Evilom
7.6 KiB
F8jiwgDmkiyzLMk5KYecuOjinAg
Source: https://dianchukeji.feishu.cn/wiki/F8jiwgDmkiyzLMk5KYecuOjinAg
一.工作内容概述
- 完成皮肤系统逻辑实现
- 继续探索优化Codex生图工作流
二.Codex生图工作流优化
1.GPT Image-2 即时模式
今日探索发现：**GPT Image 2 的即时模式（Instant 模式）**可以直接生成带真实透明背景的 PNG 图片。 这个发现说明，之前 Skill 中默认采用的“纯色背景 + 后处理抠图”流程，并不是所有情况下都必须执行。如果生成阶段本身就能输出真实透明背景，那么部分后处理抠图步骤就有机会被省略或降级。因此，今天主要围绕以下问题继续对 Skill 进行优化：
- 不同生图模式在流程中应该如何分工；
- 是否应优先使用真实透明背景，而不是默认纯色背景；
- 是否可以接入第三方生图服务；
- 是否可以通过资产图集提高批量生成效率；
- 这套 Skill 是否具备迁移到其他 AI Agent 的可能。
2.即时模式和思考模式
测试中发现，GPT Image 2 的不同生成模式有明显差异：
即时模式
即时模式的优势是：
- 可以直接生成真实透明背景 PNG
- 适合图标、按钮、角标、小装饰等简单或中等复杂度素材
- 可以减少色键抠图带来的边缘损失 但它也有明显短板：
- 细节复杂度上限较低；
- 对复杂结构、复杂角色、角色立绘等控制不稳定；
- 实测中，在复杂角色立绘等高细节要求的场景下，生成结果可能出现结构简化或细节丢失，稳定性不如思考模式。
因此，即时模式更适合作为简单素材生成模式，不适合作为复杂主视觉资产或角色立绘的默认生成模式。
思考模式
思考模式的优势是：
- 更适合整体效果图；
- 更适合复杂布局、风格统一、视觉层级控制；
- 对角色、装饰、整体氛围等复杂内容把控更好。 但它的问题是：
- 不能输出真实透明背景 PNG；
- 如果用于单资产生成，通常仍需要依赖色键抠图或其他后处理方式。
因此，思考模式更适合作为整体设计和复杂资产参考模式。
新的模式分工
后续流程可以按模式分工：
- **思考模式：**用于整体效果图、布局参考、风格锚点、复杂角色或关键视觉资产。
- **即时模式：**用于简单 / 中等复杂度素材生成，尤其是需要真实透明 PNG 的图标、按钮、角标、小装饰等。 也就是说，后续不应再用同一种生图模式覆盖整个流程，而应根据不同阶段的目标选择不同模式。
3.透明背景策略调整
原流程是： 这种方式对简单 UI 组件有效，例如按钮、资源栏、角标、小图标等。但对于复杂插画、阴影、柔边、粒子、毛发边缘等素材不够稳定，容易出现边缘污染、残边或透明度损失。 基于即时模式可以直接输出真实透明背景 PNG 的发现，后续策略应调整为： 这样可以减少复杂边缘在抠图过程中的信息损失，尤其有利于阴影、柔光、半透明高光和粒子边缘的保留。 需要注意的是，真实透明优先并不代表完全不需要后处理。即使生成原图已经带有真实透明通道，仍然需要继续执行：
- 尺寸调整；
- 边缘优化；
- 透明区域颜色修复；
- 黑 / 白 / 蓝底预览；
- 质检；
- 资源汇总交付。 也就是说，新的策略不是“取消后处理”，而是：能直接透明时，跳过抠图；不能直接透明时，再进入色键抠图流程。
4.生图服务接入机制优化
为保证流程的模块化，今天进一步引入了“第三方生图服务接入”的思路。也就是说，图片生成不再强绑定某一个固定模型或平台，而是可以通过配置选择不同的生图服务。 当前结构可以理解为： 当前新增了 grsai 作为第三方生图服务，并支持两个模型：
- gpt-image-2：对应即时模式；
- gpt-image-2-vip：对应思考模式。 该服务支持：
- PNG 输出；
- 透明背景；
- 参考图输入；
- 异步结果轮询。 这样做的好处是：后续如果新增模型，只需要在生图服务注册表中增加配置，并补充对应的调用适配器，不需要对整个工作流进行大规模修改。
5.资产图集作为效率优化方向
此前测试中，25 个 UI 元素逐个生成耗时较高，说明“单资产逐个生图”的方式不适合高吞吐批量生产。 因此，后续可以引入“资产图集”的方式：将功能相近、形式相近、风格一致的小资产放在同一张图中生成，再通过后处理切分成独立 PNG。
- 适合使用资产图集的类型包括：
- 小图标组；
- 资源图标组；
- 角标 / 红点组；
- 同规格按钮底板组；
- 小装饰组等。
- 不适合使用资产图集的类型包括：
- 大型面板；
- 复杂卡片；
- 主视觉角色；
- 标题艺术字；
- 复杂组合组件。 这类资产通常单个尺寸较大、结构复杂或形状不规则，强行打包会降低可控性和切分稳定性。 资产图集的优势是：
- 可以减少生图次数；
- 可以降低整体耗时；
- 有助于保持同组资产的风格统一。 但需要注意：资产图集不能直接作为最终交付物，必须配套明确的切分规则，将其拆分为独立的最小可用单元。切分规则需要明确：
- 是按行切、按列切，还是自由布局切分；
- 是使用网格、外接框，还是连通区域识别；
- 每个切片保留多少透明留白；
- 哪些图集级装饰不应被切分；
- 切分后的资源如何命名和写入资源清单。
6.测试验证
今天初步测试了改进后的工作流，验证结果如下：
- 第三方生图服务调用成功；
- 生成原图确实带有真实透明通道；
- 后处理流程走的是透明分支，而不是色键抠图分支；
- 自动质检结果为通过；
- 最终状态为“需要人工复核”，因为风格、语义、美术一致性仍属于视觉审查项。
7.Skill 迁移与通用化思考
由于生图服务已经可以抽象出来，图片生成这部分能力不再强依赖 Codex。因此，这个 Skill 不应只被理解为 Codex 专属 Skill，而可以进一步演化为多 Agent 通用的资源生产管线。 迁移时需要注意：
- 像素级质检可以靠 Python 脚本完成；
- 语义、风格、美术一致性质检需要 Agent 具备识图能力；
- 如果目标 Agent 不支持识图，就只能做到“自动后处理 + 自动技术质检 + 用户视觉复核”。
8.后续探索方向
后续继续推进：
- 验证即时模式在不同复杂度素材上的稳定性；
- 明确哪些资产适合即时模式，哪些必须走思考模式；
- 完善资产图集生成与切分规则；
- 固化质检分流规则；
- 增加验证模式 / 正式模式；
- 优化提示词模板化和批量执行；
- 尝试将该 Skill 迁移到其他 AI Agent 中。