多商品批量生图 Batch Image

批量生图（企业功能）。一次对最多 100 个商品同时生图，用同一套参考图、模特、prompt 与视觉规范跑完整个商品库，单图算力成本可降至 7 折；支持团队多人在线协作与出片进度实时追踪，以及企业空间共享模特、作品、参考图与算力点。本技能把它落地为一条可复现的命令行流水线：用商品清单（CSV/JSON）驱动循环，固定不变的视觉规范段与逐 SKU 变化的商品描述段分离，并发跑、失败重试、按 SKU 归档、汇总报告。适用于新季上百款 SKU 一次性铺图、大促前批量换背景换角标、整店视觉统一改版。当用户需要「批量生图」「一次跑 100 个商品」「整店铺图」「批量出图流水线」「多 SKU 统一视觉」时使用本技能。

batch-image — 多商品批量生图

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。

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。

---

1、能力边界

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

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。

---

2、输入素材规则

生成前先自检这几条硬性约束：

• 大小：20KB ~ 15MB
• 分辨率：大于 400×400
• 格式：jpg / jpeg / png / webp

商品清单（manifest） 是批量的输入，建议 CSV：

csv

sku,image,desc
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带

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

批量前必做的事

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

---

3、规范段 / 变量段分离

这是批量出统一视觉的唯一方法：

text

prompt = [规范段：整批逐字不变]  +  [变量段：每个 SKU 不同]

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

写成 shell：

bash

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。'

while IFS=, read -r SKU IMG DESC; do
  dlazy seedream-5.0 \
    --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}" \
    --images "$IMG" --size 1:1 --resolution 2k \
    --save "docs/batch-image/out/${SKU}.jpg"
done < manifest.csv

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。

---

4、并发、重试与进度

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。

bash

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

重试：网络与服务端偶发失败很正常，包一层重试。

bash

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

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。

bash

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

进度与汇总：每个 SKU 记一行状态，跑完输出报告。

bash

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

---

5、dLazy 工具调用

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）。

Authentication

All requests require a dLazy API key. The recommended way to authenticate is:

bash

dlazy login

This runs a device-code flow (also works in remote shells) and automatically saves your API key to the local CLI config — no manual copy/paste required.

Alternative: Set the Key Manually

If you already have an API key, you can save it directly:

bash

dlazy auth set YOUR_API_KEY

The CLI saves the key in your user config directory (~/.dlazy/config.json on macOS/Linux, %USERPROFILE%\.dlazy\config.json on Windows), with file permissions restricted to your OS user account. You can also supply the key per-invocation via the DLAZY_API_KEY environment variable.

Getting Your API Key Manually

1. Sign in or create an account at dlazy.com
2. Go to dlazy.com/dashboard/organization/api-key
3. Copy the key shown in the API Key section

Each key is scoped to your dLazy organization and can be rotated or revoked at any time from the same dashboard.

About & Provenance

• CLI source code: github.com/dlazyai/cli
• Maintainer: dlazyai
• npm package: @dlazy/cli (pinned to 1.2.3 in this skill's install spec)
• Homepage: dlazy.com

You can install on demand without persisting a global binary by running:

bash

npx @dlazy/cli@1.2.3 <command>

Or, if you prefer a global install, the skill's metadata.clawdbot.install field declares the exact pinned version (npm install -g @dlazy/cli@1.2.3). Review the GitHub source before installing.

How It Works

This skill is a thin client over the dLazy hosted API. When you invoke it:

• Prompts and parameters you provide are sent to the dLazy API endpoint (api.dlazy.com) for inference.
• Any local file paths you pass to image / video / audio fields are uploaded to dLazy's media storage (files.dlazy.com) so the model can read them — the same flow as any cloud-based generation API.
• Generated output URLs returned by the API are hosted on files.dlazy.com.

This is the standard SaaS pattern; the skill itself does not access network or filesystem resources beyond what the dLazy CLI already handles. See dlazy.com for the full service terms.

Usage

CRITICAL INSTRUCTION FOR AGENT: Run the dlazy seedream-5.0 command to get results.

bash

dlazy seedream-5.0 -h

Options:
  --prompt <prompt>          Prompt
  --images [images...]       Images [image: url or local path] (max 10)
  --resolution <resolution>  Resolution [default: 2k] (choices: "2k", "3k",
                             "4k")
  --size <size>              Size [default: 16:9] (choices: "1:1", "4:3",
                             "3:4", "16:9", "9:16", "3:2", "2:3", "21:9")
  --dry-run                  Print payload without executing the tool
  --no-wait                  Return generateId immediately for async tasks
  --timeout <seconds>        Max seconds to wait for async completion (default:
                             "1800")
  --input <jsonOrFile>       Inline JSON or @path/to/file.json — merged under
                             flag values (flags win)
  --save <path>              Download the result asset to this local path
                             (mkdir + retry handled for you). A destination
                             path — NOT a response format; for stdout shape use
                             --format
  --batch <n>                Fan-out N parallel runs (cloud tools only)
                             (default: "1")
  -h, --help                 display help for command

Any flag also accepts pipe references — - (auto-pick from upstream stdin), @N (n-th output), @N.path (jsonpath into output), @* (all primary values), @stdin / @stdin:path (whole envelope). See dlazy --help for details.

参数约定（本技能固定用法）

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
--resolution	2k	上架足够；4K 只给需要印刷的批次
--batch	1（批量场景靠 SKU 数量，不靠 batch）	batch 会让成本翻倍
--no-wait	SKU 很多时开启	先提交后轮询，避免长时间阻塞
--save	docs/batch-image/out/<SKU>.jpg	用 SKU 命名，便于回填到商品库

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。

Output Format

json

{
  "ok": true,
  "result": {
    "tool": "seedream-5.0",
    "modelId": "seedream-5.0",
    "data": {
      "urls": [
        "https://files.dlazy.com/data/ai/20260817092703-057827edb8aa.jpg"
      ]
    },
    "savedPath": "docs/batch-image/example-output.jpg"
  }
}

Async tasks (when --no-wait is passed) omit data and return a task: { generateId, status } field instead. Use dlazy status <generateId> --wait to poll.

Command Examples

bash

# basic call: 单个 SKU（先跑通这个，再谈批量）
dlazy seedream-5.0 \
  --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。' \
  --images docs/batch-image/sku-a-sweater.jpg --size 1:1 --resolution 2k

# complex call: 完整流水线（清单驱动 + 5 路并发 + 3 次重试 + 汇总报告）
cat > manifest.csv <<'CSV'
SKU001,docs/batch-image/sku-a-sweater.jpg,军绿色麻花针织圆领毛衣，落肩宽松版型
SKU002,docs/batch-image/sku-b-shoes.jpg,黑色亮面皮革布洛克德比鞋，厚底系带
CSV

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。'
mkdir -p docs/batch-image/out

run_one() {
  IFS=, read -r SKU IMG DESC <<< "$1"
  for attempt in 1 2 3; do
    dlazy seedream-5.0 \
      --prompt "电商商拍图。图1 是商品：${DESC}。商品的颜色、材质纹理、款式细节必须与图1完全一致。${SPEC}" \
      --images "$IMG" --size 1:1 --resolution 2k \
      --save "docs/batch-image/out/${SKU}.jpg" >/dev/null 2>&1 && break
    sleep $((attempt * 10))
  done
  if [ -f "docs/batch-image/out/${SKU}.jpg" ]; then echo "${SKU},ok"; else echo "${SKU},fail"; fi
}
export -f run_one; export SPEC

xargs -P 5 -I{} bash -c 'run_one "{}"' < manifest.csv | tee docs/batch-image/report.csv
awk -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

# 先估价：单价 × SKU 数
dlazy seedream-5.0 --dry-run --prompt '...' --images a.jpg --size 1:1 | grep estimatedCost
echo "SKU 数：$(wc -l < manifest.csv)"

Error Handling

Code	Error Type	Example Message
401	Unauthorized (No API Key)	ok: false, code: "unauthorized", message: "API key is missing or invalid"
501	Missing required parameter	error: required option '--prompt <prompt>' not specified
502	Local file read error	Error: Image file/Video file not found: C:\path\to\your\file
503	API request failed (no balance)	ok: false, code: "insufficient_balance"
503	API request failed (server error)	HTTP status code error (500 server crash)
504	Asynchronous task execution failed	=== Generation Failed === / {Specific error reason returned by backend, for example "Prompt violates safety policy"}

AGENT CRITICAL INSTRUCTION:

1. If the execution result returns code: "insufficient_balance", you MUST explicitly inform the user that their credits are insufficient and guide them to recharge: https://dlazy.com/dashboard/organization/settings?tab=credits
2. If the execution result returns code: "unauthorized" or indicates missing API key, you MUST inform the user to get their API key from https://dlazy.com/dashboard/organization/api-key and save it using dlazy auth set <key> and resume the task.

---

6、Prompt 模板

text

【变量段 · 每个 SKU 不同】
电商商拍图。图1 是商品：[品类 + 颜色 + 材质 + 关键结构特征]。
商品的颜色、材质纹理、款式细节必须与图1完全一致。

【规范段 · 整批逐字不变】
放置在同一套统一视觉里：[背景]，[光位]，[机位/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。

按问题追加的修正句（改了就要整批重跑）

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

---

7、执行流程

1. 建清单：sku,image,desc 三列 CSV，每张商品图先过单图规则校验。
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. 跑通 1 个 SKU：确认规范段和变量段都对。
4. 抽样 5 个 SKU：覆盖深色 / 浅色 / 反光 / 大件 / 小件的边界。
5. --dry-run 估总价：单价 × SKU 数。
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. 看汇总报告：失败的单独重跑。
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。

---

8、生成效果示例

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

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）：

bash

for sku in a-sweater b-shoes; do
  case $sku in
    a-sweater) DESC='军绿色麻花针织圆领毛衣，落肩宽松版型' ;;
    b-shoes)   DESC='黑色亮面皮革布洛克德比鞋，厚底系带' ;;
  esac
  dlazy seedream-5.0 \
    --prompt "电商商拍图。图1 是商品：${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。" \
    --images docs/batch-image/sku-${sku}.jpg --size 1:1 --resolution 2k \
    --save docs/batch-image/example-output-${sku}.jpg
done

输出：同一套视觉规范下的两个 SKU

SKU001	SKU002
1:1 / 2K，5 credits	1:1 / 2K，5 credits

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。

---

9、常见问题

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

---

Tips

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