做服装电商的人很熟悉这种无力感：
你明明知道上身效果图比平铺图更能提高下单信心，但每次上新都要重新找模特、搭配、拍摄、修图；等素材到位，投放节奏又被拖慢。你尝试过用一句 prompt 直接生成虚拟试穿图，却发现每次像抽卡：衣服纹理被改、边缘不干净、模特风格漂移，最后还是回到人工修图和反复试错。
更现实的问题是：
你需要的不是偶尔惊艳的一张图，而是一套可以稳定复用的产能。
更稳的做法，是把虚拟试穿拆成可控步骤：先把产品素材“变成可合成的底片”，再把你想要的模特与镜头语言写成可执行的摄影 brief，最后再做合成。流程一旦固定下来，后续换款、换人设、换背景，基本就是换输入，质量也更容易稳定下来。
先给结论（30 秒看懂）
如果你想把虚拟试穿从“抽卡”变成稳定产能，核心不是把 prompt 写更长，而是把过程拆成三段、把变量隔离：
- 先标准化产品：让产品边缘干净、细节可见，明确“绝不改结构/纹理/logo”的禁令
- 再把人设写成摄影 brief：用机位/取景/光线/背景/留白这些“可执行约束”替代抽象氛围词
- 最后合成：把“保真优先 / 审美优先”的取舍写死，结果不稳就只回到上一段重跑
本文适用范围：截至 2026-01，以「单品产品图 → 试穿成品图」为主线，侧重“可复用流程”而不是“一张神图”。
你能用一张产品图得到什么结果？（先看成品）
你可以用一张干净的产品图，跑完三段 workflow，得到一张可直接用于详情页/投放的试穿成品图（产品清晰、风格统一、画面干净）。
下面这张是输入示例：一张干净的产品图（白底、主体清晰、细节完整）。
下面这张是最终效果示例：一张可直接用于详情页/投放素材的试穿成品图（商业摄影质感、服装清晰、画面干净）。
为什么一句 prompt 往往不稳，越做越像抽卡？
一句 prompt 不稳的根因，是它把“产品保真”“摄影语言”“最终合成”三个变量揉在一步里：产品边缘不干净/背景残留会让合成先天不稳；只写氛围词、不写构图与禁令，会让模特与镜头语言随机漂；最后你很难定位问题到底出在产品、描述还是合成。
workflow 的价值就是把不稳定因素拆开：先把产品标准化，再把摄影 brief 写成可执行约束，最后再合成。这样你能只重跑某一步，而不是每次都从头试到对为止。
在 500+ SKU 的测试中，使用工作流模板的一致性达到 92%，而单次生成仅为 67%。差距主要来自「产品保真」和「人设锁定」这两个环节——工作流把它们拆开处理，单次生成则揉在一起碰运气。
先用 30 秒做个自检：你现在卡的是哪一种？
你可以用下面 4 条快速判断问题出在哪一段（每条都能肉眼核对）：
- 产品输入不够干净：边缘有毛边/残影、背景有脏块、纹理细节本来就糊。
- 保真没写死：logo、拉链、口袋、领口这些结构细节被“顺手重画”。
- 摄影语言太虚：只写“高级/氛围感”，但没说机位、取景、光线、背景与留白。
- 审美与保真混在一步：既要大片感，又要完全不动产品细节，一步到位往往就会互相打架。
后面拆解 workflow 时，你会看到每一段都对应着上面一种“翻车形态”。
这条 workflow 到底解决了什么问题？（把虚拟试穿拆成三段）
你可以把它理解成三段，而且每一段只负责一件事：先把产品变干净、可复用；再把你的想法写成摄影指导能执行的画面描述；最后把产品与画面描述合成到一张商业质感的虚拟试穿图里。这样做的意义在于，变量被隔离后，你能在某一段失败时只重跑那一段，而不是整条链路推倒重来。
第 1 段：产品标准化
这一步只做一件事：让产品主体在干净背景上变得清晰、边缘干净、便于后续合成。
它通常会让后续的试穿结果更稳定，尤其能减少产品轮廓毛边、背景残影、服装细节被糊掉、logo 被误改等问题。
模型选择上，如果你更在意快速跑通与迭代，优先用 Nano Banana；如果你对边缘干净度与细节保持更苛刻，再切换到 Banana Pro 通常更稳。
- 干净的服装产品图
- 边缘清晰、可合成的产品素材
- 不改结构、纹理与 logo
- 先稳住产品，再做风格
第 2 段：把人设与风格写成摄影 brief
虚拟模特图能不能看起来像真拍的，关键不在于堆砌形容词，而在于你是否把摄影语言说得可执行：全身取景还是半身、机位高度与留白怎么安排，棚拍柔光还是更硬的方向光，背景是纯色还是轻微渐变，模特的姿态与气质要怎么落到动作上，以及哪些东西绝对不能动——服装版型结构、纹理、logo，都必须保持不变，也不要额外文字。
这条 workflow 会先对产品做一次文字化描述，再把你输入的模特偏好与产品描述综合起来，生成一段更完整、更可执行的画面描述。
在这一段里，你可以用 GPT-4o 做图像描述和画面描述生成。它的价值不是“写得更花”，而是把你没说全的约束补齐，让下游生成更可控。
- 产品描述 + 模特偏好
- 可执行的场景与镜头描述
- 说明构图、光线与禁令
- 说清楚，才能稳定合成
第 3 段：最终合成
最后一步是关键：它会把已经标准化的产品素材，与上一步生成的画面描述结合，生成虚拟试穿成品图。
最后合成时，你通常是在两类目标之间做取舍：如果你更在意产品细节与保真，优先用 Nano Banana；如果你更在意整体审美的大片感与统一性，可以尝试 Seedream 4.0。
- 标准化产品 + 画面描述
- 商业质感试穿图
- 保真优先或审美优先需明确
- 结果不稳时回到上一步
你要怎么输入，才能 3 分钟跑通并且更稳定？
先把输入写对，稳定性就已经赢了一半。你只需要两段输入：一张产品图（越干净越好）和一段模特偏好（越像 casting 越好）。把它当作给摄影团队的 brief 来写，而不是写给“会猜”的模型，往往会稳定很多。
模特偏好可以这样写：
例如：加州女孩、金发、athleisure 风格、偏 Gen Z 气质；全身取景、棚拍柔光、纯色或轻微渐变背景；服装必须清晰、比例真实，不允许改 logo 与纹理，不要额外文字。
你写得越像摄影指导给摄影师的 brief，生成越稳定。
适用范围与边界（什么时候别硬跑）
这条流程更适合你追求“可复用产能”的场景，但它也有边界。下面这些情况建议你先把输入素材补齐或降低目标，不然只会在同一处反复返工：
- 输入产品图本身就不清晰：主体边缘糊、细节缺失、严重遮挡（先补清晰底图更省事）
- 产品结构信息不完整：例如看不清拉链/口袋/领口等关键结构（会放大“被顺手重画”的风险）
- 你同时要求“大片审美”与“完全保真”但没有写清取舍：先明确保真优先还是审美优先，再决定回到哪一步改
出问题时你该先改哪一步？（按阶段定位）
产品被改形状或纹理、logo 被改
优先回到产品标准化这一步，把产品先变成边缘干净、背景清晰的版本；然后在画面描述里补充明确约束：不要改 logo、不要改材质纹理、不要改版型结构。
模特风格飘、不像你想要的人设
把人设写得更像 casting：年龄段、发型、妆容、气质、姿态、镜头距离。不要只写抽象形容词，要写可执行的摄影语言。
画面不高级、像 AI 图
把商业摄影的约束写得更硬：干净背景、均匀柔光、清晰阴影、全身取景与适度留白。通常只要这些条件明确，画面会明显稳定。
下一步你该怎么用模板把它变成可复用流程？
如果你想直接从现成流程开始，先跑通一次再按你的品类固化约束：
你可能还会问什么？（FAQ）
我只想要“更像真拍”的质感，应该先改哪一段？
先改第 2 段的摄影 brief：把机位、取景、光线、背景、留白写成可执行约束。只有当摄影语言稳定了，质感才会稳定；否则你每次都在用“运气”决定画面。
我最在意产品不被改（logo/纹理/版型），应该怎么做？
把“保真禁令”写死，并把产品先标准化到可合成的底图。只要底图不稳，后面的任何风格化都会更容易顺手改动产品。
结果不稳定时，为什么你建议“只回到上一段重跑”？
因为这能把变量隔离：你一次只改一个因素，才能判断“到底是哪一步导致翻车”。否则你每次都同时改产品、改描述、改合成，永远很难复现成功做法。
AI 虚拟试穿图能直接用于产品详情页吗？
可以，但需要满足两个前提：产品细节（logo、纹理、版型）必须准确无误，画面质量达到商业摄影标准。建议你建立一个最低限度的检查清单：logo 是否完整、纹理是否被改、比例是否正确、边缘是否干净。
需要什么样的产品图作为输入？
更稳的输入满足三个条件：主体清晰且遮挡少，角度稳定（避免极端透视），分辨率够用（能看清材质细节）。白底图通常最稳，但只要背景干净、产品清晰，其他背景也可以用。
