模組三｜AI 生圖與生片產線（Day 10–19）

模組二講規格。從今天開始換題目，講 AI 生圖產線：這是這個專案裡最花錢、失敗最多、也最有東西可以帶走的部分。

先講整體架構，因為它是一個很多人第一次做會做錯的決定。

問題：一個模型不是每件事都強

我需要的圖分三種：

一開始我的想法很自然：找一個最強的模型，全部交給它。

這個想法錯在哪，要做過才知道。

三種需求的失敗模式完全不同：

• 三視圖失敗 = 三個視角不像同一個人
• 局部修圖失敗 = 改了不該改的地方
• 封面失敗 = 角色跑掉，或場景不對

而「一個模型最強」通常指的是單張出圖的品質。單張品質高，跟「三個視角一致」「其他地方不動」完全是不同的能力。

實際撞牌之後我才理解：這三件事需要的不是更強的模型，是不同的介面。

怎麼做：按介面分，不按品質分

現在的三條產線：

注意這三行的「為什麼」都不是「因為它畫得比較好」。

全部都是介面能力：能不能吃參考圖、能吃幾張、能不能保證非目標區域不動、能不能穩定重跑。

三視圖為什麼要走 /images/edits

因為我要的是「畫風固定、角色可換」。

/v1/images/edits 的介面允許我附一張參考圖再給文字。這個形狀剛好可以拿來做風格與角色解耦：參考圖負責畫風，文字負責角色。明天 Day 11 整篇講這個。

如果用純文字生成（沒有參考圖那條通道），畫風就只能靠文字描述，而文字描述畫風的穩定度很差。我試過，跨視角完全不一致，那一版作廢了。

局部修圖為什麼要換模型

這個需求很具體：秤兒的三視圖正面圖，腰間多長出一個黑色圓桶，跟左右袖口的兩個圓桶撞形，看起來像多生了第三隻手。

我要的是：把那個桶去掉，其他一律不准動。

這不是「重畫一張更好的」，是「這張已經對了 99%，修掉那 1%」。

大部分文生圖模型做不到這件事：你重跑一次，整張圖都會變。需要的是真正的 image-to-image 局部編輯能力。nano_banana_2 在這個需求上一次過，其他區域逐像素保留。

這條產線的存在理由是「不要重畫」。 沒有它，我每次修小瑕疵都要重賭一次整張圖。

封面為什麼要雙參考

封面要新場景（三視圖沒有的東西），但角色不能跑掉。

做法是同時餵三視圖 + 立繪兩張參考，然後 prompt 硬鎖：要求角色設計嚴格忠於參考三視圖，再逐項列出髮型、瞳色、服裝。場景與構圖另外一段描述。

一張參考不夠——三視圖有全身結構但姿態呆板，立繪有氣質但只有一個角度。兩張互補。

這個切法的判準

回頭整理，我是按這三個問題在分的：

問題一：這件事需要哪種輸入通道？

• 純文字 → 最弱的控制
• 文字 + 一張參考 → 可以做風格或角色的鎖定（二選一）
• 文字 + 多張參考 → 可以同時鎖多個維度
• 原圖 + 局部指令 → 可以保證非目標區域不動

通道決定你能鎖住什麼。 選模型的第一步是看它給你哪種通道，不是看它的 demo 好不好看。

問題二：失敗的時候，我損失什麼？

• 三視圖失敗 → 重跑一次，燒一次錢
• 局部修圖失敗 → 我可能失去一張已經對了的圖
• 封面失敗 → 重跑，但這張圖有下游依賴（HTML 引用它）

**損失愈大的，愈要選「可控」而不是「品質高」的路。**局部修圖那條產線我寧可選一個畫質普通但保證不亂動的模型。

問題三：這件事要跑幾次？

• 20 張三視圖 = 要腳本化、要冪等、要能單角失敗續跑
• 局部修圖 = 一次一張，手動就好

要跑很多次的，選型時要把「能不能腳本化」算進去。 一個只有網頁介面的模型，再強也進不了量產產線。

代價

代價一：三個產線就是三套認知負擔。

三個服務、三種參數、三種失敗訊息、兩組 API 額度要顧。

我現在要修一張圖，第一個動作是想「這件事屬於哪條產線」。想錯了就會用錯工具，然後浪費一次生成。

單一工具的最大優點是不用做這個決定。 我放棄了這個優點，換到控制力。

代價二：畫風的一致性變成跨產線的問題。

三視圖走 OpenAI，封面走 Higgsfield。兩個不同的模型，要產出畫風一致的東西。

我靠的是把同一組風格描述詞寫進兩邊的 prompt，以及封面用三視圖當參考（讓封面繼承三視圖的畫風）。

這不是保證，是緩解。產線切得愈細，接縫愈多。

代價三：這個分工是撞出來的，不是規劃出來的。

我必須誠實：我不是先分析完介面能力才這樣分的。我是先用一個模型全做、撞牆、再換、再撞、最後才長成三條產線。

開發足跡.md 裡三視圖那條線有明確的版本紀錄：純文字生成（作廢）→ 拿角色卡圖當參考（畫風飄）→ 單一風格錨（定稿）。兩次失敗才到現在的做法。

我這篇是事後整理出來的判準，不是當初的先見之明。

帶走什麼

一、選生成模型先看介面通道，不要先看出圖品質。

問這四個問題：

1. 能不能吃參考圖？幾張？
2. 能不能保證非目標區域不變？
3. 有沒有 API（不只是網頁）？
4. 同樣的輸入重跑，結果穩不穩定？

demo 圖漂亮是最不重要的指標，因為 demo 展示的是單張品質，而你的專案通常需要的是可控性與可重複性。

二、按失敗模式分工，不按強弱排名分工。

寫下你要做的每一件事，各自問：這件事失敗的時候，長什麼樣子？

**失敗模式不同的事，很可能需要不同的工具。**而「最強的那個」只在單一維度上最強。

三、要跑很多次的事，選型時把腳本化列為硬條件。

一次性的事可以用任何工具。要跑 20 次、200 次的事，「有沒有 API」「失敗會不會中斷整批」「能不能冪等」是選型的第一層篩子，過不了的直接淘汰，不管它畫得多好。

這條我付過學費——Day 16 會講一個冪等性沒做好的腳本，它讓我在 20 個角色上重複計費。

明天 Day 11，講這個模組最核心的一招：風格與角色解耦。我會拆一段 prompt，它做的事情是「附一張參考圖，然後明令模型忽略這張圖裡的角色、服裝、配色和構圖」——聽起來很矛盾，但它是我試了兩個版本之後唯一有效的做法。