fal-ai-image

用途：该技能用于通过 fal.ai 生成或编辑图像、对比多个市场图像模型，并建立可重复的实验流程，统一追踪提示词、参考图、输出与成本。其理念是“标准化运行框架，而非图像模型”：统一鉴权、排队、文件处理、输出捕获与成本追踪，同时保留各模型特有的可调参数，在相同任务上对比模型，而非假设所有模型使用相同参数结构。\n\n主要能力：提供可移植、仓库级的 fal 图像工作流，无需仓库级 Python 打包；提供通用队列式图像运行器，支持文生图与编辑端点；内置模型预设，包括 grok-imagine-image-t2i、grok-imagine-image-edit、nano-banana-2-t2i、nano-banana-2-edit、nano-banana-pro-t2i、nano-banana-pro-edit、gpt-image-1.5-t2i、gpt-image-1.5-edit；提供模型查询、定价、cost 估算、用量与请求审计等平台工具；批量运行器可在多个模型上执行同一任务，并为每次运行追加账本行。\n\n使用方式：跟踪型图像任务使用 fal 队列 API：提交 POST https://queue.fal.run/{endpoint_id}，状态 GET https://queue.fal.run/{endpoint_id}/requests/{request_id}/status，结果 GET https://queue.fal.run/{endpoint_id}/requests/{request_id}。鉴权使用 Authorization: Key $FAL_KEY。可重复对比运行的重要平台头包括 X-Fal-Store-IO: 1 与 x-app-fal-disable-fallback: true，并捕获 x-fal-request-id、x-fal-billable-units 等响应头。脚本包括 scripts/fal_queue_image_run.py（单次运行）、scripts/fal_platform_models.py（查询平台 API）、scripts/fal_image_experiment_matrix.py（多预设运行并追加账本）。资产与记录写入 experiments/fal-image 与 prompts、learnings 等目录。\n\n适用场景与限制：适合文生图与图像编辑的模型对比实验、需要成本可见与请求审计的重复性工作流。编辑需遵循参考图纪律，只传必要参考图；对比应保持提示词意图一致并记录真实模型差异。透明背景方面，资料指出 gpt-image-1.5 最稳妥，nano-banana-2 与 nano-banana-pro 应按色键模型处理而非透明背景模型，Grok 背景处理更接近 Banana 系列，除非后续运行另有证明。色键建议使用纯平绿 #00FF00，并避免渐变、投影、纹理与绿色溢色；默认不建议使用洋红 #FF00FF。应避免将模型压平成虚假的统一提示结构、将编辑与生成视为同一任务、只记录提示词与最终 PNG、隐藏回退路由、堆叠过多参考图。其他细节暂未提供。