遨虾生图 Agent 电商套图 PE 优化
遨虾生图 Agent 是主打电商场景的 AI 生图工具（类似 Lovart）。我主导了第一版产品设计，后续作为核心设计师介入 PE 优化工作，把电商图质量标准系统化地编进了 Agent 的「大脑」。
#1
产品背景 & 电商套图
遨虾生图 Agent 是主打电商场景的 AI 生图工具（类似 Lovart）。我主导了第一版产品设计，后续不再接手产品设计，转而作为核心设计师参与 PE 优化工作。
1-1
1-2
电商套图：是 XXXX
产品能力：用户上传一张商品图 → 输入一句话（如「帮我生成亚马逊电商套图」）→ Agent 自动生成整套电商图。
#2
为什么需要设计师介入套图生产的 PE？
产品 0-1 阶段，整个 PE 优化链路只有工程师和评测同学参与，设计师完全缺席，导致生图效果差：
2-1
主要存在以下问题：
生图标准缺失
电商图片场景多，效果泛化，缺乏定义与特色
Prompt 质量低
扩写环节无设计参与，审美水平低
生图效果差
指令遵循差，评测分数低（满分 3 分，当前平均 X 分）
核心洞察：工程师知道模型能生什么，但不知道什么是「好的电商图」。设计师知道电商图的质量标准、审美标准。当前阶段首要任务是先把基础质量拉上来。
#3
定义优化目标
与产品经理和其他设计师一起定义，将跨境「电商生图」这件事系统化拆解：覆盖的平台、图片类型、商品类目，逐层穷尽，作为 Prompt 调优的边界。每个设计师负责不同的类目，我主要负责 3C 电子、快消品和小家电类目。
最终产物 5×8×10 = 400 个 prompt，本次选择亚马逊平台沉淀 80 个 prompt；三位设计师分别负责其中的三个类目。
3-1
#4
优化步骤
底层生图模型是 NanoBanana，以 Google 官方提示词指南为基准，结合电商场景定义 Prompt 槽位结构：
4-1
4-2
将目的（我是 UX 设计师，我现在的任务是优化 Prompt，我会按图片类型 × 类目写 Prompt，接下来你要做的是，我给你类型和类目以及参考的图片风格，你帮我写 Prompt）、谷歌的提示词文档、所有提示词槽位先给 Gemini，让 Gemini 输出第一版的 Prompt。
4-3
在 1688 找一张原图，将原图和 ChatGPT 输出的 Prompt 输入到研发搭建好的工作流平台中，使用 NanoBanana Pro 进行跑图，查看效果；通过图生图输出的效果，修改 Prompt 内容，反复调试直至效果最佳。紫色标注为设计师注入的主观审美与 Prompt 修改内容。
4-4
一个图片类型 × 1 个类目的最佳 Prompt 沉淀后，即可让 AI 拓展其他品类的 Prompt，重复这个操作。3 个设计师一起，最终沉淀出一份 类目 × 平台 × 图片类型 的 Prompt 文档，作为模型的 RAG 知识库。
4-5
最终，我完成了三个类目的套图提示词撰写，工作流平台跑出的效果图如下：
#5
结果与复盘
GSB
基于上一版 baseline 对比，G（提升）/ S（持平）/ B（变差）
Prompt Engineering 优化
Prompt Engineering 优化
文档注入 RAG
文档注入 rag 中
以下提供三个不同的case，查看优化后的效果：
Query1：参考图一，生成图片上的擦手巾的使用场景套图，使用外国模特，符合亚马逊要求，用于美国站点，图为正方形1200：1200，2k
Query2：这套玩具有21个小鱼和4个钓鱼竿，生成适用于美区亚马逊带使用场景、产品介绍的套图
Query3：制作一套完整的亚马逊电商套图，涵盖产品主图、详情图及场景应用图等。套图应突出产品特点和卖点，视觉风格统一，符合美国市场审美。
在调优过程中，也沉淀了一些 Prompt 写法规律：
功能解析图（3C / 家电类目）：AI 容易生成图中没有的接口并连线，也容易画成爆炸图。应对方式是把能使用的功能摆放在一起，引导用户联想，而不是让 AI 自行推断结构。
模特图：产品与模特的相对大小难以控制，需要在 Prompt 中显式指定产品相对于人物的比例关系。
文案：优先使用图片上已有的文案，不能让 AI 自行编撰；若无文案，则写通用文案兜底。
比较遗憾的是，由于工程和技术层面的原因，电商套图 Agent 链路目前已下线，后续不再维护。但这次 PE 优化积累了设计师主导 Prompt 工程的宝贵经验，也形成了可复用的 RAG 知识库。