AI 修图第一批样张怎么定：先锁标准图，再批量跑

假设你今天只有一个新店铺、一批原图和一个很诱人的按钮：批量处理。常见说法是，AI 修图最重要的是把提示词写好，然后把图全跑一遍。这个说法只对了一半。提示词能提高单次输出，首批样张才决定后面 200 张图会不会一起跑偏。

更稳的做法是先在图叮里定一组标准图：哪些地方永远不能动，哪些地方可以交给 AI 修，哪些结果必须退回重跑。标准图定不好，后面所有效率都是放大偏差。标准图定清楚，批量处理才是真正省时间。

这篇不讲抽象方法论，直接给一套从空白项目到可放量的 SOP。它适合电商运营、修图外包负责人和小团队主理人，尤其适合那种“图片不算难，但一返工就是整批返工”的商品图任务。

第一步：先选 12 张首批样张

首批样张不要随机抽。随机抽样看起来公平，实际会漏掉最麻烦的图。一个更好用的分法是五类：主图 2 张，详情局部 3 张，材质特写 2 张，包装或标签 3 张，明显问题图 2 张。数量不神圣，关键是覆盖风险。

图注：首批样张按五类风险分组，先锁禁改区。

先驳斥一个常见判断：只选拍得最好的图做样张。这样会让第一版输出很好看，但不能代表真实任务。批量修图失败常常不是因为好图修不好，而是坏图被模型顺手改过头。比如标签反光、白底压缩、金属边缘、透明材质、包装折痕，这些地方才是首批样张要暴露的问题。

在图叮里处理第一批时，可以把 12 张图分成三栏看：原图、期望结果、禁止变化。期望结果写“背景去灰、主体边缘干净、手机端缩略图更清楚”；禁止变化写“型号字不重写、接口数量不变、品牌贴纸不变、材质颗粒不抹平”。这三栏比一句“修自然一点”有用得多。

如果你已经看过首批 20 张 AI 修图检查清单，可以把那篇当作抽检入口。这篇往前一步，解决的是抽检前标准怎么定。

第二步：把禁改区和可变区分开写

禁改区是商品事实，可变区是交付效果。两者混在同一句提示词里，后面很难定位问题。

禁改区通常包括 6 类：文字、型号、接口、尺寸比例、安全标识、材质结构。它们不一定都在每个品类里出现，但只要出现，就不能被 AI 按“更好看”重写。可变区通常包括背景、轻微污点、压缩噪点、局部反光、构图留白、统一光感。它们可以改，但要有边界。

可以把一张商品图想成两层：底层是事实，表层是呈现。图叮适合帮团队快速处理表层问题，也适合通过局部保护把底层事实守住。不要让一句“高级感”同时管理这两层。它听起来顺，执行时会很危险。

这里要给反例。某个小家电项目里，如果把“让画面更干净”直接用于整批图，AI 很可能把电源线上的白色认证字压淡，也可能把包装盒转角修得过于平整。结果单张图更顺眼，但客服后续解释不了型号和包装差异。更好的写法是：背景灰尘可清理，线缆认证字只增强可读性，不改内容；包装折痕可降低存在感，不重建盒型边缘。

旧文AI 修图提示词版本控制 SOP讲过提示词版本怎么留痕。样张阶段要先做的，是把版本控制的对象写对：不是把每句提示词都存起来，而是存“禁改区、可变区、确认样张、返工原因”这四件事。

第三步：先跑小批量，不要立刻上全量

从零到生产，中间必须有一个小批量阶段。跳过这个阶段，团队会在全量输出后才发现规则不稳。那时不是修 12 张，而是重看一整批。

小批量可以从 12 张样张开始，也可以扩到 30 张。判断标准不是张数，而是问题是否重复。把输出结果并排放到同一屏里，看三件事：同一类材质有没有不同处理，同一类文字有没有清晰度不一致，同一类背景有没有色温漂移。

图注：小批量并排复核，先看材质、文字和色温。

这里可以借用9 张图批处理一致性实验的思路：批量一致性不是靠一句“保持一致”得到的，而是靠参考图、锁定区域和复核口径一起得到的。图叮的价值在于把这些动作放进同一条修图链路里，运营不用在聊天记录、网盘和修图软件之间来回找依据。

小批量结果出来后，不要只问“通过几张”。要把未通过的图按原因归类：禁改区被动了、可变区没修到、整体风格偏了、原图信息不足、需要补拍。前两类可以改规则，第三类要看样张是否选错，第四类和第五类不要硬修。

冷静一点看，第一批样张不是为了证明 AI 很强，而是为了发现 AI 在这批商品上会怎样犯错。发现得越早，后面越省。

第四步：用返工口径决定能不能放量

很多团队把返工写成一句“不自然”。这句话几乎没有管理价值。它不能告诉修图师哪里错，也不能告诉下一轮提示词该改什么。

更可执行的返工口径至少分成四类。第一类是事实错误：文字、接口、形状、尺寸、配件数量被改了。第二类是呈现不足：背景、噪点、反光、构图没有达到交付要求。第三类是一致性问题：同批图色温、阴影、清晰度、裁切节奏不统一。第四类是输入问题：原图缺失关键信息，需要补拍或换图。

只有第二类和部分第三类适合继续放量修。第一类说明禁改区没锁住，必须回到样张规则。第四类说明原图不适合继续救，不要把补拍问题伪装成修图问题。

这一步最能体现图叮和普通单张美化工具的区别。图叮不是只把一张图修漂亮，而是帮团队把“为什么返工”沉淀下来。下一批同类商品进来时，可以直接复用禁改区和可变区，不必从一句新提示词重新开始。

第五步：上线前做一张放量清单

放量前只看通过率还不够。通过率高，可能是标准太松；通过率低，也可能是样张故意选了难图。更稳的做法是做一张放量清单，逐项勾掉。

清单第一项：12 张样张是否覆盖主图、详情局部、材质、标签和问题图。第二项：每张样张是否写了禁改区。第三项：可变区是否写成动作，而不是感觉词。第四项：小批量输出是否并排看过。第五项：返工原因是否能归到前面四类。第六项：需要补拍的图是否从批量任务里拿掉。

如果这六项都过，再进入 50 张或 200 张批量处理。此时图叮的批量效率才有意义：它放大的不是运气，而是一套已经验证过的标准。

最后给一个很硬的判断：如果团队说不清哪几张是确认样张，也说不清哪些区域不能动，就不要全量跑。先停 20 分钟，把样张板补齐。这个停顿看起来慢，实际是在保护后面一天的交付。

第六步：上线前勾掉六个必检项

上线前把这 6 个勾选项贴到任务板上：样张覆盖真实风险；禁改区写到具体位置；可变区写成动作；小批量已经并排复核；返工原因能归类；补拍图已经剔除。缺任何一项，都不建议放量。

图注：放量前六项检查，避免整批返工。

AI 修图的效率不是从“全量开始”来的，而是从第一批样张开始。图叮真正适合放进团队流程的地方，也在这里：先把标准图、保护区和返工口径定住，再让批量处理接手重复劳动。