生成一张“看起来不错”的商品图并不难，难的是让一整套 Amazon 图片在产品事实、版位职责、尺寸、多端适配和最终质量上保持一致。
为了解决这个问题，我整理并开源了 generate-amazon-image-set，中文名称为“亚马逊套图生成规范 / Amazon Image Set”。它不是绑定某个生图模型的提示词集合，而是一套可以交给不同 Agent 执行的纯 Markdown 工作规范。
它解决什么问题
常规生图流程容易出现几个问题：产品结构在不同图片中发生变化；没有依据却生成尺寸、材质、配件或性能声明；Listing 和 A+ 只是机械换尺寸；PC 横幅直接裁切成 Mobile 图片；图片数量齐全，但后半段开始重复、失真或质量下降。
这个 Skill 把“做套图”拆成一条可检查的生产链：先锁定产品事实，再规划版位和尺寸，逐图编写自包含生成说明，最后执行方案审核和成图审核。
输入和输出
输入：产品图片、产品参数、包装清单、品牌规范、目标站点、类目、A+ 权限，以及希望交付的图片范围。
输出：产品事实锁、缺失证据清单、MAIN/Listing/A+ 版位清单、PC/Mobile 配对矩阵、逐版位生成说明、方案 QA、成图 QA 和总体状态。
如果当前 Agent 没有生图或读图能力，它仍然可以完成套图规划和生成说明，但不能假装已经完成图片验收。
核心机制一：产品事实锁
所有信息被分为 USER_CONFIRMED、DOCUMENT_CONFIRMED、IMAGE_OBSERVED、INFERRED 和 UNKNOWN。只有用户确认、文档确认和图片中无歧义可见的信息，才能进入准确声明。
图片中“看起来像金属”不能证明材料成分；看见一个配件也不能自动证明它包含在销售包装中。证据冲突时必须记录冲突、阻塞相关版位或移除争议声明，不能静默选择一个答案。
核心机制二：版位和尺寸分离
Skill 将 MAIN、Listing 附属图、Standard A+、Premium A+、A+ Mobile 和视频封面视为不同交付体系。默认可规划 1 张 MAIN、最多 7 张 Listing 附属图，并根据实际账号权限和叙事需要选择 A+ 模块。
每个版位只承担一个主要购买决策任务，例如商品识别、核心利益点、功能操作、材质细节、尺寸兼容、安装方式或包装内容。没有新证据时宁可减少版位，也不使用重复内容凑数量。
同时，delivery_size 与 generation_size 被明确分开。模型请求尺寸和最终交付尺寸可以不同，但最终必须重新构图或按规则裁切，不能拉伸图片。
核心机制三：PC 和 Mobile 独立构图
A+ PC 与 Mobile 被视为同一个语义版位的两种独立构图。两端必须锁定相同的卖点、产品状态、声明、场景类型和故事顺序，但可以独立调整画布方向、产品位置、文字层级、留白和阅读动线。
禁止把桌面横幅直接压缩或裁切成手机图，也禁止在配对图中悄悄更换功能、配件或产品状态。
逐版位生成说明
每张图的说明都必须自包含，依次写明版位目标、画布、产品身份、产品状态、构图、环境、灯光质感、准确文案、一致性参考和排除项。
不能只写“与 A2 相同，裁成手机版”。即使是配对版位，也必须重复共同的产品与卖点约束，再补充设备专用构图要求。这样可以减少 Agent 在多轮生成中的信息丢失。
质量验收不是一句“看起来不错”
审核只允许使用 PASS、FAIL 和 BLOCKED。无法验证的项目必须标记为 BLOCKED，不能为了完成任务改成通过。
质量评分由产品一致性与事实准确性、平台与版位合规、构图层级、文案可读性、套图一致性与多端配对、技术质量组成。只有达到 85/100、不存在硬失败，而且必要检查没有阻塞时，整套图片才允许标记为 QUALIFIED。
错误商品、错误变体或数量、无依据的量化声明、MAIN 合规问题、错误交付尺寸、必需文案不可读、缺少必要版位、PC/Mobile 语义不一致，以及改变产品结构的明显变形，都会直接触发返工。
为什么采用纯 Markdown
这个 Skill 不依赖 Python、Shell、数据库或特定图片模型，适合在不同 Agent 环境中迁移。具备生图能力的 Agent 可以继续生成图片；只有文本能力的 Agent 也可以完成规划和提示词交付；具备视觉检查能力时再执行成图 QA。
当前版本为 v1.1.0，采用 MIT License，不包含遥测、远程登记、IP/设备采集或隐藏网络请求。
实际案例：4.5 cm 迷你草帽 Amazon 套图
这次用一个 1688 迷你手工草帽商品做完整验证。目标规格是外径 4.5 cm、内径 2.1 cm，浅自然草色，用于小黄鸭、小熊和迷你手工作品装饰。
案例只使用商品页中能够确认的规格和视觉信息。包装数量、品牌和没有证据支持的性能信息全部保持未知，不写入图片，也不做销售承诺。生成采用 gpt-image-2 的 low 质量档，最终范围为 1 张 MAIN、7 张 Listing 和 4 张 PC A+。
第一步：输入参考与事实锁定
输入参考图提供两类信息：一类是迷你草帽在小黄鸭手工作品上的实际用途，另一类是草编纹理、帽冠、帽檐和不同尺寸之间的结构关系。目标 SKU 没有独立白底实拍，因此后续必须同时受目标规格和同链接实拍约束。
第二步：MAIN 白底主图
MAIN 只保留一顶草帽，去掉小黄鸭、手指、尺子、文字、Logo、包装和其他道具。第一次结果的帽冠偏向成人草帽比例，验收未通过；定向返工后压低帽冠、缩短帽檐，并锁定小型 DIY 装饰品外观。
第三步：Listing 7 张图分别回答不同问题
Listing 不重复 MAIN，而是依次回答用途、材质细节、尺寸、创意应用、迷你比例、多角度结构和工艺桌氛围。每张图都引用同一 MAIN 作为产品身份锚点。
第四步：只制作 PC A+ 横幅
本次范围明确为 PC A+，不生成 Mobile。四张图分别承担首屏、编织细节、迷你比例和创意应用，并预留原生 A+ 文案区域，避免把大段文字烘焙进图片。生成母版为 1472×608；如果具体 Premium A+ 模块要求 1464×600，应在上传前按模块安全裁切，不能拉伸。
验收结果
- MAIN 与 Listing 均为 2000×2000 PNG。
- MAIN 为单件商品、视觉白底、无文字、无 Logo、无包装和无道具。
- 尺寸图中的
4.5 cm与2.1 cm清晰且与目标规格一致。 - 两张出现额外草帽的初稿被判定失败并返工，最终稿只保留预期数量。
- PC A+ 均为横向构图，没有生成 Mobile 版本。
- 包装数量未确认，因此所有图片和文案均不承诺套装数量。
这组案例展示了完整闭环：输入证据不是直接变成十几张“好看的图”，而是先锁定事实，再为每个版位分配任务，生成后按硬规则验收和返工。AI 可以参与生产，但不能跳过证据和质量门槛。
获取方式
本 Skill 的原创规范文本与结构由 Tong Li（同力 / QuietPhoenix）整理维护。Amazon、Amazon A+ 及相关名称和商标归其各自权利人所有，本项目是独立工作规范，不代表 Amazon 官方认可、隶属或背书。