Grok Media 是一个用于在 OpenMontage 中调用 xAI 媒体模型（图像与视频生成）的技能说明。适用该技能时应围绕 xAI 媒体模型展开工作。
一、模型与用途 该技能涉及两个模型：grok-imagine-image 用于图像生成与图像编辑；grok-imagine-video 用于文生视频、图生视频以及参考图视频。
二、认证与基础配置 使用环境变量 XAI_API_KEY 进行认证。基础 URL 为 https://api.x.ai/v1。请求头为 Authorization: Bearer $XAI_API_KEY。
三、图像 API 文生图：请求端点为 POST /images/generations。核心字段包括 model、prompt、n、aspect_ratio、resolution。 图像编辑：请求端点为 POST /images/edits。使用 image 传入一张源图；使用 images 进行多图合成。每张源图可以是公开 HTTPS URL，也可以是 base64 data URI。
四、图像提示词建议 Grok 对直接的自然语言响应较好。做编辑时，只描述想要的改动，其余部分通过省略隐式保留。做多图合并时，明确说明每张源图各自贡献什么。建议使用一个有力的场景描述，而不是堆叠大量风格。
五、视频 API 生成：POST /videos/generations。轮询：GET /videos/{request_id}。成功状态为 status == "done"。需要显式处理的失败状态为 failed、expired。 模式包括：文生视频（仅用 prompt 生成）；图生视频（使用 image: {"url": ...}，用于锚定起始帧）；参考图视频（使用 reference_images: [{"url": ...}, ...]，用于影响视频中出现的人物或物体，而不锁定首帧）。提示词中可用 <IMAGE_1>、<IMAGE_2> 这样的占位符引用输入。
六、视频约束 Grok 视频更适合视为短时长生成。当前输出分辨率为 480p 与 720p。参考图视频支持多张图片，适用于产品植入、服装替换与身份一致性。建议及时下载输出结果，因为提供商 URL 可能是临时的。
七、价格 grok-imagine-image：每张生成图像 $0.02。grok-imagine-image 的编辑与合成：每张输入图像加收 $0.002。grok-imagine-video：480p 为每秒 $0.05；720p 为每秒 $0.07。grok-imagine-video 的图像条件请求：每张输入图像加收 $0.002。
八、提示词指导 图像：以主体、动作、场景开头；添加一个风格锚点，而不是五个。编辑时描述期望的修改，并通过省略保持图像其余部分稳定，而不是写一长串保留清单。 视频：保持提示词场景局部化，一个镜头、一个主要运动想法、一个情绪节拍。对于参考图条件视频，明确映射源图与角色，例如 person from <IMAGE_1>、jacket from <IMAGE_2>、product from <IMAGE_3>。镜头与节奏语言有帮助，例如 slow push-in、handheld follow、locked-off medium shot、high-energy whip pan transition。
九、适用场景 适合：图像风格迁移、多源图像合成、参考图条件的短视频、产品驱动的动态短片、无需硬锁首帧的角色一致性场景。
十、限制与失败处理 不适合：长时长片段生成、严重依赖确定性种子、包含多次场景切换的过载提示词。 如果生成提交成功但轮询过期，应将其作为提供商或运行时问题暴露出来。如果请求失败，应在错误中保留端点、模式和提示词摘要。在已选择 xAI 后，未经用户同意不得静默替换为其他提供商。