ARTICLE · 1202629
做服装电商想用 AI 出图?2.6 万张的经验,这篇够了
做服装电商的，应该都动过这个念头。
模特图，能不能让 AI 出？
我们也动过。最早的做法特别朴素。开一个对话窗口，把衣服图和模特图丢进去，等它出一张。不满意，改提示词再来。满意了，复制下来，再拿去 PS 修。提示词记在一个文档里，用的时候复制粘贴，好不好全靠人眼盯着看。
一天下来，也就几套图。
现在呢？
到今天，系统累计出了 2.6 万张图。8、9 两个月，平均一天 140 张上下。出到最后也没出成的图，从一成降到了千分之三。
更有意思的是，干活的主力模型从 3 月到现在，一直没换过。
同一个模型，差别在哪？
差别全在模型外面那一圈。 提示词怎么写，怎么管，系统怎么搭，怎么让它自己跑起来。
这半年我们一边出图一边踩坑，踩出来 12 条经验，按这个顺序摆在下面。做服装电商、想用 AI 出图的，可以先存着，用到哪条翻哪条。不一定条条适合你，挑能用的拿走就行。
开始之前，先花半分钟看一张换装图是怎么来的。
它要三样东西。衣服的商品图，一张模特底图（我们管它叫母图），还有一段提示词。中间还多一步，叫过渡图，先把母图上模特身上的衣服换成一件白色紧身衣，姿势和背景就此定住，再往上「穿」真衣服。
就这么个流程。坑全在细节里。
第一部分
提示词怎么写
经验 01
先把硬约束写全
6 月，运营拉了一张反馈表，专门收集出图的毛病。没几天，攒了 13 条。
自己换了个姿势的。把背景换掉的。四肢少了一截的。袜子上长出脚趾的。
还有一张，模特多了一只脚。
三只脚。。。
回头翻提示词，问题其实很简单。那时候的提示词非常短，就是让它把衣服换上去。姿势要不要跟母图一模一样？背景能不能动？人体结构要不要正常？一个字都没写。
它不知道，只好自己发挥。
于是有了第一版核心模板，把姿势、背景、服装还原、人体结构，一条一条写死。
你没说的，它就自由发挥。 这句话，后面还会反复出现。
经验 02
能用图说的，别用字说
7 月，运营又来反馈。出图的姿势跟母图对不上。
母图上，模特是侧身跪坐，脸朝着一边。出来的图，被转成了一个标准的背影。更怪的是它时好时坏，同一张母图、同一段提示词，这张对，过几分钟下一张就错。
查到最后，问题出在一句话上。
母图是背面的时候，提示词前面会多一句「模特背向镜头」。
这句话本来是好心，想帮模型认清朝向。模型可不这么理解。它把这句描述当成了命令，乖乖把人转成了正背面。
我们做了个对照。带着这句话出 9 张，姿势对了 6 张。删掉这句话，9 张全对。
母图就摆在那儿，朝哪边一目了然，根本用不着文字再说一遍。
原理 ｜ 条件生成（Conditional Generation）
现在主流的出图模型，都是「按条件生成」。你给它的每一张参考图、每一个字，都是它要满足的条件，最早把这套机制讲清楚的是 2022 年慕尼黑大学和 Runway 的潜在扩散模型论文（Rombach 等）。条件不分「描述」和「命令」，进了提示词的，一律照着画。所以文字和参考图说的不是一回事时，经常是文字赢。我们后来的规矩是，参考图上看得见的东西（朝向、姿势、背景），提示词里一个字都不重复。
经验 03
只写你要的，别写你不要的
这个坑，是我们自己改提示词改出来的。
9 月出一批陈列图，有件上衣凭空长出了侧边抽绳。原图上根本没有。
我们觉得是约束不够，就在提示词里加了一句。不得增加参考图里没有的结构，比如抽绳、绑带、开衩、口袋、荷叶边。
重出一看，抽绳没消失，搬家了。
上衣是对了，抽绳长到了原本没有抽绳的裤子上。另一张的下摆，多出一个抽绳打的蝴蝶结。还有两张，把衣服上真实存在的拼接给弄丢了。
我靠。
多画一根抽绳，一眼就能看出来。丢掉一块真拼接更隐蔽，衣服看着只是素了一点，得拿着原图一处一处对，才发现少了东西。
原理 ｜ 为什么「不要」不管用
出图时，模型会对比「带提示词」和「不带提示词」两种画法，再往带提示词的方向使劲推。这个做法叫无分类器引导（Classifier-Free Guidance），出自 2022 年 Google 的 Ho 和 Salimans。提示词里出现的每个词都在往画面里推，「不」这种小词几乎没分量，「抽绳」两个字却实打实进了条件。这也是很多出图工具要单独开一栏「负面提示词」的原因，想排除的东西，得放进专门往反方向推的那一栏，而不是写在正文里说「不要」。
后来的写法，是只做正向表述，一个结构名都不提。「严格照参考图复现服装本身，版型、长度、拼接位置、系带方式都以参考图为准。」我们还加了一道检查，约束句里只要出现具体的结构名，就过不去。
顺带提一句，这条只管出图。写文案的文字模型，「禁止提及某某」通常是管用的，别一刀切。
经验 04
没锁死的地方，它按「常规」去补
试穿功能里有一种搭法，两件上衣，一件外穿，一件内搭。
结果时不时出来两个人，一人穿一件。
想想也合理。两张上衣图摆在一起，最常见的情况，就是两个人各穿一件。你没说清楚，它就按最常见的来。
改法是补一句话，写明只有一位模特，外面穿哪件，里面穿哪件。改之前 5 张里只有 2 张是一个人，改完 5 张全对。
你在意的每一处，都得有个锚。 要么拿参考图钉住，要么用文字写死。两头都没管的，就是它自由发挥的地盘。
经验 05
图上看不清的地方，补一张细节图
8 月，一件黑色连体衣，门襟上一排扣子，出图老是画错。数量不对，排法也不对。
原因很简单。黑衣服配黑扣子，在商品图上几乎看不清，提示词里又没提一个字。模型看不清，也没人告诉它，只能瞎编。
我当时提的需求，原话是这样的。「是否可以再添加一个细节图，指定某个服装部分的细节，细节图的颜色可以和服装图不一样，提示词写明只使用细节款式不适用颜色。」
先做实验。补一张门襟特写，6 张扣子全对。不补，3 张全错。
更有意思的在后面。手头的门襟特写，有一张是同款的红色。我们在提示词里写得明明白白，只参考款式，不准用它的颜色。
结果 3 张里有 1 张，扣子变红了。
改成先把特写转成黑白灰再喂进去，3 张都没串色。
指令拦不住的东西，就别靠指令。 颜色是画面上的事，那就在画面上处理掉。这跟前面的抽绳是同一个道理，它认的是画面，不是语法。
细节图后来变成了一个通用的办法。哪个部位总画不对，就给哪个部位补一张图，衣长不准就补一张衣长参考。
经验 06
图说不清的事实，用标签补成文字
9 月底做了一次对拍，又翻出一个大坑。
一查才发现，提示词里描述衣服本身的那一段，一直是空的。也就是说，提示词对衣服长什么样，从头到尾一个字都没说。
模型只能盯着一张两三百到四五百像素的商品图猜。于是平滑的面料被画成了罗纹，腰头上凭空多出一个 logo。
补法分两手。
第一手，用标签把事实补成文字。 我们给每件衣服打了标签，面料、光泽感、图案、下摆、衣长、腰头、裤型、裤长，都是从一张固定的词表里挑。出图时拼成一句话放进提示词，像这样。
「上衣，面料棉麻、光泽感哑光、图案纯色、衣长及腰。」
有个小细节，每个值前面都带着维度名。单写「哑光」两个字，模型可能理解成打光打得暗；写成「光泽感哑光」，它就知道说的是面料。这句话还限了 60 个字，太长会把前面最核心的那句话冲淡。
第二手，图太糊的，压根别让它进门。 一张 296×497 的商品图，出 6 张，有 4 张把光面画成了罗纹。换成高清图，4 张全是平的。一盘点，正面图里有 48% 不够清楚。
于是加了一道门槛，像素不够的衣服图，提交的时候就拦下来，红字标出是哪一张、差多少。
第二部分
提示词怎么管
经验 07
措辞交给运营，拼装留在系统里
最开始，提示词是放在文档里管的。
出一张，人眼看一眼，不行就手动重试，再去文档里改提示词。这种做法起步快，毛病也明显。文档里那版和实际在用的那版，靠人记着同步。谁改了哪句、为什么改，说不清。好用的写法，留在某个人自己的文档里。
后来提示词一步步搬进了系统。先是系统按规则自动拼，6 月有了核心模板，改提示词变成了改模板。
但还有一大块，写死在程序里，改一个词就得发一次版。运营想调一句话，得找开发，排期，上线。
10 月中，我们把能改的那些话都搬到了页面上。
原则就一句，措辞交给运营，拼装留在系统里。 每一段话在页面上占一个格子，运营改完点保存，下一张图就生效。拼哪几段、往空里填什么，系统说了算。运营改字，改不坏流程。必须留的空要是被删了，系统直接拒绝保存。
经验 08
一段提示词一个名字，别「随便拿一条」
提示词多了以后，十几个功能的提示词，都放在同一个地方。种草文案的，买家秀评语的，审图的，修图的，出图的。
这时候，取提示词就不能再「拿第一条能用的」。一个功能拿到了另一个功能的提示词，不会报错，只会安安静静地出一批不对劲的东西。
每段提示词一个名字，按名字精确去取。
提示词也是资产，资产要有名有姓。 「拿第一条」这种写法，今天能用，是因为今天只有一条。
第三部分
工程化、系统化地管
经验 09
出图是任务，不是对话
对话窗口出图，最大的问题不是慢，是没有记录。
我们从一开始就没按对话来做。衣服和母图配成一个组合，一次提交，后台排队慢慢出，运营提交完就可以去干别的。一个组合任务拆成很多张图，每张一行记录，用了哪几张参考图，哪段提示词，哪个模型，出没出成，为什么失败，用了多久。
到今天，攒了 4,650 个组合任务。
这一条是后面所有经验的地基。前面那些对照实验，能查出是哪句话惹的祸，能算出 9 张对 6 张，全靠每张图都有一行记录。没有记录，你连自己错在哪都不知道。
经验 10
把经验存进系统，别存在人脑子里
前面讲的细节图、标签、分辨率门槛、提示词模板，有个共同点。
运营不用懂提示词。
细节图配什么说明句、要不要先转成灰度，由开发在一张类型表里维护，运营只做三步，上传、裁剪、选类型。标签从固定词表里挑。门槛自动拦。提示词的措辞，有一个统一的地方改。
做细节图那会儿，我跟开发说的是「减少运营的决策压力」。
现在回头看，这句话的另一面更重要。每踩一个坑，就把它变成系统里的一条规矩。 黑扣子那次的教训，变成了类型表里的一行；罗纹那次的教训，变成了门槛上的一个数字。换一个运营来，规矩还在；换一个更强的模型来，规矩照样用。
经验 11
模型要能随时换，失败要有人接
主力模型没换过，不等于只用一个模型。
现在系统里接了 6 个出图模型，登记了 11 条调用通道。每个功能单独选模型，在页面上点一下就切。哪家便宜好用，就切哪家，业务流程一点不用动。
换着用，就得有人兜底。一张图出失败了，自动重试；审图判不合格，就换下一个模型接着出，按 nano-banana、nano-banana-pro、gpt-image-2.5 的顺序往下走。
这个月，系统一共调了 4,258 次模型，失败了 432 次，差不多每十次就有一次。最后真正没出成的，只有 6 张。
单次失败是常态，系统要做的是让失败不落到人头上。
第四部分
让它自己跑
经验 12
让 AI 审 AI，但先把判据教会它
图出得多了，新的瓶颈冒出来，人审不过来了。
我当时跟开发说的是，「人眼审核效率比较低」。9 月，出图后面接上了 AI 审图。
第一次试跑，15 张图，AI 和员工的结论只有 7 张一样。
7 张。47%。
拆开看，AI 放过、员工拦下的有 5 张，其中 2 张，模特的脸压根就没换。AI 拦下、员工放过的有 3 张，都是姿势有点偏，不影响上架。
问题不在 AI 不够聪明，在于我们没告诉它看什么。它压根没在查脸。
后来补了三样。让它专门查脸，把衣服正反两面都给它看，打开深度思考。拿 53 张人工标过答案的图回放，AI 跟人结论一致的，从 38 张升到了 47 张。
原理 ｜ 大模型当裁判（LLM-as-a-Judge）
让一个大模型去评判另一个模型的产出，这个做法叫 LLM-as-a-Judge。2023 年 UC Berkeley 等机构的 Zheng 等人专门做过研究，结论大意是，强模型当裁判，跟人的一致率能做到和人与人之间差不多。但前提是裁判手里有清楚的评判标准。我们的体会一样，审得准不准，关键在判据给没给对、素材给没给够。同一套判据，换更高档的思考，一致的张数只差一两张；判据改对了，一下多出 9 张。
审图接上以后，出图就能自己闭环了。出图，审图，不合格换模型重出，最多三轮，人只看最后的结果。
在这个闭环上，又长出了几种跑法。
姿势裂变。 母图不够用，就让系统拿一张母图，裂变出新姿势的母图，母图库自己长。到现在跑了 20 批，长出了 44 张新母图。
爆款裂变。 挑几款卖得好的衣服，多选几张母图，一个任务就是几十套、上千张图，跨天慢慢出。我当时提的要求是，AI 审查款式、印花、袖型对不对，有没有三只手三只脚，不对就重出，最多三次。这一套已经搭好了，还没正式开闸，下一步就是它。
再往后，我们的 AI 员工也接了进来，自己选款、出图、审图、上架。那是另一个故事了。
第五部分
系统化的效率账
失败率是一个月一个月降下来的。1、2 月一成左右，3、4 月在 6% 到 9% 之间晃，5 到 7 月降到 2% 多，8 月起稳在千分之三。
再说一遍，这半年主力模型一直没换。
提升不是买来的，是一条一条规矩攒出来的。
· · ·
12 条经验，压成一张卡，存这一张就够了。
如果明天只想试一件事，我推荐这个。
把你提示词里所有的「不要什么」，全删掉，改成描述你要的样子。能给参考图的地方，就别用文字再说一遍。
不花钱，不用买工具，今天出的下一张图就能看到区别。
回头看，最早那个文档还在。里面记着我们复制粘贴过的一版版提示词，一天几套图，全靠人眼盯。
现在提示词在页面上，图在任务里，审图的是另一个 AI。
我们盯的，是那 12 条规矩还缺哪一条。
— 完 —
你用 AI 出图，遇到过最离谱的一次翻车是啥？留言说说，说不定就是我们的第 13 条。
