AI 影像生成實戰指南：從 Diffusion 到 Agents

AI 影像生成技術演進與實作指南

本文整理自作者針對 AI 影像生成技術的實戰實驗，內容從底層 Diffusion 模型談到前沿 Agents 應用的完整流程。作者透過 Python 呼叫多家影像供應商，生成了像素藝術精靈、寫實卡牌桌背景及餐廳海報，希望提供一份梳理技術演進與實作方法的參考資料。

技術原理與歷史演進

AI 影像模型的發展經歷了幾個關鍵節點。2014 年 GANs 出現，2015 年 DeepDream 引發關注，2018 年 AI 藝術登上拍賣會。2021 年 DALL-E 讓文字與影像得以連結，2022 年 DALL-E 2、Midjourney 與 Stable Diffusion 問世，其中 Stable Diffusion 因為開源，催生出大量社群工具。2023 年，Photorealism 與可讀文字成為重點；2024 年 Flux 模型發布，也引發對 AI 海報濫用的批評。2025 年 OpenAI 將影像生成內建於 GPT-4o，Google 推出 Gemini 2.5 Flash Image。到了 2026 年 5 月 12 日，OpenAI 從 API 移除 DALL-E，OpenRouter 列出超過 60 種影像模型，舊模型每幾個月就被淘汰。

早期 AI 影像常被指責手指數量錯誤或文字亂碼。2023 年 Midjourney v5 改善了手部繪製，同年 Ideogram 強化文字渲染。到 2025 年，OpenAI 與 Google 的多模態模型已讓可讀文字成為常態，但長文本仍偶有錯誤，例如 2025 年 12 月 Nano Banana Pro 將 "Lived experience" 寫成 "Liver experience"。

模型運作機制比較

多數影像模型是 Diffusion 模型，透過學習去除雜訊來生成影像。其特點是在壓縮空間（Latent）運作，且步驟數會影響生成時間與品質。多模態模型則把影像生成整合進理解語言的模型，更能遵循指令、渲染文字及編輯參考影像。

兩類模型對比如下： * Diffusion 模型（如 Flux、SDXL）：成本低、速度快、可本地運行，支援 Seed 控制重複結果，但對提示詞的理解較 literal。 * 多模態模型（如 GPT Image、Gemini、Muse）：遵循指令佳、文字渲染好、支援參考圖編輯，但通常無 Seed 控制，輸出尺寸也固定。

至於多模態模型底層是否仍為 Diffusion，OpenAI 暗示其為混合架構：語言模型規劃序列，Diffusion 風格解碼器繪製像素。關鍵區別在於模型對語言的理解深度，而不是數學結構。

成本結構與定價策略

影像生成的計費模式主要有四種： 1. 每張固定費用：如 Gemini 2.5 Flash Image，縮小尺寸無助於降低成本。 2. 按尺寸與品質分級：如 OpenAI GPT Image，最小尺寸仍較大。 3. 按百萬像素或 GPU 秒計費：如 Replicate、fal.ai，縮小尺寸可節省成本。 4. 本地運行：使用 Flux 或 SDXL，成本僅為時間與電力。

2026 年 10 月部分模型價格參考： * 本地 Flux Schnell：約 $0 * Replicate/fal.ai 上的 Flux Schnell：約 $0.003 * OpenRouter 上的 Recraft V4.1 Flash：約 $0.007 * OpenAI GPT Image 1.5：$0.009 至 $0.133 不等 * Gemini 2.5 Flash Image：約 $0.039

實際成本要算「可用影像成本」，也就是（單張價格 x 嘗試次數）+ 時間。有時稍貴的模型因為一次成功，總成本反而更低。

提示詞工程與風格控制

有效的提示詞應描述「如何製作」，而不是「看起來如何」。例如，描述相機位置、鏡頭、膠捲、印刷過程，比使用 "stunning" 這類詞更有效。避免使用 hype 詞彙，明確說明佈局與元素位置，文字則保持簡潔精確。

在製作不具 AI 感的海報時，作者嘗試描述真實印刷工藝（如網版印刷、錯位、掃描痕跡），而不是單純描述外觀。至於像素藝術，AI 生成的通常是高解析度圖片，而非真正的像素格，需要透過程式碼進行網格對齊、背景移除與色盤減少。多個精靈在同一畫布生成可降低成本，但模型可能無法嚴格遵循網格，必須透過形狀偵測來切片。

程式整合與 Agent 應用

將影像生成整合到程式專案時，應為每個供應商建立薄介面，隱藏 API 差異。要預期模型退役、端點變更與參數被忽略的情況，並把供應商與模型設定放在配置檔，而不是寫死在程式裡。因為各供應商計費方式不一致，記錄所有提示詞、參數、輸出尺寸與成本就很重要。

影像生成應視為緩慢且可能失敗的工作，建議用工作佇列，而不是同步請求。需要精確文字或結構化的任務，應由程式碼處理，AI 只負責創意部分。

與 Agent 整合時，多模態 Agent 可撰寫提示詞、呼叫 API、檢視結果並進行批評。Claude 本身不生成光柵影像，但可透過工具呼叫影像模型。整合方式包括命令列工具、MCP Server 或自訂函數呼叫。Agent 能自動優化提示詞與結果，但最終的品味與需求定義仍須由人負責。實驗中，作者使用 Claude Code 作為 Agent，透過 Python 腳本呼叫 OpenRouter 模型，完成從提示詞撰寫到結果評估的自動化流程。