我帮一个跨境团队做塑身衣模特图,反复试了 100 多次,才搞清楚 AI 工作流为什么会死

上周交付了一组图给客户。

5 张塑身衣模特图，客户在飞书上回了俩字：「对了」。

听着像好事。但你不知道，这两个字背后，我花了整整一周时间、烧了上百次 巨量TOKEN，从 GPT Image 2 烧到 Gemini Nano Banana 再烧回 GPT Image 2，Prompt 改了一遍又一遍。

说实话，中间有那么三四次我都想放弃。

我做跨境电商图也好几年了，母婴、家居、3C 配件、小家电、宠物用品，什么品类没生过。结果这次接的塑身衣类目，差点把我打回新手。

但等收到客户那两个字的时候，我突然想明白了一件事：

很多人搭了一堆工作流，跑了两个月就死了。不是模型不够强，不是 Token 不够烧，是搭的人没想清楚一件事——一个工作流活下来，靠的到底是什么。

这一周的优化尝试给了我答案。今天把这事捋一遍。

起点：为什么塑身衣这单这么难

事情是这样的。

最近接了一个做 TEMU 半托管的跨境团队的活，要批量生成内衣类目（塑身衣、文胸、塑身裤等）的模特图、场景图和详情图。

接之前我心里其实是有底的。前面接的几个客户，全套图前后两个小时跑完一个 SKU，流程很顺。

结果塑身衣产品这单接下来，头两天就把我自己劝退了。

为什么这么难？

后来我想明白了——这个品类把「AI 生图」最难的四件事，一次性全卡死了。

不是任何一件，是四件一起来。

听我慢慢说。

坑一：AI 不知道「她是谁」

头一天，我先按之前跑顺的模板试了一遍。

给 GPT Image 2 写 Prompt：a woman wearing shapewear, full body, natural lighting, lifestyle photo。

10 分钟，5 张图出来。我自己看着挺像样的——光线、构图、表情都还行。

把图发给客户。

第二天客户回复了一句：「老猫，这不是我们的目标客户。」

那一下其实挺扎心的。

我去翻 SORFTIME 上塑身衣类目的 VOC 数据。把头部 30 个 Listing 的好评差评全捞出来，翻了 50 多条，才看到一个被我之前完全忽略的事实：

但 AI 模型的默认偏好是什么？18-25 岁、紧致身材、瘦高欧美脸。你不写明白人群，AI 永远默认生成这种。

更要命的是，塑身衣这个品类不是「一个目标人群」，而是 5 个完全不同的细分人群：

5 类目标客户，需要 5 套完全不同的模特设定：年龄、身材、肤色、表情、姿势、场景全部都不一样。

我当时就明白一件事——

怎么告诉？用 COSMO 算法把「买家是谁、几岁、什么身材、什么使用场景、什么情绪状态」全部拆出来，写在 Prompt 最前面。每个细分人群，一套独立的人物设定。

我以为搞定这一步就能往下跑了。结果第二个坑等着。

坑二：AI 不知道「她在意什么」

人群对上了。Prompt 里加了 40-year-old Asian female, slightly chubby, post-pregnancy body。

出图一看，人对了。客户还是觉得不对。

我又去翻 SORFTIME 的 VOC，这次重点看好评和差评里的高频词。

差评里出现最多的是：「看不出收腰效果」「穿上之后腰部没线条」「副乳明显」「勒痕重」。

好评里出现最多的是：「穿上小腹平了」「腰线明显」「侧面看起来瘦了一圈」「没勒痕」。

我一下就明白了——

但我之前生的图，模特全是平视镜头、正面站立、面带微笑——典型的「展示服装设计」的角度。

完全错了。

塑身衣的图，要的是：

这些 AI 不会默认生成。我得把「画面要解决的痛点」白纸黑字写到 Prompt 里。

第二坑搞明白了——

但还没完。

坑三：模型不愿意帮你

人群对了、痛点对了。我以为这次能跑顺。

第三轮翻车了——Gemini 直接拒绝生图。

我给 Gemini 写了个 Prompt：a 40-year-old Asian woman wearing tight shapewear, side view。

Gemini 给我返回："This content may violate our policy. Please modify your prompt."

我血压瞬间上来了。

切换到 GPT Image 2 试。GPT Image 2 倒是给我生了图，但画风塑料感极重，模特的脸像 Photoshop 调色过度，左手 6 根手指。

那一刻我才意识到第三个坑——

光是搞清楚每个模型的「边界」和「脾气」，我又烧了两三天TOKEN。

最后形成了一套多模型组合策略：

这套组合下来，过审率从原来的 30% 拉到了 85%。

但即便这三个坑都填了，第四个坑才是最磨人的。

坑四：客户的「说不清楚」

到周末那两天，我给客户交了第一批迭代生成的 5 张图。

客户：「老猫，感觉还差一点意思。」

我：「差什么？」

客户：「说不上来，就是不对劲。」

这是做 AI 项目最怕听到的一句话。

我硬着头皮再迭代。又生了 10 张，各种角度、各种表情、各种光线。

客户：「这张表情有点夸张，这张光线太冷，这张腰线不够明显，这张背景太花。」

10 张里挑了 2 张。再生 20 张，挑 3 张。再生 15 张，挑 5 张。

到第 50 张的时候，客户终于说出真正的需求：

我那一瞬间反应过来了。这才是第四坑——

很多时候客户嘴上说"要这种感觉"，但具体什么感觉、什么调性、什么细节，他自己也描述不出来。

得在反复迭代中，把这些"说不清楚的需求"，一刀一刀切出来。

那一刻 Token 烧了两千多块，但客户也终于把"她想要什么"逐字逐句说清楚了。

最后那 5 张图，客户回了"对了"。

一周，上百次 生图，花费巨量TOKEN，值了。

4 个坑背后：有生命力的 AI 工作流，都有 4 个底层

事情做完，我把烧过的笔记盘了一遍。

把 4 个坑抽出来，变成一个我自己后面会反复用的判断标准：

你做一个工作流，如果只懂技术，不懂市场，3 个月内就死。

你只懂市场，不懂模型脾气，跑出来的东西过不了审。

你只懂模型，不懂客户，客户永远说"差点意思"。

你只懂客户，不懂行业 VOC，做出来的是"自嗨产品"。

我说一句可能扎心的话——

90% 想做 AI 工作流的人，死在「只懂技术，不懂业务」这一条上。剩下 10% 里，还有一半死在「只懂自己，不懂客户」上。

第二件事：好产品是磨出来的，不是搭出来的

烧完这一单，我算了下成本：

如果按"一次出图就成功"的预期，这个项目最多花 ¥200。我多花了 10 倍的钱。

但我换来的不是"5 张图"。我换来的是——

下次再接同类目的活，我两小时就能跑完一个客户的整套图，不再需要一周。

这才是迭代的真正价值。

很多人做 AI 工作流，搭出来跑通就停了。结果是什么？第一个月很爽，第三个月开始客户挑刺，第六个月工作流彻底死了。

为什么？因为没有迭代机制。

市场会变。客户会变。平台规则会变。模型能力也会变。

如果你没有「持续根据反馈调整 Prompt + 调整人群定位 + 调整品类策略」的迭代闭环，你的工作流绝对活不过半年。

最后一句

做了这么多 AI 工作流项目，我现在的判断越来越清楚一件事：

技术不是 AI 工作流的核心。

烧 100 次 TOKEN 不是浪费。是在为这 4 个判断力买单。

— END —

老猫企业AI实操 | 用 AI 让运营更高效

— END —

老猫企业AI实操 | 用AI让运营更高效