VFeCwF4VsizD4Bkri2Rc62junbf

Source: https://dianchukeji.feishu.cn/wiki/VFeCwF4VsizD4Bkri2Rc62junbf

一.工作内容概述

完成抽奖系统剩余部分逻辑，修复bug
测试生图Skill进阶模式执行链路，并对其进行优化

二.生图Skill进阶模式测试优化

1.测试情况

最开始几次测试时，发现流程并没有完全按照预期运行，主要问题包括：经过多轮修复后，进阶模式已经能够按照预期流程运行，并最终完成图片资产交付。但在当前默认链路下，交付质量、资产风格一致性以及对参考图的还原度仍然不够稳定。 也就是说，进阶模式现在已经具备基本交付能力，但还需要继续优化生成链路的可控性和稳定性。

2.质量问题与初步判断修正

问题不一定出在底层模型能力本身，而可能出在调用链路、提示词编译、任务拆分方式、参考图传递方式，以及 skill 工作流对生图任务的组织方式上。也就是说，即使底层模型同样是 image2，最终效果也可能因为前置 agent、provider 封装层、参数暴露方式、prompt 编写方式不同而出现明显差异。调用同一个生图模型，不代表最终效果一定等价。 原生 ChatGPT 网页端的生图效果较好，可能不仅是因为底层模型强，也因为它在用户输入和生图模型之间，存在更强的任务理解、prompt 优化和调用编排能力。第三方 agent 如果只是把用户原话简单拼接后交给模型，即使模型相同，结果也可能不稳定。所以当前要解决的核心不只是 provider 能不能调用 image2，而是：第三方 agent 能不能像原生 GPT 一样，把用户的模糊需求转译成适合生图模型执行的高质量 prompt。

3.拆分生成测试与发现

为了进一步定位资产质量问题，今天使用一张完整的游戏抽奖界面进行了拆分生成测试。最开始版本生成出的资产并不是完全跑偏，整体风格与参考图是接近的，例如水彩质感、柔和配色、手绘感、棕色描边等方向基本能够保持。但是问题在于，生成结果对参考图中具体元素的还原度不够稳定，部分资产在形状、比例、细节和布局关系上与原图存在偏差，更像是“同风格重画”，而不是“基于参考图进行单资产重建”。后续排查后发现，一个关键问题是：参考图没有实际随 prompt 一起发送给 image2。这导致 image2 主要依赖文字描述生成资产，只能做到风格接近，但难以稳定还原参考图中的具体样式。修复参考图传递问题后，又进一步测试了“完整原图作为统一参考 + 每个资产独立详细 prompt”的方式。每个资产的 prompt 都明确说明：

当前只需要生成哪一个资产；
需要包含哪些内容；
需要排除哪些内容；
需要保持原图中的水彩手绘风格；
需要保持棕色描边、柔和配色、纸张纹理；
输出为独立资产；
不要带出其他界面元素。实际测试结果明显更接近预期。生成出来的标题、按钮、转盘底板、金币、闪电、拼图、宝箱等资产，不仅整体风格与原图接近，在具体样式还原上也比最初版本更加稳定。基于这次测试，可以初步认为：影响生成效果的关键不只是模型能力，而是参考图是否真实参与生成，以及 agent 能否为每个资产生成清晰、独立、细节充分的 prompt。 这次效果较好的原因主要有几点：因此，今天的关键发现可以总结为：要让 image2 生成接近参考图的拆分资产，核心不只是模型本身，而是要保证参考图真实参与生成，并让 agent 把“拆分界面”这个模糊任务，转译成一个个明确、详细、可执行的单资产生成任务。

4.后续探索方向

基于今天的测试结果，后续优化重点不应只停留在“provider 能否调用 image2”，而应转向更核心的问题：如何让第三方 agent 具备接近原生 GPT 的需求理解与提示词编译能力，并能根据不同生图模型的特点生成合适的 prompt。 影响最终效果的除了生图模型，还有 agent 在调用模型前的需求转译能力。原生 GPT 生图效果稳定，很可能不仅因为底层模型强，还因为它能把用户的模糊需求转化成更适合生图模型执行的明确指令。 因此，后续工作流应该分成两层： 通用需求转译层

理解用户目标
识别界面结构
拆分最小可用资产
提炼风格特征
明确包含项和排除项
生成通用 asset brief（资产说明） 模型适配层
根据不同的生图模型，生成对应的 prompt、参数和调用方式也就是说，前半段要做“通用理解”，后半段再做“模型适配”。通用层不直接绑定某个模型，而是先生成稳定的 asset brief。每个资产需要记录：
资产类型；
必须包含的内容；
必须排除的内容；
是否包含文字；
风格要求；
输出要求；
生成策略；
风险等级。然后再由不同模型的 adapter（适配器）把同一份 asset brief 转成适合具体模型的 prompt。比如 image2 可以使用更完整的结构化 prompt；偏关键词型模型则适合更短、更直接的描述等。这样即使后续更换模型，也不需要推翻整个工作流，只需要新增或调整对应的模型 adapter。后续方向不是为 image2 写死一套 prompt，而是建立“通用 asset brief + 模型 prompt adapter”的工作流，这样既能复用前置的需求理解和资产拆分能力，也能在更换模型时保持产出质量稳定。

6.0 KiB Raw Blame History