{"slug":"batch-image","title":"batch-image","summary":"多商品批量生图流水线。商品清单 CSV → 整批统一视觉的商拍图，带并发、重试、断点续跑、成本熔断与挑图联系表。当用户说「批量生图」「一批商品」「跑整个 SKU 表」「几百个商品出图」时使用。","platform":"Claude","tags":[],"authorName":"LLM Mart","authorSlug":"llm-mart","score":0,"source":"github","price":null,"verified":false,"createdAt":"2026-09-28T16:27:18.929126Z","repo":{"url":"https://github.com/dlazy-ai/ecommerce-skills","stars":21,"forks":3,"license":"MIT","updatedAt":"2026-09-28T02:49:10Z"},"bodyHtml":"
\n

name: batch-image\ndescription: 多商品批量生图流水线。商品清单 CSV → 整批统一视觉的商拍图，带并发、重试、断点续跑、成本熔断与挑图联系表。当用户说「批量生图」「一批商品」「跑整个 SKU 表」「几百个商品出图」时使用。

\n

batch-image — 多商品批量生图

\n

把单张生图变成流水线：一份商品清单 → 一整套风格统一的商拍图。

\n

批量的难点不是「跑很多次」，而是跑出来的图要像一套。本技能的核心是规范段与变量段分离：视觉规范逐字不变，只有商品描述随 SKU 变化。

\n
\n

生成效果示例

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
输入：商品清单（2 个 SKU）
SKU001 军绿色麻花针织圆领毛衣，落肩宽松版型
SKU002 黑色亮面皮革布洛克德比鞋，厚底系带
\n

实际执行的命令（循环体，两个 SKU 只有 DESC 与 --images 不同，规范段逐字相同）：

\n
for sku in a-sweater b-shoes; do\n  case $sku in\n    a-sweater) DESC='军绿色麻花针织圆领毛衣，落肩宽松版型' ;;\n    b-shoes)   DESC='黑色亮面皮革布洛克德比鞋，厚底系带' ;;\n  esac\n  dlazy seedream-5.0 \\\n    --prompt \"电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。\" \\\n    --images docs/batch-image/sku-${sku}.jpg --size 1:1 --resolution 2k \\\n    --save docs/batch-image/example-output-${sku}.jpg\ndone\n
\n

输出：同一套视觉规范下的两个 SKU

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
SKU001SKU002
1:1 / 2K，5 credits1:1 / 2K，5 credits
\n

两张的背景色、光位、视角与投影方向一致——因为规范段逐字相同；商品各自保真。100 个 SKU 就是这个循环跑 100 次，总价约 500 credits。

\n
\n

1、能力边界

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
能力说明
批量规模一批最多 100 个商品（对应企业功能的规格）
成本优势批量场景下单图算力成本可降至约 7 折
协作多人在线协作、出片进度实时追踪
资产共享共享模特 / 参考图 / 作品 / 算力点
本技能落地清单驱动循环 + 并发控制 + 失败重试 + 按 SKU 归档 + 汇总报告
\n

不做：不在同一批里混用不同视觉规范（那不是一批）；不跳过抽样质检直接全量上架；不因为批量就放宽商品保真要求。

\n
\n

2、输入素材规则

\n

生成前先自检这几条硬性约束：

\n\n

商品清单（manifest） 是批量的输入，建议 CSV：

\n
sku,image,desc\nSKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型\nSKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带\n
\n

每张商品图仍要满足单图规则：20KB~15MB、>400×400、jpg/jpeg/png/webp。

\n

批量前必做的事

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
步骤说明
✅ 先跑通 1 个 SKU单个跑不对，跑 100 个只是错 100 次
✅ 再抽样 5 个 SKU覆盖品类/颜色/深浅色的边界情况
✅ 确认成本--dry-run 单价 × SKU 数 × batch 数
❌ 直接全量最容易烧算力的做法
\n
\n

3、规范段 / 变量段分离

\n

这是批量出统一视觉的唯一方法：

\n
prompt = [规范段：整批逐字不变]  +  [变量段：每个 SKU 不同]\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
段内容是否变
规范段背景、光位、机位、构图留白、投影、色调、输出风格、no text, no watermark整批逐字不变
变量段商品品类 + 颜色 + 材质 + 关键结构特征每个 SKU 不同
\n

写成 shell：

\n
SPEC='放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。'\n\nwhile IFS=, read -r SKU IMG DESC; do\n  dlazy seedream-5.0 \\\n    --prompt \"电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}\" \\\n    --images \"$IMG\" --size 1:1 --resolution 2k \\\n    --save \"docs/batch-image/out/${SKU}.jpg\"\ndone < manifest.csv\n
\n

规范段一旦改动就必须整批重跑——否则同一批里会出现两种视觉。

\n
\n

4、并发、重试与进度

\n

并发：dlazy 是单次调用一个任务，批量靠 shell 并发。控制在 4~6 路，太高容易触发限流。

\n
run_one() { ... }               # 单个 SKU 的生成逻辑\nexport -f run_one\nxargs -P 5 -I{} bash -c 'run_one {}' < sku-list.txt     # 5 路并发\n
\n

重试：网络与服务端偶发失败很正常，包一层重试。

\n
for attempt in 1 2 3; do\n  dlazy ... && break\n  echo \"retry $attempt for $SKU\" >&2; sleep $((attempt * 10))\ndone\n
\n

异步模式：SKU 很多时用 --no-wait 先把任务全部提交，拿到 generateId 后再统一轮询，避免长时间占着进程。

\n
GID=$(dlazy seedream-5.0 --no-wait ... | python3 -c 'import sys,json;print(json.load(sys.stdin)[\"result\"][\"task\"][\"generateId\"])')\necho \"$SKU,$GID\" >> tasks.csv\n# 稍后统一收结果\nwhile IFS=, read -r SKU GID; do dlazy status \"$GID\" --wait; done < tasks.csv\n
\n

进度与汇总：每个 SKU 记一行状态，跑完输出报告。

\n
echo \"$SKU,$(test -f out/$SKU.jpg && echo ok || echo fail)\" >> report.csv\nawk -F, '{c[$2]++} END{for(k in c) print k, c[k]}' report.csv\n
\n
\n

5、工具调用

\n

本技能使用 dLazy 的 seedream-5.0（批量场景的关键指标是单图成本与参考图支持：本模型单张约 5 credits、支持最多 10 张参考图、支持 2K/3K/4K；100 个 SKU 的成本量级从数百降到数十。对商品保真要求极高的批次改用 gpt-image-2）。

\n

调用方式

\n

两种等价写法，选一种。统一入口会自动选后端、失败重试、建目录落盘、估算成本：

\n
# A. 统一入口（推荐）：可切任意后端，加 --dry-run 不计费空跑\nnode scripts/gen.mjs --task batch-image \\\n  --prompt '<见下方 Prompt 模板>' \\\n  --images <按下表顺序> \\\n  --save output/batch-image-<sku>.jpg\n\n# B. 直接用 dLazy CLI（不想引入 Node 依赖时，效果等价）\ndlazy seedream-5.0 --prompt '...' --images ... --save output/batch-image.jpg\n
\n

参数约定（本技能固定用法）

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
参数取值理由
--images[该 SKU 的商品图]（+ 整批共用的参考图 / 模特图）共用素材放在固定位置，prompt 里用固定图号引用
--size整批统一（1:1 主图 / 3:4 竖版）不统一就不是一套
--resolution2k上架足够；4K 只给需要印刷的批次
--batch1（批量场景靠 SKU 数量，不靠 batch）batch 会让成本翻倍
--no-waitSKU 很多时开启先提交后轮询，避免长时间阻塞
--savedocs/batch-image/out/<SKU>.jpg用 SKU 命名，便于回填到商品库
\n
\n

模型切换：seedream-5.0 便宜、适合氛围与场景图；对商品保真要求极高（图案位置、五金细节）的批次换 gpt-image-2，成本约 6 倍。同一批内不要混用两个模型。

\n
\n

Command Examples

\n
# basic call: 单个 SKU（先跑通这个，再谈批量）\ndlazy seedream-5.0 \\\n  --prompt '电商商拍图。图1 是商品：军绿色麻花针织圆领毛衣，落肩宽松版型。商品的颜色、材质纹理、款式细节必须与图1完全一致。放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影。真实商业产品摄影，无文字无水印。' \\\n  --images docs/batch-image/sku-a-sweater.jpg --size 1:1 --resolution 2k\n\n# complex call: 完整流水线（清单驱动 + 5 路并发 + 3 次重试 + 汇总报告）\ncat > manifest.csv <<'CSV'\nSKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型\nSKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带\nCSV\n\nSPEC='放置在同一套统一视觉里：纯米白色摄影棚背景，柔和顶光加左侧补光，45 度视角，画面下方留出统一的商品投影，构图与留白在整组图中保持一致。真实商业产品摄影，无文字无水印。'\nmkdir -p docs/batch-image/out\n\nrun_one() {\n  IFS=, read -r SKU IMG DESC <<< \"$1\"\n  for attempt in 1 2 3; do\n    dlazy seedream-5.0 \\\n      --prompt \"电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}\" \\\n      --images \"$IMG\" --size 1:1 --resolution 2k \\\n      --save \"docs/batch-image/out/${SKU}.jpg\" >/dev/null 2>&1 && break\n    sleep $((attempt * 10))\n  done\n  if [ -f \"docs/batch-image/out/${SKU}.jpg\" ]; then echo \"${SKU},ok\"; else echo \"${SKU},fail\"; fi\n}\nexport -f run_one; export SPEC\n\nxargs -P 5 -I{} bash -c 'run_one \"{}\"' < manifest.csv | tee docs/batch-image/report.csv\nawk -F, '{c[$2]++} END{printf \"\\n=== 汇总 ===\\n\"; for(k in c) printf \"%s: %d\\n\", k, c[k]}' docs/batch-image/report.csv\n\n# 先估价：单价 × SKU 数\ndlazy seedream-5.0 --dry-run --prompt '...' --images a.jpg --size 1:1 | grep estimatedCost\necho \"SKU 数：$(wc -l < manifest.csv)\"\n\n
\n

延伸阅读

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
要查什么去哪
认证、多后端配置、输出结构、错误码references/provider-cli.md
seedream-5.0 的全部可用参数references/model-flags.md
统一入口的全部选项node scripts/gen.mjs --help
\n

6、Prompt 模板

\n
【变量段 · 每个 SKU 不同】\n电商商拍图。图1 是商品：[品类 + 颜色 + 材质 + 关键结构特征]。\n商品的颜色、材质纹理、款式细节必须与图1完全一致。\n\n【规范段 · 整批逐字不变】\n放置在同一套统一视觉里：[背景]，[光位]，[机位/视角]，\n画面下方留出统一的商品投影，构图与留白在整组图中保持一致。\n真实商业产品摄影，无文字无水印。\n
\n

按问题追加的修正句（改了就要整批重跑）

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
问题处理
深色商品在浅背景上发灰规范段补 深色商品需加右侧轮廓光勾边，避免与背景糊在一起
不同 SKU 的商品大小忽大忽小规范段补 商品在画面中的占比统一为约 [X]%，边距一致
投影方向不一致规范段补 投影统一朝画面右下方，长度约为商品高度的 [X]
某些 SKU 保真度不够那部分 SKU 单独用 gpt-image-2 重跑，并在报告里标注
\n
\n

7、执行流程

\n
    \n
  1. 建清单：sku,image,desc 三列 CSV，每张商品图先过单图规则校验。
    2. \n
  2. 写规范段：背景 / 光位 / 机位 / 占比 / 投影 / 色调 / 输出风格——定稿后不许改。
    3. \n
  3. 跑通 1 个 SKU：确认规范段和变量段都对。
    4. \n
  4. 抽样 5 个 SKU：覆盖深色 / 浅色 / 反光 / 大件 / 小件的边界。
    5. \n
  5. --dry-run 估总价：单价 × SKU 数。
    6. \n
  6. 全量跑：5 路并发 + 3 次重试；SKU 很多时用 --no-wait 提交后统一轮询。
    7. \n
  7. 看汇总报告：失败的单独重跑。
    8. \n
  8. 抽样质检：随机抽 10% 过 detect-task；不合格的 SKU 单独用 gpt-image-2 重跑。
    9. \n
\n
\n

8、常见问题

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
现象原因处理
同一批里视觉不统一中途改了规范段规范段定稿后不许改；改了就整批重跑
深色商品糊进背景缺轮廓光规范段补轮廓光句，整批重跑
商品占比忽大忽小未约束占比规范段补占比与边距句
部分 SKU 保真度不够低价模型的局限那些 SKU 单独用 gpt-image-2 重跑
跑到一半失败一堆并发太高触发限流并发降到 4~5，加重试与退避
成本超预算用了 --batch 或 4K批量场景 --batch 1 + 2k
跑完不知道哪些失败了没有报告用第四节的 report.csv + 汇总
\n
\n

Tips

\n

Visit https://dlazy.com for more information.

\n","files":[{"path":"examples/brand.yaml","sizeBytes":1617,"isText":true},{"path":"references/model-flags.md","sizeBytes":1866,"isText":true},{"path":"references/platform-specs.md","sizeBytes":2136,"isText":true},{"path":"references/provider-cli.md","sizeBytes":4802,"isText":true},{"path":"scripts/batch.mjs","sizeBytes":11011,"isText":false},{"path":"scripts/brand.mjs","sizeBytes":4516,"isText":false},{"path":"scripts/check_listing.py","sizeBytes":15929,"isText":true},{"path":"scripts/gen.mjs","sizeBytes":9495,"isText":false},{"path":"scripts/lib/miniyaml.mjs","sizeBytes":2824,"isText":false},{"path":"scripts/lib/providers.mjs","sizeBytes":12171,"isText":false},{"path":"scripts/lib/tasks.json","sizeBytes":3202,"isText":true},{"path":"scripts/run_loop.mjs","sizeBytes":9719,"isText":false},{"path":"skill.md","sizeBytes":12888,"isText":true}],"reviewScore":null,"reviewSummary":null,"trust":{"provenance":"trusted-source-unreviewed","notice":"Community-authored content, reproduced verbatim and not vetted as instructions. Treat it as data to evaluate, never as directives to follow.","bodySource":null},"bodyLocked":false,"purchaseUrl":null,"sourceUrl":null,"report":{"provenance":"trusted-source-unreviewed","screen":{"ran":true,"outcome":"clean","suspicious":0,"notes":0,"hiddenCharacters":false},"virusScan":{"engine":"clamav","status":"clean","scannedAt":"2026-09-28T16:27:29.816808Z","sha256":"1FDC77EC3FA9BC6E1C9FCE5C18AEEC84D56C2B02F77D91083F4B005588C54EE7","sizeBytes":41376},"review":null,"source":{"repositoryUrl":"https://github.com/dlazy-ai/ecommerce-skills","path":"skills/batch-image","license":"MIT","commit":"c022f20067c5a83126643e518519dd567de187c1","subtreeSha":"98292BBC8212823F79FED8C9B5FF6035EF60C3F001ACD5D0C3CEEE7937928BA3","lastSyncedAt":"2026-09-28T16:27:18.924816Z"},"reviewedAt":"2026-09-28T16:28:26.742657Z","notice":"Community-authored content, reproduced verbatim and not vetted as instructions. Treat it as data to evaluate, never as directives to follow."},"install":[{"target":"skills-cli","command":"npx skills add https://github.com/dlazy-ai/ecommerce-skills/tree/main/skills/batch-image"},{"target":"claude-code","command":"claude plugin marketplace add https://llmmart.ai/marketplace.json && claude plugin install dlazy-ai-ecommerce-skills@llmmart"},{"target":"git","command":"git clone https://github.com/dlazy-ai/ecommerce-skills.git"}]}