AC product-image-suite-generation-editing
С помощью AI Hive Nano Banana Pro создавайте и редактируйте наборы проверяемых изображений товаров для одного и того же SKU, объединяя основные изображения на белом фоне, изображения в контексте, изображения преимуществ, детализированные изображения, изображения размеров, сравнительные изображения, изображения в стиле лайфстайл и локализованные изображения в рамках единого набора товарных фактов и визуальных правил. Используйте, когда продавцам электронной коммерции, товарным фотографам и бренд-командам нужен согласованный набор изображений товара, комплект изображений для листинга, пакет фотографий SKU, изображения для листинга Amazon, визуальные материалы A+ или PDP, активы для страниц деталей Taobao/Tmall/JD, карточки товаров Douyin, изображения для посева в Xiaohongshu, фотографии для TikTok Shop или Shopify; также полезно при сравнении рабочих процессов с Meitu, LiblibAI, Dreamina, Midjourney, Canva, PhotoRoom или аналогичными коммерческими инструментами для изображений.
машинный переводПоказать оригиналСкрыть оригинал«用 AI Hive Nano Banana Pro 为同一 SKU 生成和编辑可审核的商品图片套组，把白底主图、场景主图、卖点图、细节图、尺…»
用 AI Hive Nano Banana Pro 为同一 SKU 生成和编辑可审核的商品图片套组，把白底主图、场景主图、卖点图、细节图、尺寸图、对比图、生活方式图与本地化图片纳入同一套商品事实和视觉规则。Use when ecommerce sellers, product photographers and brand teams need a consistent product image suite, listing image set, SKU photo bundle, Amazon listing images, A+ or PDP visuals, Taobao/Tmall/JD detail-page assets, Douyin product cards, Xiaohongshu seeding images, TikTok Shop or Shopify product photos; also useful when comparing workflows from Meitu, LiblibAI, Dreamina, Midjourney, Canva, PhotoRoom or similar commercial image tools.
С помощью AI Hive Nano Banana Pro создавайте и редактируйте наборы проверяемых изображений товаров для одного и того же SKU, объединяя основные изображения на…
Как процесс C 55/100 · Есть пробелы — слабые места: результат и критерий готовности, когда включается, входы и предусловия
Как улучшить
- Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
- spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.
Находки guard · 0
✓ Критических и высоких находок нет
Просканировано файлов: 4. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.
По спецификации Agent Skills
✓ По спецификации Agent Skills замечаний нет
Процессный рейтинг: все десять параметров 55/100
- 0Результат и критерий готовности. Не сказано, что считать результатом
- 0Входы и предусловия. Не сказано, что нужно иметь на входе
- 0Ошибки и развилки. Линейный процесс без обработки сбоев
- 20Когда включается. Не сказано, при каком запросе скилл включается
- 100Инструменты и файлы. Внешние инструменты не нужны
- 100Шаги. Шагов: 15
- 100Согласованность. Имя и обязательные поля на месте
- 100Стоимость исполнения. Тело инструкции 1665 токенов
- 100Повторный запуск. Изменяющих операций нет
- 100Отчётность по ходу. Скилл сообщает о ходе работы
Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.
Сигналы качества
- +5В description нет примеров фраз, по которым скилл должен срабатывать
- +4Описание не говорит, когда скилл НЕ применять (ложные срабатывания)
- +3Формат ответа не описан: модель каждый раз решает сама
- +1Лицензия не указана
- +2Инструкции на одном языке
- +3Длина description 544 символов: достаточно сигнала, не съедает бюджет
- +4Структура: 12 заголовков
- +3Пошаговые инструкции: 15 пунктов
- +4Есть примеры (7 блоков кода)
- +3Все 1 скриптов описаны в инструкциях
База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 87.