发帖
雷达卡
资料名称： Daniel Ball AI图像生成指南，即 danielball.com 的 notes 栏目下题为 AI Image Generation 的长文，从模型原理、类型与成本一路写到提示、代码接入与智能体接入
帖内资料： 指南覆盖的环节，海报与像素图两组案例的做法和出图数，文中点名的模型与接口（Flux Schnell、FLUX 3 Image Klein、Meta Muse Image、GPT Image 1.
5、Gemini 2.5 Flash Image、Nano Banana
2、Nano Banana Pro）与平台（OpenRouter、Replicate、fal.ai、OpenAI API、Gemini API、本地 mflux 与 ComfyUI），提示写法与结果记录的具体条目，以及三种代码接法
时间覆盖： 文内价格对照表标注为 2026 年 10 月的行情；同主题讨论串显示 4 天前提交；本机读取日期 2026-10-28
许可与引用： 原页未公布转载许可，本贴只整理其中已公开的章节、模型名与做法，不复制原文图片、不转载原文段落
适用任务： 想按张计费批量出图的，想把生成接进 Python 项目或智能体的，想弄清一张图到底花多少钱的
这份指南是什么
作者把它写成一篇从扩散模型讲到智能体的实操长文，开篇一句就把范围定下来：模型大致怎么工作、有哪几类、在 ChatGPT 里实际拿到的是什么，以及怎么把图像生成接进自己的代码和智能体。
内容来自他自己用 Python 调几家图像服务做的一批实验：像素图精灵、写实牌桌背景、一整套餐厅海报，页上每张图都是那批实验的产物，实验刻意绕开了订阅制，要么按张付费走接口，要么本地跑。
指南覆盖哪些环节
正文从简史、模型原理、生成类型与成本一路排到提示、像素图、接入代码与接入智能体，最后附上术语表与资源清单。
成本那节给了 2026 年 10 月的一张对照表：本地 Flux Schnell 为 0 美元，Replicate 或 fal.ai 上的同款约 0.003 美元，Recraft V4.1 Flash 约 0.007 美元，FLUX 3 Image Klein 约 0.009 美元，Meta Muse Image 约 0.01 美元，GPT Image 1.5 按低中高三档为 0.009、0.034、0.133 美元，Gemini 2.5 Flash Image 约 0.039 美元（走 Batch API 减半），Nano Banana 2 与 Nano Banana Pro 约 0.045 美元起和 0.134 美元起。
同节还有两条：你买的是画布不是内容，一张素木桌和同尺寸的精细油画一个价；模型基本在 512 到 1600 像素之间工作，32×32 的小图得先出大图自己缩。
海报案例
作者给自己出的题是：能不能做出一张不一眼就被认成 AI 的餐厅海报。
第一版是丝网印刷风的 trattoria 海报，写法不是描述「看起来怎样」，而是描述一套真实印刷工艺：无光纸上的三块专色、轻微套印不准、扫描件而非照片、偏离中心的构图。
更难的题是 90 年代的汉堡海报，要求食物看着真。AI 的食物普遍太完美太亮，于是他指定 1996 年中画幅胶片并主动要瑕疵：歪掉的面包胚、发白的冬季番茄。第一版食物不错，整体却像加了复古滤镜——漫画字体加做旧痕迹；真实海报应当是干净的企业风，于是改出那一版：干净扫描件、平涂红底配早期 Photoshop 渐变、抠图产品照加略均匀的投影、朴素粗斜体，甚至直接写「competent and slightly bland」。
为了对照，他又点了一版最糟版本：Unreal Engine、体积光、悬浮食材、一个星系，回图是没有底胚的肉饼和从太空落下的薯条。他的判断是拼写已经不再是破绽，现在的破绽是每个元素都被拉到最满。
像素图案例
骑士精灵用 Gemini 2.5 Flash Image，7.5 秒、约 0.039 美元，干净且像那么回事，但它是「一张 1024×1024 的精灵图」而不是精灵：像素块大小不一、不在真正的网格上、配色远超一套调色板。要能用还得去背景、最近邻缩到网格、压调色板，都在普通代码里做。
既然按画布付费，自然的做法是同一张图里塞很多精灵。要 100 个奇幻物品图标那次，一次调用回了 156 个、约 140 个不重复，折合每个约 0.00025 美元。同一角色的多姿势就不行了：4×4 网格给出约 13 个不同姿势，要 10×10 则回了一张同一个骑士盖 120 次的图。
这批实验是七次调用、约 0.27 美元，换来三条：物品类 10×
10、角色姿势 4×4 是甜点区，再往上 variety 和质量一起掉；网格由模型决定，要 8×8 会拿到 6×6，别按固定网格切；所有精灵一起缩放，否则逐格填满会让角色在动画帧之间忽大忽小。
提示怎么写，结果怎么记
提示那节的核心一句话是「描述相机，不要描述视图」。牌桌背景那次，光说「正上方俯视」不够——模型学的是照片，桌子的照片大多是斜着拍的，第一批出来的都是有墙有窗的桌子，道具全挤在一侧。改成描述正交平铺、相机垂直向下、桌面铺满画幅，再写明道具分散在四条边、每个都要小并被画幅边缘切掉，问题基本解决。
其他条目：写清它是怎么被做出来的（相机位置、镜头、胶片、布光、印刷工艺、扫描方式），删掉 stunning、hyper-detailed、8K 这类词，直白写布局，文字放进引号并写明按原样拼写、出图后校对，同一提示出两三个变体比反复改提示便宜。
结果记录方面，每张图都要记下提示、模型、参数、输出尺寸、耗时与费用，理由是各家成本上报不一致：OpenRouter 返回实收金额，OpenAI 和 Gemini 只给 token 数、算式留给你。提示和参数跟着图一起存，几个月后才能复现一次好结果。另外：provider 和 model 放配置而不是代码里，检查回来的尺寸和格式，单测用返回固定图的假 provider。
代码里怎么接
第一条是给每家服务套一层薄接口：OpenAI 是 images 端点，Gemini 把图放在类聊天的响应里，OpenRouter 按模型分两个端点，本地 Flux 是 Python 库或命令行工具，全藏进同一个函数，换供应商只改配置。文里给了 dataclass 加 Protocol 的骨架，返回值带上 provider、model、prompt、seed、cost_usd 与 metadata。
给智能体接则有三种：命令行脚本（作者自己用的就是这种）、MCP 服务（给了 FastMCP 的十几行例子，强调把图片本身而不是路径返回给智能体）、以及自己写 function calling 定义 generate_image 工具。
页末交代了这批实验的跑法：用 Claude Code 当智能体，配一个调接口的小 Python 脚本，作者用大白话提需求，由智能体写详细提示、按 OpenRouter 价目表挑模型、跑脚本、打开每张图并如实说哪里不对；OpenRouter 中途改接口，也是智能体自己发现报错、改完代码接着跑。
原页在哪
原文在作者个人站 danielball.com 的 notes 栏目，页面标题 AI Image Generation，公开可读。同主题讨论串在 Hacker News，提交者 westsmith。完整网址和引用提醒放在下面。
────────────────
原页地址、讨论串地址和引用提醒都在下面，回帖即可查看。
京公网安备 11010802022788号
