核心用法
goods-images 是专为电商平台设计的自动化图片生成技能，覆盖淘宝、天猫、京东等主流平台的视觉规范。用户仅需上传商品图片并提供基础描述，系统即可全自动生成 5 张轮播主图 + 9 张详情长图，无需手动操作浏览器或导出。
输入处理逻辑：
- 图片+描述模式：分析商品品类、风格、卖点，自动匹配配色方案与场景背景
- 纯文字模式：先生成商品示意图，再进入标准流程
- 最少追问原则：信息不足时最多补问 1 轮，其余通过图像识别与语义推断补全
技术方案优先级：
1. 首选 PIL 渲染：run_command + Python 精确叠加中文 Logo、促销条、卖点关键词，支持多活动并行展示
2. 降级方案：generate_image 传入原图直接生成，自动适配构图与背景
3. 兜底方案：browser_subagent HTML 渲染（用户可见窗口，体验较差）
轮播图规范（800×800px）：
- 3 张模特/场景图（根据品类智能选择全身/半身/特写构图）
- 1 张原图场景化
- 1 张白底商品特写
- 统一叠加：品牌 Logo（左上）、卖点关键词（左侧竖排半透明条）、季节标签+促销条（底部）
详情图规范（790×1100px）：
按优先级编排 9 张：主图封面 → 核心卖点图（2-3张）→ 细节标注 → 使用场景 → 规格参数 → 尺码对照（服饰类）→ 售后保障。支持风格自适应（简约高端/营销促销/种草生活/科技未来）。
显著优点
1. 商品保真机制：强制将用户原图传入 ImagePaths，确保图案、Logo、颜色零偏差，仅在原图基础上做排版包装
2. 零用户操作：全流程后台自动完成，直接对话输出成品图，无需手动导出或页面操作
3. 智能品类适配：自动识别上衣/裤装/鞋履/数码/食品等品类，匹配对应构图、场景背景、尺码范围
4. 季节自适应：tag_text 根据当前月份自动判断（年货节/春夏/秋冬上新等），避免硬编码
5. 鲁棒性设计：三级技术兜底 + 错误隔离（单图失败跳过继续，最多重试 2 次）
潜在缺点与局限性
1. 中文渲染依赖环境：PIL 方案需要系统字体支持（PingFang/Noto/Droid），部分 Linux 环境可能降级到 generate_image，文字效果略逊
2. 模特图可控性有限：generate_image 生成的人物形象存在随机性，无法保证与商品 100% 贴合（如袖长、版型细节）
3. 复杂排版受限：9 张详情图的布局模板相对固定，高度定制化需求（如特殊互动组件、视频切片）无法覆盖
4. 促销合规风险：自动生成的「1件9折」「官方立减」等文案若与实际店铺活动不符，可能触发平台虚假宣传管控
5. 版权隐患：generate_image 生成的场景背景、模特形象存在潜在版权争议，商用需谨慎
适合人群
- 中小电商卖家：无专业设计团队，需快速产出标准化商品素材
- 代运营/美工外包：批量生成初稿，人工微调后交付
- 多平台铺货商家：一套素材适配淘宝、京东、拼多多多平台尺寸
- 季节性上新场景：秋冬/春夏批量换图，自动匹配季节标签
常规风险
| 风险类型 | 具体表现 | 缓解建议 |
|---------|---------|---------|
| 虚假宣传 | 自动生成的折扣文案与实际活动不符 | 人工复核后替换真实促销信息 |
| 版权争议 | AI 生成场景/模特的商用授权不明确 | 高价值商品建议实拍替换 AI 场景图 |
| 平台审核 | 详情图文字过小/对比度过低被驳回 | 生成后人工抽检可读性 |
| 技术降级 | PIL 不可用时文字渲染质量下降 | 提前确认运行环境字体配置 |
| 商品不符 | 品类识别错误导致构图偏差（如裤子用半身照） | 用户主动提供品类关键词纠正 |