Nano Banana 2 Direct

核心功能

nano-banana-2-direct 是基于 Google Gemini 3.1 Flash Image Preview API 的图像生成与编辑工具，采用直接 API 调用模式，摆脱了对 inference.sh 的依赖。该 skill 同时支持文生图（text-to-image）和图生图（image-to-image）两种工作流，提供 1K（默认）、2K、4K 三种分辨率选项，可满足从快速草图到高质量成品输出的全链路需求。

显著优势

架构简洁：纯 Python 实现，仅依赖 google-genai 和 pillow 两个核心库，通过 uv 快速部署；成本友好：推荐「草稿→迭代→定稿」工作流，先用 1K 快速验证提示词，确认后再用 4K 输出，避免高分辨率试错的资源浪费；灵活编辑：支持上传现有图片作为基底，通过自然语言指令完成风格转换、元素增删、光影调整等精细化操作；安全调用：API Key 支持命令行参数与环境变量双模式，脚本内置预检机制（uv 可用性、密钥有效性、输入文件存在性），降低运行时故障率。

潜在局限

预览版稳定性：Gemini 3.1 Flash Image 尚处 Preview 阶段，API 行为、速率限制或可用性可能变动；配额敏感：Google AI Studio / Vertex AI 的免费层级有每日请求上限，高并发场景需准备多 Key 轮换或付费方案；输出可控性：与专用图像模型（如 Midjourney、Stable Diffusion XL）相比，Gemini 在复杂构图、精细文字渲染、特定艺术风格一致性方面偶有波动；本地依赖：虽无需 inference.sh，但仍需 Python 3 环境及 uv 包管理器，对纯容器/无 Python 环境不够友好。

适合人群

• 需要快速原型验证的创意工作者与提示词工程师
• 追求低成本迭代的独立开发者与小团队
• 希望无缝集成到 OpenClaw 工作流、避免额外推理服务的用户
• 有现有素材需二次编辑（换风格、调光影、修元素）的设计师

常规风险

| 风险类型 | 说明 | 缓解措施 |

|---------|------|---------|

| 密钥泄露 | 命令行 `--api-key` 可能残留于 shell 历史 | 优先使用 `GEMINI_API_KEY` 环境变量 |

| 配额耗尽 | 高频调用触发 Google 速率限制 | 实施阶梯式生成策略，准备备用 Key |

| 路径错误 | `--input-image` 指向不存在的文件 | 利用预检 `test -f` 提前验证 |

| 版权争议 | 生成内容可能包含训练数据相似元素 | 商用前进行人工审核与必要修改 |

| 输出位置 | 若未注意当前工作目录，文件可能保存到意外位置 | 严格遵循「不 cd 进 skill 目录」的执行规范 |

核心用法

Nano Banana 2 Direct 是一款直接调用 Google Gemini 3.1 Flash Image Preview API 的图像生成与编辑技能。用户通过 uv run 命令执行 Python 脚本，无需进入技能目录即可在任意工作目录生成或编辑图像。

文本生成图像：使用 --prompt 参数描述所需图像内容，--filename 指定输出文件名，可选 --resolution 设定 1K/2K/4K 分辨率（默认 1K）。图像编辑：通过 --input-image 参数传入现有图像路径，结合编辑指令提示词实现风格转换、元素增删、色彩调整等操作。

技能内置推荐工作流：草稿阶段（1K）→ 迭代优化 → 终稿（4K），避免在提示词未定型时消耗高分辨率生成时间。文件名自动生成遵循 yyyy-mm-dd-hh-mm-ss-descriptive-name.png 格式，确保文件有序管理。

显著优点

1. 零中间依赖：直接调用 Gemini API，无需 inference.sh 等第三方服务，降低架构复杂度和潜在故障点。

2. 成本效益优化：推荐的分级工作流（1K 草稿 → 4K 终稿）显著减少 API 调用成本，适合需要频繁迭代的创意场景。

3. 灵活分辨率支持：原生支持 1K（约 1024px）、2K（约 2048px）、4K（约 4096px）三档输出，满足不同场景的画质需求。

4. 智能提示词模板：提供生成和编辑双模板，在用户需求模糊时结构化拆解主题、风格、构图、光照等维度，提升出图命中率。

5. 环境安全设计：API 密钥优先从环境变量读取，无硬编码凭证风险，符合安全最佳实践。

潜在缺点与局限性

1. 外部依赖不可控：核心功能完全依赖 Google Gemini API 的可用性和稳定性，服务中断、区域限制或政策变更将直接影响技能运行。

2. 版本锁定不足：依赖 google-genai>=1.0.0 和 pillow>=10.0.0 使用最低版本约束，可能导致不同环境构建结果不一致，存在兼容性风险。

3. 无本地重试机制：当前实现缺乏 API 调用超时和指数退避重试逻辑，网络波动时易失败。

4. 编辑精度受限：虽然支持图生图编辑，但复杂编辑任务（如精确抠图、多元素独立控制）依赖提示词工程，精细度不及专业图像编辑软件。

5. 隐私合规考量：用户提示词和输入图像需上传至 Google 云服务，敏感内容存在数据出境合规风险。

适合的目标群体

• AI 辅助设计师：需要快速生成概念稿、风格参考图或进行草图迭代的专业设计人员。
• 内容创作者：自媒体运营者、营销人员，用于生成社交媒体配图、封面图等视觉素材。
• 开发者与原型团队：需要在产品原型阶段快速产出 UI 示意图、场景概念图的敏捷开发团队。
• 教育科研用户：需要生成示意图、可视化素材的教师和研究人员（需注意数据合规）。
• 效率工具爱好者：希望通过命令行工具集成 AI 绘图能力到个人工作流的技术用户。

常规使用风险

1. API 配额与成本风险：Gemini API 存在调用配额限制，高频使用或 4K 大分辨率生成可能快速消耗免费额度或产生计费。

2. 网络稳定性依赖：国内用户访问 Google API 可能需要代理配置，网络延迟或中断会导致生成失败。

3. 依赖供应链风险：google-genai 和 pillow 的更新可能引入破坏性变更或安全漏洞，需定期审查 CVE 公告。

4. 输入验证缺失：当前版本对提示词长度和输入图像大小无硬性限制，超大输入可能导致内存占用过高或 API 拒绝。

5. 输出质量不确定性：AI 生成图像存在随机性，即使相同提示词多次运行结果也可能差异显著，关键项目需预留校验和重试时间。