本文由 莫潇羽@无忆研习社(www.wuyi.wiki) 撰写,转载请注明出处。

快速摘要

先说结论:做电商产品图的精准控图,本质上是"把脑子里的画面用色块翻译给 AI"。整个流程可以拆成五步——用豆包/DeepSeek 拆解参考图结构 → 在 PS 里把白底产品抠出来并搭一张色块草稿 → 把色块图丢到即梦的图片模式里跑底图 → 用局部重绘修瑕疵 → 回 PS 替换真实产品并统一光影。三件套打通后,出图可控性会从"随机抽卡"提升到"按图施工"。新手最容易翻车的地方在两点:色块颜色挨太近导致 AI 识别混乱,以及提示词太长权重失焦。后文会把每一步的操作细节、提示词写法、踩坑清单全部摊开来讲。

想看完整拆解,往下翻。

一、开篇:AI 生图的"控制焦虑",到底卡在哪里

我自己最早玩 AI 生图的时候,体验是这样的:写一段提示词丢进去,出来四张图,挑一张顺眼的——然后被甲方/老板退回,理由是"产品的位置不对""背景植物太满""我要的不是这个调子"。

这就是大多数人对 AI 生图的第一印象:好看,但不可控。

更具体一点说,AI 生图的不可控体现在几个地方:

• 构图随机。同一段提示词,跑出来的四张图构图差异巨大,产品有时在左,有时在右,有时被花草盖住一半。
• 细节失焦。AI 喜欢"自由发挥",你说要简约,它给你塞满装饰;你说要紫色背景,它给你来个粉紫渐变。
• 风格漂移。同一个项目要做十几张图,十几张图的风格统一不起来,放到详情页里乱七八糟。

对纯个人创作来说,这种"惊喜感"反而是优点。可一旦进入电商场景——主图、详情页、Banner、节庆海报——构图、风格、产品姿态必须精准、统一、可复用,惊喜就变成了麻烦。

我自己折腾下来,真正能解决这个问题的不是"找一个更牛的 AI",而是搭一条工作流。让 AI 在我给它划好的圈子里发挥,而不是放任它自由跑。这套工作流我把它叫做"精准控图"——莫潇羽@无忆研习社给它起的内部代号是"按图施工"四个字。

二、底层原理:从"抽卡"到"按图施工"的转变

要把这套流程讲清楚,得先讲一个底层概念,不然后面所有操作都像玄学。

2.1 AI 生图本质上是"从噪声里雕图像"

主流的图像生成模型(扩散模型,Diffusion Model)的工作方式可以白话总结成这样:

从一张纯随机噪声的图开始,根据你的提示词一步一步把噪声"去掉",最后变成一张和提示词相关的图。

这个去噪过程不是一次完成的,而是分了几十甚至上百步。在去噪的早期阶段,模型主要决定"画面里哪一块是什么东西"——构图。到了去噪的后期,模型才开始填细节、加纹理、画光影。

这里就有一个关键点:构图是在去噪的最早期被决定的,等模型跑到一半再让它"换个构图"基本没戏。这就是为什么单靠提示词控构图特别难——提示词更擅长描述"内容"和"风格",对"位置"和"区域"的引导能力天然偏弱。

可以打个比方:扩散模型就像一个雕塑家,前 20% 的时间是在敲大的轮廓——决定这块石头将来是个人、是个房子、还是个动物,中间 60% 的时间在刻五官、刻门窗、刻毛发,最后 20% 是抛光。一旦轮廓敲定,后面再怎么精雕细琢,大体形状已经无法改变。提示词的影响贯穿整个过程,但在轮廓阶段权重最高——而轮廓阶段恰恰是 AI 最不擅长精确解析"位置语言"的阶段。

你说"产品在画面中央",AI 大致能懂;你说"产品在画面右下偏中间一点的位置,头部朝向左上 45 度",AI 就要靠抽卡了。这种"位置语言"对人类来说是直白的,对模型来说却是高度抽象的——它需要把每一个空间词翻译成像素坐标,而这个翻译过程本身就有大量歧义。

2.2 为什么纯文字提示词不够用

你写"产品放在中央,左边是花丛,右边是岩石,背景是紫色渐变",AI 能不能听懂?——大致能听懂,但理解能力会根据元素数量指数级下降。元素一多,AI 就开始打架:岩石可能跑到中间,花丛可能压住产品,紫色渐变可能变成纯紫色背景。

这里有一个工程上的硬限制。早期的图像模型对提示词的处理是有 token 数量限制的,比如 77 个 token 上限,超过的部分要么被截断、要么被弱化处理。即使是新一代模型放宽了限制,提示词越长,后面的关键词权重就越低,模型会越来越"偷懒"地忽略后半段描述。

我自己的体感是:一段提示词如果超过 100 个字,后半段基本就是"AI 看心情发挥"。所以光靠文字硬怼细节,在电商场景里走不通。

2.3 色块图是怎么救命的

那怎么办?——上视觉化的结构引导。

最直观的做法,就是给 AI 一张"色块图"。这张图不需要画得多好看,只要在画布的不同位置涂上不同颜色就行。每个颜色代表一个语义区域——蓝色代表背景、绿色代表岩石、红色代表植物、黄色代表水面、黑色代表产品。

AI 看到这张色块图之后,它的"去噪起点"就不再是纯随机噪声了——而是带有明确空间结构的引导。它知道每一块该长成什么样子,只需要把那些色块按提示词描述的内容"具体化"。

这种思路在专业的 AI 绘画圈里有一个学术名字,叫语义分割引导(Semantic Segmentation),在 Stable Diffusion 体系里通过 ControlNet 的 Seg 模型实现。它的核心思想是:把图像的每个像素打上语义标签,然后让模型按这些标签去生成。

即梦把这套能力做成了对普通人友好的"图片模式"——你不需要懂 ControlNet,不需要写复杂的参数,直接上传一张色块图当参考,它会自动识别空间结构。

2.4 一张图看懂控制流的差异

传统方式:
   纯文字提示词 ──> AI ──> 随机构图 ──> 抽卡
                              ↑
                           失控点

控图方式:
   色块图 ─┐
            ├──> AI ──> 按色块布局 ──> 可控产出
   文字提示 ─┘                  ↑
                           可控点

简单说就是:多给 AI 一份视觉化的"施工图",它就不再瞎跑。莫潇羽@无忆研习社把这一点称为整个工作流的"内核",其他所有操作都是围绕它展开的。

三、工具链:豆包+PS+即梦的三角组合

整个流程涉及三个工具,每个工具在链路里扮演的角色不一样。我把它整理成下面这张表,方便你对应自己手头有什么、缺什么。

3.1 豆包扮演什么角色

豆包(以及 DeepSeek)在这套流程里不是用来生图的,它的作用是当"翻译官":把一张参考图翻译成一段结构化的文字描述。

为什么需要这个步骤?因为人脑对"画面"的描述能力天然弱。你看到一张漂亮的产品图,可能只会说"很高级""有质感""挺好看的"——这些词丢给 AI 完全没用。大模型则可以把这张图拆解成可执行的描述:这是一张极简风格的产品摄影图,背景是从顶部深紫到底部粉紫的垂直渐变,主体居中,左侧有少量紫色细碎小花,右侧有岩石质感的装饰元素,水面位于底部,带轻微涟漪,整体光源为顶部柔光……

这种粒度的描述,正是后面跑图时需要的"原料"。

3.2 PS 扮演什么角色

PS 是这套流程里唯一"动手做"的工具。它干两件大事:

• 前期搭色块图——把参考图的空间结构用纯色块复刻出来,作为给 AI 的"施工图"。
• 后期合成——AI 跑出来的图往往产品细节会糊,需要把真实产品抠出来贴回 AI 背景上,再统一调色和光影。

如果你完全不会 PS,网页版的 Photopea 几乎可以替代 PS 的所有基础功能,免费,免下载。我自己出差时电脑上没装 PS,就用 Photopea 顶着用,完全没毛病。

3.3 即梦扮演什么角色

即梦是这套流程里实际跑图的引擎。它的几个关键能力刚好覆盖了产品图制作的全链路:

• 图片生成模式:支持上传参考图+文字提示词,这是色块控图的入口。
• 智能画布:把 Midjourney + Stable Diffusion + Photoshop 的工作流集中在一个界面里,支持局部重绘、扩图、抠图、超清放大。
• 局部重绘:圈出画面里不满意的区域,单独让 AI 重画这一块,其他区域保持不变。
• 智能高清/超清放大:把出图分辨率从原始尺寸放大到 2K 甚至更高,适配电商主图对清晰度的要求。

官方地址:https://jimeng.jianying.com/——这个链接我交叉核实过,目前是有效的。

3.4 三角组合为什么能跑通

把这三个工具组合到一起,链路就变得很清晰:

flowchart LR
    A[参考图] --> B[豆包/DeepSeek<br/>拆解结构]
    A --> C[PS<br/>抠产品+搭色块]
    B --> D[结构化提示词]
    C --> E[色块图]
    D --> F[即梦<br/>图生图]
    E --> F
    F --> G[底图四选一]
    G --> H[即梦<br/>局部重绘]
    H --> I[智能高清放大]
    I --> J[PS<br/>替换产品+合成]
    J --> K[最终出图]

每一步的产出物都是下一步的输入,环环相扣,谁都替换不了谁。豆包搞不定空间结构、PS 跑不出 AI 背景、即梦没办法直接换上真实产品——必须三个工具配合。

四、第一步:找参考与拆解结构

任何 AI 出图项目,开头都绕不过去一个问题:你脑子里有没有一张参考图。

4.1 怎么找一张合用的参考图

我的做法是,先在豆包、即梦的创意社区、小红书、Pinterest 这几个平台上搜——关键词不是产品名,而是风格关键词+品类。比如:

• 想做一张高端吹风机产品图,搜"极简产品摄影 渐变背景 紫色"。
• 想做一张护肤品场景图,搜"自然元素 摄影构图 化妆品"。
• 想做一张数码产品图,搜"科技感 冷色调 几何构图"。

搜出来的不一定要是你的同品类——核心是学结构、学配色、学光影,产品本身是可以替换的。

如果实在搜不到合用的,可以让豆包直接生成一张。豆包本身就有文生图能力,你描述清楚需求,它会给你出 4 张备选。这一招对版权敏感的甲方场景特别好用——参考图本身就是 AI 生成的,后续不存在侵权扯皮。

4.2 用 AI 拆解参考图

参考图找到之后,第一件事不是直接丢给即梦,而是先扔给豆包(或者 DeepSeek)做一次"结构拆解"。我自己用的提示词模板大致是这样:

请详细描述这张图片的视觉结构,具体包括以下维度:

1. 整体风格(极简/复古/科技感/田园/赛博朋克 等)
2. 背景特征(纯色/渐变/纹理 + 主色调)
3. 主体位置(居中/三分构图/对角线)
4. 装饰元素(花、植物、岩石、水面等),分别描述其位置与颜色
5. 光源方向(顶光/侧光/逆光),光线柔硬
6. 色调倾向(冷/暖/中性)
7. 摄影机视角(平视/俯视/微仰)

把这段模板和参考图一起发给豆包,它会给你一份相当详细的结构报告,几百字到一千字不等。这就是后面写提示词的"骨架"。

4.3 抓住"可拆分"的元素,而不是"可描述"的元素

这里有一个新手很容易踩的坑:把豆包返回的全部内容原样复制到即梦里。这样做的结果一般都不好——因为豆包描述里有大量主观词("营造高级感""氛围温暖宁静"),这些词对 AI 出图没什么实际指导意义,反而会稀释关键描述的权重。

我的做法是,把豆包的描述分成两类:

• 可拆分的元素:背景颜色、装饰物种类、产品位置、光源方向——这些直接对应后面色块图的不同区域,要保留并强化。
• 可描述的元素:整体风格、画质级别、艺术氛围——这些放在提示词的开头作为"基调"。

我会把这些信息整理成一个结构化的小本子,大致长这样:

project: 高端吹风机产品图
style: 极简产品摄影,渐变高级感,自然质感融合
ratio: 1:1 方图
elements:
  background:
    color: 顶部深紫 → 底部粉紫垂直渐变
    region: 占满整个画面
  rocks:
    description: 自然岩石,带湿润质感,深紫色
    position: 画面左侧底部,延伸到产品下方
  plants:
    description: 紫白色细碎小花丛
    position: 沿岩石生长,延伸到机身右侧
  water:
    description: 平静的紫色水面,带轻微波纹,有零星小花漂浮
    position: 画面底部,形成倒影
  product:
    description: 白色吹风机,机身有金属质感
    position: 画面中央,微微仰视
  light:
    direction: 顶部柔光
    mood: 温柔有质感

把信息整理成这种格式有两个好处:一是后面写提示词的时候可以直接搬;二是搭色块图的时候,每个 element 对应一个色块,不会漏掉元素。

4.4 关于参考图的合规小提醒

最后插一句合规相关的内容,这点很多人忽略:直接拿别人发布的成品做参考图,法律上其实有风险。最稳妥的做法是参考其"风格"而不是复刻其"构图"——比如学色调、学光感、学元素的搭配方式,但具体的空间布局、装饰物种类、产品姿态要自己重新设计。

如果是商用场景,直接用 AI 生成参考图(豆包、即梦自身的 AI 出图能力)是最安全的选择。

五、第二步:在 PS 里搭建色块图

到这一步,你手上应该有两样东西:一张产品白底图、一段从豆包拆出来的结构化描述。

接下来要在 PS 里做的事情有四件:抠图 → 搭色块 → 补线条 → 导出。

5.1 抠图:把产品干净地"挖"出来

如果你的产品图本身就是白底图——也就是产品周围全是纯白色背景——抠图非常简单。打开 PS,新建文档,把产品图拖进去,用对象选择工具(快捷键 W)框选产品,一键完成主体识别。如果边缘有毛刺,再用选择并遮住面板(Alt+Ctrl+R)精细调整一下。

如果产品图不是白底图,我推荐用 PS 2024 之后内置的 Remove Background(移除背景)动作——选中图层,在"属性"面板里点一下就能秒抠,效果在 80% 的场景下足够用。剩下的复杂场景(比如