Multimodal Gen

多模态生成 Skill

多模态内容生成（图片、视频）。当用户需要生成图片、生成图像、生成视频、AI绘画、AI作图、画一张图、做个视频时使用此技能。自动优化提示词后调用生成模型。

触发条件

当用户需要：

• 生成图片/图像/AI绘画
• 生成视频
• 图像理解/分析

工作流程

用户输入 → DeepSeek V3.2 优化提示词 → 生成模型 → 输出文件

统一入口

python3 ~/clawd/skills/multimodal-gen/generate.py "描述" [image|video] [model]

示例

# 生成图片（默认 gemini）
python3 ~/clawd/skills/multimodal-gen/generate.py "可爱的猫咪在阳光下睡觉"

# 生成图片（指定模型）
python3 ~/clawd/skills/multimodal-gen/generate.py "赛博朋克城市" image flux

# 生成视频（默认 veo3.1）
python3 ~/clawd/skills/multimodal-gen/generate.py "海浪拍打礁石" video

# 跳过优化
python3 ~/clawd/skills/multimodal-gen/generate.py "prompt" image --no-optimize

图像生成

默认模型

• gemini → gemini-3-pro-image-preview ⭐默认

其他模型

• flux → flux-pro-max
• flux-ultra → flux-pro-1.1-ultra
• imagen → google/imagen-4-ultra
• dalle → gpt-image-1
• kling → kling-image
• seedream → doubao-seedream-4-5-251128

输出

• 图片保存到 ~/clawd/output/images/

视频生成

默认模型

• veo3.1 → veo3.1 ⭐默认（普通版，性价比高）

其他模型

• veo3.1-4k → veo3.1-4k
• veo3.1-pro → veo3.1-pro
• veo3 → veo3
• sora2 → sora-2-all
• kling → kling-video
• hailuo → MiniMax-Hailuo-2.3
• runway → runwayml-gen4_turbo-10
• grok → grok-video-3

⚠️ 异步生成流程（重要！）

视频生成耗时较长（1-5分钟），必须使用 spawn 子任务，不要阻塞 main agent！

正确做法：

# 在 main agent 中使用 sessions_spawn
sessions_spawn(
    task="生成视频：xxx描述，使用 veo3.1 模型。完成后发送给用户。",
    label="video-gen-xxx"
)

子任务流程：

1. 优化 prompt
2. 提交视频任务，获取 task_id
3. 轮询查询状态（每 10 秒）
4. 完成后下载视频并发送给用户

命令行用法

# 提交任务（立即返回）
python3 ~/clawd/skills/multimodal-gen/generate_video.py submit "prompt" [model]

# 查询任务状态
python3 ~/clawd/skills/multimodal-gen/generate_video.py query <task_id>

# 一键生成（阻塞等待，仅用于子任务）
python3 ~/clawd/skills/multimodal-gen/generate_video.py "prompt" [model]

输出

• 视频保存到 ~/clawd/output/videos/

Prompt 优化器

使用 DeepSeek V3.2 自动优化提示词：

• 翻译成英文
• 添加艺术风格、画质、光影、构图描述
• 自动规避敏感词（如 loli → young girl）

单独调用：

python3 ~/clawd/skills/multimodal-gen/prompt_optimizer.py "描述" [image|video]

API 配置

• Base URL: https://xingjiabiapi.com/v1
• API Key: pass api/xingjiabiapi
• 优化模型: deepseek-v3.2

注意事项

1. 图像生成约 10-30 秒
2. 视频生成约 1-5 分钟
3. 生成完成后将文件发送给用户
4. Gemini 对某些内容敏感，优化器会自动处理