Batch Image

batch-image — 多商品批量生图

把单张生图变成流水线：一份商品清单 → 一整套风格统一的商拍图。

批量的难点不是「跑很多次」，而是跑出来的图要像一套。本技能的核心是规范段与变量段分离：视觉规范逐字不变，只有商品描述随 SKU 变化。

生成效果示例

实际执行的命令（循环体，两个 SKU 只有 DESC 与 --images 不同，规范段逐字相同）：

for sku in a-sweater b-shoes; do
  case $sku in
    a-sweater) DESC='军绿色麻花针织圆领毛衣，落肩宽松版型' ;;
    b-shoes)   DESC='黑色亮面皮革布洛克德比鞋，厚底系带' ;;
  esac
  dlazy seedream-5.0 \
    --prompt "电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。" \
    --images docs/batch-image/sku-${sku}.jpg --size 1:1 --resolution 2k \
    --save docs/batch-image/example-output-${sku}.jpg
done

输出：同一套视觉规范下的两个 SKU

两张的背景色、光位、视角与投影方向一致——因为规范段逐字相同；商品各自保真。100 个 SKU 就是这个循环跑 100 次，总价约 500 credits。

1、能力边界

不做：不在同一批里混用不同视觉规范（那不是一批）；不跳过抽样质检直接全量上架；不因为批量就放宽商品保真要求。

2、输入素材规则

生成前先自检这几条硬性约束：

• 大小：20KB ~ 15MB
• 分辨率：大于 400×400
• 格式：jpg / jpeg / png / webp

商品清单（manifest） 是批量的输入，建议 CSV：

sku,image,desc
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带

每张商品图仍要满足单图规则：20KB~15MB、>400×400、jpg/jpeg/png/webp。

批量前必做的事

3、规范段 / 变量段分离

这是批量出统一视觉的唯一方法：

prompt = [规范段：整批逐字不变]  +  [变量段：每个 SKU 不同]

写成 shell：

SPEC='放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。'

while IFS=, read -r SKU IMG DESC; do
  dlazy seedream-5.0 \
    --prompt "电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
    --images "$IMG" --size 1:1 --resolution 2k \
    --save "docs/batch-image/out/${SKU}.jpg"
done < manifest.csv

规范段一旦改动就必须整批重跑——否则同一批里会出现两种视觉。

4、并发、重试与进度

并发：dlazy 是单次调用一个任务，批量靠 shell 并发。控制在 4~6 路，太高容易触发限流。

run_one() { ... }               # 单个 SKU 的生成逻辑
export -f run_one
xargs -P 5 -I{} bash -c 'run_one {}' < sku-list.txt     # 5 路并发

重试：网络与服务端偶发失败很正常，包一层重试。

for attempt in 1 2 3; do
  dlazy ... && break
  echo "retry $attempt for $SKU" >&2; sleep $((attempt * 10))
done

异步模式：SKU 很多时用 --no-wait 先把任务全部提交，拿到 generateId 后再统一轮询，避免长时间占着进程。

GID=$(dlazy seedream-5.0 --no-wait ... | python3 -c 'import sys,json;print(json.load(sys.stdin)["result"]["task"]["generateId"])')
echo "$SKU,$GID" >> tasks.csv
# 稍后统一收结果
while IFS=, read -r SKU GID; do dlazy status "$GID" --wait; done < tasks.csv

进度与汇总：每个 SKU 记一行状态，跑完输出报告。

echo "$SKU,$(test -f out/$SKU.jpg && echo ok || echo fail)" >> report.csv
awk -F, '{c[$2]++} END{for(k in c) print k, c[k]}' report.csv

5、工具调用

本技能使用 dLazy 的 seedream-5.0（批量场景的关键指标是单图成本与参考图支持：本模型单张约 5 credits、支持最多 10 张参考图、支持 2K/3K/4K；100 个 SKU 的成本量级从数百降到数十。对商品保真要求极高的批次改用 gpt-image-2）。

调用方式

两种等价写法，选一种。统一入口会自动选后端、失败重试、建目录落盘、估算成本：

# A. 统一入口（推荐）：可切任意后端，加 --dry-run 不计费空跑
node scripts/gen.mjs --task batch-image \
  --prompt '<见下方 Prompt 模板>' \
  --images <按下表顺序> \
  --save output/batch-image-<sku>.jpg

# B. 直接用 dLazy CLI（不想引入 Node 依赖时，效果等价）
dlazy seedream-5.0 --prompt '...' --images ... --save output/batch-image.jpg

参数约定（本技能固定用法）

模型切换：seedream-5.0 便宜、适合氛围与场景图；对商品保真要求极高（图案位置、五金细节）的批次换 gpt-image-2，成本约 6 倍。同一批内不要混用两个模型。

Command Examples

# basic call: 单个 SKU（先跑通这个，再谈批量）
dlazy seedream-5.0 \
  --prompt '电商商拍图。图1 是商品：军绿色麻花针织圆领毛衣，落肩宽松版型。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影。真实商业产品摄影，无文字无水印。' \
  --images docs/batch-image/sku-a-sweater.jpg --size 1:1 --resolution 2k

# complex call: 完整流水线（清单驱动 + 5 路并发 + 3 次重试 + 汇总报告）
cat > manifest.csv <<'CSV'
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带
CSV

SPEC='放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。'
mkdir -p docs/batch-image/out

run_one() {
  IFS=, read -r SKU IMG DESC <<< "$1"
  for attempt in 1 2 3; do
    dlazy seedream-5.0 \
      --prompt "电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
      --images "$IMG" --size 1:1 --resolution 2k \
      --save "docs/batch-image/out/${SKU}.jpg" >/dev/null 2>&1 && break
    sleep $((attempt * 10))
  done
  if [ -f "docs/batch-image/out/${SKU}.jpg" ]; then echo "${SKU},ok"; else echo "${SKU},fail"; fi
}
export -f run_one; export SPEC

xargs -P 5 -I{} bash -c 'run_one "{}"' < manifest.csv | tee docs/batch-image/report.csv
awk -F, '{c[$2]++} END{printf "\n=== 汇总 ===\n"; for(k in c) printf "%s: %d\n", k, c[k]}' docs/batch-image/report.csv

# 先估价：单价 × SKU 数
dlazy seedream-5.0 --dry-run --prompt '...' --images a.jpg --size 1:1 | grep estimatedCost
echo "SKU 数：$(wc -l < manifest.csv)"

延伸阅读

6、Prompt 模板

【变量段 · 每个 SKU 不同】
电商商拍图。图1 是商品：[品类 + 颜色 + 材质 + 关键结构特征]。
商品的颜色、材质纹理、款式细节必须与图1完全一致。

【规范段 · 整批逐字不变】
放置在同一套统一视觉里：[背景]，[光位]，[机位/视角]，
画面下方留出统一的商品投影，构图与留白在整组图中保持一致。
真实商业产品摄影，无文字无水印。

按问题追加的修正句（改了就要整批重跑）

7、执行流程

1. 建清单：sku,image,desc 三列 CSV，每张商品图先过单图规则校验。
2. 写规范段：背景 / 光位 / 机位 / 占比 / 投影 / 色调 / 输出风格——定稿后不许改。
3. 跑通 1 个 SKU：确认规范段和变量段都对。
4. 抽样 5 个 SKU：覆盖深色 / 浅色 / 反光 / 大件 / 小件的边界。
5. --dry-run 估总价：单价 × SKU 数。
6. 全量跑：5 路并发 + 3 次重试；SKU 很多时用 --no-wait 提交后统一轮询。
7. 看汇总报告：失败的单独重跑。
8. 抽样质检：随机抽 10% 过 detect-task；不合格的 SKU 单独用 gpt-image-2 重跑。

8、常见问题

Tips

Visit https://dlazy.com for more information.