Meitu Image Fix

Meitu Image Fix

Overview

接收一张有问题的图片，自动诊断画质/人像/内容三类问题，规划最优修复管线，按顺序调用 meitu-cli 工具链完成修复。核心价值是诊断+串联——用户不需要知道该用哪个工具，只需要说"帮我修一下"。

Dependencies

• meitu-cli (>=2.0.6): npm install -g meitu-cli@latest
• 凭证: 首选 env MEITU_OPENAPI_ACCESS_KEY / MEITU_OPENAPI_SECRET_KEY，或预置 ~/.meitu/credentials.json；仅在用户明确要求写入本地凭证时，再执行 meitu config set-ak / meitu config set-sk

路径别名： 下文中 $VISUAL = {OPENCLAW_HOME}/workspace/visual/

Core Workflow

Preflight → [Context: 跳过] → Execute (诊断 → 规划 → 逐步执行) → Deliver
              ↑ 工具型 skill，无创意上下文需求，始终跳过 Context

Preflight

1. meitu --version → 未安装则提示 npm install -g meitu-cli@latest
2. meitu auth verify --json → 凭证无效则引导配置
3. Detect mode: cwd has openclaw.yaml → project mode; else → one-off can_record = cwd 有 openclaw.yaml AND $VISUAL 存在（两者缺一即 false）
4. Resolve output_dir: openclaw.yaml → ./output/ | else → $VISUAL/output/meitu-image-fix/ mkdir -p {output_dir}

Context

工具型 skill，无创意上下文需求，始终跳过 Context，直接到 Execute。

Execute

诊断：看图 + 听用户

从两个信息源判断问题：

视觉分析（用 Read 工具读取图片，多模态识别问题）：

用户意图解析（用户说的话直接映射到标签）：

合并两个信息源，得到最终问题列表。

规划修复管线

执行顺序（硬约束——顺序错误会严重影响效果）：

Phase 1: image-superres-enhance 先提升画质，后续操作在清晰图上效果更好
Phase 2: image-edit / cutout    内容修复在高清底图上精度更高
Phase 3: image-edit(gummy_pro)  人像精修放最后，避免被前面步骤的重编码破坏

管线路由表：

Phase 2 内有多个 edit 操作时，逐条串行执行（每条用上一步输出的 URL）。 cutout 与其他 Phase 2 操作共存时：先 edit 再 cutout（去背景应在内容修好之后）。

向用户确认管线（多步修复时）：

列出诊断结果和计划步骤，获得确认后再执行：

诊断结果：图片模糊 + 有水印 + 人脸肤质粗糙 修复计划：① 超清 → ② 去水印 → ③ 自然美颜 确认开始？

用户只提了单一问题且诊断无歧义 → 跳过确认，直接执行。

逐步执行

链式调用机制： 每步加 --json，解析返回 JSON 的 media_urls[0] 作为下一步的 --image_list 输入。仅最后一步加 --download-dir {output_dir} 保存到本地。加了 --download-dir 后，JSON 输出会多一个 downloaded_files 数组，直接取 downloaded_files[0].saved_path 获取下载文件的完整路径，Deliver 阶段再 rename。

URL 传递 fallback：如果下一步用 media_urls[0] 作为 --image_list 输入失败（UPLOAD_ERROR），先下载到系统临时目录再用本地路径重试：

curl -sL -o /tmp/meitu-fix-step{N}.{ext} {url}
meitu <command> --image_list /tmp/meitu-fix-step{N}.{ext} ...

中间文件必须存放在 /tmp/ 或系统临时目录，禁止存入 skill 文件夹或源文件所在目录。管线完成后清理：rm -f /tmp/meitu-fix-step*.{ext}。

Phase 1: 超清 — image-superres-enhance

根据图片主体构造 --prompt 内容描述：

meitu image-superres-enhance --image_url {input} --prompt "{content_description}" --json --skill_name skill_meitu-image-fix

解析：ok: true → media_urls[0] 传入下一步。 ok: false → 记录错误，用原图继续后续步骤（upscale 失败不阻塞管线）。

Phase 2: 内容修复 — image-edit / image-cutout

每个 content 问题对应一条 edit 指令，逐条串行：

meitu image-edit --image_list {prev_url} --prompt "{instruction}" --model praline_pro --json --skill_name skill_meitu-image-fix

每步取 media_urls[0] 传给下一步。

如果问题是去背景（cutout）：

meitu image-cutout --image_url {prev_url} --json --skill_name skill_meitu-image-fix

仅人物、宠物、商品、图标、印章可执行该步骤；明确知道主体模型时可追加 --model_type 0、--model_type 1 或 --model_type 2，否则省略并自动选型。

Phase 3: 人像精修 — image-edit（gummy_pro）

meitu image-edit --image_list {prev_url} --prompt "{portrait_retouch_prompt}" --model gummy_pro --json --skill_name skill_meitu-image-fix

约束：portrait retouch 仅适用于真实单人肖像。以下情况跳过此步骤并告知用户：

• 多人图片
• 非真实人像（卡通、插画、简笔画、AI 绘图风格）
• 人脸过小或不清晰

服务端拒绝时直接跳过即可。

同时有 portrait:skin 和 portrait:feature → 一次 image-edit --model gummy_pro 即可覆盖（不需要调两次）。

最后一步下载： 管线最后一个命令加 --download-dir {output_dir}，直接保存结果文件到本地。

错误处理

每步独立处理，单步失败不阻塞管线：

L1: 简化 prompt — 移除修饰语，保留核心指令（edit 步骤适用）
L2: 省略可选参数 — 如裁剪掉非必要修饰，让服务端按默认路由处理
L3: 跳过当前步骤 — 用上一步结果继续后续管线
L4: 连续 2 步失败 → 停止管线，将最后一个成功步骤的结果下载到 {output_dir} 交付，并说明哪些步骤未完成
L5: 首步即失败 → 检查凭证/余额，报错含 code + hint

特殊错误码：

• ORDER_REQUIRED → 提示用户充值，提供 action_url
• CREDENTIALS_MISSING → 提示配置 AK/SK

Deliver

output_dir 已在 Preflight 预解析，Execute 最后一步的 --download-dir 已直接写入该目录，Deliver 仅做 rename。

mv {output_dir}/{task_id_file} {output_dir}/{date}_{effect}.{ext}

Record（项目模式 MUST / 一次性模式跳过）

can_record = cwd 有 openclaw.yaml AND $VISUAL 存在（两者缺一即 false）→ false 时跳过。一次性模式下反馈仅当前对话有效。

User approved style → read $VISUAL/memory/observations/observations.yaml → scan similar key → merge or append → write back. len(projects) >= 2 → propose promotion (non-blocking) → 非阻塞提议晋升（在回复末尾提及："你在 N 个项目中都偏好 X，要保存吗？"）→ confirmed → write target + delete observation

User rejected ("不要 XX") → has openclaw.yaml → ask scope → project: DESIGN.md Constraints / universal: quality.yaml（需用户确认） no openclaw.yaml → current task only

No feedback → skip entirely（不读 observations.yaml，zero overhead）。

Output

• 格式：与输入一致（jpg→jpg, png→png），cutout 输出 png（含透明通道）
• 命名：{date}_{修复摘要}.{ext}
  • 单一修复：2026-03-23_upscale.jpg
  • 串联修复：2026-03-23_upscale+remove-watermark+beauty.jpg
• 位置：由 Deliver 步骤决定

Boundaries

本 skill 只做修复——让一张已有的图变得更好。不做创作类任务：

边界判断：用户意图是"修好这张图的问题" → 本 skill。用户意图是"把这张图变成另一种东西" → 告知用户并建议对应 skill。