AI 修图变量表怎么做：同一批商品别让提示词把事实、背景和尺寸混在一起

同一批商品要用 AI 修图，目标不是把提示词写得更长，而是让每张图都知道哪些地方不能动、哪些地方可以换、最后要交给哪个渠道。做完这张变量表，你会得到一套能放进图叮任务里的批量修图口径：商品事实归商品事实，背景归背景，尺寸归尺寸，验收归验收。

图注：变量表把事实、画面、尺寸和验收拆开

变量表不浪漫，甚至有点慢。可它能少掉很多返工。团队实际经验里，2026 年 5 月的一次内部复盘把问题拆得很清楚：同一组 30 张商品图，有 7 张不是因为 AI 不会修，而是因为“白底更干净”“标签别动”“详情页要留右侧文案位”被写在同一句话里，图像任务没有优先级。人看得懂，机器未必分得开。

如果你已经在做提示词版本管理，可以先读 AI 修图提示词版本管理 SOP；如果准备放量，再看 AI 修图第一批 20 张怎么验收。本文解决的是两者之间的空档：提示词进入批量之前，先把变量表搭好。

Step 1：先把商品事实列出来

第一列只放不能被 AI 顺手“优化”的东西。它不是审美要求，而是商品事实。

建议至少写 6 类字段：型号、颜色、材质、结构、标识、瑕疵。不同品类可以再加细项。手机壳要写孔位、磁吸圈、边缘厚度；食品礼盒要写净含量、日期区、封口贴；工业品要写铭牌、接口、安装孔和警示贴。不要把“更高级”“更通透”“更有质感”放到这一列，那些属于画面字段。

团队实际经验里，杭州滨江一间电商摄影棚的修图交接常会先做一张“事实卡”。卡片不追求好看，只写明 12 个不能错的点：颜色名、规格名、标签位置、包装封口、配件数量、明显瑕疵等。这个做法放进图叮也一样，先把禁改区和事实字段对上，再谈画面。

这一列的写法要克制。Rena.H 这类做 AI 视觉的人会很在意边界：少写形容词，多写可观察对象。比如不要写“保留真实质感”，改成“保留帆布纹理、拉链齿、金属扣边缘磨痕”；不要写“保持包装完整”，改成“盒盖左上角折痕、条码、生产日期区不可重绘”。

可以照这个表头开局：

• sku_id：商品编号或文件名。
• fact_lock：必须保持的商品事实。
• risk_area：最容易被 AI 改坏的位置。
• evidence_note：售后或客服会用到的证据。
• reject_if_changed：一旦变化就退回的条件。

这一步完成后，你应该能回答一个问题：如果这张图修完更漂亮，但买家按图收到货会质疑哪里？答不出来，就还没写完事实列。

Step 2：再写允许变化的画面字段

第二列才写“可以变”的内容。背景、光影、裁切、道具、留白、阴影，都放在这里。

这一步的关键是把“改画面”和“改商品”分开。比如“换成浅灰背景”是画面字段；“让商品看起来更薄”不是，因为它会碰到商品事实。再比如“右侧留 30% 空间给详情页文案”是构图字段；“把包装边缘修得更整齐”要先回到事实列判断，包装边缘是不是商品状态的一部分。

内部复盘里，设计和运营最容易争的不是背景，而是优先级。运营说“主图要干净”，设计说“详情页要有氛围”，客服说“标签不能糊”。如果这些话全部塞进一条提示词，AI 会把它们当成同级要求。变量表的作用，是让图叮先知道：商品事实高于画面优化，禁改区高于背景重绘，渠道尺寸高于局部装饰。

画面字段可以这样写：

• background_task：白底、浅灰、场景、延展、去杂物。
• lighting_task：提亮、压反光、保留接触阴影、统一色温。
• composition_task：居中、左侧留白、右侧留白、裁成 1:1 或 3:4。
• style_reference：参考样张编号，不写抽象风格词。
• avoid_visual：不要科技感、不要夸张道具、不要改商品比例。

这里要特别小心“高级感”这类词。它听起来温柔，落到图像上可能变成过度磨皮、强反光、虚假的材料质感。更稳的写法是把审美拆成物理动作：背景降低饱和度，阴影贴地，金属边缘保留冷光，布料纹理不做过度平滑。

Step 3：给每个渠道单独留尺寸列

同一张商品底图，不该只输出一个结果。主图、详情页、直播首帧、客服举证图，看的是同一个商品，却承担不同任务。

图注：同一底图按渠道拆成四种输出任务

主图要在缩略图里看清主体；详情页首屏要留卖点文案位；直播首帧要给价格和主播贴片留空间；客服举证图要能放大看标签、瑕疵或配件。把这些都写在一列里，迟早互相打架。

真实项目脱敏后看，深圳南山一家小型 3C 店铺在 2026 年 4 月做过一次 48 张配件图整理。问题不是图片数量大，而是每张图要出 3 个渠道版本：平台主图、详情页局部、客服解释图。后来他们把变量表加了 channel_output 列，返工讨论从“这张不对”变成“主图版对，客服版缺少接口局部”。这类拆法更适合用图叮继续批量处理。

渠道列可以拆成这样：

• main_image：主体占比、背景、缩略图可读性。
• detail_section：需要给文案、箭头或局部放大的位置。
• live_cover：首帧留白、价格贴片区、主体方向。
• service_proof：客服解释图必须保留的局部证据。
• fallback_version：如果渠道版失败，回到哪张底图。

如果你的批量图超过 20 张，再配合 批量修图抽检比例怎么定 来决定抽检范围。变量表管输入，抽检表管输出，两张表不要混成一张。

Step 4：用图叮把禁改区和样张绑定

变量表写完，不等于可以直接放量。它要进入图叮，变成具体的禁改区、可修区和样张。

操作顺序建议这样走：

1. 先上传 3 到 5 张代表图，不要一上来全量。
2. 在图叮里框出禁改区：标签、孔位、接口、材质纹理、瑕疵、配件边缘。
3. 把变量表里的 fact_lock 对应到每张图的禁改区。
4. 选一张最接近目标效果的样张，绑定到 style_reference。
5. 输出一轮小样，只验事实列和可变列有没有冲突。

这里的美感要收住。AI 很擅长把画面修得顺滑，却也容易把“真实商品”修成“概念商品”。图叮的价值不是让每一张图都更像广告片，而是让修图动作有边界：哪里不能碰，哪里可以试，哪里需要回滚。

团队实际经验里，美工小赵这类角色最怕的不是多点几下，而是每次返工都要重新解释一遍。变量表一旦和图叮的禁改区绑定，沟通会变短：看第 4 行，risk_area 是条码和封口贴；看第 7 行，composition_task 是右侧留白；看第 12 行，客服版要保留接口局部。

Step 5：只放开一小批样张先跑

小批样张不是为了拖慢进度，而是为了提前发现变量表哪里写错。

建议先选 5 张：一张标准图、一张反光重的图、一张标签多的图、一张边缘复杂的图、一张渠道要求最严格的图。跑完以后只看 4 件事：

图注：五张代表图先跑，提前暴露批量风险

• 商品事实有没有变化。
• 画面字段有没有执行到位。
• 渠道尺寸有没有留出正确空间。
• 禁改区和可修区有没有互相覆盖。

如果 5 张里有 2 张同类错误，先改变量表，不要继续改提示词。提示词越补越长，常常只是把问题藏到下一批。变量表要做的是减少变量，不是堆更多愿望。

内部复盘口径里，有一类返工特别典型：同一批商品图背景变干净了，但所有瓶身标签被轻微重绘。单张看不明显，批量上架后才发现批号字体不一致。遇到这种问题，不要只写“标签保持不变”，而是把标签放进 fact_lock，把瓶身区域放进图叮禁改区，再在 reject_if_changed 里写“标签文字、批号区、条码形状任一变化即退回”。

Step 6：把返工原因写回变量表

变量表不是一次性文档。每次返工，都要把原因写回去。

建议把返工原因分到 4 类：

• 事实错误：型号、颜色、标签、孔位、配件、瑕疵被改。
• 画面错误：背景、光影、阴影、裁切、道具不符合要求。
• 渠道错误：尺寸、留白、局部图、首帧构图不适配。
• 验收错误：样张不清楚、抽检比例不够、退回条件没写明。

分类以后，下一轮动作会更清楚。事实错误回到禁改区；画面错误回到可变字段；渠道错误回到输出列；验收错误回到样张和抽检。不要把所有问题都归成“AI 不稳定”，那样下一批还会重来。

这也是变量表最像产品工作的地方。它不追求一句话解决所有图，而是把每一次失败沉淀成下一次的边界。对小团队来说，这比追一个更漂亮的提示词更可靠。

验证方法很简单：拿任意一张修完的图，沿着变量表从左到右看一遍。事实列没有变化，可变列已经执行，渠道列能落到对应尺寸，返工原因有归档位置，这批图才算进入可交付状态。下一次再写提示词时，不要从空白开始，从这张表开始。