于：

• 包含多个主体的复杂场景
• 对材质和布局有精确要求的产品照
• 具有明确保留 / 更改规则的图像编辑
• 文字排版占比较高的构图
• 需要稍后修改某个部分的迭代工作流

混合式 JSON 模板

Create a polished, high-fidelity image that feels intentional, cinematic, and production-ready.

```json
{
  "task": "text-to-image",
  "goal": "one-sentence visual objective",
  "subject": {
    "primary": "main subject",
    "secondary": ["supporting elements"]
  },
  "scene": {
    "location": "where it takes place",
    "time": "time of day",
    "weather": "weather or atmosphere",
    "story_moment": "what moment is being depicted"
  },
  "composition": {
    "framing": "wide shot / portrait / macro / etc.",
    "camera_angle": "low angle / eye level / aerial / etc.",
    "focus": "what the eye should land on first",
    "depth_layers": ["foreground", "midground", "background"]
  },
  "lighting": {
    "primary": "main light source",
    "secondary": ["secondary light sources"],
    "mood": "desired emotional tone"
  },
  "style": {
    "genre": "photorealistic / fantasy realism / 3D / watercolor / etc.",
    "visual_aesthetic": ["keywords"],
    "rendering": {
      "detail_level": "high",
      "sharpness": "high",
      "dynamic_range": "wide"
    }
  },
  "materials_and_textures": {
    "subject": "surface/material notes",
    "environment": "environment texture notes"
  },
  "color_palette": {
    "dominant": ["main colors"],
    "accents": ["accent colors"]
  },
  "text_rendering": {
    "enabled": false,
    "text": [],
    "placement": "",
    "style": ""
  },
  "technical_preferences": {
    "aspect_ratio": "16:9",
    "lens": "35mm",
    "depth_of_field": "moderate",
    "realism": "high"
  },
  "negative_prompt": ["blurry image", "flat lighting", "text or watermark"]
}
```

结构化提示词指南

• 将最重要的限制条件放在最前面。
• 保持层级清晰。
• 避免使用相互矛盾的说明，例如 minimalist 加上 highly cluttered。
• 负面提示词应具体且相关。
• 如果提示词过长并开始失效，就将其缩短至视觉层级的核心内容。

参考图提示词

使用 --in 指定任意参考图。

最佳实践：为每张输入图分配用途

使用多张参考图时，要明确说明每张图提供什么信息。

推荐写法：

Use reference image 1 for the composition and camera angle.
Use reference image 2 for the fabric texture and color palette.
Use reference image 3 for the product silhouette only.
Do not copy the background from references 2 or 3.

强大的多模态公式

[Reference images] + [role of each reference] + [what must remain unchanged] + [new scenario] + [style and quality target]

示例：

Using the first attached image for the room layout and camera position, and the second attached image for the velvet texture and olive-green color, create a high-end interior design render of a reading chair in a sunlit minimalist living room. Keep the composition and scale consistent with the layout reference, but redesign the chair into a premium sculptural form with realistic stitching, soft shadows, and polished oak legs.

参考图使用规则

• 不要只说“使用这些参考图”；应明确说明从每张图中借鉴什么。
• 必要时，说明哪些内容不能照搬。
• 对于涉及身份特征的编辑，说明必须保持不变的内容：面部、姿势、相机角度、服装颜色、Logo 位置、产品形状等。
• 如果参考图之间存在冲突，明确说明优先顺序。

编辑提示词

编辑提示词与全新生成提示词不同。

编辑的黄金法则

明确说明哪些内容要改变，哪些内容必须保持完全不变。

较弱：

Make this image better.

更好：

Remove the man from the background while keeping the street, perspective, lighting, shadows, storefront signage, and camera position unchanged.

编辑公式

[Edit verb] + [specific target] + [exact change] + [what to preserve] + [quality/style target]

示例：

Replace the cloudy sky with a dramatic golden-hour sunset while keeping the building, camera angle, reflections, and street activity unchanged.

Transform this product photo into a premium studio advertisement while preserving the exact bottle shape, label wording, brand colors, and front-facing composition.

Remove the table lamp from the nightstand. Keep the bed, wall art, shadows, color palette, and image framing identical.

编辑技巧

• 清楚地说出要更改的对象。
• 用通俗语言说明需要保留的内容。
• 对于局部编辑，提及附近的上下文，让修改自然融入画面。
• 为了逼真，告诉模型保留相匹配的阴影、反射、透视和颗粒感。

文本渲染与本地化

图像中的文本效果比以前好得多，但仍需要非常明确的提示词。

文本渲染规则

• 将确切文本放在引号中。
• 尽可能缩短文本。
• 说明行数。
• 指定位置。
• 指定字体的感觉或易于识别的字体风格。
• 描述平面设计背景，让文本显得融入画面。

示例：

Create a premium skincare advertisement. On the right side of the frame, render three lines of text with exact spelling: "GLOW" on the first line in an elegant flowing brush-script style, "10% OFF" on the second line in a bold block sans-serif style, and "Your First Order" on the third line in a thin minimalist geometric sans-serif. Keep the product jar large and centered-left, with warm studio lighting and clean luxury packaging aesthetics.

本地化提示词模式

Render the poster text in Korean and Arabic with correct script rendering and natural layout. Keep the brand hierarchy identical, with the Korean text as the main headline and the Arabic text as the supporting line.

排版技巧

• 将准确文案放在引号中。
• 文案要比预想的更短。
• 说明视觉层级：标题、副标题、说明文字、徽章、行动号召。
• 对于海报，说明文本是印在实体物件上、悬浮在版面空间中，还是从背景中抠出。
• 如果文本效果一直不好，就缩短文本并简化版面。

五种提示词框架

1. 无参考图的文生图

适用于从零开始创作。

公式：

[Subject] + [Action] + [Location/context] + [Composition] + [Lighting] + [Style]

2. 参考图引导生成

适用于需要保持一致性或融合灵感的情况。

公式：

[Attached references] + [role of each] + [new scenario] + [what to preserve] + [style target]

3. 对话式图像编辑

适用于已有基础图像，并希望更改其中一部分的情况。

公式：

[Edit action] + [what changes] + [what stays the same]

4. 风格迁移 / 构图迁移

适用于一张图提供内容，另一张图提供视觉风格的情况。

公式：

[Base image content] + [style source] + [what must remain recognizable]

5. 文本优先的设计提示词

适用于海报、广告、标签样稿和图形设计。

公式：

[Design type] + [layout] + [exact text in quotes] + [font/style guidance] + [placement] + [background/subject]

高级提示词技巧

尽早写出不可妥协的要求

提示词开头应包含即使模型忽略其余内容也必须正确的要点。

区分必需项与可选项

一种实用的结构是：

• **必需项：**主体、构图、光线、文本、身份特征保留
• **可选项：**额外氛围、小道具、次要情节细节

如果质量下降，先删掉可选项。

避免堆砌矛盾要求

堆砌的形容词越相互冲突，结果就越容易变得千篇一律。

不佳搭配示例：

• 极简主义 + 到处都挤满细节
• 纪实写实 + 风格化动漫赛璐璐阴影
• 柔和漫射雾气 + 到处都是锐利强烈的阳光

加入叙事瞬间

捕捉一个瞬间，而不只是呈现一个物体，能让画面更有趣。

示例：

• 神殿机关即将启动的瞬间
• 迈步走进雨中的时刻
• 香槟瓶塞刚刚弹出的瞬间
• 日出即将穿透云层的前一秒

用材质细节摆脱千篇一律的观感

当图像看起来很假或廉价时，解决办法通常不是“让它更写实”，而是具体描述材质、瑕疵、表面和光线表现。

谨慎使用负面提示词

好的负面提示词能去除常见瑕疵。糟糕的负面提示词则会变成一大堆毫不相关的担忧。

较好：

negative_prompt: ["blurry image", "distorted hands", "flat lighting", "text or watermark"]

不太好：

negative_prompt: [dozens of unrelated items that are unlikely to appear anyway]

症状 -> 修复指南

问题：构图不对

可通过以下内容修正：

• 镜头类型
• 相机角度
• 焦点主体
• 主体位置
• 镜头选择
• 景深层次

问题：图像看起来扁平或廉价

改进方法：

• 增强主光源
• 添加辅助轮廓光或反射光
• 增加材质和表面细节
• 采用真实的阴影和反射
• 明确色彩分级方向

问题：画面过于杂乱／没有视觉焦点

改进方法：

• 设置一个主要主体
• 简化背景
• 明确指定焦点
• 减少次要物体

问题：人体结构或手部表现不佳

改进方法：

• 简化姿势
• 如果手部并非必要，减少可见的手指或手部
• 使用中景，而不是极端手部特写
• 采用肢体位置清晰、自然的动作

问题：文字拼写错误或观感不佳

改进方法：

• 缩短文案
• 将准确文本放在引号中
• 明确指定换行
• 指定海报／广告版式
• 选择文字渲染能力更强的模型

问题：模型忽略了参考图

改进方法：

• 减少参考图数量
• 为每张参考图明确指定一个用途
• 说明必须保留底图中的哪些内容
• 参考图之间存在冲突时，声明优先级

问题：图像感觉缺乏特色

改进方法：

• 增加一个故事瞬间
• 明确材质细节
• 指定相机／镜头选择
• 增加氛围／天气／一天中的时段
• 用具体的视觉方向取代模糊的风格标签

高控制力提示词示例

此示例展示了复杂场景中通常能生成出色结果的提示词通用风格。

Create a cinematic fantasy-realist image with a clear focal point, believable lighting, and rich environmental detail.

```json
{
  "title": "Bioluminescent Jungle Temple at Dawn",
  "style": {
    "genre": "fantasy realism",
    "visual_aesthetic": ["cinematic", "ultra-detailed", "atmospheric", "mythic"]
  },
  "scene": {
    "location": "ancient jungle temple courtyard",
    "environment": "dense tropical rainforest",
    "time_of_day": "early dawn",
    "weather": "light mist after rainfall"
  },
  "composition": {
    "camera_angle": "low three-quarter angle",
    "framing": "wide shot",
    "focus": "central altar and lone explorer",
    "depth_layers": [
      "foreground wet roots and glowing fungi",
      "midground broken steps and altar",
      "background towering ruins and canopy"
    ]
  },
  "lighting": {
    "primary_light_source": "soft golden dawn light through the canopy",
    "secondary_light_sources": [
      "warm lantern glow",
      "subtle bioluminescent cyan glow"
    ],
    "mood": "mysterious, sacred, awe-inspiring"
  },
  "technical_preferences": {
    "aspect_ratio": "16:9",
    "lens": "24mm cinematic wide-angle",
    "realism": "high"
  },
  "negative_prompt": [
    "cartoon style",
    "low detail",
    "flat lighting",
    "text or watermark"
  ]
}
```

最终质量检查清单

结束前，请确认图像具备以下特点：

• 焦点清晰
• 构图符合使用场景
• 光线有助于营造预期氛围
• 材质和纹理可信
• 没有明显伪影或意外杂乱元素
• 如果包含文字，拼写正确
• 纵横比适合输出渠道
• 如果任务很重要，已保存提示词文件以便复现

Agent 最简操作指南

当用户请求生成图像时：

1. 推断交付内容类型和纵横比
2. 选择合适的图像模型
3. 如果请求并非简单任务，将提示词写入文件
4. 对于复杂场景或编辑任务，使用结构化提示词
5. 生成一次
6. 如果模型生成了多张图像，在决定使用哪张或哪些图像之前，逐一检查所有输出——不要只选第一张图像
7. 检查问题所在
8. 仅修改必要部分
9. 优先改进提示词，而不是随意更换模型

重要：最先进的图像生成模型成本高昂。修改图像前，请先征得用户同意。

要更快获得更好的图像输出，通常需要更清晰的指导、更明确的层次结构和更审慎的视觉表达。