用途：该技能面向需要通过 fal.ai 生成或编辑图像、对比多个市场图像模型，并建立可复现实验流程的场景。核心思路是“标准化运行框架，而非标准化图像模型”：统一鉴权、队列、文件处理、输出捕获与成本追踪，同时保留各模型特有的控制参数。
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；通用队列式图像运行器，同时支持文生图与编辑端点；内置模型预设，包括 grok-imagine-image-t2i/edit、nano-banana-2-t2i/edit、nano-banana-pro-t2i/edit、gpt-image-1.5-t2i/edit；平台工具支持模型查询、定价、成本估算、用量与请求审计；批量运行器可在多个 fal 模型上执行同一任务，并为每次运行追加中央账本记录。
使用方式：追踪型任务使用 fal 队列 API，提交为 POST https://queue.fal.run/{endpoint_id}，状态查询为 GET https://queue.fal.run/{endpoint_id}/requests/{request_id}/status，结果为 GET https://queue.fal.run/{endpoint_id}/requests/{request_id}。鉴权使用 Authorization: Key $FAL_KEY。可复现对比运行需设置 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（单次运行并写出请求/结果 JSON、下载图像、生成规范化清单）、scripts/fal_platform_models.py（查询模型元数据与成本）、scripts/fal_image_experiment_matrix.py（跨预设批量运行并追加账本）。
适用场景：文生图与图像编辑的模型对比实验、需要请求 ID 与成本审计的可复现工作流、批量跨模型评测。
限制与注意：编辑运行应只传模型真正需要的参考图，参考图过多会削弱控制；透明背景方面，gpt-image-1.5 是较安全选项，nano-banana-2 与 nano-banana-pro 应视为色键模型而非透明背景模型，Grok 在背景处理上更接近 Banana 系列；色键运行建议使用纯平绿 #00FF00，避免默认使用洋红 #FF00FF。避免把所有模型压成同一套提示词结构、把编辑与生成混为一谈、只记录提示词与最终 PNG、在隐藏回退路由下比较模型。具体收费与价格信息暂未提供。