电商商品图批量生成怎么落地：基于 gpt-image-2 的任务队列、质检与审核流程

电商商品图批量生成怎么落地：基于 gpt-image-2 的任务队列、质检与审核流程

对电商团队来说，AI 商品图生成最有价值的地方，不是偶尔生成一张"看起来不错"的图，而是能不能进入日常生产流程。

单独用 gpt-image-2 做一张商品图，门槛并不高：上传参考图，写 Prompt，生成几版，再挑一张能用的。但 SKU 一多，问题马上变了。十几个 SKU 可以人工盯，几百个 SKU 就不能靠复制粘贴。图片类型也不再只是主图，还会有场景图、卖点图、活动图、详情页模块图、社媒广告图。到这个阶段，团队关心的就不是"会不会生图"，而是：

• 能不能批量跑；
• 每张图能不能追溯到 SKU 和 Prompt；
• 失败任务怎么重试；
• 商品有没有被模型改形；
• 文案、价格、促销语有没有错；
• 最后投放效果能不能回到模板优化上。

所以，企业级的 电商商品图批量生成，更像是一套内容生产流水线，而不是一个单点生图工具。

先说清楚：为什么不能一张张手工生成

很多团队第一次尝试 gpt-image-2 商品图，流程通常很简单：运营或设计上传参考图，写一段提示词，生成几张，挑一张下载。这个方式适合验证效果，但不适合长期生产。

真实业务里会遇到这些情况：

• 每周上新几十到几百个 SKU；
• 同一个 SKU 要适配主图、场景图、卖点图、广告图等多种类型；
• 不同平台对尺寸、白底、促销表达、文案位置都有要求；
• 图片需要运营、设计、商品负责人、投放负责人一起看；
• 商品颜色、结构、LOGO、包装文字一旦出错，可能影响转化，也可能触发平台审核问题。

AI 生成图最容易误判的地方在于：图片看起来很精致，但商品已经不是真实商品了。电商场景不能只看美观度，商品保真、平台合规、流程可控更重要。

一条能跑起来的 AI 商品图流水线

比较稳的做法，是把流程拆成一条可追踪的链路：

商品数据 → 图片需求拆解 → Prompt 模板 → 批量任务 → gpt-image-2 生成
→ 自动质检 → 人工审核 → 素材入库 → 平台发布 → 数据复盘

每一步都要有明确输入和输出。否则跑到后面很容易出现两个问题：素材找不到，责任说不清。

可以先按下面这个结构划分：

环节	输入	输出	负责人
商品数据	SKU、卖点、参考图、平台	标准商品表	运营/商品
图片需求拆解	平台规则、活动需求	图片任务清单	运营/设计
Prompt 模板	品牌规范、图片类型	可复用模板	设计/自动化负责人
批量生成	任务表、参考图	候选图片	开发/自动化负责人
自动质检	图片、文案、规则	通过/失败标记	系统
人工审核	候选图、商品资料	通过/返工/废弃	运营/设计/商品
素材入库	审核通过图	可投放资产	内容/运营
数据复盘	点击率、转化率、退货反馈	模板优化方向	投放/运营

这里的重点不是把系统做得多复杂，而是把每张图的上下文保留下来：它属于哪个 SKU，用了哪个模板，生成了几个版本，谁审核过，最终投放效果怎样。没有这些记录，后面就很难优化。

先拆图片类型，不要一上来就写 Prompt

做 AI 商品图批量生成之前，建议先把一个 SKU 需要的图片类型拆清楚。

不同图片对模型的容错空间不一样。场景图可以有一定创意，尺寸参数图就不能乱来；社媒广告图可以做多版本 A/B 测试，Listing 主图就必须严格保真。

图片类型	用途	是否适合批量生成	审核重点
白底主图	上架、搜索列表	适合，但要保真	商品结构、颜色、边缘
场景图	展示使用环境	很适合	商品是否被改造
卖点图	表达核心利益点	适合，但要 OCR	文案、数字、单位
功能说明图	展示结构和用法	谨慎使用	标注线、部件名称
尺寸参数图	说明规格	不建议完全自动化	数值准确性
对比图	竞品/旧款对比	谨慎使用	合规、避免夸大
活动促销图	大促、节日、广告	适合	价格、促销语
详情页模块图	商品页内容模块	适合分模块生成	风格统一
社媒广告图	TikTok、Instagram、Pinterest 等	适合	本地化、平台尺寸

经验上，场景图、活动图、社媒广告图更适合交给 gpt-image-2 批量生成，空间大，效果也更容易拉开差距。

但只要涉及尺寸、价格、功效承诺、包装文字、认证标识，就不要完全自动上线。模型可以负责初稿和变体，最终还得有人把关。

数据准备：商品表比 Prompt 更重要

很多人做批量生图，第一反应是先研究 Prompt。实际落地时，更应该先整理商品数据。

一张规范的商品表，决定了后面的自动化能不能顺利跑起来。建议至少包含这些字段：

字段	说明
sku_id	商品 SKU
spu_id	商品 SPU
product_name	商品名称
category	类目
material	材质
color	颜色
selling_points	核心卖点
target_user	目标人群
usage_scene	使用场景
reference_image_url	商品参考图
platform	目标平台
image_type	图片类型
brand_style_id	品牌视觉规范
text_overlay	需要出现在图上的文字
forbidden_words	禁用词
compliance_note	合规备注

有了这些字段，Prompt 可以按模板自动拼接，任务也可以批量生成。后续某张图出了问题，也能回溯到商品资料，而不是去聊天记录里翻当时复制过的提示词。

比如同一个 SKU，如果要生成淘宝主图、亚马逊白底图、TikTok 广告图，只要 platform、image_type、size、prompt_template_id 不同，就可以拆成多条任务，而不是让运营手工处理。

Prompt 模板：不要靠临场发挥

批量生成最忌讳"灵感型 Prompt"。偶尔写出一条效果好的提示词没什么意义，关键是能不能变成稳定可复用的生产规则。

一个 gpt-image-2 商品图 Prompt，通常可以拆成这些模块：

用途 + 商品主体 + 参考图约束 + 使用场景 + 构图 + 光线
+ 品牌风格 + 文案要求 + 平台尺寸 + 禁止项

其中有三个模块建议固定下来。

第一是商品保真。

电商图不是艺术创作，参考图里的商品外观、颜色、材质、结构、LOGO、包装不能被随意改掉，也不能凭空增加配件。

第二是品牌一致。

品牌色、背景风格、光线、构图、字体方向最好有统一规则。否则同一个店铺里的图片会像来自不同品牌。

第三是平台合规。

尺寸、白底要求、促销词、广告禁用语、价格展示方式，最好提前写进模板，不要等生成后再补救。

5 个常用的 gpt-image-2 商品图 Prompt 模板

下面这些模板可以作为起点。实际接入时，建议把变量字段和商品表字段对应起来，不要每次手工改。

1. 白底主图模板

适合上架主图、搜索列表图。

请基于参考图生成一张电商白底主图。商品为 {product_name}，
颜色为 {color}，材质为 {material}。保持商品外观、比例、结构、
LOGO 和包装文字与参考图一致，不要添加不存在的配件。
背景为纯白色，商品居中，占画面约 80%，光线均匀，边缘清晰。
输出适配 {platform} 的 {size} 尺寸。禁止出现水印、额外文字、人物、杂乱道具。

质检时重点看商品有没有变形，颜色有没有明显偏差，包装文字有没有被模型改写。

2. 场景图模板

请基于参考图生成一张 {product_name} 的电商场景图。
使用场景为 {usage_scene}，目标人群为 {target_user}。
商品必须保持原始外观、颜色、结构和品牌标识，不得改变造型。
画面风格为 {brand_style}，自然光，高级商业摄影质感，
背景与商品类目匹配，但不要加入不存在的配件。

场景图的审核重点是合理性。背景可以丰富，但商品主体不能被"美化"到失真。

3. 卖点信息图模板

请生成一张电商卖点图，商品为 {product_name}。
画面中展示以下卖点文案，文字必须完全一致，不得改写：
标题：{headline}
卖点1：{point_1}
卖点2：{point_2}
卖点3：{point_3}
整体风格符合 {brand_style}，信息层级清晰，适合 {platform} 商品页使用。
商品外观参考原图，不得改变包装、LOGO 和结构。

卖点图一定要做 OCR 校验。尤其是数字、单位、外语拼写，不能只靠肉眼扫一眼。

4. 节日促销图模板

请生成一张 {campaign_name} 活动促销商品图。
商品为 {product_name}，活动信息为 {promotion_text}，
活动时间为 {campaign_time}。整体氛围符合 {festival_style}，
但促销文案必须严格使用输入内容，不得自行增加折扣、价格或承诺。
商品主体保持真实，适配 {platform} 的 {size} 尺寸。

这类图容易出问题的地方是价格、折扣、活动时间和禁用词。生成后不要直接上线。

5. 跨境社媒广告图模板

Create a social media ad image for {product_name}, targeting {country}
and {target_user}. Use {language} text only:
{ad_copy}
Keep the product faithful to the reference image, including color,
shape, material, logo and packaging. The visual style should be
{brand_style}, suitable for {platform}, with natural lifestyle context.
Do not add unsupported claims, competitor brands, watermark or fake certifications.

跨境广告图还要看本地化表达是否自然，人物、场景、文案有没有违和感。

批量任务设计：从 CSV 到任务队列

小团队刚开始可以先用 CSV 跑通流程，不一定要马上做完整系统。但如果任务量持续增加，最好尽早改成数据库任务表，后面会省很多管理成本。

任务表可以包含这些字段：

字段	用途
task_id	图片任务唯一 ID
sku_id	关联 SKU
image_type	主图/场景图/卖点图等
platform	目标平台
prompt_template_id	使用的模板
prompt_final	最终 Prompt
reference_image_url	参考图
aspect_ratio	图片比例
size	输出尺寸
quality	预览或高清档位，具体以模型支持为准
output_url	生成结果地址
status	任务状态
retry_count	重试次数
error_message	错误原因
reviewer	审核人
review_result	通过/返工/废弃
version	版本号

状态流转可以这样设计：

pending → generating → generated → auto_check
→ manual_review → approved / rejected / regenerating → archived

这样即使批量生成中途失败，也能知道哪些图已经完成，哪些卡在自动质检，哪些还在等人工审核。不要一出错就整批重跑，成本和时间都会失控。

并发、限流和失败重试

批量调用 gpt-image-2 时，不建议一上来就把并发拉满。不同接口状态、参考图大小、输出质量、网络环境都会影响稳定性。

更稳的做法是先小批量压测，再逐步提高并发。遇到超时、限流这类可重试错误，可以使用指数退避和随机抖动；如果是参考图失效、Prompt 不合规、内容安全拦截，就不要盲目重试，应该进入人工修正。

日志里建议至少记录这些信息：

task_id
sku_id
prompt_template_id
error_type
retry_count
request_duration
output_url
created_at
updated_at

失败任务最好单独重跑。整批重跑看起来省事，实际会带来重复成本，也容易把已经审核过的版本覆盖掉。

批量生成追求的不是"越快越好"，而是在可控成本下，稳定产出可审核、可投放的素材。

自动质检：别只看图好不好看

AI 商品图最危险的情况，不是画面不好，而是画面很好但商品不真实。自动质检的目标，就是先过滤掉明显不能用的图，减少人工审核压力。

建议至少做五类检查。

1. 尺寸与格式检查

检查宽高、比例、文件大小、格式是否符合平台要求。比如主图、广告图、详情页模块图的尺寸规则不一样，最好在任务生成阶段就带上 platform 和 size。

2. OCR 文案检查

卖点图、促销图、广告图都要做 OCR。识别结果要和输入文案比对，重点核对标题、价格、单位、活动时间、外语拼写。

3. 禁用词与合规检查

检查是否出现夸大宣传、绝对化表达、未经授权品牌、虚假认证等内容。禁用词可以先用规则表维护，后续再逐步补充。

4. 商品保真检查

对比生成图和参考图，重点看颜色、材质、结构、LOGO、包装文字、配件有没有变化。这个环节不一定完全自动化，但可以先用规则和相似度检查筛掉明显异常的图。

5. 品牌一致性检查

看背景、色彩、字体风格、构图和光影是否符合品牌规范。对于同一店铺、同一活动页，风格统一比单张图惊艳更重要。

自动质检不能替代人工，但可以把很多低级错误提前挡住。

哪些图必须人工审核

有些图片不建议直接自动上线，至少要人工看过一遍：

• 带价格、折扣、活动时间的促销图；
• 带功效承诺的美妆、保健、母婴、医疗相关图片；
• 带 LOGO、包装文字、认证标识的主图；
• 带人物模特、儿童、特殊场景的广告图；
• 用于广告投放的平台素材；
• 平台要求严格的 Listing 主图、A+ 页面图；
• AI 对商品结构、包装或配件做过明显改动的图片。

审核分工可以按角色拆开：

角色	审核重点
运营	卖点、活动信息、平台规则
设计	画面质量、品牌一致性
商品负责人	商品保真、规格准确
投放负责人	转化表达、广告适配
法务/合规	夸大宣传、版权、资质表达

分工不清时，返工成本会很高。设计觉得图好看，运营觉得不能上，商品负责人又发现包装被改了，这种情况在批量生成里很常见。

成本与 ROI：不要只看单张生成成本

算 AI 商品图生成成本时，不能只看一次调用价格。重试、废图、人工审核时间，都应该算进去。

可以用几个简单公式估算：

单张成本 = 输入文本成本 + 输入图片成本 + 输出图片成本 + 平均重试成本

单 SKU 出图成本 = 图片数量 × 单张平均成本 ×（1 + 重跑率）

总耗时 ≈ 任务数量 ÷ 有效并发数 × 单张平均耗时

审核成本 = 图片数量 × 单张审核耗时 × 审核人员分钟成本

更稳的方式是分级生成：

• 第一轮先生成低成本预览图；
• 人工筛选方向；
• 只对通过方向生成高清版本；
• 对局部问题做修改或重新生成。

这样通常比一开始就全量高清生成更容易控预算，也方便团队逐步打磨模板。

哪些场景适合批量生成，哪些要谨慎

比较适合使用 gpt-image-2 批量生成商品图的场景：

• SKU 多，上新频率高；
• 需要大量场景图、广告图、社媒图；
• 想快速做 A/B 测试；
• 跨境多平台运营，需要本地化素材；
• 原始商品图质量一般，希望提升视觉表现。

不太适合完全自动化的场景：

• 工业品、机械件等结构高度精确的商品；
• 医疗器械、保健品等合规要求较高的类目；
• 对包装文字、认证标识要求 100% 准确的主图；
• 奢侈品、授权 IP、版权敏感商品；
• 平台明确要求实拍图的场景。

这些场景不是不能用 AI，而是不要让 AI 直接负责最终结果。更合理的方式是：AI 生成初稿和变体，人工负责关键审核。

小团队一周跑通最小闭环

如果团队暂时没有完整系统，可以先做一个轻量版流程。目标不是一步到位，而是先把闭环跑起来。

可以按 7 天拆：

• Day 1： 整理 20--50 个 SKU，补齐商品名、卖点、参考图、平台等字段；
• Day 2： 先设计白底图、场景图、卖点图 3 个 Prompt 模板；
• Day 3： 每个 SKU 生成 2--3 张候选图，重点观察商品保真问题；
• Day 4： 建任务表，记录状态、输出路径和错误信息；
• Day 5： 加入人工审核列，例如通过、返工、废弃；
• Day 6： 做平台尺寸适配，并统一文件命名；
• Day 7： 复盘审核通过率、重跑率、投放数据，再回头优化模板。

文件命名建议统一成：

{sku_id}_{platform}_{image_type}_v{version}.{format}

这个细节很小，但很有用。它能减少重复上传、误传旧版、找不到最终版等问题。

常见问题和处理方式

常见问题	处理方式
商品颜色偏差	使用参考图，并在 Prompt 中强调颜色保真，最后人工复核
包装文字变形	主图谨慎生成，必要时后期叠加真实包装或文字
卖点图错字	做 OCR 校验，不通过就返工
多图风格不统一	固定品牌风格模块和模板 ID
Prompt 越写越长	做模块化管理，不同图片类型拆不同模板
批量命名混乱	使用 SKU、平台、类型、版本统一命名
API 成本失控	分级生成，限制重试次数，监控废图率
高并发失败率升高	降低并发，增加退避策略和任务队列
审核责任不清	明确运营、设计、商品、合规各自负责什么
生成图无法过审	提前加入平台规则检查，并保留人工合规审核

最后：模型只是能力，流水线才是生产力

gpt-image-2 的商品图生成能力可以明显提升出图效率，但企业真正要解决的不是"能不能生成一张图"，而是能不能稳定地产出一批可审核、可追踪、可复盘的商品素材。

一条成熟的 AI 商品图生成流水线，至少要包含商品数据、Prompt 模板、批量任务、生成记录、自动质检、人工审核、版本管理、素材入库和投放复盘。

对大多数电商团队来说，不建议一开始就做很重的平台。先拿 20--50 个 SKU 跑通最小闭环，观察审核通过率、重跑率和素材效果。确认有效后，再扩展到多平台、多类目、多团队协作。

AI 负责提高出图效率，流水线负责保证商品真实、品牌一致和业务可控。两者结合起来，才是电商团队长期使用 AI 商品图生成的正确方式。