企业官网建设流程全解析

这次我们不看本地部署，也不聊显存占用，直接讲一个绝大多数电商设计场景都能用的云端生图模型：GPT-image-2。简单说，它就是用来生成图片的 AI 模型，你给它一段自然语言描述，它给你返回图。和 Stable Diffusion 那种需要本地显卡、自己调参、自己写 ControlNet 的玩法不同，GPT-image-2 走 API 调用，普通办公电脑就能跑，中文提示词也吃得比较稳。

如果你正在做电商设计，日常要处理商品主图、详情页配图、活动海报、社媒素材，那这篇文章建议多看一会儿。我会把提示词结构拆开，给你一套可以直接改字段的电商提示词模板，再带上文生图、图生图、批量调用的 Python 示例，最后给出质量优化和常见报错排查。整体目标只有一个：让你拿到提示词就能出图，而不是看完概念还是不知道怎么写。

先说结论：GPT-image-2 适合电商党，但不是让你完全脱离 PS。它是把“出图”和“改图”这两步提速，让你从一张白图开始反复试版式、试场景、试风格。真正要落地上架，文字排版、细节修图、平台合规检查还是需要人工过一遍。接下来直接进入正题。

1. GPT-image-2 核心能力速览

这里有个重点值得先说明：这类图像模型属于“按量付费”的云服务，没有本地显卡门槛，但每次调用都会消耗 API 额度。所以它的使用逻辑和本地部署 SD 完全不一样——你不需要考虑显存和模型文件，但需要考虑任务拆解和成本控制。后面讲批量任务时我还会再强调。

2. 电商设计到底需要哪些生图能力

做电商设计的人，日常需求其实比较集中，拆开看就是下面几类。

第一类是商品主图。平台一般要求干净、主体突出，最常见的就是白底图。AI 生成白底图最大的价值不是“画一个产品”，而是当你只有产品概念图或效果图时，可以快速生成一张接近棚拍效果的主图，用来做前期提案和测款。

第二类是场景化产品图。把水杯放到露营桌上，把耳机放到夜景窗台，这类“产品 + 场景”的图属于详情页顶部最常用的素材。以前要搭景、布光、请摄影师，现在可以通过提示词在几分钟内看到氛围方向，满意后再交给摄影师执行或直接精修使用。

第三类是模特穿搭图。服装类目对模特图需求量很大，但真人模特拍摄成本高、周期长。AI 生成模特图可以用来做款式图、颜色展示、风格搭配参考。这里必须强调，生成模特图时不能仿冒真实素人或未经授权明星，平台规则和肖像权问题要提前确认。

第四类是促销海报。每逢大促节点，电商运营都要做大量活动图。提示词可以直接生成“促销背景 + 产品 + 留白文字区”的底图，再叠加排版文字。这是 AI 比较擅长的，因为它不需要直接渲染文字，规避了 AI 生成中文乱码的大坑。

第五类是详情页配图。这类图通常不直接放长段文字，而是以卖点视觉图为主。比如“产品细节特写 + 纯色背景”“使用场景 + 功能标注区域”。GPT-image-2 适合生成这种底部纯净的配图，方便后期排版。

第六类是社媒种草图和简单 UI 预览图。现在很多运营会自己做小红书图文、公众号头图，甚至产品页面原型图。用 GPT-image-2 生成视觉参考，速度远快于从 PSD 模板里找素材。

这些能力并不是 GPT-image-2 独有，但它和 Midjourney、Stable Diffusion 的区别在于：MJ 重风格、重氛围，但局部改图弱；SD 重控制、自由度大，但需要本地硬件和插件生态支持；GPT-image-2 更接近“你说需求，它出图，你再提修改意见”的沟通方式，适合反复改稿的电商场景。

3. GPT-image-2 接入准备与基础调用

GPT-image-2 属于云端 API 服务，所以你需要准备的是 API Key 和调用环境，而不是显卡。

3.1 环境准备清单

建议按下面的清单检查：

这里有个容易忽略的点：你拿到的 API Key 可能同时支持多种模型，分别是文本、图片、视频等。调用图片生成接口时，要在参数里写清楚模型名，并确认这个 Key 对应账号已经开通图像生成权限，否则会报“model not found”或 permission 错误。

3.2 文生图基础调用

先看一段最基础的文字生成图片示例。代码采用requests请求，不依赖额外 SDK，方便理解完整链路。

import requests api_key = "sk-xxxx" url = "https://api.example.com/v1/images/generations" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } payload = { "model": "gpt-image-2", "prompt": "一张简洁的电商商品主图，白色背景，运动水杯，自然光，高清产品摄影", "n": 1, "size": "1024x1024", "response_format": "url" } resp = requests.post(url, json=payload, headers=headers, timeout=120) if resp.status_code == 200: data = resp.json() print(data["data"][0]["url"]) else: print(f"请求失败: {resp.status_code}") print(resp.text)

注意几个细节：

• url是示例地址，真实环境请替换成你的 API 服务商地址。不同服务商的路径可能不同，以官方文档为准。
• model参数里写gpt-image-2，如果你的账号后台显示的是其他模型标识，改成实际值。
• size控制输出尺寸，常见的是1024x1024，有些服务支持1536x1024或1024x1536，以文档为准。
• response_format如果改成b64_json，返回的就是 Base64 字符串，方便直接存图片文件，不用再下载 URL。
• 图片生成不是毫秒级操作，建议把timeout设置在 120 秒以上，否则容易误判超时。

运行成功后，你会在返回数据里拿到一张图片的 URL。下载保存图片的代码也很简单。

import requests # 假设上面拿到了 image_url image_url = data["data"][0]["url"] img_resp = requests.get(image_url, timeout=60) with open("product_01.png", "wb") as f: f.write(img_resp.content) print("图片已保存")

到这里基础链路就跑通了。接下来重点不是调用，而是怎么写提示词。

4. 提示词基础结构与写作方法

很多刚接触 GPT-image-2 的人会问一个问题：提示词到底要写多长？是像 SD 那样写一堆英文关键词，还是像聊天一样描述场景？

从我接触到的信息看，GPT-image-2 对自然语言的理解能力更强，更适合“像给设计师下需求”一样写提示词。它不排斥英文 tag，但中文长句效果通常也不差。比较稳妥的方式，是给提示词做一个结构化拆解，让模型知道“主体是什么、环境是什么、风格是什么、构图怎么排、有哪些限制”。

4.1 六段式提示词结构

你可以把提示词按这个顺序来写：

1. 主体：要生成什么东西，颜色、材质、型号越具体越好。
2. 姿态或状态：产品是正放、侧放、被拿在手里，还是处于使用状态。
3. 场景：白底棚拍、户外自然光、卧室窗台、咖啡馆桌面等。
4. 风格：电商产品摄影、极简风、高级感、胶片感、3D 渲染等。
5. 构图与镜头：居中构图、三分法构图，特写、中景、俯拍、45 度角等。
6. 画质与限制：高清、细节丰富，不要阴影、不要文字、不要其他物体等。

按这个顺序串起来，即使只用三五句话，模型也能抓到关键信息。

4.2 从简单到完整的提示词示例

先看一个偏简单的版本：

一个白色运动水杯，纯白背景，居中构图，电商产品摄影，高清画质

这个提示词能用，但输出会偏普通。想更贴近商业摄影效果，可以扩展成下面这个版本：

一只哑光白色的运动水杯，杯身有防滑硅胶圈，杯盖带黑色提手，放在纯白色拍摄台上，背景是干净的白色，顶部柔光箱灯光，光线均匀，杯身有轻微高光，居中构图，45度俯拍，电商产品摄影风格，细节清晰，无文字，无其他物体

对比之下，后者的画面信息更明确：材质说了“哑光”，配件说了“黑色提手”，机位说了“45 度俯拍”，光线说了“顶部柔光箱”。模型拿到这些信息后，出图的成功率会高不少。

4.3 负面表达技巧

有些提示词写法在 SD 里是“负面提示词”，比如nsfw, bad hands。GPT-image-2 这类模型同样支持用自然语言表达限制，而且效果通常不错。你直接在提示词末尾写“无文字、无阴影、无多余物体、不要模糊”，模型也能理解。

不过要注意控制否定词的数量，不要连续堆十几个“无”。更有效的做法是给出替代方案，比如“不要阴影”改成“轮廓清晰，环境光均匀”，模型会更明确。

4.4 电商提示词的通用模板

把上面的结构整理成一个可复用模板，后面所有场景都可以往里面填字段。

【主体描述】+【材质/颜色/细节】+【摆放/动作状态】+【场景环境】+【光线条件】+【构图机位】+【摄影风格】+【画质要求】，【负面限制】

例如：

一款深灰色保温杯，磨砂材质，杯盖是深棕色，放在原木桌面上，背景是模糊的咖啡馆环境，自然侧光，杯子处于画面右侧三分之一位置，中景，美食与产品摄影风格，高清，细节丰富，无文字，无杂物

这个模板对大多数商品都适用，只需要替换主体、场景和风格。

5. 电商场景提示词合集与案例

下面按电商常用的几个场景整理提示词。每个小节给模板和案例，你可以直接复制，替换里面的商品名和场景描述。

5.1 白底商品图提示词

白底图是电商平台最刚需的素材，适合做主图、属性页、搜索结果图。

通用模板：

【商品名称】，【颜色/材质】，纯白色背景，商品居中，顶部柔光，无阴影，整体曝光均匀，电商产品摄影，高清细节，无文字，无其他物体

案例：

一只深蓝色陶瓷马克杯，杯身有哑光釉面，纯白色背景，商品居中，顶部柔光，无阴影，整体曝光均匀，电商产品摄影，高清细节，无文字，无其他物体

这里的效果判断标准是：背景干净、商品边缘清楚、颜色没有严重偏色。如果背景发灰，可以提示词里加“背景纯白 RGB 255,255,255”或者“背景亮度均匀”。如果商品反光太重，加“减少镜面反射，哑光质感”。

5.2 场景化产品图提示词

场景图适合详情页首屏、品牌海报、广告投放素材。重点是“产品融进场景，但产品本身不能被弱化”。

通用模板：

【商品名称】放置在【具体场景】中，【场景细节与环境元素】，【光线方向与色温】，【构图机位】，【摄影风格】，产品保持清晰醒目，高清，无文字

案例：

一个军绿色露营折叠椅，放在傍晚的露营地，旁边有一盏暖黄色露营灯，远处是帐篷和松树，天空是深蓝到橙色的黄昏渐变，侧逆光，产品处于画面左侧，中景，氛围感户外产品摄影，产品细节清晰，高清，无文字

这类图最容易出现的问题是产品被背景抢戏。解决办法是在提示词末尾加强“产品清晰锐利，背景适度虚化”，或者用图生图方式把已有产品图贴进场景里，后面第 6 节会讲。

5.3 模特穿搭图提示词

模特图是服装类目的主力素材，使用时要特别注意授权和平台规则，不要仿冒真实人物，也不要使用未经授权的 logo。

通用模板：

【服装型号/颜色/版型】穿在【模特特征】身上，【模特姿态】，【拍摄场景】，【镜头与光线】，【街拍/棚拍风格】，全身照，人物表情自然，高清，无文字

案例：

一件米白色宽松 Oversize 西装外套，搭配深色牛仔裤，穿在一位年轻女性模特身上，模特站在浅灰色水泥墙前，自然站姿，右手插兜，眼神看向镜头，全身照，平视视角，自然柔光，极简风街拍，高清，无文字

如果生成的模特面部或手部有问题，可以在提示词里加“面部表情自然，手指自然放松，无畸形”。如果是服装卖家，建议保留服装细节描述，降低模特对商品的干扰。

5.4 促销海报底图提示词

电商促销海报通常需要“背景 + 产品 + 文字区域”。如果让 AI 直接生成带有中文文字的图，乱码风险比较高，更稳妥的是生成一张纯视觉底图，预留文字排版区域，到 PS 里叠加文案。

通用模板：

【促销主题背景】，【主视觉商品】放在【某个位置】，【背景颜色与装饰元素】，【光线氛围】，【预留空白区域用于排版】，现代电商海报设计，高清，无文字

案例：

618 大促氛围背景，红色到深红色渐变，带有光束和微光粒子，画面中心是一副无线运动耳机，底部是产品展示台，顶部留出大面积空白区域用于排版，现代电商海报设计，有冲击力，高清，无文字

这个案例的重点是“顶部留出空白区域”和“无文字”这两个条件。得到底图后，你把“618”和促销信息用设计软件排进顶部空白就行，精准且不会乱码。

5.5 详情页卖点图与 UI 设计稿提示词

详情页里很多配图不需要文字，而是用画面表达卖点。另外，有一些前端开发者会让 GPT-image-2 生成 UI 设计稿或前端设计概念图，然后再进入切图流程。这里需要提醒：AI 生成的是位图，不能直接当切图源，但可以作为视觉稿、风格参考、素材底图使用。

通用模板：

一张电商详情页卖点插图，【核心卖点场景】，无文字，左侧展示产品细节，右侧留出空白区域用于排版，浅色背景，统一简约风格，高清

案例：

一张电商详情页卖点插图，展示保温杯的 24 小时保温效果，左边是保温杯特写，右边是一块留白区域，背景是浅灰色到白色渐变，画面简洁，统一极简风格，无文字，高清

如果你要做前端 UI 概念图，可以换成：

一个移动端电商首页 UI 设计概念图，顶部是搜索栏，中间是轮播图区域，下方是商品卡片网格，整体配色以白色和橙色为主，现代简洁风格，画面干净，无具体文字内容，高清

这里要注意，生成出来的 UI 图是用来做概念稿、提案、风格参考的，不是直接可交付的 HTML 页面。如果要做成可上线的页面，还需要设计师在 Figma 或代码里重新还原。

5.6 食品与美妆类目提示词

食品类目核心是食欲感。提示词里建议明确“新鲜、多汁、热气、诱人”等词汇。美妆类目核心是质感和肤色自然。

食品案例：

一份刚烤好的巧克力熔岩蛋糕，放在白色陶瓷盘上，蛋糕表面有轻微裂纹，热巧克力微微流出，旁边点缀新鲜草莓和薄荷叶，背景是浅色木桌，侧逆光，特写镜头，美食摄影，色彩浓郁，高清，无文字

美妆案例：

一支深红色哑光唇釉，带微小水光质感，放在浅米色大理石台面上，背景是柔和奶油色，旁边散落几片玫瑰花瓣，柔光拍摄，产品特写，高级质感美妆产品摄影，高清，无文字

这两类提示词通用的技巧是：不要只写“好吃”“好看”这种抽象词，要写具体的食物状态、光线方位、背景材质，模型才有足够的细节生成画面。

6. 图生图与商品图编辑

GPT-image-2 不只支持文生图，还支持图像编辑。这个能力对电商非常实用，比如把一张刚拍好的产品图丢进去，让它换成不同背景、改颜色、增加道具，而产品主体不变。

6.1 图生图适合做什么

常见的电商图像编辑场景包括：

这些操作如果用 PS 做，需要大量时间和素材；用图生图来做，可以快速得到候选方案。不过要注意，商品主体一致性是图生图的核心问题，如果模型把产品形状改乱了，建议把提示词里的“保持主体一致，不要改变产品外形”写得明确一些。

6.2 图生图接口调用示例

不同服务商的图像编辑接口参数会有差异，下面是一个通用模板，核心结构是“上传原图 + 输入编辑指令 + 返回结果”。

import requests url = "https://api.example.com/v1/images/edits" headers = { "Authorization": "Bearer sk-xxxx" } files = { "image": open("product.jpg", "rb") } data = { "model": "gpt-image-2", "prompt": "保留水杯的外形和颜色，把背景换成夜晚窗台，桌上放一本书，暖黄色台灯灯光", "size": "1024x1024" } resp = requests.post(url, files=files, data=data, headers=headers, timeout=120) if resp.status_code == 200: result = resp.json() print(result) else: print(f"请求失败: {resp.status_code}") print(resp.text)

运行后，建议打开生成图与原图做逐项对比，重点检查三件事：

• 产品外形是否保持原样。
• 产品颜色是否出现错误变化。
• 新背景的光线是否与产品原有的高光方向一致。

如果前两点失败，可以增加提示词描述，比如“杯身是哑光白色，杯口银色，保持这些细节完全不变”。如果第三点失败，说明原图的拍摄光线和新场景不匹配，最有效的办法是前期就准备一张纯白底、光线均匀的产品图作为编辑原图。

6.3 产品多配色提示词

电商选品经常要展示同款多色。你不需要对每个颜色调用一次图生图，可以在提示词里直接说明输出多个产品，或者用批量任务对各颜色分别生成。

同一款运动鞋，分别用红色、白色、黑色三种配色展示，三只鞋并排陈列，白色背景，统一拍摄角度，电商产品摄影，高清，无文字

这类多商品图适合做颜色对比，但产品细节和角度控制难度更高。如果要做正式上架图，建议先单只生成，再后期拼接。

7. 批量生成与接口任务设计

电商一个常见的需求是：一个商品要出多个场景图，或者几十个商品要分别生成白底图。手动一张张调用太慢，所以下面给出一个批量任务的思路。

7.1 准备任务配置

批量任务建议先写一个 JSON 配置文件，把每个任务的提示词、尺寸、输出文件名都列好。这样方便复查，也方便和运营同学对接。

{ "output_dir": "./output", "max_retries": 3, "tasks": [ { "name": "cup_white_bg", "prompt": "一只深蓝色陶瓷马克杯，纯白色背景，商品居中，顶部柔光，电商产品摄影，高清，无文字", "size": "1024x1024" }, { "name": "cup_cafe_scene", "prompt": "一只深蓝色陶瓷马克杯，放在咖啡馆木桌上，旁边有一本书和绿植，自然侧光，中景，氛围感产品摄影，高清，无文字", "size": "1024x1024" }, { "name": "cup_promotion_bg", "prompt": "深蓝色陶瓷马克杯作为主视觉，暖橙色渐变背景，顶部留出空白文字区，电商促销海报底图风格，无文字，高清", "size": "1024x1024" } ] }

7.2 Python 批量调用脚本

下面脚本会读取配置，循环调用生成接口，并把返回的图片 URL 保存到本地。每次请求失败会重试，最多重试 3 次。

import json import os import time import requests # 读取配置 with open("batch_config.json", "r", encoding="utf-8") as f: config = json.load(f) api_key = "sk-xxxx" url = "https://api.example.com/v1/images/generations" headers = { "Authorization": f"Bearer {api_key}", "Content-Type": "application/json" } os.makedirs(config["output_dir"], exist_ok=True) for task in config["tasks"]: payload = { "model": "gpt-image-2", "prompt": task["prompt"], "n": 1, "size": task["size"], "response_format": "url" } success = False for attempt in range(1, config["max_retries"] + 1): try: resp = requests.post(url, json=payload, headers=headers, timeout=180) if resp.status_code == 200: data = resp.json() image_url = data["data"][0]["url"] img_resp = requests.get(image_url, timeout=60) save_path = os.path.join(config["output_dir"], f"{task['name']}.png") with open(save_path, "wb") as f: f.write(img_resp.content) print(f"[OK] {task['name']} -> {save_path}") success = True break else: print(f"[FAIL] {task['name']} 请求失败: {resp.status_code} {resp.text}") except Exception as e: print(f"[ERROR] {task['name']} 第 {attempt} 次异常: {e}") time.sleep(5) if not success: print(f"[SKIP] {task['name']} 重试后仍失败，跳过")

运行脚本后，输出目录下会生成对应的 PNG 文件。建议把运行日志打印到控制台的同时，也写一份到日志文件，方便排查批量任务里哪一张失败。

7.3 批量任务设计原则

批量调用不是把几个请求放在一起就完事，有几个实践建议值得记住：

• 先小批量验证。正式批量前，先用 2 到 3 条任务跑通流程，确认提示词效果和接口参数都没问题，再放量。
• 控制并发数。如果你用的是按量付费 API，并发过高会触发 429 限流。稳妥方案是逐条请求，最多加一点延迟，不要并发打满。
• 文件名要有业务语义。比如product_01_white_bg.png比image_001.png好找得多。
• 失败任务要能单独重跑。不要让整个脚本因为一张图失败而中断，建议把失败任务记录到失败列表，单独重试。
• 预估费用。批量越多消耗越多，跑之前先确认单价。

8. 效果判断与质量优化

不同平台、不同类目的图片要求不一样，但 AI 生图的质量判断有一套通用标准。

先列出电商场景下最容易翻车的几个问题，以及优化方向。

关于画面判断，建议每次都从“主体、背景、光线、风格、细节”五个维度打分。比如一张白底杯子的图，主体是否清晰、背景是否干净、光线是否均匀、风格是否符合品牌调性、杯口细节是否完整。只要一张图能过这五关，基本就合格了。

8.1 提示词优化前后对比

很多时候结果不满意不是模型不行，而是提示词给的信息不够。看一个例子。

初始提示词：

一只保温杯，白色背景，好看一点

这个提示词的问题在于“好看一点”太模糊，模型不知道你要什么光线、什么构图、什么质感。换成下面这种写法，出图稳定性会明显提升。

优化后提示词：

一只白色哑光保温杯，杯身有细腻磨砂纹理，杯盖是不锈钢原色，放在纯白背景台面上，顶部柔光，光线均匀，杯身有轻微高光，居中构图，45 度俯拍，电商产品摄影，高清细节，无文字，无杂物

比较一下可以发现，优化后的提示词把“材质”“配件”“布光”“机位”“风格”“负面限制”全部补齐了。这就是前面说的“六段式提示词结构”在起作用。

8.2 多方案对比

如果你不确定某个场景怎么写，可以用同一套提示词生成多张，然后横向对比。因为图像生成带有随机性，即使提示词完全一样，得到的结果也会有差异。建议每次批量生成时都保留原提示词和生成参数，方便后面复盘。

9. 常见问题与排查方法

API 模型在使用过程中会遇到各种问题，下面整理了一个排查表格，按“问题现象、可能原因、排查方式、解决方案”来梳理。

排查问题时有一个原则：先看返回码，再看日志，最后改提示词。很多新手一遇到问题就直接猜“提示词不行”，其实要先确认接口是否正常返回、参数是否正确、费用是否足够。

10. 总结与建议

GPT-image-2 对电商设计最直接的价值，是让“出参考图”这件事从小时级缩短到分钟级。它适合商品主图方向确认、场景图创意发散、活动海报底图生成、多商品批量出图等场景，尤其是前期提案阶段，能帮运营和设计快速对齐视觉方向。

最先建议验证的功能，还是“白底商品图”和“图生图背景替换”这两个。前者验证模型对产品的还原能力，后者验证编辑能力，两者都跑通了，再往详情页、海报、批量任务方向扩展。

最容易踩的坑有两个。一是让 AI 直接生成含大段中文文字的图片，这类图大概率会出现文字乱码，最好生成底图后自己加字；二是批量任务不控制频率和失败重试，一张失败就断掉整条流程，白白消耗时间。先把小批量跑通，再放量，能省下很多麻烦。

最后补充一点合规提醒：生成商品图、模特图、品牌素材时，请确认你拥有商品素材的使用权、肖像授权或商标授权，并遵守平台的内容审核规则。AI 生图是提效工具，不是回避授权和合规流程的通道。

把提示词模板存好，下次做电商图的时候，直接替换商品名、场景和风格词就能起步。