image-gen

用途

image-gen 是一个图像生成技能，作用是把用户的文本描述转换为 AI 生成的图片。它适用于需要封面图、插画或概念图的场景。触发条件包括"生成图片""画一张""AI图""generate image""配图""create picture""draw""visualize""generate an image"等表述。

技能明确不适用于以下情形：需要生成音频内容（应使用 /podcast、/speech）、需要生成视频（应使用 /explainer）、需要编辑已有图片（不支持）、需要从 URL 提取内容（应使用 /content-parser）。

主要能力

基于文本提示词生成 AI 图片。
支持可选参考图，来源可以是本地文件或 URL，CLI 原生处理两者，无需区分。
支持多种分辨率与宽高比。
生成结果保存为本地文件。

使用方式

前置检查

技能会先按照共享文档中的认证流程检查 CLI 是否安装、是否登录；若未安装或未登录，会自动安装并自动登录，不要求用户手动执行命令。随后根据认证模式决定命令前缀：openapi 模式下使用 listenhub openapi image，否则使用 listenhub image。

配置

遵循零提问启动：若配置文件不存在，会静默创建默认配置并继续，不询问任何设置问题。默认配置为：

mkdir -p ".listenhub/image-gen"
echo '{"outputDir":".listenhub","outputMode":"inline"}' > ".listenhub/image-gen/config.json"

若文件已存在，则静默读取并继续。只有在用户明确要求重新配置时，才会进入设置流程，显示当前输出方式（inline / download / both）并询问 outputMode，随后立即保存。

交互流程

图片描述：自由文本输入，询问用户想生成什么图片。若提示词非常短（少于 10 个词）且用户未要求逐字生成，会主动询问是否需要帮助丰富提示词，否则原样使用。
模型：询问选择 pro（推荐，gemini-3-pro-image，质量更高）或 flash（gemini-3.1-flash-image，更快更便宜，并解锁极端宽高比 1:4、4:1、1:8、8:1）。
分辨率与宽高比：同时询问。分辨率有 1K（标准）、2K（推荐，高质量且平衡）、4K（超高质量，生成较慢）。宽高比所有模型可选 16:9（横屏宽屏）、1:1（方形）、9:16（竖屏手机屏幕）、其他（2:3、3:2、3:4、4:3、21:9）；选择 flash 模型时还会额外提供 1:4、4:1、1:8、8:1。
参考图（可选）：询问是否需要参考图进行风格引导。若需要，则收集以逗号分隔的路径或 URL。最多 5 张，支持 jpg、png、webp、gif，单文件最大 10MB。每张参考图通过一个 --reference 标志传给 CLI。
确认与生成：汇总所有选择（提示词、模型、分辨率、宽高比、参考图数量），等待用户明确确认后才运行 CLI 命令。

命令行调用

基础命令形式为：

$CMD_PREFIX create \
  --prompt "{description}" \
  --model "{model}" \
  --lang "{lang}" \
  --aspect-ratio {16:9|9:16|1:1} \
  --size {1K|2K|4K} \
  --json

带参考图时，为每张参考图追加一个 --reference：

$CMD_PREFIX create \
  --prompt "{description}" \
  --model "{model}" \
  --lang "{lang}" \
  --aspect-ratio 16:9 \
  --size 2K \
  --reference ./sketch.png \
  --reference ./photo.jpg \
  --json

--lang 标志为提示词提供语言提示，从用户提示词语言推断（如中文提示词对应 zh，英文对应 en）。命令以后台方式执行，超时为 180000。

结果处理

读取配置中的 OUTPUT_MODE，解析 CLI 的 JSON 输出以提取图片 URL（.imageUrl）。

inline 或 both 模式：下载到临时文件后用 Read 工具读取，图片内联显示在对话中。

JOB_ID=$(date +%s)
listenhub download "$IMAGE_URL" -o /tmp/image-gen-${JOB_ID}.jpg

download 或 both 模式：保存到产物目录。

JOB_ID=$(date +%s)
DATE=$(date +%Y-%m-%d)
JOB_DIR=".listenhub/image-gen/${DATE}-${JOB_ID}"
mkdir -p "$JOB_DIR"
listenhub download "$IMAGE_URL" -o "${JOB_DIR}/${JOB_ID}.jpg"

输出保存位置为 .listenhub/image-gen/YYYY-MM-DD-{jobId}/，而不是 ~/Downloads/。

提示词处理

默认直接传递用户提示词，不做修改。仅当提示词很短（几个词）且用户未要求逐字生成时，才询问是否需要加入风格、光照、构图等细节来丰富提示词。以下情况绝不修改：长篇、详细或结构化的提示词（视为有经验的用户）；用户表示"完全按这个提示词"。

若用户同意优化，可采用的手法包括：风格补充（如 "cyberpunk" 添加 "neon lights, futuristic, dystopian"）、场景补充（时间、光照、天气）、质量补充（"highly detailed"、"8K quality"、"cinematic composition"）。始终使用英文关键词，因为模型以英文训练。提交前会展示优化后的提示词。

适用场景

用户希望根据文本描述生成 AI 图片。
需要封面图、插画或概念图。
希望通过参考图引导生成风格。

限制

不支持编辑已有图片。
不生成音频（应使用 /podcast、/speech）。
不生成视频（应使用 /explainer）。
不从 URL 提取内容（应使用 /content-parser）。
参考图最多 5 张，单文件最大 10MB，支持格式为 jpg、png、webp、gif。
极端宽高比（1:4、4:1、1:8、8:1）仅在 flash 模型下可用。

组合性

该技能不调用其他技能（直接调用 CLI）；它可被平台技能用于封面图（Phase 2）。

示例

示例一：用户说"Generate an image: cyberpunk city at night"。流程为：提示词较短，询问是否丰富，用户拒绝；选择模型 pro；分辨率 2K；宽高比 16:9；无参考图；随后执行 create 命令并解析输出。

示例二：用户说"Generate an image in this style"并提供本地文件与一个 URL。流程为：提示词为 "a serene mountain lake at dawn"；模型 pro；分辨率 2K；宽高比 16:9；参考图为 /path/to/style-reference.png 和 https://example.com/photo.jpg；随后执行带两个 --reference 的 create 命令并解析输出。