GPT-Image-2-批量生成透明PNG商品素材

摘要： 本文讲解如何使用 OpenAI gpt-image-2 批量生成可直接用于电商详情页、广告海报、商品目录和设计模板的透明 PNG 商品素材。核心结论是：将 background 明确设为 transparent、将 output_format 设为 png，并在提示词中删除场景、墙面、台面和背景描述，才能稳定获得带 Alpha 通道的孤立商品图。本文提供 Python 批处理脚本、CSV 任务表、并发与重试策略、透明度自动检测、成本估算、失败样本返工和生产环境安全建议，适合电商运营、设计团队、开发者与自动化工作流搭建者直接实施。

核心结论

用 GPT-Image-2 批量生成透明 PNG 商品素材，最可靠的方法是调用 Images API 的生成或编辑接口，显式使用 model="gpt-image-2"、background="transparent" 和 output_format="png"，再对返回的 Base64 图片执行 Alpha 通道质检。透明背景不是“在白底上画商品”，而是文件像素中真实存在透明度信息，因此不能用 JPEG，也不能只靠“白色背景”提示词代替。

• 值得立即试用，但应先小批量验收。 GPT-Image-2 是 OpenAI 当前面向高质量图像生成与编辑的模型，支持灵活尺寸；透明背景能力仍处于 Preview，生产流程必须保留自动检测和人工抽检。
• 新商品概念图使用生成接口。 如果没有原始商品照片，可用 /v1/images/generations 从文字描述生成完整商品资产。
• 已有商品图优先使用编辑接口。 如果必须保留瓶身、包装结构、Logo 或标签，使用 /v1/images/edits，并明确要求只移除背景、保留主体；但文字与细小边缘仍应人工核对。
• 提示词与接口参数必须一致。 参数要求透明，提示词却描述“放在大理石桌面、摄影棚背景、墙边阴影”，模型可能优先生成场景，导致透明失败。
• 批量生产的关键不是循环调用，而是可恢复。 任务表、稳定文件名、状态记录、指数退避、幂等写入、Alpha 检测和失败队列缺一不可。
• 成本按尺寸、质量以及输入输出 Token 共同决定。 官方示例价格会调整，正式运行前应以 OpenAI 价格页和控制台为准，并用 10～20 张样本测算单张有效素材成本。

GPT-Image-2 透明素材能力是什么

GPT-Image-2 不只是把主体绘制在“看起来干净”的背景上。调用接口时设置 background="transparent"，模型可以返回含 Alpha 通道的 PNG 或 WebP，商品外部像素可以真正透明。这样的文件能够叠加在浅色、深色、渐变、节日主题或品牌色背景上，而不会出现白色矩形框。

透明资产对以下工作尤其有价值：

使用场景	传统流程	GPT-Image-2 流程	最重要的验收项
电商商品目录	拍摄、抠图、修边、导出	生成或编辑后直接输出透明 PNG	轮廓、标签、商品结构
节日营销海报	每套背景重新合成	同一透明商品叠加多套背景	边缘光晕和颜色污染
设计模板素材	手工制作贴纸与装饰元素	批量生成同风格独立元素	风格一致、留白一致
印花与周边	单独绘制并清理底色	输出透明图案后放入 Mockup	细线、半透明区域、分辨率
PPT 与产品方案	带白底图片难以融入主题	透明商品直接叠放在版式中	在深浅背景下均无白边

需要注意，透明背景能力解决的是“背景像素”问题，不等于对真实 SKU 的绝对复刻。若输入商品涉及精确文字、监管标签、条形码、配料表或商标比例，应把生成结果视为候选素材，并与原始商品图逐项比对。对于销售页面的主图，任何包装文字错误都可能造成误导。

生成接口与编辑接口怎么选

判断标准很简单：是否存在一个必须保真的原始商品。

从文字生成新的透明商品素材

当你要制作概念瓶、虚构包装、装饰物、贴纸、图标或尚未拍摄的新品视觉时，使用 client.images.generate()。它的优势是流程简单、输入成本较低，也便于通过结构化提示词统一系列风格。

提示词应该集中描述：

• 单个主体是什么；
• 材质、颜色、形状和镜头角度；
• 商品必须完整出现在画面内；
• 四周保留多少安全留白；
• 真实透明 Alpha，无场景、无底座、无投影、无水印；
• 哪些包装文字必须避免生成。

从现有商品图制作透明资产

当你已有商品照片，而且瓶型、Logo、标签和配色不能随意改变时，使用图像编辑接口。提示词应写成“只移除背景并修复边缘，保持商品主体、比例、颜色、标签位置和相机角度不变”。如果源图中的文字极其重要，仍建议保留一条传统抠图或人工精修通道作为回退。

决策项	生成接口	编辑接口
是否需要原始图片	不需要	需要
适合概念商品	很适合	一般
保留真实 SKU	不适合做严格复刻	相对更合适，但仍需核验
输入图片 Token	无	有
主要风险	商品细节每张不一致	标签、边缘或材质发生改变
推荐用途	创意素材、装饰元素、虚构包装	已有产品照去背景、系列统一

准备环境与 API Key

下面以 Python 为例。不要把 API Key 直接写入脚本、CSV、Git 仓库或 n8n 导出的工作流文件。

1. 在 OpenAI Platform 创建项目并生成 API Key。
2. 在本机或服务器设置环境变量 OPENAI_API_KEY。
3. 创建独立 Python 虚拟环境，安装 OpenAI SDK 与 Pillow。
4. 准备 products.csv，为每项素材设置唯一 sku、描述和输出尺寸。
5. 先运行 3～5 个低风险样本，确认账户权限、接口参数和文件写入正常。
6. 再运行 10～20 张试生产，统计透明成功率、返工率和单张有效成本。
7. 最后才扩大并发，并为每日或每批设置预算上限。

安装依赖：

python -m venv .venv
source .venv/bin/activate
pip install --upgrade openai pillow

Windows PowerShell 可使用：

py -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install --upgrade openai pillow

设置环境变量时只在本机操作，不要将真实 Key 粘贴进公开聊天或教程：

export OPENAI_API_KEY="YOUR_API_KEY"

如果团队通过 CI、云函数或容器运行，Key 应进入 Secret Manager，并限制只有图像生成服务可以读取。更完整的 API 自动化内容可参考 AI Stack Nav 的 OpenAI API 教程，批量素材与工作流方案可查看 AI 图像自动化专题。

单张透明 PNG 最小可运行示例

以下示例调用生成接口，将返回的 Base64 解码为 PNG。这里显式指定模型，避免依赖 SDK 或接口的默认模型。

import base64
from pathlib import Path

from openai import OpenAI

client = OpenAI()

prompt = """
一只现代极简风的哑光深蓝色保温杯，圆柱形杯身，银色窄边杯盖，
三分之四视角，完整商品居中，边缘清晰，商业级产品摄影质感。
输出孤立商品，使用真实透明 Alpha 背景；无桌面、无墙面、无底座、
无场景、无投影、无文字、无标志、无水印，四周保留充足透明留白。
""".strip()

result = client.images.generate(
    model="gpt-image-2",
    prompt=prompt,
    background="transparent",
    output_format="png",
    size="1024x1024",
    quality="medium",
    n=1,
)

image_bytes = base64.b64decode(result.data[0].b64_json)
output = Path("outputs/thermos-blue.png")
output.parent.mkdir(parents=True, exist_ok=True)
output.write_bytes(image_bytes)
print(f"saved: {output}")

官方 API 允许 background 使用 transparent、opaque 或 auto。生产透明素材时不要使用 auto，因为自动判断未必符合你的资产管线。透明输出应选 PNG 或 WebP；本文选择 PNG，是因为它更便于设计软件、WordPress、电商后台和后续 Alpha 检测统一处理。

GPT-Image-2 还支持灵活尺寸。官方接口说明要求宽高都能被 16 整除，长宽比应位于 1:3 到 3:1 之间；超高分辨率存在实验性边界。电商团队不要一开始追求最大尺寸，先用目标平台实际需要的尺寸测试。更大不一定更便宜，也不必然带来更高有效率。

用 CSV 批量生成商品素材

批量生产最好把“业务数据”与“调用逻辑”分开。运营人员维护 CSV，程序负责校验、调用、保存和记录状态。示例 products.csv：

sku,name,description,size,quality
CUP-001,深蓝保温杯,"哑光深蓝圆柱杯身，银色窄边杯盖，三分之四视角",1024x1024,medium
BAG-002,米白托特包,"天然米白帆布托特包，正面平整，双提手，轻微织物纹理",1024x1024,medium
LAMP-003,玻璃台灯,"透明烟灰玻璃灯罩，拉丝黄铜底座，完整单品，正面略俯视",1024x1536,high

下面的脚本包含稳定文件名、跳过已完成文件、指数退避、错误日志和 Alpha 通道检查。它采用串行方式，便于第一次部署和控制预算；确认 Rate Limit 后可再改成有上限的并发队列。

import base64
import csv
import json
import random
import re
import time
from pathlib import Path

from openai import OpenAI
from PIL import Image

client = OpenAI()
INPUT_CSV = Path("products.csv")
OUTPUT_DIR = Path("outputs")
FAILED_LOG = Path("failed.jsonl")
OUTPUT_DIR.mkdir(parents=True, exist_ok=True)


def safe_name(value: str) -> str:
    value = re.sub(r"[^A-Za-z0-9._-]+", "-", value.strip())
    return value.strip("-") or "unnamed"


def build_prompt(row: dict) -> str:
    return (
        f"单个商品：{row['name']}。商品细节：{row['description']}。"
        "商业级电商产品摄影，主体完整可见并居中，真实材质，轮廓清楚，"
        "四周保留均匀透明安全区。输出真实透明 Alpha 背景；"
        "无摄影棚背景、无桌面、无墙面、无底座、无场景、无投影、"
        "无额外物品、无文字、无品牌标志、无水印。"
    )


def has_useful_alpha(path: Path) -> bool:
    with Image.open(path) as image:
        if image.mode != "RGBA":
            return False
        alpha = image.getchannel("A")
        low, high = alpha.getextrema()
        # 至少存在一个非完全不透明像素，同时主体不能全部透明
        return low < 255 and high > 0


def generate_one(row: dict, max_attempts: int = 4) -> Path:
    sku = safe_name(row["sku"])
    output = OUTPUT_DIR / f"{sku}.png"
    if output.exists() and has_useful_alpha(output):
        return output

    for attempt in range(1, max_attempts + 1):
        try:
            result = client.images.generate(
                model="gpt-image-2",
                prompt=build_prompt(row),
                background="transparent",
                output_format="png",
                size=row.get("size") or "1024x1024",
                quality=row.get("quality") or "medium",
                n=1,
            )
            output.write_bytes(base64.b64decode(result.data[0].b64_json))
            if not has_useful_alpha(output):
                raise ValueError("PNG 存在，但未检测到有效透明像素")
            return output
        except Exception:
            if attempt == max_attempts:
                raise
            delay = min(30, 2 ** attempt) + random.random()
            time.sleep(delay)

    raise RuntimeError("unexpected retry state")


with INPUT_CSV.open("r", encoding="utf-8-sig", newline="") as handle:
    rows = list(csv.DictReader(handle))

for row in rows:
    try:
        saved = generate_one(row)
        print(f"OK {row['sku']} -> {saved}")
    except Exception as exc:
        record = {"sku": row.get("sku"), "error": str(exc), "row": row}
        with FAILED_LOG.open("a", encoding="utf-8") as log:
            log.write(json.dumps(record, ensure_ascii=False) + "\n")
        print(f"FAILED {row.get('sku')}: {exc}")

这段代码没有盲目覆盖已有文件。只要目标 PNG 已存在且含有有效 Alpha，就直接跳过，从而使任务可以在中断后继续。真实项目还应将 pending、running、succeeded、needs_review 和 failed 写入数据库或任务表，并记录请求 ID、模型快照、提示词版本、文件哈希和审核人。

透明 PNG 的提示词模板

透明输出最常见的失败原因，不是 API 参数写错，而是提示词同时要求了背景。OpenAI 官方 Cookbook 明确提醒：提示词中的背景、场景或颜色描述可能优先于 background="transparent"。因此应把商品光照描述与背景描述分开。

推荐模板：

单个商品：[商品名称]。
形状与结构：[轮廓、部件、比例]。
材质与颜色：[材质、表面、透明度、主色]。
镜头与构图：[正面/三分之四视角/俯视]，完整商品可见，居中，四周均匀留白。
品质：[商业级产品摄影/精致3D商品渲染]，边缘清晰，细节真实。
透明要求：输出真实透明 Alpha 背景，主体外部像素完全透明。
禁止：无墙面、无桌面、无地面、无摄影棚、无底座、无场景、无边框、
无矩形底色、无投影、无额外道具、无水印。
文字规则：[不得生成文字/只保留输入图原有标签，禁止改写]。

如果商品本身包含玻璃、薄纱、烟雾、毛发、透明塑料或半透明液体，提示词还要加入“保留自然折射、半透明层和细小边缘”。Alpha 检测只能证明文件具有透明像素，不能证明玻璃折射正确，也不能发现白边，因此必须在黑、白、红、蓝四种测试背景上合成预览。

Alpha 通道与边缘质量自动验收

mode == "RGBA" 只是最低级检查。生产验收可以分成四层：

1. 文件层： 能正常打开、扩展名为 PNG、尺寸符合任务表、文件不是空文件。
2. Alpha 层： 存在 Alpha 通道，既有透明像素也有非透明主体；透明区域面积不能异常小。
3. 视觉层： 分别叠加黑、白、品牌色和高饱和背景，检查白边、黑边、色溢、断裂和残留矩形。
4. 业务层： 比对商品结构、颜色、标签、Logo、部件数量和 SKU，不合格内容进入人工返工队列。

以下代码计算透明像素比例，帮助发现“只有四角略透明”或“整张图几乎透明”的异常结果：

from PIL import Image


def alpha_ratio(path: str) -> dict:
    with Image.open(path).convert("RGBA") as image:
        alpha = image.getchannel("A")
        values = list(alpha.getdata())
        total = len(values)
        fully_transparent = sum(value == 0 for value in values) / total
        partly_transparent = sum(0 < value < 255 for value in values) / total
        opaque = sum(value == 255 for value in values) / total
        return {
            "transparent_ratio": round(fully_transparent, 4),
            "partial_ratio": round(partly_transparent, 4),
            "opaque_ratio": round(opaque, 4),
        }


print(alpha_ratio("outputs/CUP-001.png"))

阈值不能一刀切。一个细长项链可能只有很小的主体面积，一张展开的托特包则会占据大部分画面。更合理的做法是按品类设阈值，并使用人工确认过的样本建立基线。建议把最终文件同时生成一张棋盘格预览和一张品牌色背景预览，审核员不用打开 Photoshop 就能快速判断。

并发、Rate Limit 与任务恢复

官方模型页列出的速率限制随 Usage Tier 变化，免费层不支持 GPT-Image-2；具体 IPM 应以账户当前层级和控制台为准。不要照搬别人的并发值。对批量任务，优先做一个有限并发队列，例如从 2 个 Worker 起步，监控 429、超时和平均生成时间，再逐步提升。

生产队列至少要处理以下情况：

• 429 或短暂服务错误：指数退避并加入随机抖动；
• 内容被安全系统阻止：不要无休止重试，应检查提示词并进入人工处理；
• 进程中断：根据 SKU 和成功记录继续，不重复计费生成；
• 图片生成成功但保存失败：保留任务状态与错误信息，重新执行写入或重新请求；
• Alpha 质检失败：使用更严格的透明提示词再次生成，最多限定次数；
• 同名 SKU：在入队前阻止，避免不同商品互相覆盖；
• 多人同时运行：用数据库锁或唯一约束，不能只依赖本地文件是否存在。

如果要接入 n8n，可采用“Google Sheets/数据库读取任务 → Code 节点构造提示词 → HTTP Request 调用 Images API → Base64 转二进制 → 对象存储 → 质检服务 → WordPress/电商后台”的流程。API Key 只放在 n8n Credential 中，不放在节点 JSON。发布商品或覆盖正式素材属于高影响操作，建议在质检后增加人工审批节点。

成本如何估算

OpenAI 官方图像生成指南在本文核验时给出了 GPT-Image-2 的示例输出成本：常见尺寸下，Low 约为每张 0.005～0.006 美元、Medium 约为 0.041～0.053 美元、High 约为 0.165～0.211 美元。该表是估算值，实际总成本还要计入提示词文本输入 Token，以及编辑接口中的输入图片 Token。价格和计算方式可能变化，采购或大批量生产前必须重新查看官方价格页。

目标尺寸	Low 参考输出成本	Medium 参考输出成本	High 参考输出成本
1024×1024	$0.006	$0.053	$0.211
1024×1536	$0.005	$0.041	$0.165
1536×1024	$0.005	$0.041	$0.165

这组数字不能直接等同于“每张可用素材成本”。假设生成 100 张 Medium 方图，单次输出参考成本约 5.30 美元；若只有 70 张通过审核，且 30 张平均重试一次，生成次数会变成 130 次，单张有效素材的输出成本约为 130 × 0.053 ÷ 70 ≈ 0.098 美元，还未包含输入 Token、存储、人工审核和后期修图。真正应该追踪的是：

单张有效成本 =（全部 API 成本 + 存储 + 审核 + 返工）÷ 最终合格素材数量

首轮探索可用 Low 检查构图和提示词，定稿再用 Medium 或 High。透明玻璃、复杂毛发、珠宝细节和需要大幅裁切的商品更可能受益于高质量；普通装饰元素、缩略图和内部草稿不必默认 High。

商品一致性、商标与合规边界

批量生成最容易被忽略的问题是“每张都好看，但不是同一件商品”。对于真实品牌 SKU，应建立不可变约束清单：主体长宽比、瓶盖形状、接口数量、包装主色、Logo 位置、标签行数、材质反光和配件数量。自动视觉相似度可以做初筛，但最终发布前仍需商品负责人确认。

还应遵守以下边界：

• 不要用生成图虚构商品实际不存在的功能、配件、容量或认证标识；
• 不要让模型随意生成条形码、营养信息、药品说明或监管标签；
• 不得把第三方商标或角色形象加入商品图，除非拥有授权；
• 人物佩戴或使用商品的图片，除了商品一致性，还要检查人体结构与使用安全；
• 原图、提示词、生成结果、模型快照、审核记录应留档，便于追溯；
• 对外发布前压缩副本可以转 WebP，但需要透明时仍须验证 Alpha 是否保留。

与传统抠图工具如何搭配

GPT-Image-2 并不一定替代传统背景移除工具。它更适合生成新资产、修复复杂边缘、统一视觉和创造不存在的商品概念；确定性抠图则更适合保持真实像素不变。

需求	GPT-Image-2	传统抠图/分割模型	推荐方案
从零生成商品概念图	强	不适用	GPT-Image-2
真实 SKU 像素完全不变	有改动风险	强	传统抠图优先
玻璃、毛发、半透明边缘	可理解语义并重建	依工具质量而异	双路线对比
批量同风格系列	强	只能保留原图风格	GPT-Image-2 + 模板化提示词
精确标签与条码	需要严格审核	更稳定保留	传统抠图
缺损边缘修复	强	通常只做分割	GPT-Image-2 编辑后复核

最实用的企业方案是混合管线：普通白底商品先走确定性抠图；玻璃、反光、毛发或原图背景复杂的失败样本，再进入 GPT-Image-2 编辑；新品概念和营销装饰元素直接用 GPT-Image-2 生成。这样能控制成本，也能减少真实商品被模型改写的风险。

常见报错与排查

输出仍然是白底或场景图

先确认 background="transparent" 与 output_format="png"，再删除提示词中的“白色摄影棚”“放在桌面”“柔和背景”“地面阴影”等内容。明确写“真实透明 Alpha、主体外部像素完全透明、无背景、无平面、无投影”。

PNG 可以打开，但没有透明通道

使用 Pillow 检查模式与 Alpha 极值。文件扩展名为 .png 并不代表一定透明。如果模式是 RGB，或 Alpha 全部为 255，应判为失败并重试，不能直接入库。

商品边缘出现白边或黑边

在多种高对比背景上预览。提示词加入“clean silhouette、no fringing、no halo”，并避免源图边缘已经严重污染。对于销售主图，必要时用专业修边工具做最后处理。

透明玻璃变成不透明塑料

描述玻璃的折射、液体、透射和半透明层，并保留自然透明区域。透明商品本身的 Alpha 与背景 Alpha 不完全相同，不能简单把所有浅色像素删除。

收到 429 或任务速度很慢

查看项目当前 Usage Tier 与速率限制，降低 Worker 数量，使用指数退避，不要瞬间重新提交整批任务。把失败任务记录下来，待冷却后继续。

Base64 解码后文件损坏

确保读取的是 result.data[0].b64_json，以二进制写入，并避免把 Base64 字符串再次进行文本编码。写入后立即用 Pillow 打开验证。

商品标签或 Logo 被改写

真实商品应改用编辑接口并提高保真要求，但模型仍可能改变细节。对精确文字、条码和监管标签，使用传统抠图保留原像素通常更可靠。

事实依据与来源

• 官方已确认： OpenAI API 参考文档列出 gpt-image-2 与快照 gpt-image-2-2026-04-21，支持图像生成与编辑；透明背景在 GPT-Image-2 上处于 Preview。
• 官方参数： background 可设为 transparent、opaque 或 auto；透明背景需配合 PNG 或 WebP，JPEG 不支持透明 Alpha。
• 官方尺寸信息： GPT-Image-2 支持灵活的 WIDTHxHEIGHT，宽高应可被 16 整除，长宽比需在 1:3 与 3:1 之间；更高分辨率存在实验性范围与额外限制。
• 官方实践建议： OpenAI Cookbook 指出，提示词中的背景或场景描述可能覆盖透明参数，因此应聚焦孤立主体并明确真实透明背景。
• 官方成本信息： 本文价格表来自核验当日官方图像生成指南的估算表，最终总成本还包含输入文本和可能的输入图片 Token。
• 编辑判断： 以 CSV 驱动任务、使用稳定 SKU 文件名、状态机、重试队列和多背景预览，是面向批量生产的工程化方案，不是 OpenAI 强制架构。
• 实施建议： Alpha 比例阈值、并发数、质量档位、人工抽检比例应根据商品品类和账户层级实测确定。
• 尚需项目验证： 真实 SKU 的标签保真、玻璃边缘质量、复杂材质透明度和可接受返工率，无法由接口参数单独保证。

FAQ

GPT-Image-2 的模型 ID 是什么？

通用模型 ID 是 gpt-image-2。官方模型页同时列出快照 gpt-image-2-2026-04-21。希望自动获得当前别名指向版本时使用通用 ID；需要固定行为、降低版本漂移时可评估使用快照，但仍要持续回归测试。

GPT-Image-2 透明背景是否已经正式 GA？

截至 2026 年 8 月 26 日，官方 API 参考将 GPT-Image-2 的透明背景标为 Preview。可以用于试生产和受控工作流，但不应去掉透明度检测、失败回退和人工验收。

透明图片能不能输出 JPEG？

不能。JPEG 不支持 Alpha 透明通道。请求透明背景时应使用 PNG 或 WebP；为了后期设计、质检和跨工具兼容，本文批量流程优先使用 PNG。

一次请求可以生成多少张？

Images API 的 n 参数范围为 1～10。对于多个不同 SKU，不建议用同一提示词的 n 代替任务循环，因为每个商品需要独立描述、文件名、状态与审核记录。n 更适合生成同一商品的候选变体。

GPT-Image-2 是免费的吗？

不是免费模型。官方模型页显示 Free Tier 不支持 GPT-Image-2，API 按使用量计费。实际可用性、预算和速率限制以你的 OpenAI 项目控制台为准。

Low、Medium、High 应该怎么选？

Low 适合提示词验证、构图草稿和低价值装饰元素；Medium 通常适合大多数电商素材试生产；High 适合玻璃、珠宝、复杂材质、精细边缘和高价值主视觉。最合理的策略是分阶段升级，而不是整批默认 High。

为什么已经设置 transparent 仍然出现背景？

最常见原因是提示词描述了墙面、桌面、摄影棚、颜色背景或场景。提示词指令可能优先于透明参数。删除背景描述，改为“孤立主体、真实透明 Alpha、无地面、无投影、无矩形底色”，并再次质检。

能否用 GPT-Image-2 给真实商品自动抠图？

可以通过编辑接口请求去背景，但模型可能重绘细节。若真实 SKU 必须像素级保持标签、条码和包装结构，传统确定性抠图通常更安全；复杂边缘失败时再用 GPT-Image-2 作为增强或返工路线。

如何判断 PNG 真的透明？

不要只看文件名。用 Pillow 检查 RGBA 模式和 Alpha 通道极值，再计算透明像素比例，并把商品叠加在黑、白和品牌色背景上检查白边、残留背景和半透明材质。

批量任务中断后如何继续？

为每个 SKU 使用稳定输出路径和任务状态。启动时跳过已存在且通过 Alpha 质检的文件，只重试失败或待审核任务。数据库场景还应使用唯一约束或任务锁，避免多进程重复生成并重复计费。

参考来源

• OpenAI GPT-Image-2 模型页
• OpenAI 图像生成指南
• OpenAI Images API：Create image
• OpenAI Cookbook：透明图片素材实践
• OpenAI API 定价

工具评测文章

工具选型与提示词资料

适合阅读工具评测、工具推荐、对比测评类文章后继续转化。

工具选型表 按场景、价格、上手难度和核心能力筛选合适的 AI 工具。 查看资料包 提示词模板包 提供写作、运营、编程、图片和视频生成常用提示词模板。 查看资料包