客户上午说要暖光背景，下午又说产品反光太强，晚上再补一条：Logo位置别挡住杯盖。如果你也在做电商设计、品牌内容或者自媒体配图，一定体会过这种反复修改带来的返工成本。我最初用 GPT Image 2 API 的方式和大多数人没区别：前端输入提示词，后端拿结果，客户不满意就整张重新生成。后来发现这样太浪费了，每次哪怕只改背景里的一小块，都要重新消耗一次完整生成额度，出图结果还不一定稳定。于是我把图像生成和局部编辑拆成一条可复用的工作流，从“生成底图”到“局部修改”再到“批量变体”，一条链路跑下来，大部分常规修改五分钟内能完成。这篇内容就是来记录这套工作流的完整思路、API 参数实践和一路踩过的坑，适合正在接 GPT Image 2 API 做产品图、平面海报、内容配图，或者想把它集成进自动化系统的开发者和设计师参考。
1. GPT Image 2 API 的核心能做哪些事
1.1 文本直接生成图像：把需求变成底图
GPT Image 2 在文本生成图像上的表现，已经能覆盖大多数商用场景。电商产品图、社媒信息图、科普插画、游戏素材、UI 概念图，基本都能在几秒内出图。和传统素材库最大的区别是“按需生成”：你不需要在几千张图片里翻半天，只要提示词写得足够具体，第一版出图与需求的匹配度经常能到七八成。
API 层面的价值在于可编程和批量化。它不是一个孤立的网页对话，而是可以被你的业务系统调用、可以放在循环里批量执行、可以和后续的审核流程串起来的工具。这也是我后面反复强调“工作流”的原因：单张生成再惊艳，没有流程约束，就只是一次碰运气；有了流程，才叫生产。
为什么这个环节适合放在整个工作流的起点？因为底图质量决定了后续编辑空间。生成阶段把主干内容确定下来，比如产品的形态、光线、构图、主要风格，到了编辑阶段再做局部微调。生成和编辑分离以后，能大幅减少“整体重绘”带来的不确定性和不必要的成本支出。
1.2 局部编辑：只改画面中的一个区域
相比重新生成，局部编辑的意义在于确定性和快速迭代。比如客户说“背景里的窗帘太暗了”，传统做法可能需要调亮度、换素材、重新合成，一套流程下来少说半小时。现在只要把原图传给 API，加一句“只把窗帘部分调亮，保持其他区域不变”，模型会理解你的语义，只对对应区域做处理。
这种能力背后，是模型本身就具备多模态理解能力。它看得到图，也听得懂“局部修改”的含义，而不是机械地把整张图重画一遍。实际使用场景非常多：电商主图里产品颜色调整、海报中某个元素的替换、老照片瑕疵修复、生成结果里某个细节的补救，都能靠这一步完成。我自己的项目里，这一项的使用频率已经超过了纯文生图。
1.3 衍生创作与多风格迁移
除了生成和编辑，还有一个容易被忽略的能力：把已有真实图像转成插画、水彩、CG 渲染等不同风格。我经常把它当作“风格统一”的手段。同一批产品图如果由不同供应商提供，拍摄风格差异会很大，放到一个页面上非常不协调。先用风格迁移把整套图统一成同一个调性，再做后续编排，交付质量会高出不少。
这个能力放到工作流里，可以理解为“中间加工层”。它不直接解决“画什么”，而是解决“怎么统一呈现”。在批量内容生产场景里，这一步踩坑率不高，但收益非常明显。
2. 工作流整体设计：为什么不能只靠一次 API 调用
2.1 单次生成只是起点，反复修改才是常态
我见过很多团队把“AI 生图”做成一个孤立的 HTTP 请求，出图后人工保存，不满意就再生成一张。问题在于：同一提示词每次生成结果的差异其实很大。如果客户需求只是“背景色调改暖一点”，你重新生成一张，很可能产品角度变了、构图变了、画面里多余的元素也变了，结果反而完全失控。
把生成和编辑拆开，本质上是把“创作的不确定性”压缩在生成阶段，把“修改的确定性”交给编辑阶段。生成阶段你允许模型自由发挥，编辑阶段则用局部指令锁住需要保持不变的内容。这个区分是所有 AI 图像工作流的核心逻辑。
2.2 一套可复用的五阶段工作流
我目前在用的工作流分五段：
- 需求解析：把用户的模糊描述转成结构化提示词。
- 底图生成：批量生成候选底图，人工或规则筛选。
- 局部编辑：根据修改建议，只调整画面局部。
- 批量变体：在确定底图上生成多个颜色、氛围、细节变体。
- 质检交付：检查分辨率、文字畸变、内容合规，最后导出。
这套流程的价值在于每一步都有明确的输入、输出和判断标准。需求解析解决“到底要什么”，底图生成解决“大致长什么样”，局部编辑解决“哪里需要改”，批量变体解决“选哪一版”，质检解决“能不能交付”。任何一步出问题都能快速定位，而不是像之前那样出了问题就从头再来。
2.3 何时自建工作流，何时用现成的编排工具
现在 Coze、Dify、n8n 这些平台都能搭所谓的工作流，填表单、拖节点、做连接器，确实很方便。我的看法是：如果流程里没有复杂代码逻辑、没有高频批量任务，用现成平台会更省心，因为平台内置了会话管理、多模态输入输出和一些数据处理能力。
但如果你需要把生成结果接回自己的素材库，需要定制独家的 mask 生成逻辑，需要和内部工单系统、版本管理工具联动，或者要跑几十上百组变体，直接用 API 写脚本反而更灵活。工作流的关键不是工具多高级，而是每一步都有明确的“输入-产出-验证”规则。工具只是承载这个规则的外壳。
3. 图像生成阶段：把提示词变成高质量底图
3.1 调用前需要准备什么
在正式写代码之前，你要确认三件事：有可用的 API 密钥、有基础配额、有 Python 环境。我通常用官方 OpenAI SDK，安装起来很快。调用前把密钥放到环境变量里，不要在代码仓库里硬编码，更不要暴露在前端。这点很基础，但我在实际项目里见过不少人把密钥打进配置后推到公共仓库，第二天账单就爆了。
一个最基础的文生图调用长这样：
from openai import OpenAI client = OpenAI() resp = client.images.generate( model="gpt-image-2", prompt="a glossy white ceramic coffee mug on a wooden desk, warm morning light, product photography style", size="1024x1024", quality="high", n=1, ) print(resp.data[0].url)返回结果是一个图片 URL，也可以设置response_format="b64_json"直接拿 base64 字符串。我建议生产环境用 base64，避免临时文件的生成和清理，拿回来就直接写库或转存对象存储。
3.2 请求参数怎么选
参数直接影响效果、成本和速度，需要逐个说明。
model：填你当前可用的图像模型标识，我这里用gpt-image-2指代。如果你的项目里还是旧的gpt-image-1.x，调用方式雷同。size：常见是1024x1024正方形、1536x1024横构图、1024x1536竖构图。做电商主图偏正方形，做海报和社媒头图偏横板，做手机端素材偏竖版。quality：high、medium和low三档。交付场景用high，调试和探索用low，能省不少预算。n：一次生成几张。资源消耗是线性增加的，批量探索时不建议一次开太多，给显卡和服务端留点余量。response_format：url或b64_json。推荐b64_json，管理起来更干净。
这些参数没有标准答案，跟你实际业务强相关。我的习惯是先用一版低配参数做探索，锁定方向后再切换到高配出正式稿。后面我会专门讲这个省钱思路。
3.3 提示词工程核心
提示词是决定底图质量的第一要素。我整理了一个结构化的模板：
“主体 + 环境/场景 + 镜头与机位 + 光线 + 风格 + 材质细节 + 负面约束”
拿商品图举例：
- 差的提示词：画一个杯子，好看一点。
- 好的提示词：白色陶瓷马克杯，带把手，放在深色木桌上，侧光暖色调，背景虚化，产品摄影风格，杯身纯白无图案，侧面无文字无水印。
需要注意一点：GPT Image 2 对文字渲染能力已经比很多早期模型强，但它仍然可能在文字区域生成奇怪的字母。如果产品图必须带精确文字，比如包装上的品牌名、海报上的标题，我的建议是不要在生成阶段一次到位，后续用局部编辑或传统图像处理把文字叠上去，这样最稳。
3.4 成本控制经验
成本控制在真实项目里非常关键。高质量图片的调用成本明显高于中低质量档位。如果你要跑 50 张候选图，全部用high出图，开销会很难看。我实际跑下来的做法是：批量探索全部用medium或low，筛选出构图和风格最合适的 1 到 2 张，最后再对选中结果用high重新生成一次，作为交付版本。
这个逻辑可以写进脚本里，让“探索”和“交付”两个模式分开，成本能省一半以上。另外一个容易被忽略的点是：反复重新生成的累计成本远高于“生成底图 + 局部编辑微调”的组合。因为局部修改只消耗一次编辑额度，而且结果确定性强，不需要反复试错。
4. 局部编辑阶段：精准修改画面中的某个部分
4.1 两种编辑形态，我两个都在用
GPT Image 2 在 API 层面支持两种常见的局部编辑玩法：
第一种是对话式编辑。把原图作为输入消息传进去，再用自然语言描述要改哪里、怎么改。模型会根据多模态上下文理解修改意图，直接返回编辑后的图片。这种方式适合修改点比较明确、不需要精确到像素边界的场景。比如“把马克杯从白色改成浅绿色”“把背景里的窗帘调亮”“去掉桌面上的一个杂物”。
第二种是 Mask 编辑。显式传入一张遮罩图，白色区域代表需要重绘的地方，黑色区域保持不动，再配合编辑指令工作。这种方式适合“必须保证其他区域分毫不动”的场景。比如客户说“只改杯身颜色，倒影和背景都不要动”，如果不给 mask，模型有概率把整个画面氛围都改了。
以对话式编辑为例，代码结构大概是：
resp = client.images.edit( model="gpt-image-2", image=open("selected_base.png", "rb"), prompt="把白色杯身改成浅绿色，杯子的形状、光泽、把手和背景保持原样，不要改变整体构图与光线", size="1024x1024", )Mask 编辑会在此基础上多传一个mask参数，指向准备好的黑白遮罩图。没有特殊理由时，我不会优先推荐 premi Mask，因为对话式编辑的上下文理解已经够用；只有对边界要求极高时才用 mask。
4.2 对话式编辑的提示词技巧
对话式编辑不是简单地写一句话就完事，有很多细节会影响结果。
- 先用“把……改成……”点明目标区域和修改内容，比如“把桌面上的木碗换成灰色瓷盘”。
- 第二句一定要加“保持其他区域不变、不改变整体构图、不改变光线”，这是在给模型划边界。
- 如果有多处地方要改，不要一条指令写七八个修改点，模型容易顾此失彼。分成多次小步修改，每改一步就验证一次结果。
- 用“保持原有风格”这类词锁住画面调性，尤其是对带有强风格属性的图片。
我踩过的一个坑是：有一次我想把产品图中的杯子颜色改掉，提示词里没有强调“只改杯身”，结果模型把整张图的色调都调成了同色系，背景、桌面、倒影全部变色。后来统一在提示词末尾加一句“仅修改目标物体，其他区域保持像素级不变”，大部分情况都能控制住。
4.3 Mask 编辑的做法
如果业务场景确实要求像素级边界约束，就需要准备遮罩。准备 mask 的常用方法有三种：
- 第一种，图像编辑软件手涂。适合修改区域很集中、形状不规则，但数量少的情况。设计师直接在 Photoshop 或 Krita 里用画笔涂一版黑白图，五分钟内能搞定。
- 第二种，程序化处理。适合按颜色范围提取目标区域。比如杯身是白色的，可以按颜色阈值生成 mask。用 OpenCV 实现很快：
import cv2 import numpy as np img = cv2.imread("mug.png") hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) lower = np.array([0, 0, 180]) upper = np.array([180, 50, 255]) mask = cv2.inRange(hsv, lower, upper) cv2.imwrite("mask.png", mask)注意 mask 尺寸必须和原图一致，否则接口会直接报错。程序化生成的 mask 通常会有噪声边缘，可以用cv2.morphologyEx做一次闭运算平滑一下。
- 第三种，语义分割模型生成。如果图片里目标物体轮廓复杂，比如人的头发、复杂的服装边线，手工涂太累了。用分割模型先自动识别目标区域，再转成 mask，准确率高很多。缺点是要额外部署或调用一个模型，链路会变长。
4.4 版本管理与多轮迭代
局部编辑是高度迭代的过程，版本管理特别重要。我的本地目录一般是这个结构：
originals/ product_001_base.png edited/ product_001_v1.png product_001_v2.png product_001_final.png每次编辑都另存为新文件，文件名带上版本号。如果某一步模型把不该改的地方改坏了，直接从上一版本重来，不用重新生成底图。迭代次数多了之后，这个习惯能省下大量额度和时间。
还有一个小技巧：在代码里每次请求前把原始图片和 prompt 一并存档，生成一个简单的 request_log。后面排查问题、复现效果、统计成本时，这个日志会帮上大忙。
5. 实战：商品图从生成到局部修改的完整工作流
5.1 示例需求
假设现在要给一款白色陶瓷水杯做电商主图。客户要求：暖光氛围、桌面有木碗做摆件、Logo 在杯身右侧、不要水印文字。后期还可能需要把水杯改成淡绿色，并给背景出一个不同版本。
5.2 第一步：用结构化提示词生成底图
先写提示词模板，生成 4 张底图，人工初筛：
prompt_template = ( "Product photography of a white ceramic mug with handle, " "placed on a light wooden table, warm sunrise light, blurred background, " "small wooden bowl and linen napkin as props, " "mug body pure white without pattern, no text, no watermark, " "composition centered, medium shot, natural shadow" )我用quality="medium"生成 4 张，快速挑出构图最稳、没有畸变的一版。这个阶段不需要 high 质量，因为后面还要编辑，真正交付时再重新用 high 出正式版。
5.3 第二步：局部修改杯身颜色
客户提出把杯身改成淡绿色。这时不要重新生成，直接在选定的底图上做对话式编辑：
resp = client.images.edit( model="gpt-image-2", image=open("selected_base.png", "rb"), prompt="把白色杯身改成浅绿色，颜色近似 #A5D6A7，杯子的形状、光泽、把手和倒影保持原样，背景和木碗完全不变，不要改变构图与光线", size="1024x1024", )如果模型把杯身颜色改对了，但背景也跟着泛绿，优先检查提示词里有没有写明“背景完全不变”。还不稳定的话，就改用 mask 把杯身区域圈出来再做一次。实际经验是，mask 方式的成功率更高，但多一步准备工作，看你对边界的要求有多严格。
5.4 第三步：批量变体与导出
底图确定后，可能要给客户出几个方向做 A/B 对比。比如“淡绿 / 浅蓝 / 暖白 / 暖棕”四个杯身配色。这时写一个循环脚本，逐个发送不同颜色的编辑指令。需要注意并发控制，别一次性把几十个请求同时发出去，很容易触发限流。我一般在循环里加一个小间隔，比如每批 2 个请求，间隔 1 秒。
批量脚本跑完后，把结果集中到一个目录，加上简单的文件名标识，打开给客户挑。如果要接自动化流程，这一步可以把选中的图片编码写入工单系统或素材库。
5.5 封装成可复用工作流
上面这个流程如果每次手动在 Jupyter Notebook 里跑，还是很原始。我会把它封装成一个类，比如ImageWorkflow，包含generate_base、local_edit、batch_variant三个方法，把所有提示词、尺寸、质量档位写进一个 YAML 配置文件。以后接到新需求，只改配置项就能跑完整链路。
配置文件的示例结构：
project: coffee-mug base: size: 1024x1024 quality: medium prompt_template: "..." variants: - color: mint_green color_hex: "#A5D6A7" - color: sky_blue color_hex: "#ADD8E6" edit: keep_context: "杯子的形状、光泽、把手和倒影保持原样，背景和摆件完全不变"这样做的收益是：新项目进入时，不再从零构思提示词和参数，只改产品描述、颜色清单，剩下的链路已经跑通了。不同项目之间的差异，本质上就是配置差异。
6. 常见问题与排查技巧实录
6.1 生成图总是多出畸形细节
人像手部、物体表面纹理这些区域，偶尔会出现明显畸形。我的看法是不要在生成阶段硬碰硬。可以尝试在提示词里写“自然手部结构、无多余手指”，但更好的做法是后续用局部编辑重绘问题区域，或者通过裁剪构图避开复杂细节。编辑阶段定向处理的成本比反复重新生成低得多。
6.2 局部编辑把整张图都改了
这可能是局部编辑里最常见的翻车场景。大概率原因有三个：编辑指令里没有写“其他区域不变”，修改点描述过于模糊，或者一次指令里塞了太多改动点。解决方法是把修改尽量拆细，每步只改一处，并且明确“保持整体构图、光影、色调不变”。如果还不行，就用 mask 强制框定修改范围。
6.3 调用报错怎么排查
我把常见报错整理成了一张速查表，遇到问题先对号入座：
| 报错类型 | 常见原因 | 解决思路 |
|---|---|---|
| 400 invalid_prompt | 提示词包含不支持的内容或格式异常 | 精简提示词，去掉特殊字符，检查图片格式 |
| 400 image/mask 尺寸不符 | 传入的 mask 和原图分辨率不一致 | 统一图片尺寸后重新上传 |
| 429 rate limit | 请求太频繁或配额不足 | 加指数退避重试，降低并发量，检查月度配额 |
| 500 上游服务错误 | 服务端临时故障 | 等待几秒后重试，连续失败就降级处理 |
| content_policy_violation | 生成内容触发了内容过滤策略 | 调整提示词，去除高风险内容，确保生成物符合服务条款 |
429 是我遇到最多的。批量跑作业的时候尤其容易踩到，建议在代码里写一个带重试机制的调用函数，每次请求前判断当前并发数，把请求分散到不同时间段。
6.4 同样提示词两次出图差异很大
大模型生成的随机性本身就不是 bug。如果业务要求结果一致性，一个有效方法是在生成阶段多出几张，人工选择后把选中的图作为后续所有编辑的基础。进入编辑阶段后，大部分变化都会被“保持其他区域不变”的约束锁住。如果需要更严格的一致性，可以考虑把选中的底图固定为参考模板，同一批产品都从它身上做局部衍生。
6.5 输出图文字乱码、水印洗不掉
生成模型对文字的渲染一直存在不确定性。业务里有精确文字需求的，建议别指望模型一次画对，而是先预留空白区域，交付前用编辑功能或传统图像处理工具把文字叠加上去。如果画面里有不需要的水印或杂物，优先用局部编辑的语义移除能力，比重新画一张更稳。
我在实际跑这套工作流时，最强烈的体会是：把“生成”和“编辑”拆开用，比把全部希望压在一次生成上靠谱得多。GPT Image 2 的价值不仅在于画得好看，更在于它能听懂你要改哪里，而把这层能力真正发挥出来的方式，就是把它放进一个有版本的、可回溯的工作流里。最后再分享一个省钱技巧：调试阶段始终用低质量和较小尺寸跑通链路，确认方向后再切到正式参数重新输出，这一条能帮你省掉一半以上的测试成本。保留每个请求的原始 JSON 响应也很关键，后续排查问题、复现效果、核算开销时都会非常省事。
