我根据 Image Lab 1 的反馈，重构了 AI 创意工作流

很多 AI 图像生成都是从一个提示词开始，然后反复调整，直到得到满意的结果。在分享了 Image Lab 1 之后——这是一个能从单个创意简报出发探索多种图像变体的 AI 技能——我收集了反馈，并重新思考了整个工作流。在 Image Lab 2 中，我尝试了不同的方法：如果一个 AI 技能在生成任何内容之前，能先像一位创意总监那样工作呢？Image Lab 2 不再从创意简报直接跳到图像生成，而是将 brief 拆解为三个类别： - **必须保留** —— 需要保持一致的产品、品牌元素和核心信息。 - **可以改变** —— 构图、布局、姿势、排版、纹理、光线等创意变量。 - **新方向** —— AI 可以探索你可能未曾想到的方向。 它将这些选择汇总到一个可编辑的 Excel 创意矩阵中。你可以在投入图像生成的额度之前，审阅提议的方向、筛选选项，再决定要生成什么。 整个工作流如下： Brief → 创意规划 → 审阅并筛选 Excel 矩阵 → 批量生成 → 借助 LLM-as-judge 进行视觉对比 目标不仅仅是生成更多的图片，而是让开放式 brief 与最终产出之间的创意决策变得更加结构化、可视化、可控。 我正在将 Image Lab 2 作为一个开源 AI 技能项目来构建，很希望能听到其他从事 Agent 和 agentic 工作流开发的同行的想法。有几个问题我比较好奇： - 你在 Agent 中如何处理模糊的创意指令？ - 你会让 Agent 自行决定计划，还是将中间决策暴露给人类审阅？ - 你会用结构化数据、电子表格还是其他形式来表示创意计划？ - 你把 human-in-the-loop 的检查点设在哪里：规划之前、执行之前，还是仅在结果需要修改时？ 我是 Image Lab 2 的开发者，所以这同时也是个项目展示。我会在评论区附上在线演示和 GitHub 仓库的链接，但我是真心想听听其他人是如何处理这个问题的。