从扩散模型到 agent，AI 图像生成实用指南

这是我个人关于 AI 图像生成的指南。它讲模型在高层面上如何运作、有哪些类型、一点历史、你从 ChatGPT 实际能得到什么，以及如何把图像生成接进自己的代码和 agent 里。

内容来自我自己的实验，我用 Python 调用过几家图像服务商。我生成过像素风 sprite、照片级质感的牌桌背景，还有一系列餐厅海报，目标是做出看起来不像 AI 生成的那一张。文中所有图片都出自这些实验。

TLDR

• 大多数模型从噪声出发，再把它清理干净。 文本负责引导清理过程。较新的模型还会像聊天模型规划一句话那样，先规划整张图。
• 你付的是画布的钱，不是内容的钱。 一张素木桌和一幅同样尺寸、细节丰富的油画，价格一样。
• ChatGPT 是最容易上手的入口，也最难控制。 适合一次性出图和对话式修改。想要可重复的东西，就得用 API。
• 价格差距超过 100 倍。 从不到一美分到每张 15 美分以上都有。本地跑模型不花钱。最便宜的模型不一定给出最便宜的结果。
• API 会在你脚下变动。 模型退役只提前几周通知，服务商还会悄悄忽略参数。把模型名放进配置，并记录你实际拿回来的东西。
• 描述它是怎么做出来的，而不是它应该长什么样。 相机、胶片、印刷工艺和版式，比“惊艳”“超精细”这类词更管用。
• 拼写和手指已经不是破绽了。 现在的破绽是品味。光晕太多、戏剧性太强，什么都不允许朴素。
• Agent 很擅长这件事。 多模态 agent 能写 prompt、调 API、看结果、再试一次。品味还是得你来提供。
• 最好的流水线是混合的。 创意部分交给 AI。尺寸、透明度、调色板和版式这类要求精确的部分，交给普通代码。

一段简史

• 2014 - GAN。 Ian Goodfellow 的生成对抗网络让两个网络互相对抗，一个生成图像，一个识别假图。它们后来能生成以假乱真的人脸，但很难用文本控制。

• 2015 - DeepDream。 Google 的 Inceptionism 实验把图像识别反过来用。结果里满是迷幻的狗脸，因为这个网络训练所用的数据集里有大量狗。

• 2018 - AI 艺术进拍卖行。 一幅模糊的 GAN 肖像《Edmond de Belamy》在佳士得拍出 432,500 美元，是最低估价的 40 多倍。

• 2019 - 不存在的人脸。 NVIDIA 的 StyleGAN支撑起了 thispersondoesnotexist.com，每次刷新都是一张新的照片级假人脸。

• 2021 - DALL-E。 OpenAI 把文本和图像放进同一个模型。你打一句话就能得到一张图，哪怕又小又模糊。

• 2022 - 爆发之年。 DALL-E 2、Midjourney和 Stable Diffusion在几个月内相继出现。Stable Diffusion 是开源的，能在一台约 7GB 显存的游戏 PC 上运行，由此催生出一个庞大的微调与工具社区。

• 2023：照片级真实感与可读文字。 Midjourney 生成的身穿白色羽绒服的教皇骗过了大半个互联网。Ideogram 发布，它生成的文字终于能读了。SDXL 抬高了开放模型的门槛，DALL-E 3 则进入了 ChatGPT。

• 2024：Flux 与反弹。 几位前 Stable Diffusion 研究员创立 Black Forest Labs，并发布 Flux，后者成为默认的开放权重模型。与此同时，“AI 海报”成了偷工减料的代名词（详见下文）。

• 2025：原生图像模型。 OpenAI 把图像生成直接做进了 GPT-4o 本身，“吉卜力风”席卷社交媒体。Google 的 Gemini 2.5 Flash Image（绰号 Nano Banana）让对话式修图变得便宜，每张 0.039 美元。

• 2026：供给过剩与快速迭代。 OpenAI 在 API 中关停了 DALL-E。仅 OpenRouter 一家就列出了来自十几家公司的 60 多个图像模型，老模型每隔几个月就有一批退役。

六根手指与乱码文字

几年前，辨认 AI 图片最简单的办法是数手指，或者试着读背景里的招牌。这两个问题如今基本都解决了，而它们当初为什么会出问题，恰好说明了这类模型是怎么工作的。

手结构复杂、姿态灵活，在照片里还常常被遮住一部分。挡在杯子后面、插在口袋里、半截在画面之外。模型学到的是手作为一种纹理长什么样，而不是一只手有几根手指。2023 年 3 月发布的 Midjourney v5 被普遍认为是转折点。专家推测原因在于训练数据经过更好的筛选、手的图片更清晰，再加上模型更大、分辨率更高。它并不完美。背景里的人有一阵子还是长着外星人的解剖结构。

文字的成因更具体。大多数模型读取你的提示词时，会经过一个 tokeniser，它把提示词切成词块，而不是切成字母。模型从来看不到 “chocolate” 是由 c-h-o-c-o-l-a-t-e 拼出来的，所以它没法一个字母一个字母地画出来。2022 年的论文 Character-Aware Models Improve Visual Text Rendering 表明，让模型接触到单个字符就能解决大部分问题。Ideogram 的团队里有前 Google Imagen 的研究人员，它在 2023 年把文字渲染做成了卖点。到 2025 年，OpenAI 和 Google 的多模态模型对语言的理解不输任何聊天机器人，可读的文字已经成了常态。

修复是分阶段到来的，而在这中间，老问题漏进了现实世界。2024 年 2 月格拉斯哥的 Willy's Chocolate Experience 在其 AI 生成的海报上承诺“a pasadise of sweet teats”。长文本至今也没有完全解决。2025 年 12 月，Nano Banana Pro 在一张整体不错的信息图上把 “Lived experience” 变成了 Liver experience。

工作原理

用好这些模型不需要懂数学。但你得对背后发生了什么有个大致的印象，因为大多数意外都能由此解释。

扩散模型

大多数图像模型都是扩散模型。训练时，它们学习从图像中去掉噪声。拿一张照片，加上一点雪花点，教模型预测干净版本长什么样。在每个噪声水平上重复几十亿次。

要生成图像，则反过来跑：从纯静态噪声出发，在若干步中逐步去掉一点噪声。文本编码器把你的提示词变成数字，用这些数字引导每一步走向与提示词相符的图像。

有两个细节在实际使用中很关键。

• 它们工作在压缩空间里。 Latent diffusion 是 Stable Diffusion 背后的方法，它在一张内部画布上作画，每边比最终图像小约 8 倍，然后再解码。这就是为什么你不能要求生成 32 x 32 的图像，内部画布只有 4 x 4。
• 步数要花时间。 步数越多越慢，通常也越好，但只到某个程度为止。Flux Schnell、SDXL Turbo 这类“蒸馏”模型经过训练，用 4 步而不是 30 步就能得到不错的图像。

多模态模型

较新的做法是把图像生成放进一个同时懂语言的模型里。因为读提示词和画图的是同一个模型，这类模型在遵循指令、渲染文字、编辑你给的图像方面要好得多。GPT Image、Gemini 的图像模型和 Meta 的 Muse 都是这样工作的。有些模型在动笔之前会先推理布局，当提示词涉及东西放在哪里时，差别很明显。

多模态模型底层是扩散模型吗？

常常部分是，而且界限比宣传里说的更模糊。

OpenAI 关于 GPT-4o 图像生成的发布文章暗示了一种混合架构：语言模型像写句子一样，把图像规划成 token 序列，再由扩散式的解码器画出最终像素。Google 没有公开 Gemini 图像模型的工作方式。反方向看，Flux 这类现代“扩散”模型使用 transformer 块同时处理文本和图像，而这和聊天模型用的是同一种构件。

所以有用的区分不在数学上，而在图像模型对语言的理解有多深。指令遵循、可读的文字和编辑能力，都来自这一点。

对比

	扩散模型（Flux、SDXL、Imagen）	多模态模型（GPT Image、Gemini、Muse）
成本由什么决定	分辨率和步数	图像 token，通常按尺寸和质量档位固定
优势	便宜、快、可本地运行、种子能带来可重复的结果	遵循指令、渲染文字、能基于参考图编辑
劣势	对提示词的理解更字面	往往无法控制种子，输出尺寸固定
开放权重？	常常有	很少有

种子

扩散模型起始所用的随机噪声由种子决定。相同的种子、相同的提示词和相同的模型会生成相同的图像，这正是批量生成可以复现的原因。许多托管模型会忽略或拒绝种子，因此在依赖种子构建任何东西之前，先确认它是否支持。

图像生成的类型

“图像生成”涵盖好几种不同的任务。多数服务商只支持其中一部分，而非全部。

类型	作用	示例用途	在哪里尝试
文生图	提示词变成图片	概念图、背景、占位图	OpenAI 图像指南
图像编辑	在已有图像上“把杯子改成蓝色”	在原有设计上迭代，不必从头再来	Gemini 图像文档
参考图像	保持角色、产品或风格一致	同一个骑士的八种姿势	Gemini 图像文档
局部重绘	重新生成一块被遮罩的区域	去掉一个物体、修复一只手	Diffusers 局部重绘指南
扩图	把图像向边界之外延伸	把方图变成横幅	ComfyUI 局部重绘与扩图示例
结构控制	按草图、姿势或深度图生成	精确匹配布局	ControlNet 和 Diffusers ControlNet 指南
微调（LoRA）	让开源模型学会新风格或新主体	统一的品牌风格或产品	Diffusers LoRA 训练
放大	在更高分辨率下补充细节	从廉价批量结果里挑出好的再精修	Real-ESRGAN
去背景	把主体抠出来	透明精灵图和产品图	rembg
文生矢量图	输出 SVG 而非像素	图标和 logo	Recraft

可平铺纹理值得单独一提。普通模型无法稳定生成无缝平铺的贴图，你需要专门为此训练的模型或 LoRA，或者工具里的平铺选项。

使用方式

途径	示例	适合	注意事项
聊天应用	ChatGPT、Gemini	一次性出图、快速修改	控制力弱，有使用限额
创意工具	Midjourney、Adobe Firefly、Canva	设计师、成品级效果	需要订阅，难以自动化
直接调用 API	OpenAI、Google Gemini 和 Vertex AI	生产代码	每个 API 都不一样
聚合平台	OpenRouter、Replicate、fal.ai	用一个密钥试多种模型	部分平台有加价，模型会上下架
本地运行	用 mflux 或 ComfyUI 跑 Flux 或 SDXL	免费批量生成、完全掌控	需要一块像样的 GPU 或 Apple Silicon，速度较慢

我做实验时刻意避开了订阅制，全部按张付费，走 API，或者在本地跑。

ChatGPT 能提供什么

大多数人第一次接触 AI 图像，都是在 ChatGPT 里敲一句需求。你实际拿到的是什么，值得先弄清楚。

ChatGPT 用的是 OpenAI 自家的 GPT Image 模型，从 2025 年 3 月起就内置在对话里了。

DALL-E 还在吗？ 基本不在了。从 2023 年 10 月到 2025 年 3 月切换到 GPT-4o 图像生成之前，DALL-E 3 一直是 ChatGPT 的图像生成器。之后 OpenAI 于 2026 年 5 月 12 日把 DALL-E 2 和 3 从 API 中移除。这个名字如今主要作为 AI 图像的泛称继续存在。

它擅长什么

• 对话式修改。 你说“光再暖一点”或者“把杯子往左挪”，它就直接改，而不是从头重画。
• 遵循指令。 在版式、数量、具体细节上，它比早期的扩散模型处理得更好。
• 文字。 招牌、海报、标签上的字通常拼写正确。
• 参考图。 上传一张照片或草图，它会照着做。

它不擅长什么

• 控制。 只有几种宽高比可选，没有 seed，也没法批量跑。你没法要求正好 1024 x 512。
• 速度。 每张图从几秒到一分多钟不等，而且有使用额度限制，免费版尤其明显。
• 统一风格。 放任不管的话，它会滑向一种很好认的观感。2025 年那版模型以偏暖黄的色调著称，被戏称为“尿黄滤镜”。与其交给默认值，不如把想要的光线和色彩写清楚。
• 内容规则。 有些请求会被拒绝，比如某些语境下的真实公众人物，或者对受版权保护角色的高度还原。

溯源。 据 OpenAI 的帮助中心说明，它会给图像同时加上 C2PA 元数据和 SynthID 水印。Google 则给 Gemini 生成的图像加上 SynthID。元数据很容易被抹掉。水印经过截图后存活得更好一些，但如果你想证明一张图是不是 AI 生成的，这两样都靠不住。

ChatGPT 还是 API？ 同一系列模型都可以通过 OpenAI 的 API 调用，按图片计费。API 提供固定列表中的尺寸、质量档位，可从代码批量调用，部分模型还支持透明背景。如果你需要的不只是几张图，或者要反复生成同一类图片，就用 API。Gemini 应用和 Gemini API 也是同样的道理。

成本

你为画布付费

我找到的最好用的心智模型，是一个只买得起大画布的画家：按画布收费，每一平方英寸都同样用心。一片纯蓝的天空和一张脸，花的功夫一样多。

• 简单的图不会更便宜。 模型在整张图上做的工作量是一样的。
• 你没法生成小图。 模型在 512 到 1600 像素左右效果最好。要一张 32 x 32 的精灵图，你得先生成大图，再自己缩小。
• 要求更小的尺寸往往没用。 我要 512 x 512，Gemini 2.5 Flash Image 返回的是 1024 x 1024，价格一样。

四种计费方式

计费方式	例子	做小一点有用吗？
按张一口价	Gemini 2.5 Flash Image、Recraft	没用
按张计费，按尺寸和质量分档	较新的 Gemini 模型、OpenAI GPT Image	有一点。最小档对多数需求来说仍是大画布
按百万像素或 GPU 秒计费	Replicate、fal.ai、OpenRouter 上的大多数模型	有用
自己的电费	本地跑 Flux	有用，省下的是速度

2026 年 10 月的行情

选项	每张图大致成本	适合
本地 Flux Schnell	$0，外加你的时间	反复调提示词、大批量生成
Replicate 或 fal.ai 上的 Flux Schnell	约 $0.003	便宜的云端批量生成
Recraft V4.1 Flash（OpenRouter）	约 $0.007	快速、便宜的插画
FLUX 3 Image Klein（OpenRouter）	约 $0.009	便宜的写实风格
Meta Muse Image（OpenRouter）	约 $0.01	遵循版式指令
OpenAI GPT Image 1.5	$0.009low,$0.034（medium）、$0.133（high）	OpenAI 的质量档位
Gemini 2.5 Flash Image	约 $0.039，走 Batch API 减半	修图和角色一致性
Nano Banana 2（Gemini 3.1 Flash Image）	1K 下约 $0.045at0.5K,$0.067	更新更好，但更贵
Nano Banana Pro（Gemini 3 Pro Image）	约 $0.134 起	最终成品、主视觉级质量

较新的旗舰模型每张图更贵，而不是更便宜。便宜的一端是开放权重模型，以及“flash”“mini”“lite”这些档位。OpenRouter 的模型列表是比对当前价格最方便的地方。

每张可用图的成本

单看每张图的价格会误导人。

cost per usable image = (price per image x attempts needed) + your time

一个免费本地模型要试十次才成，可能还不如一个 $0.039、一次就对的模型。在我的实验里，贵出十分之一美分的模型省下了好几次重试。

有效的提示词写法

描述相机，而不是画面

我想给一款游戏做牌桌背景。这意味着要从正上方俯视一张桌子，边缘摆几样道具，中间留空放牌。

只写“从正上方俯视”不够。模型是从照片里学的，而大多数桌子的照片都是斜着拍的。我最初的几次尝试，出来的都是一张漂亮的桌子照片，背后有墙有窗，道具全挤在一侧。

两处改动解决了大部分问题。

1. 描述相机。“正交平铺俯拍。相机垂直向下对准桌面，没有透视，没有地平线。桌面铺满整个画面，从一边到另一边。看不到墙、窗、地板或桌沿。”
2. 写清楚东西放在哪。“把这些道具分散在四条边上（上、下、左、右），不要挤在一侧或堆在角落。每样道具都要小，并且被画面边缘切掉一部分。”

下面是同一个提示词，改成松木厨房餐桌，两处改动都加上，分别在两个不同的模型上跑。

现在两者都是俯视构图。Flux 让道具保持完整，把它们推向四角。Muse 是一个先规划再作画的多模态模型，它把每件物品放在一条边上，逐一裁切，中间留空。

营销是 AI 图像挨批评最多的地方

海报、传单和信息图是 AI 图像最常见的用途之一，也是最容易显得廉价的地方。

• 胡言乱语。 Willy’s Chocolate Experience 的海报上写着“catgacating”和“exarserdray”。活动本身与图片相差太远，以至于有人报了警。
• 品味不佳。 A24 为 Civil War 制作的 AI 生成海报在 2024 年 4 月招致批评。海报呈现了电影里没有的场景，还有明显错误，比如一座芝加哥地标被以错误的角度重建。很多愤怒针对的是制片厂用 AI 而不肯花钱请艺术家。
• 事实出错。 Karen Spinner 的把一篇研究论文做成信息图的实验是个很好的例子，所有提示词和原始材料都公开了。结果“基本可用”，但试了六次才做到。过程中模型拼错单词、无视关于留白的指令，还把所有能填的空隙都填满。她的建议是文案写短，并且全部校对。

做一张不像 AI 生成的海报

于是我给自己出了个难题：能不能做出一张餐厅海报，让人不会一眼就看出是 AI？

第一次尝试是一张丝网印刷风格的小餐馆海报。我没有描述外观，而是描述了一个真实的印刷工艺：无涂布纸上印三种平涂专色，轻微套印不准，是扫描件而非照片，构图偏心，并点名一个设计传统。

墨迹的质感很有说服力。底部那行字看着像干净的数字字体，但折痕可能有点过了。

更难的一次测试是一张 90 年代汉堡海报，上面的食物看起来很真实。AI 生成的食物往往过于完美、过于油亮、过于英雄主义。我要求的是 1996 年中画幅胶片摄影，以及刻意不完美的食物，比如歪掉的汉堡面包和颜色发白的冬季番茄。

第一版的食物照片拍得不错，但整体像蒙了一层“复古”滤镜，配上漫画字体和做旧的磨损感。真正的 1996 年海报应该是干净、企业化的。

于是我把它做无聊了。一张纯净的扫描件，纯红背景加早期 Photoshop 的渐变，抠图产品照配一道均匀得有点过头的投影，再加上朴素的粗斜体字。我甚至要求它看起来“专业而略显平庸”。这一版扫一眼能过关。它算不上 1996 年，因为那杯奶昔是 2010 年代才有的拱盖杯。

为了平衡，我又要了能想到的最糟版本。Unreal Engine、体积神光、悬浮食材，还有一片星系。它交出了十几个没有底面包的肉饼、一杯没有杯子的奶昔，以及从太空倾泻而下的薯条。和两年前的 AI 海报不同，如今拼写是对的。现在露馅的不是拼写，而是每个元素都拉到了满格。

提示词经验法则

• 描述它是怎么做出来的。 机位、镜头、胶片、布光、印刷工艺和扫描方式，都能给模型具体的约束。
• 去掉吹捧词。 “stunning”“hyper-detailed”“8K”只会把模型直接推向 AI 味。
• 对构图直说。 讲清楚什么占满画面、什么可见、每个元素放在哪里。
• 真正的设计是克制的。 要求“略显平庸”比堆再多细节都管用。
• 文字要短、要准。 用引号括起来，加上“每个词都严格按所写拼写”，然后校对结果。
• 点明年代细节。 不点名旧物件，模型就会往现代的东西上漂。
• 生成两三个。 同一提示词的变体往往差别很大，而一张只要一分钱，比改提示词便宜。
• 批量任务锁定模板。 同一类素材用相同的风格后缀和种子，整批才不会跑偏。

像素画

像素画和游戏精灵图看起来是图像模型最容易干的活。尺寸小、结构简单、颜色少。结果它们恰恰是绝佳的例子，说明 AI 图像生成比你以为的要难。

像素画是一种风格，不是一种格式

用 Gemini 2.5 Flash Image 生成一个像素画骑士花了 7.5 秒，成本约 $0.039。画面干净，复古感到位。

但这只是一张 1024 x 1024 的精灵图图片，并不是精灵图本身。“像素”大小参差不齐，没有落在真正的网格上，用的颜色也远多于真实调色板。“纯色”洋红背景其实是深浅不一的粉色。要让它真正可用，我还得用普通代码去掉背景、用最近邻缩放把它对齐到网格，并缩减调色板。

一张画布放多个精灵

如果按画布计费，而一个精灵只占画布的一小部分，最直接的做法就是让模型在一张图里画多个精灵。这样更便宜，也更一致，因为模型一次性画完所有内容，调色板和光照都相同。

对于一组不同的物体，这招效果极好。我要 100 个奇幻物品栏图标，结果拿到 156 个，其中约 140 个各不相同，平均每个图标 $0.039call.That\text{’}sabout$0.00025。之后用普通代码按形状把它们切出来，去掉背景，再重新排到干净的网格上。

同一个角色画很多姿势，很快就会崩。4 x 4 的网格大概能给我 13 个不同的骑士姿势。要 10 x 10，结果同一个骑士被复制粘贴了 120 次。

以下是我从七次调用、大约 0.27 美元里学到的东西。

• 最合适的量是物体组图约 10 x 10、角色姿势约 4 x 4。 要得更多，多样性和质量都会下降。
• 网格由模型决定，不是你。 我要 8 x 8，拿到的是 6 x 6。永远不要按固定网格切图，按形状去找精灵。
• 所有东西要一起缩放。 如果把每个精灵单独缩放到填满自己的格子，角色就会在动画帧之间忽大忽小。

正经做像素画

我做的只是用通用模型跑的一个基础实验。如果你需要像素画（一种非常特定的图像生成），有更好的路子。

PixelLab 是给游戏开发者做的。它按精灵的实际尺寸绘制真正的精灵，而不是画一张看起来像像素画的大图。调色板、描边、镜头角度和透明度都是设置项，不用写进提示词，它还能给角色做动画和旋转。它是订阅制，所以我这里没用。Retro Diffusion 是类似的商业选项。

想自己动手，可以用针对像素画训练的模型插件，比如 Pixel Art XL，再把结果缩到干净的网格上，在代码里修正调色板。PixelOE 也能不用 AI 把任意图片转成像素画。这对静态图片效果不错。动画的一致性上，商业工具仍然领先。

分界线在哪

矢量图是另一种看起来比实际简单的格式。LLM 能廉价地写出 SVG 代码，但角色出来很粗糙，因为它在描述一张自己看不见的图。像 Recraft 这样的专用文生矢量模型效果好得多，但比位图贵。

像素画给出的普遍结论是：AI 擅长回答“这应该长什么样”，不擅长“把恰好这个东西放进恰好这个格子”。关键不在于输出看起来多简单，而在于难的那部分是创意还是结构。创意交给模型，结构交给代码。

把图像生成接进编码项目

给每个提供商套一层薄接口

每家 API 都不一样。OpenAI 有独立的 images 端点。Gemini 把图片放在聊天式的响应里返回。OpenRouter 按模型分两个端点。本地 Flux 则是一个 Python 库或命令行工具。把这些统统藏在一个函数后面，换提供商就只是改配置。

from dataclasses import dataclass, field
from typing import Protocol

from PIL import Image

@dataclass
class GenerationResult:
    image: Image.Image
    provider: str
    model: str
    prompt: str
    seed: int | None = None
    cost_usd: float | None = None
    metadata: dict = field(default_factory=dict)

class ImageProvider(Protocol):
    def generate(self, prompt: str, *, width: int, height: int, seed: int | None = None) -> GenerationResult: ...

每个提供商的怪癖都关在各自的模块里。Base64 解码、奇怪的参数名、备用端点，这些都不该出现在你的应用代码里。

做好随时变天的准备

下面这些事，几个月内全让我碰上了。

• 模型会消失。 我打算用的 Flux 2 模型，在规划和动手之间就从 OpenRouter 上没了。Imagen 4 在 Gemini API 上被关停。Gemini 2.5 Flash Image 和 gpt-image-1 都定了退役日期，有的只提前几周通知。Gemini 弃用页面值得加进书签。
• 端点会变。 OpenRouter 把专用图像模型挪到了单独的 /api/v1/images 端点，按老方式调用直接返回 404。我的代码现在先试一个，不行再退到另一个。
• 参数会被忽略或被拒。 Gemini 无视 size 和 seed。OpenAI 会把你给的尺寸吸附到几个固定值里最近的一个。FLUX 3 Klein 直接拒绝 seed。我要 1024 x 1024，Muse 返回了 1600 x 1600。

所以，提供商和模型放进配置，永远不要写死在代码里。拿到结果后检查尺寸和格式，别信你请求时填的值。给每个提供商跑一个定时冒烟测试，这样退役消息你会比用户先知道。

全都记下来

每张图都记下 prompt、模型、参数、输出尺寸、耗时和费用。费用上报各家口径不一。OpenRouter 返回计费金额。OpenAI 和 Gemini 只给 token 数，账自己算。有的什么都不返回。不自己记日志，你只能从月度账单上知道自己花了多少。

把 prompt 和参数跟每张图存在一起，几个月后你还能复现或微调一个好结果。

把生成当成一个慢且会失败的作业

• 速度慢。 从几秒到一分钟不等。不要放在 Web 请求里执行，交给任务队列，完成后通知用户。
• 会失败。 超时、限流、内容拒绝，偶尔还有空响应。用退避策略重试，但内容拒绝应当视为最终结果，不要拿同一个 prompt 反复重试。
• 每次调用都要花钱。 按 prompt 和参数的哈希缓存结果。凡是允许用户触发生成的入口，都要加上按用户计的限制。

精确的部分交给代码

模型只负责创意部分。抠图（rembg）、缩放、减色、裁剪、合成文字、打包 sprite sheet，这些在 Python 里都是免费、快速且确定性的。多数模型生成不出真正的透明背景，所以在纯色背景上生成，再抠掉。OpenAI 的部分 GPT Image 模型是例外，提供了透明背景选项。

如果图片里需要精确的文字，比如价格或日期，可以考虑生成不带文字的图，再用代码把文字加上去。这是保证拼写正确的唯一办法。

不花钱也能测

单元测试里用一个返回固定图片的假 provider。真实 API 调用只留给少量冒烟测试。开发时用便宜的模型，生产配置里再换成更好的。

与 agent 集成

图像生成和 AI agent 配合得很好。多模态 agent 可以写出详细的 prompt、调用模型、查看结果、给出批评、再试一次。这个循环过去需要人来完成。

Claude 不生成图像

如果你在用 Claude Code，要记住它内置的模型不会生成照片、绘画这类位图。Anthropic 的帮助中心写得很清楚。Claude 能查看和分析图像，也能用 SVG、HTML 这类代码画示意图、图表和交互式可视化。

它的模型面向文本、代码和 agent。图像生成周边的环节，比如写详细的 prompt、判断结果是否符合要求，Claude 都很擅长。你通过工具把它接到专门的图像模型上，让各自做擅长的事。

三种接入方式

1. 命令行工具。 最简单的做法。如果你的 agent 能执行 shell 命令，给它一个像 python -m image_gen generate --model meta/muse-image --prompt "..." 这样的脚本，告诉它输出写到哪里就行。我就是这么做的。
2. MCP server。 Model Context Protocol 可以把图像生成作为一个工具暴露给任何兼容 MCP 的 agent，比如 Claude Code、Claude Desktop 或 Cursor。agent 看到的是一个带描述的类型化工具，不用去学你的脚本怎么用。
3. 在自己的 agent 里做 function calling。 如果你自己写 agent，在调用 LLM API 时定义一个 generate_image 工具，模型请求时再执行生成。

一个最小的 Python MCP server 大致长这样。

from mcp.server.fastmcp import FastMCP, Image

from image_gen.config import get_provider

mcp = FastMCP("image-gen")

@mcp.tool()
def generate_image(prompt: str, width: int = 1024, height: int = 1024) -> Image:
    """Generate an image from a detailed prompt. Costs about $0.01 per call."""
    result = get_provider("openrouter", model="meta/muse-image").generate(prompt, width=width, height=height)
    path = save_with_metadata(result)  # your own logging and storage
    return Image(path=path)

if __name__ == "__main__":
    mcp.run()

返回图像本身而不只是文件路径，agent 才能看到自己生成了什么。

本指南中的实验是怎么跑的

本指南里的每一张图都是这么做的：用 Claude Code 当 agent，配一个小 Python 脚本调用各家服务商。我用大白话描述想要什么。Claude 负责写出详细的 prompt，从 OpenRouter 的价格表里挑模型，运行脚本，逐张打开图片，然后如实告诉我哪里不对。中途 OpenRouter 改了 API，它自己发现了报错，改好代码继续跑。

agent 驱动生成的几点建议

• 让 agent 来写 prompt。 LLM 很擅长把“一张不像 AI 做的 90 年代汉堡海报”变成详细、结构化的 prompt。本指南里的海报 prompt 都是这么写出来的。
• 确保它能看见输出。 价值就在点评这一步。看不见图片的 agent，只是调用 API 的一种慢办法。
• 把成本写进工具描述。 agent 知道一次调用花一美分还是十五美分，决策会更好。
• 设个预算。 反复尝试改进一张图的循环能把账单堆起来。限制调用次数或每个会话的花费。
• 要求它如实批评。 让 agent 列出每张图的问题，而不只是说做完了没有。我那张 1996 年海报里的 2010 年代奶昔杯，就是 agent 发现的。
• 品味的事留给人。 agent 擅长对照 brief 检查图片。brief 本身定得对不对，仍然是你的事。

术语表

另见 AI 术语表。

• Diffusion（扩散） - 从随机噪声出发，在提示词引导下逐步去噪，最终生成图像。
• Latent（潜空间） - 扩散模型实际工作的压缩内部画布。小尺寸输出行不通，原因就在这里。
• Steps（步数） - 扩散模型执行去噪的轮数。步数越多越慢，通常也越好，但有上限。
• Distilled model（蒸馏模型） - 经过训练、能在少量步数内产出良好结果的模型，例如 Flux Schnell 或 SDXL Turbo。
• Seed（种子） - 随机的起点。在支持的情况下，相同的种子、提示词和模型会得到相同的图像。
• Tokeniser（分词器） - 模型中负责把文本切分成片段的部分。老模型拼不对单词，原因就在这里。
• Tokens（token） - 多模态模型计量输出的单位。对图像而言，每个尺寸和画质对应固定数量。
• Open weights（开放权重） - 可以自行下载并运行的模型，例如 Flux 或 SDXL。
• LoRA - 一种小型附加组件，无需重新训练就能让开放模型学会新的风格或主体。
• ControlNet - 让扩散模型遵循草图、姿态或深度图的一种方式。
• Inpainting（局部重绘） - 只重新生成图像中被遮罩的部分。
• C2PA - 一种元数据标准，记录图像的生成方式，包括是否有 AI 参与。
• SynthID - Google 为 AI 生成内容添加的隐形水印。
• MCP - Model Context Protocol，让 AI agent 访问工具的标准方式。
• Nearest-neighbour（最近邻） - 直接复制像素而非混合像素的缩放方法。像素画必备。
• Orthographic（正交） - 没有透视的视图。俯拍镜头常用的提示词用语。

资源

• OpenRouter 图像模型 - 比较价格，用一个 API key 试用几十个模型
• OpenAI 图像生成指南 - GPT Image API
• Gemini 图像生成文档 - Nano Banana 及其同类
• Gemini API 弃用公告 - 基于 Gemini 模型开发前值得先查一下
• mflux - 在 Apple Silicon 上本地运行 Flux
• ComfyUI - 基于节点的本地工作流，支持 ControlNet 和 LoRA
• Hugging Face Diffusers - 大多数开放模型工具背后的 Python 库
• rembg - 用 Python 去除背景
• Replicate 和 fal.ai - 适合大批量任务的廉价托管开放权重模型
• Model Context Protocol - 把图像生成能力开放给 agent
• C2PA - 内容来源标准
• 为什么 AI 图像生成器总是写不对文字 - 一篇讲拼写问题的通俗解读

另见 AI Agents、AI Assisted Coding 和 Machine Learning Models。