image-generation

图像生成与编辑技能

使用 AI（Google Gemini Nano Banana Pro、OpenAI DALL-E 3）生成和编辑图像。

功能：

• 🎨 生成：根据文字描述创建新图像
• ✏️ 编辑：修改现有图像（添加或移除元素、更改颜色）
• 🛍️ 产品置入：将产品放入场景中
• 🎭 风格迁移：为照片应用艺术风格
• 🖼️ 合成：将多张图像合成为一张

快速示例

用户可以指定需求：

用户说	模式	处理方式
"生成一张日落图像"	生成	文本转图像，无需参考图
"为我的咖啡店设计一个徽标"	生成	文本转图像，并渲染文字
"编辑这张图像：给猫加顶帽子"	编辑	用户提供图像，由 AI 进行修改
"移除这张照片的背景"	编辑	用户提供图像，由 AI 进行编辑
"把这个产品放在厨房台面上"	产品	用户提供产品图，可选提供场景图
"让这张照片看起来像是梵高画的"	风格	用户提供照片，由 AI 应用相应风格
"把这些照片合成为一张合照"	合成	用户提供多张图像

前提条件

必须配置环境变量，API 才能正常工作。至少需要一个 API 密钥：

• OPENAI_API_KEY - 用于 OpenAI DALL-E 3 图像生成
• GOOGLE_API_KEY - 用于 Google Gemini（Nano Banana / Nano Banana Pro）

设置说明请参阅仓库的 README。

可用 API

OpenAI GPT Image（推荐用于纯图像生成）

• 模型：
  • gpt-image-1.5（业界领先，质量最佳）
  • gpt-image-1（质量出色，成本效益高）
  • gpt-image-1-mini（速度最快，价格最实惠）
• 最适合：高质量生成、透明背景、文字渲染、图像编辑
• 尺寸：1024x1024（正方形）、1536x1024（横向）、1024x1536（纵向）或 auto
• 质量：low（快速）、medium（均衡）、high（最佳）或 auto
• 背景：transparent、opaque 或 auto
• 输出格式：png（默认）、jpeg（更快）、webp
• 压缩率：0-100%（适用于 jpeg/webp）
• 功能：
  • 最多可编辑 16 张输入图像
  • 透明背景
  • 支持以流式方式输出局部图像
  • 高输入保真度，可保留人脸和徽标
  • 使用蒙版进行图像修复
  • 提示词最多可包含 32,000 个字符

⚠️ 注意：DALL-E 2 和 DALL-E 3 已弃用，并将于 05/12/2026 起停止支持。

Google Gemini 原生图像生成（推荐用于编辑）

• Nano Banana（gemini-2.5-flash-image）：快速高效，1K 分辨率，最多支持 3 张参考图
• Nano Banana Pro（gemini-3-pro-image-preview）：专业级质量，最高支持 4K、思考模式和 14 张参考图（默认）
• 宽高比：1:1、2:3、3:2、3:4、4:3、4:5、5:4、9:16、16:9、21:9
• 分辨率（仅 Pro）：1K、2K、4K
• 功能：
  • 图像编辑（添加或移除元素、更改颜色）
  • 产品置入和构图
  • 风格迁移
  • 高级文字渲染
  • Google 搜索信息依据（仅 Pro）
  • 用于处理复杂提示词的思考模式（仅 Pro）

工作流

步骤 1：收集需求（必需）

⚠️ 使用交互式提问——每次只问一个问题。

问题流程

⚠️ 请对以下每个问题使用 AskUserQuestion 工具。 不要只在回复中打印问题，而要使用该工具创建包含所示选项的交互式提示。

Q0：模型选择

"你想使用哪种图像生成模型？

• Google Gemini (Nano Banana Pro) - 最高支持 4K、14 张参考图、风格迁移、思考模式（推荐）
• OpenAI GPT Image 1.5 - 最先进的模型，支持透明背景、流式传输，最多支持 16 张输入图像
• OpenAI GPT Image 1 - 图像质量出色，支持透明背景和图像编辑
• OpenAI GPT Image 1 Mini - 速度最快、价格最实惠"

等待回复。如果用户没有偏好，编辑/参考图任务推荐 Gemini，纯图像生成任务推荐 GPT Image 1.5。

Q1：参考图

"我来为你生成这张图像！首先——你有参考图吗？

• 要包含的产品照片
• 风格参考图
• 要编辑的图像
• 没有，从头生成"

等待回复。

Q2：宽高比

"你想要什么宽高比？

• 1:1（正方形）
• 16:9（横向/宽屏）
• 9:16（纵向/竖版）
• 4:3 / 3:4（经典比例）
• 其他（2:3、3:2、4:5、5:4、21:9）
• 或自行指定"

等待回复。

Q3：分辨率

"你想要什么分辨率？

• 1K（速度快）
• 2K（均衡）
• 4K（质量最高）"

等待回复。

Q4：风格

"你对风格有偏好吗？

• 照片级写实
• 艺术/绘画风格
• 卡通/插画
• 3D 渲染
• 或自行描述"

等待回复。

快速参考

问题	决定因素
参考图	生成模式或编辑模式
宽高比	图像尺寸
分辨率	质量等级
风格	提示词增强方向

解析：

• 如果用户提供了参考图 → 使用图像编辑模式
• 如果用户没有回答所有问题 → 使用合理的默认设置，并说明假设
• 解析：主体、风格、氛围、特殊要求（颜色、文字、构图）

第 2 步：编写提示词

将用户请求转化为有效的图像生成提示词：

1. 具体描述：补充用户可能没有提到的细节
2. 描述风格：例如“数字艺术”“油画”“照片”“3D 渲染”
3. 加入光线效果：例如“柔和光线”“戏剧性阴影”“黄金时段”
4. 指定质量：例如“细节丰富”“8k”“专业级”

转换示例：

• 用户：“太空中的一只猫”
• 优化后：“一只威风凛凛的橘色虎斑猫漂浮在外太空，周围环绕着绚丽的星云和遥远的星星，戴着一顶小型宇航员头盔，数字艺术风格，细节丰富，色彩鲜艳，电影感光效”

第 3 步：选择 API

使用用户在 Q0 中选择的模型：

1. 检查环境中配置了哪些 API 密钥：

   • OPENAI_API_KEY → 可使用 GPT Image 模型
   • GOOGLE_API_KEY → 可使用 Gemini (Nano Banana Pro)

2. 如果用户选择的模型不可用：告知用户，并提供替代方案。

3. Q0 中的模型映射：

   • "Google Gemini (Nano Banana Pro)" → 使用 gemini.py 和 gemini-3-pro-image-preview
   • "OpenAI GPT Image 1.5" → 使用 openai_image.py 和 gpt-image-1.5
   • "OpenAI GPT Image 1" → 使用 openai_image.py 和 gpt-image-1
   • "OpenAI GPT Image 1 Mini" → 使用 openai_image.py 和 gpt-image-1-mini

第 4 步：生成图像

执行 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/ 中相应的脚本：

使用 OpenAI GPT Image - 文本生成图像：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "your enhanced prompt" \
  --model "gpt-image-1" \
  --size "1024x1024" \
  --quality "high" \
  --output "/path/to/output.png"

使用 OpenAI GPT Image - 透明背景：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "A product icon with no background" \
  --model "gpt-image-1" \
  --background "transparent" \
  --quality "high" \
  --output "/path/to/output.png"

使用 OpenAI GPT Image - 图像编辑（使用参考图像）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "Add a wizard hat to this cat" \
  --model "gpt-image-1" \
  --image "/path/to/cat.jpg" \
  --input-fidelity "high" \
  --output "/path/to/output.png"

使用 OpenAI GPT Image - 多张参考图像：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "Create a gift basket containing these items" \
  --model "gpt-image-1" \
  --image "/path/to/item1.png" \
  --image "/path/to/item2.png" \
  --image "/path/to/item3.png" \
  --output "/path/to/output.png"

使用 OpenAI GPT Image - 使用蒙版（图像修复）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "Replace the pool with a garden" \
  --model "gpt-image-1" \
  --image "/path/to/scene.jpg" \
  --mask "/path/to/mask.png" \
  --output "/path/to/output.png"

使用 OpenAI GPT Image - 流式生成局部图像：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/openai_image.py \
  --prompt "A beautiful sunset over mountains" \
  --model "gpt-image-1" \
  --stream \
  --partial-images 2 \
  --output "/path/to/output.png"

使用 Google Gemini（Nano Banana Pro）- 文本生成图像：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/gemini.py \
  --prompt "your enhanced prompt" \
  --model "gemini-3-pro-image-preview" \
  --aspect-ratio "1:1" \
  --resolution "2K" \
  --output "/path/to/output.png"

使用 Google Gemini - 使用参考图像（编辑、产品摆放等）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/gemini.py \
  --prompt "Add a wizard hat to this cat" \
  --image "/path/to/cat.jpg" \
  --aspect-ratio "1:1" \
  --resolution "2K"

使用 Google Gemini - 多张参考图像（构图、风格迁移）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/gemini.py \
  --prompt "Place this product on the kitchen counter in this scene" \
  --image "/path/to/product.png" \
  --image "/path/to/kitchen.jpg" \
  --aspect-ratio "16:9" \
  --resolution "2K"

使用 Google Gemini（Nano Banana - 速度更快，功能较少）：

python3 ${CLAUDE_PLUGIN_ROOT}/skills/image-generation/scripts/gemini.py \
  --prompt "your enhanced prompt" \
  --model "gemini-2.5-flash-image" \
  --aspect-ratio "1:1"

第 5 步：交付结果

1. 向用户展示生成的图像
2. 提供所用的增强提示词（以便用户迭代）
3. 提供以下选项：
   • 生成不同版本
   • 尝试不同风格
   • 使用不同的 API/模型
   • 优化提示词

错误处理

缺少 API 密钥：告知用户需要哪个密钥以及如何设置：

• OpenAI：https://platform.openai.com/api-keys
• Google：https://aistudio.google.com/apikey

API 速率限制：建议等待或尝试另一个 API。

违反内容政策：重新措辞，使提示词更合适。

生成失败：使用简化的提示词或不同的 API 重试。

参考图像用例

OpenAI GPT Image 和 Google Gemini 都支持使用参考图像进行高级编辑：

OpenAI GPT Image：最多 16 张输入图像，可使用 input_fidelity: high 保留面部/徽标 Google Gemini：Nano Banana（最多 3 张），Nano Banana Pro（最多 14 张）

图像编辑

• “给这个人戴上一顶圣诞帽” + person.jpg
• “移除背景并替换为海滩场景” + product.jpg
• “将沙发颜色改为蓝色” + living_room.jpg

产品摆放

• “将这个产品放在大理石厨房台面上” + product.png + kitchen.jpg
• “展示这个人手腕上戴着这块手表” + watch.png + arm.jpg

风格迁移

• “将这张照片转换为梵高《星夜》的风格” + photo.jpg
• “让这幅图看起来像水彩画” + landscape.jpg

多图合成

• “在办公室为这些人制作一张合影” + person1.jpg + person2.jpg + person3.jpg
• “将这些元素组合成一个协调的场景” + element1.png + element2.png + background.jpg

角色一致性

• “从不同角度展示这个角色” + character.jpg
• “给这个人穿上超级英雄服装” + person.jpg

提示：使用参考图像时，为获得最佳效果，请具体说明希望保留和更改的内容。

提示词工程技巧

写实效果

• 加入“photograph”（照片）、“DSLR”（单反相机）、“35mm film”（35 毫米胶片）
• 指定相机设置：“shallow depth of field”（浅景深）、“bokeh”（焦外虚化）
• 添加光线描述：“natural light”（自然光）、“studio lighting”（影棚灯光）

艺术风格

• 参考艺术运动：“impressionist”（印象派）、“art nouveau”（新艺术运动）、“cyberpunk”（赛博朋克）
• 指定艺术家风格：“in the style of Studio Ghibli”（吉卜力工作室风格）、“Moebius style”（莫比斯风格）
• 指定媒介：“watercolor”（水彩）、“oil painting”（油画）、“pencil sketch”（铅笔素描）

保持一致性

• 在可用时使用种子值
• 保存效果良好的提示词以供参考
• 记录对于类似请求，哪个 API 生成的效果最好

API 对比

特性	GPT Image 1.5	GPT Image 1	GPT Image 1 Mini	Nano Banana	Nano Banana Pro
提供方	OpenAI	OpenAI	OpenAI	Google	Google
模型 ID	gpt-image-1.5	gpt-image-1	gpt-image-1-mini	gemini-2.5-flash-image	gemini-3-pro-image-preview
最适合	最先进水平	质量与性价比兼顾	速度与成本兼顾	快速生成	专业素材
尺寸	1024²、1536x1024、1024x1536、自动	同左	同左	仅 1K	最高 4K
质量选项	低、中、高、自动	同左	同左	不适用	不适用
宽高比	3 种 + 自动	同左	同左	10 种选项	10 种选项
参考图像	最多 16 张	最多 16 张	最多 16 张	最多 3 张	最多 14 张
图像编辑	支持	支持	支持	支持	支持
图像修补（蒙版）	支持	支持	支持	支持	支持
透明背景	支持	支持	支持	不支持	不支持
流式传输	支持	支持	支持	不支持	不支持
输入保真度	高/低	高/低	仅低	不适用	不适用
输出格式	png、jpeg、webp	同左	同左	png	png
压缩率	0-100%	同左	同左	不支持	不支持
文字渲染	出色	出色	良好	良好	出色
思考模式	否	否	否	否	是
提示词最长长度	32,000 个字符	32,000 个字符	32,000 个字符	不适用	不适用
速度	~30-60 秒	~20-40 秒	~10-20 秒	~10-20 秒	~30-60 秒

⚠️ DALL-E 2 和 DALL-E 3 已弃用，并将于 05/12/2026 停止支持。请改用 GPT Image 模型。